影响种植成功因素的动态跟踪和预测种植结果的模型
2024年11月16日 更新者：Yi Zhou、The Dental Hospital of Zhejiang University School of Medicine
如今，以机器学习为主要手段的人工智能技术已越来越多地应用于口腔领域，在口腔疾病的检查、诊断、治疗和预后评估中发挥着越来越重要的作用。
其中，机器学习是人工智能的一个重要分支，是指系统学习给定数据集中特定的统计模式，以预测新数据样本的行为[8]。
机器学习分为两大类：监督学习和无监督学习。
是否有监管取决于输入的数据是否有标签。
如果输入数据是有标签的，那就是监督学习。
无标签学习是无监督的。
监督学习是在已知数据集的正确输出的情况下的一种学习算法。
因为输入和输出是已知的，就意味着输入和输出之间存在关系，而监督学习算法就是发现和总结这种“关系”。
无监督学习是指针对无标签数据的一类学习算法。
标签信息的缺乏意味着需要从数据集中发现和总结模式或结构。
研究概览
详细说明
研究人员从不同的数据类型出发，建立了各种模型来挖掘数据本身并预测植入物的预后。
机器学习在图像方面通常更令人印象深刻和直观。
在口腔种植领域，研究人员基于机器学习分析术前图像数据，以识别重要的解剖结构（如上颌窦、下颌神经管等）并分析牙槽骨质量。
大规模成像数据还用于识别市场上不同的植入系统。
机器学习在种植手术计划的制定中也发挥着重要作用，有利于更准确、高效的种植手术。
种植体保留率和个体骨水平的评估也是临床关注的重点之一。
研究此类问题的方法大多有：Kaplan-Meier生存分析、Cox生存分析等，研究种植体保留率及影响因素。
采用线性（混合）模型和多元Logistic回归研究种植体边缘骨吸收的变化及影响因素。
但在日常临床实践中，可能会出现失访、部分数据缺失等实际问题。
随着研究的临床场景变得越来越清晰，即使是部分数据缺失也常常导致结果无法准确评估和预测。
因此，在监督学习方面，本研究旨在通过大数据的种植体边缘骨水平（MBL）机器学习，建立种植体骨水平变化的预测模型，并评估模型的准确性。
就无监督学习而言，目标是通过以下方式识别种植体失败的易感性表型： 对种植体的个体相关信息进行聚类。
研究类型
观察性的
注册 (估计的)
1000
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习联系方式
- 姓名：Yi Zhou
- 电话号码：0571 87217419
- 邮箱：zhouyizyzyzy@163.com
研究联系人备份
- 姓名：Siyao Ma
- 电话号码：0571 87217419
- 邮箱：1123348672@qq.com
学习地点
-
-
Zhejiang
-
Hangzhou、Zhejiang、中国、310003
- 招聘中
- The Stomatologic Hospital, School of Medicine, Zhejiang University
-
接触：
- Yi Zhou
- 电话号码：0571 87217419
-
接触：
- Siyao Ma
- 电话号码：0571 87217419
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
是的
取样方法
概率样本
研究人群
这是一项回顾性研究。
经检索组合模型预测方法样本量确定的文献，确定需要1000名患者的初始数据和随访数据。
描述
纳入标准：
- (1) 年龄18岁及以上的患者； (2)植入后1-5年； (3) 植入扭矩>35N·cm； (4)签署知情同意书。
排除标准：
- (1)一般种植手术的禁忌症； (2)接受过头颈部放射治疗； (3) 过去或当前接受过双磷酸盐治疗； （4）不配合面试官。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
牙种植体的平均骨水平
大体时间：1-7岁
|
种植体与骨骼第一接触区域和种植体尖端（内侧和远侧）之间的垂直距离
|
1-7岁
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Weida Li、Stomatological Hospital Affiliated to Zhejiang University School of Medicine
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Papantonopoulos G, Gogos C, Housos E, Bountis T, Loos BG. Prediction of individual implant bone levels and the existence of implant "phenotypes". Clin Oral Implants Res. 2017 Jul;28(7):823-832. doi: 10.1111/clr.12887. Epub 2016 Jun 1.
- Raynaud M, Aubert O, Divard G, Reese PP, Kamar N, Yoo D, Chin CS, Bailly E, Buchler M, Ladriere M, Le Quintrec M, Delahousse M, Juric I, Basic-Jukic N, Crespo M, Silva HT Jr, Linhares K, Ribeiro de Castro MC, Soler Pujol G, Empana JP, Ulloa C, Akalin E, Bohmig G, Huang E, Stegall MD, Bentall AJ, Montgomery RA, Jordan SC, Oberbauer R, Segev DL, Friedewald JJ, Jouven X, Legendre C, Lefaucheur C, Loupy A. Dynamic prediction of renal survival among deeply phenotyped kidney transplant recipients using artificial intelligence: an observational, international, multicohort study. Lancet Digit Health. 2021 Dec;3(12):e795-e805. doi: 10.1016/S2589-7500(21)00209-0. Epub 2021 Oct 28.
- Cetiner D, Isler SC, Bakirarar B, Uraz A. Identification of a Predictive Decision Model Using Different Data Mining Algorithms for Diagnosing Peri-implant Health and Disease: A Cross-Sectional Study. Int J Oral Maxillofac Implants. 2021 Sep-Oct;36(5):952-965. doi: 10.11607/jomi.8965.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2017年1月1日
初级完成 (估计的)
2025年12月31日
研究完成 (估计的)
2025年12月31日
研究注册日期
首次提交
2023年9月1日
首先提交符合 QC 标准的
2023年9月1日
首次发布 (实际的)
2023年9月8日
研究记录更新
最后更新发布 (估计的)
2024年11月19日
上次提交的符合 QC 标准的更新
2024年11月16日
最后验证
2023年9月1日
更多信息
与本研究相关的术语
其他研究编号
- DHZhejiangU-2022(005)
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
不
药物和器械信息、研究文件
研究美国 FDA 监管的药品
不
研究美国 FDA 监管的设备产品
不
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.