Dynamische Nachverfolgung von Faktoren, die den Implantaterfolg beeinflussen, und Modelle zur Vorhersage von Implantatergebnissen

Ausgehend von verschiedenen Datentypen erstellten die Forscher verschiedene Modelle, um die Daten selbst zu analysieren und die Prognose des Implantats vorherzusagen. Maschinelles Lernen ist in Bezug auf Bilder oft eindrucksvoller und intuitiver. Im Bereich der oralen Implantologie analysieren Forscher präoperative Bilddaten auf Basis von maschinellem Lernen, um wichtige anatomische Strukturen (wie Kieferhöhle, Unterkiefer-Neuralrohr usw.) zu identifizieren und die Qualität des Alveolarknochens zu analysieren. Umfangreiche Bilddaten werden auch verwendet, um die verschiedenen Implantatsysteme auf dem Markt zu identifizieren. Maschinelles Lernen spielt auch eine wichtige Rolle bei der Entwicklung von Implantationsplänen, was zu einer genaueren und effizienteren Implantationschirurgie beiträgt. Die Beurteilung der Implantatretentionsrate und des individuellen Knochenniveaus ist ebenfalls eines der wichtigsten klinischen Anliegen. Die meisten Methoden zur Untersuchung solcher Probleme sind: Kaplan-Meier-Überlebensanalyse, Cox-Überlebensanalyse usw. zur Untersuchung der Implantatretentionsrate und der Einflussfaktoren. Zur Untersuchung der Veränderungen und Einflussfaktoren der Knochenabsorption am Implantatrand wurden ein lineares (gemischtes) Modell und eine multiple logistische Regression verwendet. In der täglichen klinischen Praxis kann es jedoch zu einigen praktischen Problemen kommen, z. B. zum Verlust der Nachverfolgung und zum Fehlen teilweiser Daten. Da die klinischen Szenarien der Forschung immer klarer werden, führt das Fehlen teilweiser Daten häufig zu Ergebnissen, die nicht genau bewertet und vorhergesagt werden können. Daher zielt diese Studie im Hinblick auf überwachtes Lernen darauf ab, ein Vorhersagemodell für die Änderung des Implantatknochenniveaus zu erstellen und die Genauigkeit des Modells durch maschinelles Lernen des Implantatrandknochenniveaus (MBL) mit großen Datenmengen zu bewerten. Im Hinblick auf unbeaufsichtigtes Lernen besteht das Ziel darin, Anfälligkeitsphänotypen für Implantatversagen zu identifizieren, und zwar durch: Clustering von personenbezogenen Informationen über Implantate.