Aprendizaje automático e inteligencia artificial: un modelo de predicción de fallas de implantes y periimplantitis basado en la web para médicos

Propósito: Desarrollar un modelo de aprendizaje automático que pueda predecir el fracaso de los implantes dentales y la periimplantitis como una herramienta para maximizar el éxito de los implantes. Materiales y métodos: este estudio utilizó un modelo de aprendizaje supervisado para analizar retrospectivamente a 398 pacientes únicos que recibieron un total de 942 implantes dentales que se presentaron en el Centro Médico de Asuntos de Veteranos de Filadelfia de 2006 a 2013. Regresión logística, clasificadores de bosque aleatorio, máquinas de vectores de soporte y conjunto Se emplearon técnicas para analizar este conjunto de datos. Resultados: El modelo de bosque aleatorio poseía el rendimiento predictivo más alto en los conjuntos de prueba, con un área bajo las curvas características operativas del receptor (ROC AUC) de 0,872 y 0,840 para fallas de implantes dentales y periimplantitis, respectivamente. Las cinco características más importantes que se correlacionaron con el fracaso del implante fueron la cantidad de anestésico local, la longitud del implante, el diámetro del implante, el uso de antibióticos preoperatorios y la frecuencia de las visitas de higiene. Las cinco características más importantes que se correlacionaron con la periimplantitis fueron la longitud del implante, el diámetro del implante, el uso de antibióticos preoperatorios, la frecuencia de las visitas de higiene y la presencia de diabetes mellitus. Conclusión: este estudio demostró la capacidad de los modelos de aprendizaje automático para evaluar la demografía, el historial médico y los planes quirúrgicos, así como la influencia de estos factores en el fracaso de los implantes dentales y la periimplantitis. Este modelo puede servir como recurso para los clínicos en el tratamiento de implantes dentales. Int J Oral Maxilofac Implants 2023;38:576–582. doi: 10.11607/jomi.9852