Категории
Сменить пароль!
Сброс пароля!
Полная пульпотомия стала все более приемлемым вариантом лечения постоянных моляров с симптоматическим необратимым пульпитом, но прогнозирование клинических исходов остается сложной задачей.
У пациентов с пульпитом модели машинного обучения предсказывают успех полной пульпотомии с умеренной точностью, при этом время кровотечения является наиболее сильным клиническим предиктором.
Полная пульпотомия стала все более приемлемым вариантом лечения постоянных моляров с симптоматическим необратимым пульпитом, но прогнозирование клинических исходов остается сложной задачей. Исследователи изучили, могут ли модели машинного обучения (МО) точно предсказывать успех лечения, послеоперационную интенсивность боли и применение анальгетиков, используя рутинно регистрируемые клинические переменные, с целью поддержки индивидуализированного планирования лечения и стратификации риска.
Авторы провели ретроспективное мультикогортное исследование, в которое включили 214 постоянных моляров с симптоматическим необратимым пульпитом, с минимальным периодом наблюдения 2 года после полной пульпотомии. Для задач классификации было разработано множество алгоритмов машинного обучения, включая логистическую регрессию, метод опорных векторов и «случайный лес». Для прогнозирования послеоперационной боли использовалась гребневая регрессия (ридж-регрессия). Эффективность моделей проверялась с помощью площади под рабочей характеристической (ROC) кривой (AUC), точности, F1-меры и показателя калибровки Брайера. Внутренняя валидация была выполнена с помощью разделения на обучающую и тестовую выборки и перекрестной проверки.
Модели машинного обучения продемонстрировали наилучшую прогностическую эффективность для успеха лечения после полной пульпотомии. Классификационные модели достигли умеренной дискриминационной способности, со значениями AUC от 0,68 до 0,75, при этом логистическая регрессия показала наилучшие результаты (AUC = 0,75). Время кровотечения оказалось наиболее влиятельным предиктором успешных результатов лечения.
Напротив, прогнозирование применения анальгетиков оказалось ограниченным: F1-мера составила 0,19, что, вероятно, обусловлено дисбалансом классов. Прогнозирование послеоперационной боли также продемонстрировало низкую объясняющую способность, с коэффициентом детерминации (R²) 0,21. Анализ калибровки с использованием показателей Брайера продемонстрировал умеренное соответствие между прогнозируемыми и наблюдаемыми исходами.
Прогнозирование на основе машинного обучения было наиболее эффективным для определения вероятности успеха полной пульпотомии, в то время как прогнозы послеоперационной боли и потребности в анальгетиках оставались ненадежными. Результаты подчеркнули прогностическую ценность времени кровотечения и показали, что машинное обучение может дополнять, а не заменять клиническое суждение при планировании лечения.
Journal of Endodontics
Machine Learning–Based Prediction of Treatment Success, Postoperative Pain, and Analgesic Use after Full Pulpotomy in Permanent Molars with Symptomatic Irreversible Pulpitis
Ecem Karakoyunlu и соавт.
Комментарии (0)