DOI: https://doi.org/10.1186/s12903-025-05531-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39948515
تاريخ النشر: 2025-02-13
المؤلف: Jing Lü وآخرون
الموضوع الرئيسي: طب الأسنان الداخلي وعلاجات قنوات الجذر
نظرة عامة
تستكشف هذه الدراسة تطبيق نماذج تعلم الآلة (ML) للتنبؤ بتوقعات إجراءات علاج الجذور التجديدية (REPs)، بهدف تعزيز اتخاذ القرارات السريرية وتقليل فشل العلاج. خضعت مجموعة من 198 مريضًا مع 268 سنًا لفحص إشعاعي، وتم استخدام خمسة نماذج تعلم آلة—غابة عشوائية (RF)، آلة تعزيز التدرج (GBM)، تعزيز التدرج المتطرف (XGB)، الانحدار اللوجستي (logR)، وآلة دعم المتجهات (SVM)—لتحليل فترتين من المتابعة (سنة واحدة وسنتين). تم تقييم النماذج باستخدام التحقق المتقاطع ذو الخمس طيات، وتم قياس الأداء من خلال مقاييس مثل الدقة، المساحة تحت المنحنى (AUC)، درجة F1، الحساسية، النوعية، القيمة التنبؤية الإيجابية (PPV)، والقيمة التنبؤية السلبية (NPV).
أشارت النتائج إلى أن كل من نماذج RF وGBM أظهرت أداءً متفوقًا، حيث حققت دقة قدرها 0.91 وAUC قدره 0.94 لفترة المتابعة لمدة سنة واحدة، ودقة قدرها 0.84 وAUC قدره 0.86 لفترة المتابعة لمدة سنتين. تشمل المتنبئات الرئيسية التي تم تحديدها العمر، الجنس، السبب، عدد قنوات الجذر، نوع الصدمة، التورم أو مسار الجيب، حجم الآفة حول الذروة، مرحلة تطور الجذر، امتصاص الجذر قبل العملية، الأدوية، الدعامة، إجراءات REP الثانية، والحشو السابق لقناة الجذر. تستنتج الدراسة أن نماذج RF وGBM فعالة في التنبؤ بنتائج REP وتقترح أن تصنيف أهمية الميزات الذي تم إنشاؤه يمكن أن يُعلم نظام تسجيل لتنبؤ التوقعات، وبالتالي يعمل كأداة قيمة لدعم اتخاذ القرار السريري في ممارسة علاج الجذور.
مقدمة
تناقش مقدمة ورقة البحث تطور وأهمية إجراءات علاج الجذور التجديدية (REPs) في علاج الأسنان، لا سيما بالنسبة للأسنان الدائمة غير الناضجة ذات اللب النخر. منذ أول حالة تم الإبلاغ عنها في عام 2001، أظهرت REPs معدلات نجاح عالية، تتراوح من 78% إلى 100%، في شفاء الآفات الذروية وتعزيز نضوج الجذر. ومع ذلك، على الرغم من هذه النتائج الواعدة، يمكن أن تحدث حالات فشل بسبب عوامل مثل العدوى المستمرة وامتصاص الجذر، لا سيما في الحالات التي تشمل الأسنان المتضررة بشدة. يؤكد المؤلفون على ضرورة التقييم الدقيق قبل العملية واختيار الحالات لتعزيز نجاح REPs، حيث أظهرت الأدبيات الحالية نتائج غير متسقة بشأن العوامل التنبؤية التي تؤثر على نتائج العلاج.
تهدف الدراسة إلى معالجة قيود الأبحاث السابقة من خلال استخدام تقنيات تعلم الآلة (ML) للتنبؤ بالنجاح السريري لـ REPs بناءً على متنبئات متنوعة. يقترح المؤلفون تدريب خمسة نماذج تعلم آلة قوية—غابة عشوائية (RF)، آلة تعزيز التدرج (GBM)، تعزيز التدرج المتطرف (XGB)، الانحدار اللوجستي (logR)، وآلة دعم المتجهات (SVM)—لتحليل العلاقات بين الميزات السريرية ونتائج العلاج. تمثل هذه الدراسة جهدًا رائدًا لاستخدام الذكاء الاصطناعي في التنبؤ بالتوقعات في REPs، بهدف تزويد الأطباء بأداة موثوقة للتحليل قبل العملية واتخاذ القرار، مما يقلل من التحيز ويحسن فعالية العلاج.
الطرق
تحدد القسم المعنون “الطرق” تصميم البحث والتقنيات التحليلية المستخدمة في الدراسة. يوضح المؤلفون النطاق الزمني المحدد الذي تم خلاله جمع البيانات، مما يضمن وضوح السياق الزمني للنتائج. يتم وصف المنهجيات المستخدمة، بما في ذلك أي أطر تجريبية أو ملاحظية، استراتيجيات أخذ العينات، وإجراءات تحليل البيانات.
يؤكد القسم على صرامة الطرق، مع تسليط الضوء على أي أدوات أو برامج إحصائية تم استخدامها لتحليل البيانات، بالإضافة إلى المعايير لاختيار المشاركين أو تضمين البيانات. يضمن هذا النهج الشامل أن تكون النتائج موثوقة وصحيحة، مما يوفر أساسًا قويًا للاستنتاجات المستخلصة في الدراسة.
