मशीन लर्निंग तकनीकों का उपयोग करके पेरी-इम्प्लांटिटिस के लिए प्रीडिक्टिव मॉडलिंग

इस पूर्ववत् समूह अध्ययन का उद्देश्य मशीन लर्निंग विधियों का उपयोग करके पेरी-इम्प्लांटिटिस की शुरुआत की भविष्यवाणी के लिए एक मॉडल बनाना और जोखिम संकेतकों के बीच इंटरैक्शन को स्पष्ट करना था। इस अध्ययन में 254 इम्प्लांट्स का मूल्यांकन किया गया, जिनमें से 127 इम्प्लांट्स पेरी-इम्प्लांटिटिस के साथ और 127 बिना पेरी-इम्प्लांटिटिस के थे, 1408 इम्प्लांट्स में से जिनका कार्यकाल कम से कम 4 वर्ष था। जनसांख्यिकीय डेटा और उन पैरामीटरों का विश्लेषण किया गया जो पेरी-इम्प्लांटिटिस के विकास के लिए जोखिम कारकों के रूप में जाने जाते हैं, तीन मॉडलों के साथ: लॉजिस्टिक रिग्रेशन, सपोर्ट वектор मशीनें, और रैंडम फॉरेस्ट्स (RF)। परिणामों के अनुसार, RF ने पेरी-इम्प्लांटिटिस की शुरुआत के भविष्यवाणी में सबसे उच्च प्रदर्शन किया (AUC: 0.71, सटीकता: 0.70, शुद्धता: 0.72, पुनः प्राप्ति: 0.66, और f1-स्कोर: 0.69)। भविष्यवाणी पर सबसे अधिक प्रभाव डालने वाला कारक इम्प्लांट का कार्यकाल था, इसके बाद मौखिक स्वच्छता थी। इसके अतिरिक्त, 50% से 60% से अधिक का PCR, 3 सिगरेट/दिन से अधिक धूम्रपान, 2 मिमी से कम का KMW, और 2 से कम ओक्लुशिनल समर्थन की उपस्थिति पेरी-इम्प्लांटिटिस के बढ़ते जोखिम से जुड़े होने की संभावना थी। इसके अलावा, ये जोखिम संकेतक स्वतंत्र नहीं थे और एक-दूसरे पर जटिल प्रभाव डालते थे। इस अध्ययन के परिणाम सुझाव देते हैं कि RF के द्वारा पेरी-इम्प्लांटिटिस की शुरुआत 70% मामलों में भविष्यवाणी की गई, जो गैर-रेखीय संबंध डेटा पर विचार करने की अनुमति देता है जो जटिल इंटरैक्शन के साथ है।