使用人工智能开发牙周炎进展的预测模型:长度队列研究
Camila Pinheiro Furquim1,2, Lannawill Caruth3,4, Ganesh Chandrasekaran5
1Department of Basic & Translational Sciences, School of Dental Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA.
Journal of clinical periodontology
|August 20, 2025
概括
机器学习模型使用临床数据和唾液生物标志物如IL-1β准确预测牙周炎的进展,有助于早期检测. 概率图形模型表现得最好.
科学领域:
- 牙周病学
- 生物标志物
- 机器学习
背景情况:
- 牙周炎是一种常见的炎症性疾病,影响牙和支骨.
- 早期发现和预测牙周炎的进展对于有效的治疗至关重要.
- 机器学习为开发先进的预测模型提供了潜力.
研究的目的:
- 开发和评估用于预测牙周炎进展的机器学习模型.
- 比较不同的机器学习算法 (LR,MLP,PGM) 的性能.
- 确定影响牙周炎进展的主要临床和唾液因素.
主要方法:
- 使用了对牙周健康和牙周炎患者进行的12个月多中心纵向研究的数据.
- 收集了临床,人口和唾液分析物的数据 (10个分析物).
- 应用后勤回归 (LR),多层感知器 (MLP) 和概率图形模型 (PGM);使用AUROC和SHAP值评估性能.
主要成果:
- 结合临床测量,唾液IL-1β,年龄和性别的PGM模型获得了最高的性能 (AUROC=0. 88).
- PGM显示出平衡的灵敏度 (0. 55) 和特异性 (0. 81),表现优于LR (AUROC = 0. 72) 和MLP (AUROC = 0.58).
- 在特征重要性分析中,确定了牙周深处口袋的数量是PGM和MLP模型中的重要预测因素.
结论:
- 机器学习模型有效预测牙周炎的进展,支持早期检测策略.
- 将临床数据与唾液生物标志物 (如IL-1β) 结合起来,可以提高预测准确度.
- 在牙周炎治疗中,PGM方法有望得到临床应用.
