Прогнозирование результатов раннего ортодонтического лечения и развития зубочелюстной системы при его отсутствии у детей 3-12 лет

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.

1. Леонтьев ВК, Кисельникова ЛП, редакторы. Детская терапевтическая стоматология. Национальное руководство. Москва:Гэотар-Медиа.896 с. Режим доступа: https://www.elibrary.ru/item.asp?id=19552884

2. Сергеева МВ, Киселева ЕА, Киселева КС, Кострицин АГ.Структура зубочелюстных аномалий у детей и подростков Кузбасса. Dental Forum. 2019;(2):19-20. Режим доступа: http://www.dental-forum.ru/index.php?menu_id=163

3. Олесов ЕЕ, Каганова ОС, Фазылова ТА, Миргазизов МЗ, Ильин АА, Шугайлов ИА. Динамика структуры и тяжести зубочелюстных аномалий на фоне раннего ортодонтического лечения в период сменного прикуса. Клиническая практика. 2019;10(3):9-25. doi: 10.17816/clinpract10319-25

4. Восканян АР, Аюпова ФС. Региональные и возрастные особенности распространенности и структуры зубочелюстных аномалий у детей Краснодарского края. Стоматология для всех. 2021;(4):21-23. doi: 10.35556/idr-2021-4(97)21-23

5. Гусев АВ, Новицкий РЭ, Ившин АА, Алексеев АА. Машинное обучение на лабораторных данных для прогнозирования заболеваний. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2021; 14 (4): 581–592. doi: 10.17749/2070-4909/farmakoekonomika.2021.115

6. Невзорова ВА, Плехова НГ, Присеко ЛГ, Черненко ИН, Богданов ДЮ, Мокшина МВ, и др. Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ - РФ в Приморском крае). Российский кардиологический журнал. 2020;25(3):3751. doi: 10.15829/1560-4071-2020-3-3751

7. Ишанкулов ТА, Данилов ГВ, Пицхелаури ДИ, Титов ОЮ, Огурцова АА, Буклина СБ, и др. Прогнозирование послеоперационных речевых дисфункций в нейрохирургии по данным кортико-кортикальных вызванных потенциалов на основе машинного обучения. Современные технологии в медицине. 2022;14(1): 25-33. doi: 10.17691/stm2022.14.1.03

8. Синотова СЛ, Лимановская ОВ, Плаксина АН, Макутина ВА. Программное приложение для предсказания здоровья ребенка, рожденного при помощи вспомогательных репродуктивных технологий, по анамнезу матери. Моделирование, оптимизация и информационные технологии. 2021;9(3). doi: 10.26102/2310-6018/2021.34.3.008

9. Синотова СЛ, Солодушкин СИ, Плаксина АН, Макутина ВА. Интеллектуальная система поддержки принятия врачебных решений для прогнозирования исхода протокола вспомогательных репродуктивных технологий на различных этапах его проведения. Моделирование, оптимизация и информационные технологии. 2022;10(2). doi: 10.26102/2310-6018/2022.37.2.009

10. Токмакова СИ, Бондаренко ОВ, Луницына ЮВ, Жукова ЕС, Мокренко ЕВ, Гайдарова ТА, и др. Исследование влияния стоматологических ополаскивателей на микробиоту полости рта. Стоматология детского возраста и профилактика. 2023;23(1):4-14. doi: 10.33925/1683-3031-2023-561

11. Долгалев АА, Мураев АА, Ляхов ПА, Ляхова УА, Чониашвили ДЗ, Золотаев КЕ, и др. Определение оптимальной структуры нейронной сети при разработке программ для поддержки принятия решений в дентальной имплантации. Медицинский алфавит. 2022;4(34): 1-11. doi: 10.33667/2078-5631-2022-34-54-64

12. Ho TK. The Random Subspace Method for Constructing Decision Forests. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998:20(8):832–844. doi: 10.1109/34.709601. S2CID 206420153.

13. Chen T, Guestrin C. XGBoost: a scalable tree boosting system. 2016. Proceedings of the 22 nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016:785-794. doi: 10.1145/2939672.2939785

14. Cover ThM, Hart PE. Nearest neighbor pattern classification. IEEE Transactions on Information Theory. 1967:13(1):21–27. doi: 10.1109/TIT.1967.1053964. S2CID 5246200.

15. Cortes C., Vapnik V. Support-vector networks. Machine Learning. 1995:20(3):273–297. doi: 10.1007/BF00994018. S2CID 206787478.

16. Tolles Ju., Meurer WJ. Logistic Regression Relating Patient Characteristics to Outcomes. JAMA. 2016:316 (5):533–534. doi:10.1001/jama.2016.7653.

17. Geurts P, Ernst D, Wehenkel L. Extremely randomized trees. Mach Learn. 2006;63:3–42. doi: 10.1007/s10994-006-6226-1

18. Wolpert DH. Stacked Generalization. Neural Networks. 1992;5(2):241–259. doi: 10.1016/s0893-6080(05)80023-1

19. Littlestone N., Warmuth M. The Weighted Majority Algorithm. Information and Computation. 1994;108(2):212–261. doi: 10.1006/inco.1994.1009

20. Роскошенко ВВ. Преодоление несбалансированности классов при моделировании дефолта кредитного требования. Финансы и кредит. 2019;25(11):2534-2561. doi: 10.24891/fc.25.11.2534