基于机器学习,预测非性宫病变的修复中边际适应失败,基于机器学习

科学领域:

• 牙科材料科学和生物材料.
• 医疗保健中的人工智能
• 临床牙科中的预测分析.

背景情况:

• 在非性宫修复 (NCCRS) 中,边际适应失败会减少寿命,并影响患者的结果.
• 早期识别高风险的恢复对于及时的临床干预至关重要.
• 监督机器学习 (ML) 提供了预测恢复失败风险的潜力.

研究的目的:

• 开发和评估一个监督的ML模型,用于在18个月内预测NCCRS中边际适应失败.
• 为了确定与恢复失败相关的关键临床变量.
• 为此预测任务比较各种ML算法的性能.

主要方法:

• 分析了262个NCCRS,包括诸如粘合系统,腔体几何,牙硬化,牙切口高度,牙特征和患者年龄等变量.
• 训练和评估了七个监督的ML算法:决策树,SVM,梯度提升,KNN,后勤回归,多层感知子和随机森林.
• 使用五重交叉验证和包括AUC,准确性,回忆,精度和F1分数在内的指标进行性能评估.

主要成果:

• 切口牙高度,患者年龄和粘合系统类型被确定为重要的预测特征.
• 在模型中,AUC值在0.72到0.52之间,召回值在0.77到0.53之间.
• 支持向量机 (SVM),梯度增强和K-最近邻居 (KNN) 展示了卓越的预测能力.

结论:

• 机器学习模型显示出作为预测NCCRS中边际适应失败的有效工具的承诺.
• 这些模型可以帮助临床医生优化治疗后监测和后续战略.
• 预测分析可以通过能够主动管理高风险的修复来提高患者护理.