Dynamisk opfølgning af faktorer, der påvirker implantatets succes og modeller til forudsigelse af implantatresultater

Med udgangspunkt i forskellige datatyper byggede forskerne en række modeller til at mine selve dataene og forudsige implantatets prognose. Maskinlæring er ofte mere imponerende og intuitiv med hensyn til billeder. Inden for oral implantologi analyserer forskere præoperativ billeddata baseret på maskinlæring for at identificere vigtige anatomiske strukturer (såsom sinus maksillær, mandibular neuralrør osv.) og analysere alveolær knoglekvalitet. Storskala billeddannelsesdata bruges også til at identificere de forskellige implantatsystemer på markedet. Maskinlæring spiller også en vigtig rolle i udviklingen af ​​implantatkirurgisplaner, hvilket er befordrende for mere præcis og effektiv implantationskirurgi. Evalueringen af ​​implantatretentionshastigheden og individuelt knogleniveau er også en af ​​de vigtigste kliniske bekymringer. De fleste metoder til at studere sådanne problemstillinger er: Kaplan-Meier overlevelsesanalyse, Cox overlevelsesanalyse osv., for at studere implantatretentionsraten og indflydelsesfaktorer. Lineær (blandet) model og multipel logistisk regression blev brugt til at studere ændringer og indflydelsesfaktorer for knogleabsorption ved implantatkanten. I den daglige kliniske praksis kan der dog være nogle praktiske problemer såsom tabt opfølgning og manglende data. Efterhånden som de kliniske scenarier for forskning bliver mere og mere tydelige, fører selv manglende data ofte til resultater, der ikke kan evalueres og forudsiges nøjagtigt. Derfor, hvad angår superviseret læring, sigter denne undersøgelse på at etablere en forudsigelig model for ændring af implantatets knogleniveau og evaluere nøjagtigheden af ​​modellen gennem maskinlæring af implantatkantknogleniveau (MBL) med store mængder data. Med hensyn til uovervåget læring er målet at identificere følsomhedsfænotyper for implantatsvigt gennem: gruppering af individrelateret information om implantater.