基于机器学习的预测模型,用于在正牙治疗后对膜骨缺陷风险的预测模型
Ailin Xu1, Sen Yang1, Shan Dong1
1Department of Orthodontics, Beijing Stomatological Hospital, Capital Medical University, Capital Medical University School of Stomatology, Beijing, China.
Orthodontics & craniofacial research
|December 25, 2025
概括
这项研究开发了一种XGBoost机器学习模型,用于预测在 ортодонтической治疗后膜骨缺陷风险. 该模型准确识别高风险患者,有助于个性化治疗规划.
科学领域:
- ортодонтика和牙科研究.
- 医疗保健中的人工智能
- 生物医学数据科学 生物医学数据科学
背景情况:
- 膜骨缺陷,如化和脱落,是正牙治疗的常见并发症.
- 这些缺陷可能会对治疗结果和长期口腔健康产生负面影响.
- 准确的风险评估对于预防和管理这些并发症至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于对经过正牙治疗后的膜骨缺陷的风险等级进行分类.
- 为了确定膜骨缺陷发展的关键预测因素.
- 为牙正医提供临床决策支持工具.
主要方法:
- 354名患者的回顾性队列研究.
- 开发了五种机器学习模型 (XGBoost,SVM,MLP,物流回归,决策树).
- 使用LASSO回归进行特征选择;使用准确度,AUC,精度,回忆,F1分数进行性能评估.
- 使用SHAP分析解释的XGBoost模型.
主要成果:
- 拉索回归确定了23个关键预测因素;XGBoost模型使用了20个变量.
- XGBoost模型以0.9429准确度和0.9955 AUC实现了卓越的性能.
- 关键预测因素包括治疗前的骨缺陷得分,基底骨宽度和后下长度.
- XGBoost显著优于传统方法.
结论:
- 一个XGBoost模型成功地开发出来,可以预测膜骨缺陷风险.
- 该模型表现出高准确度,并优于现有方法.
- 这种工具可以帮助正牙医在治疗前进行风险评估和个性化治疗规划.
