Dynamisk uppföljning av faktorer som påverkar implantatframgång och modeller för att förutsäga implantatresultat

Med utgångspunkt från olika datatyper byggde forskare en mängd olika modeller för att bryta själva data och förutsäga implantatets prognos. Maskininlärning är ofta mer imponerande och intuitivt när det gäller bilder. Inom området oral implantologi analyserar forskare preoperativ bilddata baserat på maskininlärning för att identifiera viktiga anatomiska strukturer (såsom maxillary sinus, mandibular neuralrör, etc.) och analysera alveolar benkvalitet. Storskalig bilddata används också för att identifiera de olika implantatsystemen på marknaden. Maskininlärning spelar också en viktig roll i utvecklingen av planer för implantatkirurgi, vilket bidrar till mer exakt och effektiv implantationskirurgi. Utvärderingen av implantatretentionshastighet och individuell bennivå är också en av de viktigaste kliniska problemen. De flesta metoder för att studera sådana frågor är: Kaplan-Meier överlevnadsanalys, Cox överlevnadsanalys, etc., för att studera implantatretentionshastighet och påverkande faktorer. Linjär (blandad) modell och multipel logistisk regression användes för att studera förändringar och påverkande faktorer för benabsorption vid implantatkanten. I den dagliga kliniska praktiken kan det dock finnas vissa praktiska problem såsom förlorad uppföljning och partiell data som saknas. I takt med att forskningens kliniska scenarier blir mer och mer tydliga leder till och med partiell data som saknas ofta till resultat som inte kan utvärderas och förutsägas korrekt. Därför, när det gäller övervakad inlärning, syftar denna studie till att etablera en prediktiv modell för förändring av implantatets bennivå och utvärdera modellens noggrannhet genom maskininlärning av implantatets kantbensnivå (MBL) med stora mängder data. När det gäller oövervakat lärande är målet att identifiera känslighetsfenotyper för implantatfel genom: klustring av individrelaterad information om implantat.