Dynamische follow-up van factoren die het succes van implantaten beïnvloeden en modellen voor het voorspellen van implantaatresultaten

Uitgaande van verschillende gegevenstypen bouwden onderzoekers een verscheidenheid aan modellen om de gegevens zelf te ontginnen en de prognose van het implantaat te voorspellen. Machine learning is qua afbeeldingen vaak indrukwekkender en intuïtiever. Op het gebied van orale implantologie analyseren onderzoekers preoperatieve beeldgegevens op basis van machinaal leren om belangrijke anatomische structuren (zoals maxillaire sinus, mandibulaire neurale buis, enz.) te identificeren en de alveolaire botkwaliteit te analyseren. Er worden ook grootschalige beeldgegevens gebruikt om de verschillende implantaatsystemen op de markt te identificeren. Machine learning speelt ook een belangrijke rol bij de ontwikkeling van plannen voor implantaatchirurgie, wat bevorderlijk is voor nauwkeurigere en efficiëntere implantatiechirurgie. De evaluatie van het implantaatretentiepercentage en het individuele botniveau is ook een van de belangrijkste klinische aandachtspunten. De meeste methoden om dergelijke kwesties te bestuderen zijn: Kaplan-Meier-overlevingsanalyse, Cox-overlevingsanalyse, enz., om het retentiepercentage van implantaten en beïnvloedende factoren te bestuderen. Lineair (gemengd) model en meervoudige logistische regressie werden gebruikt om de veranderingen en beïnvloedende factoren van botabsorptie aan de rand van het implantaat te bestuderen. In de dagelijkse klinische praktijk kunnen er echter enkele praktische problemen zijn, zoals verloren follow-up en het ontbreken van gedeeltelijke gegevens. Naarmate de klinische scenario's van onderzoek steeds duidelijker worden, leidt zelfs het ontbreken van gedeeltelijke gegevens vaak tot resultaten die niet nauwkeurig kunnen worden geëvalueerd en voorspeld. Daarom heeft deze studie tot doel om, in termen van leren onder toezicht, een voorspellend model van veranderingen in het implantaatbotniveau op te stellen en de nauwkeurigheid van het model te evalueren door middel van machine learning van het implantaatrandbotniveau (MBL) met grote hoeveelheden gegevens. In termen van leren zonder toezicht is het doel om gevoeligheidsfenotypes voor implantaatfalen te identificeren door: het clusteren van individueel gerelateerde informatie over implantaten.