پیش‌بینی زمان تا بروز پوسیدگی جدید با استفاده از داده‌های ساختاریافته دندان‌پزشکی و شبکه عصبی بازگشتی

چکیده

پیش‌بینی دقیق زمان بروز پوسیدگی جدید می‌تواند به دندان‌پزشکان در شناسایی بیماران پرخطر، شخصی‌سازی فواصل ویزیت و بهینه‌سازی برنامه‌های پیشگیری کمک کند. بااین‌حال، بسیاری از مدل‌های موجود صرفاً وقوع پوسیدگی را در یک بازه زمانی مشخص پیش‌بینی می‌کنند و زمان دقیق‌تر بروز آن را در نظر نمی‌گیرند. هدف این مطالعه، توسعه و ارزیابی یک مدل یادگیری عمیق برای پیش‌بینی زمان تا بروز پوسیدگی جدید با استفاده از داده‌های ساختاریافته دندان‌پزشکی بود.

در این مطالعه از داده‌های طولی و ساختاریافته دندان‌پزشکی مربوط به بیماران مراجعه‌کننده به شبکه‌ای از مراکز دندان‌پزشکی استفاده شد. سوابق بیماران، شامل اطلاعات دندان‌ها و سطوح دندانی، یافته‌های پوسیدگی، درمان‌های انجام‌شده و سایر متغیرهای بالینی، در قالب توالی‌های زمانی سازمان‌دهی شدند. برای مدل‌سازی وابستگی‌های زمانی موجود در سوابق بیماران، یک مدل مبتنی بر شبکه عصبی بازگشتی طراحی شد. این مدل با مدل‌های پایه مقایسه و عملکرد آن با استفاده از معیارهای مناسب پیش‌بینی زمان تا رویداد ارزیابی شد.

مدل پیشنهادی توانست با استفاده از توالی سوابق دندان‌پزشکی، خطر بروز پوسیدگی جدید و زمان احتمالی وقوع آن را برآورد کند. در مقایسه با روش‌های پایه، استفاده از شبکه عصبی بازگشتی موجب بهبود عملکرد پیش‌بینی شد. نتایج نشان دادند که ترکیب اطلاعات مربوط به وضعیت فعلی دندان‌ها با سابقه طولی پوسیدگی و درمان، اطلاعات ارزشمندی برای پیش‌بینی خطر آینده پوسیدگی فراهم می‌کند. عملکرد مدل در زیرگروه‌های مختلف بیماران نیز بررسی شد و قابلیت آن برای استفاده در چارچوب‌های تصمیم‌یار بالینی مورد توجه قرار گرفت.

مدل RT2C نشان می‌دهد که داده‌های ساختاریافته و طولی دندان‌پزشکی می‌توانند برای پیش‌بینی زمان تا بروز پوسیدگی جدید به‌کار گرفته شوند. این رویکرد می‌تواند زمینه را برای ارزیابی پویاتر خطر پوسیدگی، تعیین فواصل ویزیت متناسب با ریسک بیمار و هدفمندکردن مداخلات پیشگیرانه فراهم کند. بااین‌حال، پیش از استفاده گسترده بالینی، اعتبارسنجی خارجی مدل در جمعیت‌ها و محیط‌های درمانی متفاوت ضروری است.