在有限的数据场景中使用过量采样技术的机器学习算法,用于预测当前和未来的恢复性治疗需求:开发和验证研究
Elina Väyrynen1, Otso Tirkkonen1, Henna Tiensuu2
1Research Unit of Population Health, Faculty of Medicine, University of Oulu, Oulu, Finland.
JMIR medical informatics
|August 8, 2025
概括
一个新的机器学习算法可以有效地检测和预测青少年的牙. 该工具利用易于收集的数据,帮助牙科专业人员识别未来的修复性治疗需求.
科学领域:
- 口腔健康 口腔健康
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 牙损是一个全球性的健康问题,需要新的管理策略.
- 青少年口腔健康在牙预防和治疗方面提出了独特的挑战.
研究的目的:
- 开发和评估用于检测和预测青少年病变的机器学习 (ML) 算法.
- 用过量抽样技术来解决数据集的限制.
主要方法:
- 一项针对218名芬兰学龄儿童 (13-17岁) 的基于人口的研究,使用临床检查和问卷.
- 一个极端梯度增强模型被开发并通过四倍交叉验证和过量采样来验证.
- 国际虫检测和评估系统 (ICDAS) 的分数被用来定义虫的结果.
主要成果:
- 65.6%的参与者患有普遍的牙损伤 (ICDAS 2+,3+,4-6).
- ML模型实现了0.77的曲线下的平均面积和0.82.8的F1得分.
- 之前的牙填充被确定为恢复性治疗需求的最强预测因素.
结论:
- 开发的ML算法在识别脏风险方面表现良好.
- 该算法可以作为牙科专业人员的经济有效的查工具.
- 建议使用纵向数据和外部队列进行进一步验证.