النتائج
يقدم قسم النتائج تحليلًا شاملاً للأداء التنبؤي لمختلف نماذج تعلم الآلة (ML) في تقييم توقعات إجراءات علاج الجذور التجديدية (REPs) على مدى فترات المتابعة لمدة سنة وسنتين. كشفت خريطة حرارية لمعاملات الارتباط لبييرسون عن خمسة أزواج من الميزات ذات الارتباطات العالية (معاملات > 0.5)، لا سيما بين مرحلة تطور الجذر وقطر الذروة (0.87)، ومؤشر الآفة حول الذروة قبل العملية (PAI) مع حجم الآفة حول الذروة (0.62). تم اختيار ثلاثة عشر ميزة مستقلة لتعزيز أداء النموذج، بما في ذلك العمر، الجنس، السبب، ومرحلة تطور الجذر، والتي تم استخدامها لاحقًا في خمسة نماذج تعلم آلة: غابة عشوائية (RF)، آلة تعزيز التدرج (GBM)، تعزيز التدرج المتطرف (XGB)، الانحدار اللوجستي (logR)، وآلة دعم المتجهات (SVM).
في مجموعة بيانات المتابعة لمدة سنة واحدة، حققت نماذج RF وGBM أعلى قيم للمساحة تحت المنحنى (AUC) بلغت 0.94 و0.93، على التوالي، مع إظهار جميع النماذج حساسية عالية (> 0.93) ولكن نوعية متفاوتة. أظهر نموذج RF أفضل أداء بشكل عام، بدقة قدرها 0.91 وقيمة تنبؤية إيجابية (PPV) قدرها 0.96. بالنسبة لمتابعة السنتين، قادت RF وGBM مرة أخرى مع AUCs قدرها 0.86 و0.85، على التوالي، مع الحفاظ على حساسية عالية (> 0.90) وإظهار مقاييس دقة مشابهة. أشار تحليل أهمية الميزات إلى أن نوع الصدمة، حجم الآفة حول الذروة، ومرحلة تطور الجذر كانت باستمرار من بين أفضل المتنبئات عبر فترتي المتابعة، على الرغم من أن تصنيفاتها اختلفت قليلاً. بشكل عام، تؤكد النتائج على القدرات التنبؤية المتفوقة لنماذج RF وGBM في التنبؤ بنتائج REPs، متفوقة على معدلات عدم المعلومات (NIR) التي بلغت 0.83 لفترة المتابعة لمدة سنة و0.75 لفترة المتابعة لمدة سنتين.
المناقشة
تسلط قسم المناقشة في الدراسة الضوء على أهمية العوامل المختلفة التي تؤثر على النجاح السريري لإجراءات علاج الجذور التجديدية (REPs)، مع التأكيد على أدوار العمر، نوع الصدمة، وحجم الآفة حول الذروة كمتنبئات قوية لنتائج العلاج. استخدمت الدراسة نماذج تعلم الآلة (ML)، وخاصة غابة عشوائية (RF) وآلة تعزيز التدرج (GBM)، التي أظهرت دقة تنبؤية متفوقة مقارنةً بنماذج أخرى مثل XGBoost، والانحدار اللوجستي، وآلات دعم المتجهات. أظهر نموذج RF، على وجه الخصوص، نوعية أعلى وقيمة تنبؤية إيجابية، مما يجعله مفضلًا لتجنب تصنيف حالات التوقع السيئ على أنها مواتية. تشير النتائج إلى أن هذه النماذج ML يمكن أن تساعد الأطباء في اتخاذ قرارات مستنيرة بشأن خيارات العلاج، مما قد يقلل من الزيارات غير الضرورية للمرضى والتكاليف.
علاوة على ذلك، تعترف الدراسة بالقيود مثل مجموعة البيانات غير المتوازنة والتباين في بروتوكولات العلاج بين الممارسين، والتي قد تؤثر على قابلية تعميم النتائج. على الرغم من هذه التحديات، توفر النماذج المطورة إطارًا واعدًا للتنبؤ بنتائج REP، مع إمكانية مزيد من التحسين من خلال دراسات أكبر ومتعددة المراكز. تمثل هذه الأبحاث جهدًا رائدًا في تطبيق خوارزميات ML للتنبؤ بنتائج REP عبر فترات متابعة مختلفة، بهدف تعزيز اتخاذ القرار السريري في علاج الجذور.
DOI: https://doi.org/10.1186/s12903-025-05531-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39948515
Publication Date: 2025-02-13
Author(s): Jing Lü et al.
Primary Topic: Endodontics and Root Canal Treatments
Overview
This study investigates the application of machine learning (ML) models to predict the prognosis of regenerative endodontic procedures (REPs), aiming to enhance clinical decision-making and reduce treatment failures. A cohort of 198 patients with 268 teeth underwent radiographic examination, and five ML models—Random Forest (RF), Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGB), Logistic Regression (logR), and Support Vector Machine (SVM)—were employed to analyze two follow-up periods (1-year and 2-year). The models were evaluated using stratified five-fold cross-validation, and performance was measured through metrics such as accuracy, area under the curve (AUC), F1-score, sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV).
