Dynamické sledování faktorů ovlivňujících úspěch implantátu a modely pro predikci výsledků implantátu

Počínaje různými typy dat vytvořili vědci různé modely, aby těžili samotná data a předpovídali prognózu implantátu. Strojové učení je často působivější a intuitivnější, pokud jde o obrázky. V oblasti orální implantologie vědci analyzují předoperační obrazová data na základě strojového učení, aby identifikovali důležité anatomické struktury (jako je maxilární sinus, mandibulární neurální trubice atd.) a analyzovali kvalitu alveolární kosti. Rozsáhlá zobrazovací data se také používají k identifikaci různých implantačních systémů na trhu. Strojové učení také hraje důležitou roli při vývoji plánů implantační chirurgie, což vede k přesnější a efektivnější implantační chirurgii. Hodnocení retence implantátu a individuální kostní úrovně je také jedním z klíčových klinických problémů. Většina metod ke studiu těchto problémů je: Kaplan-Meierova analýza přežití, Coxova analýza přežití atd. pro studium míry retence implantátu a ovlivňujících faktorů. Ke studiu změn a ovlivňujících faktorů kostní absorpce na okraji implantátu byl použit lineární (smíšený) model a vícenásobná logistická regrese. V každodenní klinické praxi se však mohou vyskytnout některé praktické problémy, jako je ztráta sledování a chybějící částečná data. S tím, jak jsou klinické scénáře výzkumu stále jasnější, i chybějící dílčí data často vedou k výsledkům, které nelze přesně vyhodnotit a předvídat. Proto, pokud jde o učení pod dohledem, cílem této studie je vytvořit prediktivní model změny úrovně kosti implantátu a vyhodnotit přesnost modelu pomocí strojového učení úrovně kosti okraje implantátu (MBL) s velkým množstvím dat. Pokud jde o učení bez dozoru, cílem je identifikovat fenotypy náchylnosti k selhání implantátu prostřednictvím: shlukování individuálních informací o implantátech.