Follow-up dinamico dei fattori che influenzano il successo dell'impianto e modelli per prevedere i risultati dell'impianto

Partendo da diversi tipi di dati, i ricercatori hanno costruito una varietà di modelli per estrarre i dati stessi e prevedere la prognosi dell’impianto. L’apprendimento automatico è spesso più impressionante e intuitivo in termini di immagini. Nel campo dell'implantologia orale, i ricercatori analizzano i dati delle immagini preoperatorie sulla base dell'apprendimento automatico per identificare importanti strutture anatomiche (come il seno mascellare, il tubo neurale mandibolare, ecc.) e analizzare la qualità dell'osso alveolare. I dati di imaging su larga scala vengono utilizzati anche per identificare i diversi sistemi implantari presenti sul mercato. L’apprendimento automatico svolge anche un ruolo importante nello sviluppo di piani di chirurgia implantare, che favorisce un intervento chirurgico di impianto più accurato ed efficiente. Anche la valutazione del tasso di ritenzione dell’impianto e del livello osseo individuale è una delle principali preoccupazioni cliniche. La maggior parte dei metodi per studiare tali problemi sono: analisi di sopravvivenza di Kaplan-Meier, analisi di sopravvivenza di Cox, ecc., per studiare il tasso di ritenzione dell'impianto e i fattori che influenzano. Per studiare i cambiamenti e i fattori che influenzano l’assorbimento osseo a livello del bordo dell’impianto sono stati utilizzati il ​​modello lineare (misto) e la regressione logistica multipla. Tuttavia, nella pratica clinica quotidiana, potrebbero esserci alcuni problemi pratici come la perdita di follow-up e la mancanza di dati parziali. Man mano che gli scenari clinici della ricerca diventano sempre più chiari, anche la mancanza parziale di dati spesso porta a risultati che non possono essere valutati e previsti con precisione. Pertanto, in termini di apprendimento supervisionato, questo studio mira a stabilire un modello predittivo del cambiamento del livello osseo dell'impianto e a valutare l'accuratezza del modello attraverso l'apprendimento automatico del livello osseo del bordo dell'impianto (MBL) con grandi quantità di dati. In termini di apprendimento non supervisionato, l'obiettivo è identificare i fenotipi di suscettibilità al fallimento dell'impianto attraverso: raggruppamento di informazioni relative all'individuo sugli impianti.