The results indicated that both RF and GBM models exhibited superior performance, achieving an accuracy of 0.91 and AUC of 0.94 for the 1-year follow-up, and an accuracy of 0.84 and AUC of 0.86 for the 2-year follow-up. Key predictors identified included age, sex, etiology, number of root canals, trauma type, swelling or sinus tract, periapical lesion size, root development stage, pre-operative root resorption, medicaments, scaffold, second REPs, and previous root canal filling. The study concludes that RF and GBM models are effective in predicting REP outcomes and suggest that the established feature importance ranking can inform a scoring system for prognosis prediction, thereby serving as a valuable clinical decision support tool in endodontic practice.
Introduction
The introduction of the research paper discusses the evolution and significance of regenerative endodontic procedures (REPs) in dental treatment, particularly for immature permanent teeth with necrotic pulps. Since the first reported case in 2001, REPs have demonstrated high success rates, ranging from 78% to 100%, in healing apical lesions and promoting root maturation. However, despite these promising outcomes, failures can occur due to factors such as persistent infection and root resorption, particularly in cases involving severely traumatized teeth. The authors emphasize the necessity for careful preoperative assessment and case selection to enhance the success of REPs, as existing literature has shown inconsistent results regarding prognostic factors influencing treatment outcomes.
The study aims to address the limitations of previous research by employing machine learning (ML) techniques to predict the clinical success of REPs based on various predictors. The authors propose to train five robust ML models—Random Forest (RF), Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGB), Logistic Regression (logR), and Support Vector Machine (SVM)—to analyze the relationships between clinical features and treatment outcomes. This research represents a pioneering effort to utilize AI for prognosis prediction in REPs, with the goal of providing clinicians with a reliable tool for preoperative analysis and decision-making, thereby reducing bias and improving treatment efficacy.
Methods
The section titled “Methods” outlines the research design and analytical techniques employed in the study. The authors detail the specific date range during which data collection occurred, ensuring clarity regarding the temporal context of the findings. The methodologies utilized are described, including any experimental or observational frameworks, sampling strategies, and data analysis procedures.
The section emphasizes the rigor of the methods, highlighting any statistical tools or software used to analyze the data, as well as the criteria for participant selection or data inclusion. This comprehensive approach ensures that the results are both reliable and valid, providing a solid foundation for the conclusions drawn in the study.
Results
The results section presents a comprehensive analysis of the predictive performance of various machine learning (ML) models in assessing the prognosis of regenerative endodontic procedures (REPs) over 1-year and 2-year follow-up periods. A heatmap of Pearson correlation coefficients revealed five feature pairs with high correlations (coefficients > 0.5), notably between root development stage and apex diameter (0.87), and pre-operative periapical index (PAI) with periapical lesion size (0.62). Thirteen independent features were selected to enhance model performance, including age, sex, etiology, and root development stage, which were subsequently utilized in five ML models: Random Forest (RF), Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGB), Logistic Regression (logR), and Support Vector Machine (SVM).
In the 1-year follow-up dataset, RF and GBM models achieved the highest area under the curve (AUC) values of 0.94 and 0.93, respectively, with all models demonstrating high sensitivity (> 0.93) but varying specificity. The RF model exhibited the best overall performance, with an accuracy of 0.91 and a positive predictive value (PPV) of 0.96. For the 2-year follow-up, RF and GBM again led with AUCs of 0.86 and 0.85, respectively, maintaining high sensitivity (> 0.90) and demonstrating similar accuracy metrics. The feature importance analysis indicated that trauma type, periapical lesion size, and root development stage were consistently among the top predictors across both follow-up periods, although their rankings varied slightly. Overall, the findings underscore the superior predictive capabilities of RF and GBM models in forecasting outcomes of REPs, outperforming the no-information rates (NIR) of 0.83 for the 1-year and 0.75 for the 2-year follow-up periods.
Discussion
The discussion section of the study highlights the significance of various factors influencing the clinical success of regenerative endodontic procedures (REPs), emphasizing the roles of age, trauma type, and periapical lesion size as strong predictors of treatment outcomes. The study utilized machine learning (ML) models, specifically Random Forest (RF) and Gradient Boosting Machine (GBM), which demonstrated superior predictive accuracy compared to other models like XGBoost, logistic regression, and support vector machines. The RF model, in particular, showed higher specificity and positive predictive value, making it preferable for avoiding misclassification of poor prognosis cases as favorable. The findings suggest that these ML models can assist clinicians in making informed decisions regarding treatment options, potentially reducing unnecessary patient visits and costs.
Moreover, the study acknowledges limitations such as an imbalanced dataset and variability in treatment protocols among practitioners, which may affect the generalizability of the results. Despite these challenges, the developed models provide a promising framework for predicting REP outcomes, with the potential for further refinement through larger, multicenter studies. The research represents a pioneering effort in applying ML algorithms to predict REP outcomes over different follow-up periods, aiming to enhance clinical decision-making in endodontics.