Seguimiento dinámico de los factores que influyen en el éxito de los implantes y modelos para predecir los resultados de los implantes

A partir de diferentes tipos de datos, los investigadores construyeron una variedad de modelos para extraer los datos y predecir el pronóstico del implante. El aprendizaje automático suele ser más impresionante e intuitivo en términos de imágenes. En el campo de la implantología oral, los investigadores analizan datos de imágenes preoperatorias basándose en el aprendizaje automático para identificar estructuras anatómicas importantes (como el seno maxilar, el tubo neural mandibular, etc.) y analizar la calidad del hueso alveolar. Los datos de imágenes a gran escala también se utilizan para identificar los diferentes sistemas de implantes existentes en el mercado. El aprendizaje automático también juega un papel importante en el desarrollo de planes de cirugía de implantes, lo que conduce a una cirugía de implantación más precisa y eficiente. La evaluación de la tasa de retención del implante y el nivel óseo individual es también una de las preocupaciones clínicas clave. La mayoría de los métodos para estudiar estas cuestiones son: análisis de supervivencia de Kaplan-Meier, análisis de supervivencia de Cox, etc., para estudiar la tasa de retención de implantes y los factores que influyen. Se utilizaron un modelo lineal (mixto) y una regresión logística múltiple para estudiar los cambios y los factores que influyen en la absorción ósea en el borde del implante. Sin embargo, en la práctica clínica diaria, pueden surgir algunos problemas prácticos, como la pérdida de seguimiento y la falta de datos parciales. A medida que los escenarios clínicos de la investigación se vuelven cada vez más claros, incluso la falta de datos parciales a menudo conduce a resultados que no pueden evaluarse ni predecirse con precisión. Por tanto, en términos de aprendizaje supervisado, este estudio tiene como objetivo establecer un modelo predictivo del cambio del nivel óseo del implante y evaluar la precisión del modelo mediante el aprendizaje automático del nivel óseo del borde del implante (MBL) con grandes cantidades de datos. En términos de aprendizaje no supervisado, el objetivo es identificar fenotipos de susceptibilidad al fracaso del implante mediante: agrupación de información individual sobre los implantes.