可解释的机器学习建模治疗结果的银和化物治疗在早期儿童虫
Mojtaba Mehrabanian1, Shahab Kavousinejad2, Ebrahim Dastouri3
1Dental Research Center, Dental Research Institute, School of Dentistry, Isfahan University of Medical Sciences, Isfahan, Iran; Bupa Dental Care, Dingwall, Scotland, UK. m.mehrabanian@gmail.com.
Evidence-based dentistry
|November 20, 2025
概括
机器学习模型可以使用临床和行为数据预测早期儿童 (ECC) 治疗结果. 然而,在临床使用之前需要进一步验证.
科学领域:
- 口腔健康 口腔健康
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 幼儿 (ECC) 是一个重要的公共卫生问题.
- 预测ECC治疗结果对于有效的干预至关重要.
- 以前的研究集中在临床因素上,但多域输入可能会改善预测.
研究的目的:
- 开发和评估用于预测ECC治疗结果的机器学习模型.
- 为了确定在幼儿时代脏停止的关键预测因素.
- 在这种情况下,评估各种机器学习算法的性能.
主要方法:
- 从以前的RCT中对880名儿童 (4157种表面) 的数据进行了回顾性分析.
- 我们比较了六种机器学习算法 (LR,NB,SVM,DT,RF,XGBoost).
- 模型被训练和测试使用70: 30分,与SMOTE不平衡,并使用准确度,回忆,精度,F1,AUROC和Brier分数进行评估.
主要成果:
- 所有模型都显示了可接受的歧视,AUROC范围从0.771到0.859.
- 集合树方法 (RF,XGBoost) 实现了最高的AUROC (≈0.86).
- 关键预测因素包括牙/表面位置,新/基线dmfs,刷牙和斑块指数;干预的重要性较低.
结论:
- 机器学习,特别是集合树方法,可以使用多域数据预测的停止.
- 方法上的局限性 (例如,缺乏参与者级别的分割,外部验证) 可能会导致性能膨胀.
- 目前的模型需要进一步验证临床准备.
