使用机器学习技术预测下三提取术后手术后症状的严重程度
Qianqian Hou1, Huan Ge1, Jiayue Xiang1
1Department of Stomatology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, 200025 Shanghai, China.
Annali italiani di chirurgia
|January 15, 2026
概括
机器学习模型可以预测手术后的疼痛,在第三提取后. 一个渐变增强机器 (GBM) 命名图显示了年轻成年人中适度但临床上有用的风险分层.
科学领域:
- 口腔和牙面部外科手术
- 医疗保健中的机器学习
- 在牙科领域的预测分析.
背景情况:
- 在下第三提取后的术后症状可以显著影响患者的康复.
- 准确预测疼痛和严重程度对于有效的患者管理和资源分配至关重要.
- 预测术后结果的现有方法可能缺乏准确性,需要先进的分析方法.
研究的目的:
- 开发和外部验证机器学习模型,用于预测下下第三骨提取后一周后手术后症状的风险和严重程度.
- 为了确定影响术后症状的关键预测因子,在接受第三手术的患者中.
- 根据表现最好的机器学习模型构建一个预测名ogram.
主要方法:
- 一个回顾性队列研究321名患者 (18-35岁) 接受了第三关节下部手术.
- 开发了五种机器学习算法 (GBM,XGBoost,RF,DT,NNET),使用对训练 (70%) 和验证 (30%) 数据集的嵌套交叉验证.
- 使用AUROC,Brier分数和校准斜率进行性能评估;从最佳模型构建名ogram.
主要成果:
- 梯度提升机 (GBM) 在验证集上显示了最高的预测歧视 (AUROC=0.687).
- GBM模型表现出极好的预测准确度,校准斜率为0.98和Brier分数为0.225.
- 确定的主要预测因素包括手术时间,口腔开口,佩尔-格雷戈里分类 (PGV,PGL),吸烟和手术前症状.
结论:
- 基于GBM的诺米图提供了适度的,临床相关的歧视,用于预测健康年轻人第三牙提取后的严重早期症状.
- 开发的名图显示了有效的临床风险分层的潜力.
- 在广泛的临床采用之前,建议在不同患者群体 (老年人,医疗复杂) 中进行外部验证.
更多相关视频
10:42A Postoperative Evaluation Guideline for Computer-Assisted Reconstruction of the Mandible
Published on: January 28, 2020
6.9K
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
432
