使用机器学习和深度神经网络的急性和慢性关疾病的临床和MRI标志物

科学领域:

• 部部疾病 (TMD) 是一种疾病.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 部疾病 (TMD) 是复杂的和多因素的,使得从急性到慢性阶段的过渡难以预测.
• 确定慢性TMD的预测因子对于开发有针对性的干预措施和改善患者的治疗结果至关重要.

研究的目的:

• 确定诊断为TMD的患者症状慢性化的临床,行为和成像预测因素.
• 为了比较后勤回归和深度神经网络 (DNN) 在预测慢性TMD方面的有效性.

主要方法:

• 239名患有TMD的患者根据症状持续时间被分为急性 (<6个月) 或慢性 (≥6个月).
• 收集的数据包括临床评估,睡眠变量和关节 (TMJ) 磁共振成像 (MRI) 发现 (例如,前盘位移,关节空间狭窄,骨关节炎).
• 使用逻辑回归和DNN模型分析了预测因素.

主要成果:

• 慢性TMD与关节噪音,,更高的疼痛强度 (VAS),更短的睡眠时间和阻塞性睡眠呼吸暂停 (STOP-Bang分数) 的更高风险有关.
• 在慢性TMD患者中,MRI显示前盘位移 (ADD),关节骨关节炎 (TMJ-OA) 和关节空间狭窄的患病率较高.
• 后勤回归确定了几个重要的预测因素,实现了0.7550.0.0的AUROC. 一个DNN模型显示,准确度略有提高,达到79.49%.

结论:

• 行为因素 (例如,牛症,睡眠障碍) 和关节结构变化 (例如,ADD,关节空间缩小) 是慢性TMD的显著预测因素.
• 早期识别这些因素可以促进个性化治疗策略.
• 进一步的研究可能会完善预测模型,以改善TMD慢性病的临床管理.