Первоначальная попытка использовать машинное обучение для прогнозирования тяжести заболеваний пародонта после лечения дала исследователям возможность многому научиться и на многое надеяться.
В последние годы использование ИИ в здравоохранении широко изучалось и его потенциал для улучшения результатов диагностики и лечения уже продемонстрирован. Например, он был успешно применен для диагностики заболеваний пародонта с помощью панорамных рентгенограмм. Однако исследований относительно его использования для прогнозирования течения и исходов заболеваний пародонта было проведено мало.
После создания синтетического набора данных 1 000 пациентов, сосредоточив внимание на таких переменных, как возраст, статус курения и тяжесть заболевания до и после лечения, исследователи использовали модель машинного обучения линейной регрессии для прогностического анализа. Пациенты с искусственным интеллектом были в возрасте 20-80 лет, их средний возраст составлял 45 лет. Половина из них были курильщиками, и примерно половина проходила лечение пародонта. Тяжесть заболевания пародонта варьировалась от 0 (здоровый) до 10 (тяжелый), а наблюдения после лечения показали общее снижение тяжести заболевания.
Корреляционный анализ не выявил существенной взаимосвязи между привычками к курению, возрастом и тяжестью заболевания ни до, ни после лечения. Наблюдалась слабая корреляция между возрастом и результатами лечения, удивительное отсутствие значимой взаимосвязи между курением и тяжестью заболевания после лечения и положительная корреляция между тяжестью заболевания до и после лечения. Примечательно, что у пациентов с тяжелым заболеванием до лечения часто проявлялось тяжелое заболевание и после лечения, что позволяет предположить, что более тяжелые случаи, возможно, труднее поддаются эффективному лечению. Модель освещала нюансы взаимодействия демографических переменных и переменных заболевания, но имела ограниченный прогностический успех, отчасти потому, что исследование предполагало, что проводимое лечение было универсально эффективным, и, например, не учитывало квалификацию клинициста.
Клинически полученные результаты подчеркивают необходимость персонализированного ухода с учетом индивидуальных нюансов пациента. С точки зрения искусственного интеллекта, в исследовании освещаются проблемы в прогнозировании здравоохранения, подчеркивается потенциал и необходимость постоянного совершенствования ИИ. Авторы исследования рекомендовали в будущих исследованиях учитывать ограничения исследования, такие как искусственно сгенерированные данные, и, возможно, включать передовые методологии ИИ, поскольку мы постепенно приближаемся к прогностическому здравоохранению, основанному на ИИ. Они также предположили, что для сравнения в будущих исследованиях можно было бы изучить другие способы обучения моделей, такие как повышение градиента или нейронные сети.
Первоначальная попытка использовать машинное обучение для прогнозирования тяжести заболеваний пародонта после лечения дала исследователям возможность многому научиться и на многое надеяться.
В последние годы использование ИИ в здравоохранении широко изучалось и его потенциал для улучшения результатов диагностики и лечения уже продемонстрирован. Например, он был успешно применен для диагностики заболеваний пародонта с помощью панорамных рентгенограмм. Однако исследований относительно его использования для прогнозирования течения и исходов заболеваний пародонта было проведено мало.
После создания синтетического набора данных 1 000 пациентов, сосредоточив внимание на таких переменных, как возраст, статус курения и тяжесть заболевания до и после лечения, исследователи использовали модель машинного обучения линейной регрессии для прогностического анализа. Пациенты с искусственным интеллектом были в возрасте 20-80 лет, их средний возраст составлял 45 лет. Половина из них были курильщиками, и примерно половина проходила лечение пародонта. Тяжесть заболевания пародонта варьировалась от 0 (здоровый) до 10 (тяжелый), а наблюдения после лечения показали общее снижение тяжести заболевания.
Корреляционный анализ не выявил существенной взаимосвязи между привычками к курению, возрастом и тяжестью заболевания ни до, ни после лечения. Наблюдалась слабая корреляция между возрастом и результатами лечения, удивительное отсутствие значимой взаимосвязи между курением и тяжестью заболевания после лечения и положительная корреляция между тяжестью заболевания до и после лечения. Примечательно, что у пациентов с тяжелым заболеванием до лечения часто проявлялось тяжелое заболевание и после лечения, что позволяет предположить, что более тяжелые случаи, возможно, труднее поддаются эффективному лечению. Модель освещала нюансы взаимодействия демографических переменных и переменных заболевания, но имела ограниченный прогностический успех, отчасти потому, что исследование предполагало, что проводимое лечение было универсально эффективным, и, например, не учитывало квалификацию клинициста.
Клинически полученные результаты подчеркивают необходимость персонализированного ухода с учетом индивидуальных нюансов пациента. С точки зрения искусственного интеллекта, в исследовании освещаются проблемы в прогнозировании здравоохранения, подчеркивается потенциал и необходимость постоянного совершенствования ИИ. Авторы исследования рекомендовали в будущих исследованиях учитывать ограничения исследования, такие как искусственно сгенерированные данные, и, возможно, включать передовые методологии ИИ, поскольку мы постепенно приближаемся к прогностическому здравоохранению, основанному на ИИ. Они также предположили, что для сравнения в будущих исследованиях можно было бы изучить другие способы обучения моделей, такие как повышение градиента или нейронные сети.
Читайте также:
Статьи от брендов
0 комментариев