在牙周炎的II阶段治疗反应的预测建模 - 模型开发和验证

科学领域:

• 牙周病学 牙周病学
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 牙周病治疗,包括I和II步骤,对于治疗牙周病至关重要,但其成功率可变.
• 在颗粒级预测治疗结果对于优化患者护理和管理期望至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测二级牙周治疗后牙周探测深度 (PPD) 的变化.
• 确定影响患者,牙和部位水平治疗结果的关键临床共变量.

主要方法:

• 利用患者,牙和特定地点的临床数据来训练机器学习模型.
• 评估模型在预测PPD变化,口袋关闭和治疗反应方面的表现.
• 研究了模型调整的影响,并确定了重要的预测特征.

主要成果:

• 模型准确地预测了健康牙周部位的稳定性.
• 对于患病的站点,性能不足于最佳,尽管调整提高了准确性.
• 发现的关键预测因素包括PPD,牙部位特征和牙类型.
• 口袋关闭的预测相当准确,基线PPD是最有影响力的共变量.
• 模型有效地预测了浅口袋的改善,但对不响应的部位表现不佳,抗生素治疗和牙类型具有影响.

结论:

• 机器学习模型为牙周治疗中特定地点的结果预测提供了基础,尽管目前预测所有患病地点的结果存在局限性.
• 这些模型可以对牙周部位进行分层,并估计口袋改善的概率,有助于患者的沟通.
• 通过使用临床数据进一步完善预测模型,有可能增强个性化的牙周治疗策略.