Suivi dynamique des facteurs influençant le succès des implants et des modèles permettant de prédire les résultats des implants

À partir de différents types de données, les chercheurs ont construit une variété de modèles pour exploiter les données elles-mêmes et prédire le pronostic de l'implant. L’apprentissage automatique est souvent plus impressionnant et intuitif en termes d’images. Dans le domaine de l'implantologie orale, les chercheurs analysent les données d'images préopératoires basées sur l'apprentissage automatique pour identifier les structures anatomiques importantes (telles que le sinus maxillaire, le tube neural mandibulaire, etc.) et analyser la qualité de l'os alvéolaire. Des données d’imagerie à grande échelle sont également utilisées pour identifier les différents systèmes d’implants disponibles sur le marché. L’apprentissage automatique joue également un rôle important dans le développement de plans de chirurgie implantaire, ce qui favorise une chirurgie d’implantation plus précise et plus efficace. L'évaluation du taux de rétention des implants et du niveau osseux individuel est également l'une des principales préoccupations cliniques. La plupart des méthodes permettant d'étudier ces problèmes sont : l'analyse de survie de Kaplan-Meier, l'analyse de survie de Cox, etc., pour étudier le taux de rétention des implants et les facteurs d'influence. Un modèle linéaire (mixte) et une régression logistique multiple ont été utilisés pour étudier les changements et les facteurs d'influence de l'absorption osseuse au bord de l'implant. Cependant, dans la pratique clinique quotidienne, des problèmes pratiques tels qu'une perte de suivi et des données partielles manquantes peuvent survenir. À mesure que les scénarios cliniques de la recherche deviennent de plus en plus clairs, même des données partielles manquantes conduisent souvent à des résultats qui ne peuvent pas être évalués et prédits avec précision. Par conséquent, en termes d'apprentissage supervisé, cette étude vise à établir un modèle prédictif du changement du niveau osseux de l'implant et à évaluer la précision du modèle grâce à l'apprentissage automatique du niveau osseux du bord de l'implant (MBL) avec de grandes quantités de données. En termes d'apprentissage non supervisé, l'objectif est d'identifier les phénotypes de susceptibilité à l'échec implantaire grâce à : le regroupement d'informations individuelles sur les implants.