机器学习模型的开发和验证,以预测下第三损伤和相关并发症:一项回顾性观察性研究

科学领域:

• 牙科 牙科是指牙科的专业.
• 口腔和牙面部外科手术
• 人工智能在医学中的应用

背景情况:

• 在全球范围内,受影响的下第三是普遍存在的,往往导致诸如皮炎和牙等并发症.
• 目前对冲击和并发症的预测方法是主观的,并且在临床医生之间存在差异.
• 机器学习 (ML) 提供了一条通往客观,数据驱动的模型的道路,用于第三子管理.

研究的目的:

• 开发和验证一个ML模型来预测下第三损伤.
• 确定影响和相关并发症的人口和放射学预测因素.
• 创建一个客观的工具,用于临床决策支持在第三关节的管理.

主要方法:

• 一项回顾性研究分析了16-40岁患者的220张全景放射图.
• 变量包括患者的人口统计,牙角,冲击分类,根部发育和下管附近.
• 训练和验证了XGBoost,随机森林和后勤回归模型,使用AUC-ROC,准确性和Kappa评估性能.

主要成果:

• 被冲击的下第三的患病率为67.3%.
• 确定的关键预测因素是半角角角,佩尔和格雷戈里二级,以及不完整的根部发育.
• XGBoost实现了高性能,AUC-ROC为0.92,准确率为90.5%,卡帕为0.82.

结论:

• XGBoost模型在预测下三冲击和并发症方面表现出强大的准确性.
• 这种基于机器学习的工具可以作为决策支持系统,提供个性化的风险评估.
• 它协助临床医生提供患者咨询,监测策略和对受影响的第三牙进行手术决策.