ПРОГНОСТИФІКАЦІЯ ВТРАТИ ТА КРИТИЧНОЇ КОМПРОМЕТАЦІЇ ФУНКЦІОНАЛЬНОГО СТАНУ ДЕНТАЛЬНИХ ІМПЛАНТАТІВ З ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ: ПЕРСПЕКТИВИ КЛІНІЧНОГО ВПРОВАДЖЕННЯ

Анотація

Вступ. Акумуляція та таргетне опрацювання даних щодо трендів розвитку та фактичної експериментальної ефективності запропонованих моделей штучного інтелекту, сфокусованих на квантифікації ймовірності втрати дентальних імплантатів чи критичної компрометації їх функціонального стану, сприятиме об’єктивізації рівнів їх перспективної застосовуваності та значущості при вихідній клінічній оцінці прогнозу та виборі методу реабілітації ортопедичними конструкціями різного типу на внутрішньокісткових опорах з варіативними сценаріями розподілу таких. Мета дослідження. Оцінити предикативу значущість та доцільність безпосереднього клінічного впровадження систем машинного навчання для прогнозу ймовірності втрати дентальних імплантатів, а також для квантифікації ризику розвитку умов критичної компрометації їх функціонального стану з неможливістю виконання функції внутрішньокісткової опори протетичних конструкцій. Матеріали та методи. Дизайн дослідження базувався на принципах системного аналізу та картування наукових джерел, в котрих було висвітлено аспекти застосування методів машинного навчання та штучного інтелекту для прогнозування успішності функціонування, виживання та ризику втрати дентальних імплантатів. Дослідження було виконано з дотриманням рекомендацій щодо прозорості та відтворюваності аналітичних оглядів у сфері медицини із фокусом на досвіді використання клінічно-орієнтованих предикативних моделях, котрі базуються на технології штучного інтелекту. Результати досліджень та їх обговорення. Проведений аналіз наукових джерел засвідчив, що системи машинного навчання та штучного інтелекту демонструють загалом високу потенційну ефективність у прогнозуванні функціонування, виживання та ризику втрати дентальних імплантатів, із середніми показниками точності у широкому діапазоні 70-96,13% залежно від типу використовуваних даних і архітектури моделей. Найбільш перспективними виявилися мультимодальні та ансамблеві підходи, які поєднують клінічні, анамнестичні та рентгенологічні дані, однак більшість наявних моделей характеризуються гетерогенністю вибірок, обмеженою зовнішньою валідацією та фокусом переважно на детекції вже сформованих патологічних змін, а не на ранній істинній предикції ризику. Висновки. Переважна більшість існуючих моделей орієнтована на детекцію вже маніфестованих патологічних змін, зокрема втрати периімплантаційної кісткової тканини або ознак периімплантиту, що фактично обмежує їх функцію до класифікації клінічно несприятливих станів, а не до ранньої істинної предикції ризику. Відсутність систематичної зовнішньої та мультицентричної валідації, недостатня калібрація моделей щодо клінічно значущих кінцевих точок, а також дефіцит уніфікованих і стандартизованих даних знижують рівень доказовості та обмежують широке клінічне впровадження систем машинного навчання та штучного інтелекту вищезазначеної спрямованості.