Шишмарева Анастасия Сергеевна, кандидат медицинских наук, доцент кафедры стоматологии детского возраста и ортодонтии
Екатеринбург
Anastasia S. Shishmareva, DMD, PhD, Associate Professor, Department of Pediatric Dentistry and Orthodontics
Yekaterinburg
Бимбас Евгения Сергеевна, доктор медицинских наук, профессор кафедры стоматологии детского возраста и ортодонтии
Екатеринбург
Eugenia S. Bimbas, DMD, PhD, DSc, Professor, Department of Pediatric Dentistry and Orthodontics
Yekaterinburg
Лимановская Оксана Викторовна, кандидат химических наук, старший научный сотрудник отдела общей патологии
Екатеринбург
Oksana V. Limanovskaya, PhD in Chemical Sciences, Senior Researcher, Department of General Pathology
Yekaterinburg
Актуальность. Прогнозирование развития зубочелюстной системы (ЗЧС) у детей с зубочелюстными аномалиями (ЗЧА) представляет собой актуальную медико-социальную проблему, поскольку прогноз развития ЗЧС позволит своевременно назначить и провести адекватную терапию, которая существенно снизит риски развития тяжелых ЗЧА у детей. Методы машинного обучения зарекомендовали себя как надежный инструмент для прогнозирования состояния здоровья пациента, так и для оценки эффективности методик лечения. Поэтому представляется интересным использовать этот современный инструментарий для построения прогностических моделей, позволяющих оценить изменение состояния ЗЧС у детей с ЗЧА после ортодонтического лечения (ОЛ) в различных возрастах или при его отсутствии.
Цель исследования. Построить набор прогностических моделей оценки тяжести состояния зубочелюстной системы у детей через 3,5-4 года после ортодонтического лечения и при отсутствии лечения.
Материалы и методы. В ходе исследования использовались данные о состоянии ЗЧС у детей в возрасте 3-5 лет (n = 50), 6-9 лет (n = 100), 10-12 лет (n = 100) и 13-17 лет (n = 100). Для построения каждой из прогностических моделей разрабатывалась авторская программа на языке Python 3.11 с использованием библиотек sklearn, pandas, xgb в среде Anaconda.
Результаты. Разработаны девять моделей состояния ЗЧС у детей 3-12 лет, из них три модели строят прогноз развития ЗЧС после проведения ОЛ (одна – в группе детей 3-5 лет, вторая – в группе детей 6-9 лет и третья – в группе детей 10-12 лет) и шесть моделей – прогноз развития ЗЧС без проведения ОЛ. Три модели из шести выполняют прогноз развития ЗЧС без проведения ОЛ в возрасте 3-5 лет: первая – прогноз состояния ЗЧС в 6-9 лет; вторая – в 10-12 лет; третья – в 13-17 лет. Точность моделей составляет от 82 до 86%. Две модели из шести строят прогноз развития ЗЧС для детей с ЗЧА, не получивших ОЛ в 6-9 лет: одна – в 10-12 лет, вторая – в 13-17 лет. Точность моделей составляет от 92 до 97%. Шестая модель строит прогноз состояния ЗЧС у детей 13-17 лет, не получивших ОЛ в 10-12 лет. Точность модели составляет 94%. Кроме того, построены три модели, прогнозирующие состояние ЗЧС спустя 3,5-4 года после ОЛ: первая модель строит прогноз для детей 3-5 лет; вторая – для детей 6-9 лет, третья – для детей 10-12 лет. Точность моделей составляет от 82 до 90%.
Заключение. Все полученные модели будут использованы при построении веб-приложения для прогнозирования тяжести состояния ЗЧС у детей как после ОЛ, так и при его отсутствии.
Relevance. Prognosis of the dentofacial system (DS) development in children with dentofacial deformities (DD) is an urgent medical and social problem since the prognosis of the DS development will allow timely prescription and provision of adequate therapy, which will significantly reduce the risks of severe DD development in children. Machine learning methods have proven to be a reliable tool for predicting a patient's health status and evaluating the effectiveness of treatment methods. Therefore, it seems interesting to use this modern toolkit to build predictive models that allow us to assess the change in the condition of DS in children with DD after orthodontic treatment (OT) at different ages or without OT.
Purpose. The study aimed to build a set of predictive models for assessing the severity of the dentofacial system condition in 3.5-4-year-old children after and without orthodontic treatment.
Material and methods. The study used the data on the DS of children aged 3-5 years (n=50), 6-9 years (n=100), 10-12 years (n=100) and 13-17 years (n =100). The author's program was developed in Python 3.11 using the sklearn, pandas, and xgb libraries in Anaconda to build the predictive models.
Results. We developed nine models of the DS condition in children aged 3-12 years, three of which make predictions for the DS development after the OT (one - in the group of 3 – 5-year-old children, the second – in the group of 6 – 9-year-old children and the third – in the group of 10 – 12-year-olds) and six models predict the development of the DS without OT. Three out of 6 models predict DS development without OT at 3-5 years: the first makes a prediction of the DS condition for 6-9 year-olds; the second – for 10-12 year-olds; the third – for 13-17-year-olds. The accuracy of the models ranges from 82 to 86%. Two models out of 6 predict the DS development for children with DD who did not receive OT at 6-9 years old: one – at 10-12 years old, the second – at 13-17 years old. The accuracy of the models ranges from 92 to 97%. The sixth model makes predictions of the DS condition in children aged 13-17 years who did not receive OT at the age of 10-12 years. The accuracy of the model is 94%. In addition, we built three models that predict the DS condition in 3.5-4 years after the OT: the first model predicts for 3–5-year-old children; the second – for 6–9-year-olds; and the third - for children of 10–12 years old. The accuracy of the models ranges from 82 to 90%.
Conclusion. All obtained models will be used to build a web application for predicting the DS state severity in children after the orthodontic treatment and without the latter.
The authors declare that there are no conflicts of interest present.