Категории
Сменить пароль!
Сброс пароля!
Кариес зубов является широко распространенным хроническим стоматологическим заболеванием, требующим своевременного вмешательства для предотвращения осложнений и минимизации затрат на здравоохранение.
Модели прогнозирования кариеса на основе машинного обучения обеспечивают быструю, надежную и стандартизированную оценку риска с точностью >95%.
Кариес зубов является широко распространенным хроническим стоматологическим заболеванием, требующим своевременного вмешательства для предотвращения осложнений и минимизации затрат на здравоохранение. Точная оценка риска кариеса играет фундаментальную роль в профилактике; однако традиционные методы в значительной степени полагаются на клиническое суждение эксперта, что ограничивает масштабируемость и согласованность.
Машинное обучение в стоматологии предлагает масштабируемый, эффективный и стандартизированный подход для улучшения прогнозирования риска. Это исследование было направлено на разработку и валидацию передовых моделей машинного обучения для прогнозирования риска кариеса у взрослых пациентов, повышая точность и качество клинических решений.
Систематический обзор выявил 7 ключевых предикторов риска кариеса, которые были применены к сбалансированному набору данных из 3000 историй болезни пациентов Технологического университета МАРА (Universiti Teknologi MARA), категоризированных в группы низкого, среднего и высокого риска. В общей сложности, 7 алгоритмов машинного обучения — логистическая регрессия, дерево решений, «случайный лес», XGBoost, метод k-ближайших соседей, многослойный персептрон и метод опорных векторов — были оптимизированы с помощью K-блочной перекрестной проверки и методов ансамблевого стекинга для повышения точности прогнозирования.
Модель ансамблевого стекинга (двухмодельный подход) показала наивысшую производительность, достигнув 95,17% точности и исключительной площади под ROC-кривой (ROC-AUC) 99,78%, что указывает на превосходную прогностическую способность. Трехмодельный подход стекинга также продемонстрировал высокие результаты: 93,63% точности и 96,82% специфичности. Среди отдельных моделей «случайный лес» (90,47%) и XGBoost (90,20%) продемонстрировали высокую точность классификации, что подчеркивает их эффективность в прогнозировании риска кариеса.
Ансамблевые модели машинного обучения значительно повысили точность и надежность оценки риска кариеса, уменьшая зависимость от субъективной клинической оценки. Эти подходы, основанные на анализе данных, позволили стандартизировать прогнозирование рисков, поддержать интеграцию клинических рабочих процессов и улучшить стратегии профилактической стоматологии и общее качество лечения пациентов.
British Dental Journal
Development and evaluation of a multi-model stacking approach for caries risk assessment in adults using supervised machine learning
Mohd Hidir Mohd Atni и соавт.
Комментарии (0)