Neural network system for analyzing statistical factors of patients for predicting the survival of dental implants
Notice bibliographique
Résumé
Implants are now the standard method of replacing missing or damaged teeth. Despite the improving technologies for the manufacture of implants and the introduction of new protocols for diagnosing, planning, and performing implant placement operations, the percentage of complications in the early postoperative period remains quite high. In this regard, there is a need to develop new methods for preliminary assessment of the patient's condition to predict the success of single implant survival. The intensive development of artificial intelligence technologies and the increase in the amount of digital information that is available for analysis make it relevant to develop systems based on neural networks for auxiliary diagnostics and forecasting. Systems based on artificial intelligence in the field of dental implantology can become one of the methods for forming a second opinion based on mathematical decision making and forecasting. The actual clinical evaluation of a particular case and further treatment are carried out by the dentist, and AI-based systems can become an integral part of additional diagnostics. The article proposes an artificial intelligence system for analyzing various patient statistics to predict the success of single implant survival. As the topology of the neural network, the most optimal linear neural network architectures were developed. The one-hot encoding method was used as a preprocessing method for statistical data. The novelty of the proposed system lies in the developed optimal neural network architecture designed to recognize the collected and digitized database of various patient factors based on the description of the case histories. The accuracy of recognition of statistical factors of patients for predicting the success of single implants in the proposed system was 94.48%. The proposed neural network system makes it possible to achieve higher recognition accuracy than similar neural network prediction systems due to the analysis of a large number of statistical factors of patients. The use of the proposed system based on artificial intelligence will allow the implantologist to pay attention to the insignificant factors affecting the quality of the installation and the further survival of the implant, and reduce the percentage of complications at all stages of treatment. However, the developed system is not a medical device and cannot independently diagnose patients. At this point, the neural network system for analyzing the statistical factors of patients can predict a positive or negative outcome of a single dental implant operation and cannot be used as a full-fledged tool for supporting medical decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».