使用考克斯回归和机器学习来预测和分析牙植入器失败的危险因素
In-Kyung Hwang1, Soo Ho Ahn2, Seong-Kyun Kim3
1Department of Periodontology, Research Institute for Dental Engineering, Gangneung-Wonju National University College of Dentistry, Gangwon, South Korea.
Journal of periodontology
|February 28, 2026
概括
通过比较Cox回归和机器学习用于牙科植入物生存分析,这项研究发现,虽然随机生存森林 (RSF) 显示出强的表现,但其表现并没有超过最佳的Cox模型,尤其是在有限的事件数据的情况下.
科学领域:
- 生物统计学 生物统计学
- 牙科植入物学 牙科植入物学
- 医疗保健中的机器学习
背景情况:
- 生存分析对于了解牙植入物寿命至关重要.
- 考克斯的比例危险模型是传统的,但机器学习 (ML) 的好处尚不清楚.
- 本研究将考克斯回归与ML模型 (RSF,DeepSurv,TabNet) 进行比较,以预测性能和风险因素识别.
研究的目的:
- 将考克斯回归的预测性能与随机生存森林 (RSF),DeepSurv和TabNet进行比较,以获得牙科植入物生存率.
- 通过使用传统和ML方法确定牙植入物失败的关键风险因素.
主要方法:
- 在8年的平均随访期间,对256名患者的543种植入物进行了回顾性审查,其中32种植入物失败.
- 开发和调整了具有脆弱性术语的Cox模型和ML模型 (RSF,DeepSurv,TabNet).
- 通过危险比率 (Cox) 和沙普利添加式解释 (ML) 评估的重要变量.
主要成果:
- 最优的考克斯模型实现了0.81的C指数,在某些方面表现优于ML模型.
- 随机生存森林 (RSF) 展示了最好的ML性能 (C指数:0.72,AUC:0.79,IBS:0.044),超过了DeepSurv和TabNet.
- 考克斯回归和RSF都确定了前置位置和牙周炎相关的牙损失是植入失败的主要危险因素.
结论:
- 随机生存森林 (RSF) 提供了良好的预测准确性,但并不优于最佳的考克斯模型.
- 该研究强调,先进的ML方法本身并没有优于传统模型,特别是在小样本大小和低事件率的情况下.
- 植入物存活研究的方法选择应平衡模型复杂性与数据集大小和事件频率.
