检索历史 清除

摘要目的：<br>　　机器学习是一种将预测模型与数据相拟合或识别数据中信息分组的方法，目前已经广泛应用于口腔医学领域，可以帮助口腔医生对临床疾病做出关键诊断及预测。本研究通过对牙周病患者超声波龈上洁治术的术前术后情况进行观察，基于机器学习构建预测模型，来预测牙周病患者进行超声波龈上洁治术后出现牙本质敏感的情况，从而辅助支持临床决策，更好地进行医患沟通，减少患者对口腔治疗的恐惧，提高患者依从性，减少医疗纠纷。<br>　　方法：<br>　　本研究收集2022年8月至2023年2月期间在南昌大学第二附属医院口腔医学诊疗中心就诊被诊断为牙周病，且行超声波龈上洁治术的患者。经患者知情同意后，由牙周专科医生在初诊时记录患者的基本情况、口腔卫生习惯以及牙周专科检查情况，并在超声波龈上洁治术术前、术后即刻、术后一天以及术后一周对预研究牙进行牙本质敏感检查，记录schiff评分。将所收集的数据归一化并建立相应的数据库，分别构建逻辑回归模型、支持向量机模型、随机森林模型以及极限梯度提升模型，来预测超声波龈上洁治术后三个时期的牙本质敏感情况，并通过各个模型的预测准确率、精确率、召回率、F1值、AUC值等评估模型的性能。<br>　　结果：<br>　　本研究共收集到151位患者，共4095颗预研究牙。在所研究的术后三个时间点上，超声波龈上洁治术后一天是牙齿出现牙本质敏感概率最高的时间点。基于机器学习所构建的术后一天牙本质敏感情况的四种预测模型中，逻辑回归模型的预测准确率为0.905，精确率为0.837，召回率为0.369，F1值为0.513，ROC曲线下面积AUC值为0.849；支持向量机模型的预测准确率为0.893，精确率为0.619，召回率为0.541，F1值为0.577，AUC值为0.840；随机森林模型的预测准确率为0.868，精确率为0.511，召回率为0.595，F1值为0.55，AUC值为0.846；XGBoost模型诊断的准确率为0.872，精确率为0.524，召回率为0.595，F1值为0.557，AUC值为0.853。通过四种预测模型的性能比较，支持向量机模型的性能最佳。<br>　　结论：<br>　　超声波龈上洁治术在短期内可导致牙本质敏感的发生。根据分析，牙齿出现牙本质敏感的概率在术后一天时达到高峰，大多数的敏感症状在一周内能得到逐步缓解。机器学习可以用作超声波龈上洁治术后牙本质敏感情况的预测方法，可以快速、高效的对牙本质敏感的情况做出判断。在所构建的四种牙本质敏感预测模型中，支持向量机模型的性能最佳，具有较好的准确性和稳定性。为将来用于临床、辅助做出临床决策提供了新的思路和方法。