СКРИНІНГОВА МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ВИНИКНЕННЯ ПРИШИЙКОВИХ УРАЖЕНЬ ЗУБІВ

Анотація

Вступ. Прогнозування ризику виникнення пришийкової патології зубів є складним завданням через багатофакторність її етіопатогенезу та обмежені знання про фактори ризику.

Мета. Розробити та апробувати комп’ютерну модель прогнозування розвитку пришийкових уражень зубів у пацієнтів молодого віку.

Матеріали та методи. Вибірку склали 272 пацієнти (середній вік 24,3 ± 6,9 роки), у яких було визначено фактори ризику виникнення клиновидного дефекту, пришийкового карієсу, ерозії емалі, що стали вхідними даними до компʼютерної моделі. Було використано метод деревоподібного машинного навчання Extreme Gradient Boosting (XGBoost), реалізований на мові програмування Python із використанням бібліотек scikit-learn і XGBoost. Для підвищення ефективності прогнозування менш поширеної серед обстежених ерозії емалі додатково було застосовано Synthetic Minority Over-sampling Technique (SMOTE).

Результати. При розробці моделей було надано пріоритет чутливості (recall) над показниками точності та специфічності. Це сприяло зменшенню кількості пропущених випадків для кожної з патологій. Найвища дискримінаційна здатність (ROC-AUC) = 0,84 (Receiver Operating Characteristic curve – Area under the curve) у поєднанні з високим рівнем чутливості (recall = 0,82) відповідала моделі прогнозування пришийкового карієсу зубів. Це підтвердило доцільність використання алгоритму XGBoost для виявлення складних взаємозв’язків у нелінійних сполученнях показників. Модель прогнозування клиновидного дефекту зубів також мала високу чутливість (recall = 0,83), але помірне значення ROC-AUC (0,64), що підкреслює наявність нелінійно залежних між собою предикторів. Особливий науковий інтерес представляє модель прогнозування ерозії емалі зубів, яка була створена в умовах незначної поширеності патології серед обстежених. Проте отримані результати показали прийнятний рівень чутливості (recall = 0,47) та помірну дискримінаційну здатність (ROC-AUC = 0,72). Це дозволило визначити, що проблема малої вибірки була успішно вирішена.

Висновки. Представлена скринінгова модель машинного навчання сприяє ідентифікації осіб з підвищеним ризиком виникнення пришийкових уражень зубів. Її використання дозволить обґрунтувати призначення профілактичних заходів пацієнтам молодого віку.