Acompanhamento dinâmico de fatores que influenciam o sucesso do implante e modelos para prever resultados de implantes

Partindo de diferentes tipos de dados, os pesquisadores construíram uma variedade de modelos para extrair os próprios dados e prever o prognóstico do implante. O aprendizado de máquina costuma ser mais impressionante e intuitivo em termos de imagens. Na área de implantologia oral, os pesquisadores analisam dados de imagens pré-operatórias com base em aprendizado de máquina para identificar estruturas anatômicas importantes (como seio maxilar, tubo neural mandibular, etc.) e analisar a qualidade do osso alveolar. Dados de imagem em grande escala também são usados ​​para identificar os diferentes sistemas de implantes no mercado. O aprendizado de máquina também desempenha um papel importante no desenvolvimento de planos de cirurgia de implante, o que conduz a uma cirurgia de implantação mais precisa e eficiente. A avaliação da taxa de retenção do implante e do nível ósseo individual também é uma das principais preocupações clínicas. A maioria dos métodos para estudar tais questões são: análise de sobrevivência de Kaplan-Meier, análise de sobrevivência de Cox, etc., para estudar a taxa de retenção do implante e os fatores de influência. Modelo linear (misto) e regressão logística múltipla foram utilizados para estudar as alterações e fatores que influenciam a absorção óssea na borda do implante. No entanto, na prática clínica diária, podem existir alguns problemas práticos, como perda de acompanhamento e falta parcial de dados. À medida que os cenários clínicos da investigação se tornam cada vez mais claros, mesmo a falta de dados parciais conduz frequentemente a resultados que não podem ser avaliados e previstos com precisão. Portanto, em termos de aprendizado supervisionado, este estudo tem como objetivo estabelecer um modelo preditivo de alteração do nível ósseo do implante e avaliar a precisão do modelo por meio de aprendizado de máquina do nível ósseo da borda do implante (MBL) com grandes quantidades de dados. Em termos de aprendizagem não supervisionada, o objetivo é identificar fenótipos de suscetibilidade à falha do implante através de: agrupamento de informações relacionadas ao indivíduo sobre os implantes.