עדכן רפואת שיניים - גיליון 181 ספטמבר-אוקטובר Israel Dental Update no.181 September-October 2022

.16 חיזוי הסיכון לאובדן שתלים דנטליים באמצעות למידה עמוקה

מיליון), 3- (כ 2020 בהתבסס על מספר השתלים החדשים הניתנים בכל שנה לפי האקדמיה האמריקאית לרפואת שיניים של שתלים שתלים בארצות הברית, מה 150,000- אחוזים), מעריכים המחברים שמדי שנה מתרחשים כשלים בכ 5- ושיעור הכישלון הכולל (כ שמוביל לעלות נוספת ונטל רב של ניתוחים משניים. זיהוי הסיכון לאובדן שתל לפני ניתוח ההשתלה עשוי לסייע לרופאי השיניים בהתאמת תוכנית הטיפול ושיפור הפרוגנוזה. עם זאת, קשה לחזות את גורל ההשתלה, מאחר שגורמי הסיכון הם מסובכים וכוללים את איכות העצם המכתשית, סוג השתל, התוכנית האופרטיבית ומאפיינים ביו-חברתיים של המתרפא. באופן קונבנציונלי, מעריכים רופאי שיניים את ההסתברות לאובדן השתל בהתבסס על הניסיון הקליני והידע האישי שלהם. המחברים טוענים כי דרושות בדחיפות שיטות יעילות לחזות את הסיכון לאובדן שתלים לפני הניתוח, אך פיתוח שיטות אלה נותר מאתגר. ) הינה אחת מטכניקות בינת המכונות הידועות בתחום זיהוי התמונות, שיטה זו מהווה כלי רב עוצמה עבור DL למידה עמוקה ( שיפור הביצועים של ניתוח תמונות במימד גבוה. בתחום הרפואי, הגיע שטח הלמידה העמוקה להישגים מפתיעים בדיוק של התחזית לרטינופתיה סוכרתית לגילוי סרטן וניתוח הישרדות של סרקומה של רקמות רכות. בתחום רפואת השיניים, יושמה הלמידה העמוקה בזיהוי נגעים אפיקליים, חיזוי של אובדן עצם החניכיים ועששת דנטלית והסיווג של מותגי שתלים ושלבי הטיפול. יתרה מכך, ניתן להשתמש בשיטות למידה עמוקה חדשות לשם סיווג או חיזוי ועל מנת לגלות אזורי נגעים, מצב המאפשר אבחון פתולוגי וטיפול ממוקד. אי לכך, שיטות הלמידה העמוקה עשויות לשפר את יכולת הניתוח של תמונות טומוגרפיה ממוחשבת של קרן קונוס דנטליות. המחברים פיתחו מודל של למידה עמוקה המבוסס על תמונות של טומוגרפיה ממוחשבת של קרן קונוס טרום ניתוח (ללא שתלים), על מנת לחזות את הסיכון לאובדן שתלים דנטליים ודמיינו את התוצאות החזויות באמצעות מפות מבליטות ), תוך שימוש במאפיינים הקליניים שהופקו מרשומות רפואיות אלקטרוניות. הם פיתחו מודל רגרסיה לוגיסטית saliency maps ( רב-משתנים, כמודל בקרה לניבוי הסיכון לאובדן השתלים תוך חמש שנים. לבסוף, התכונות הקליניות נוספו לפיתוח למידה עמוקה על מנת ליצור מודל משולב. השערת החוקרים הייתה שהמודלים שפיתחו מתפקדים טוב יותר מאשר ניחוש קליני אקראי. מטרה המחקר הנוכחי נערך על מנת לחקור את ההיתכנות של חיזוי הסיכון לאובדן של שתלים דנטליים באמצעות למידה עמוקה, על בסיס מתרפאים בסיכון 279( מתרפאים שעברו ניתוחי שתלים 603 טומוגרפיה ממוחשבת של קרן קונוס לפני הניתוח. השתתפו במחקר 2012 מתרפאים בסיכון נמוך שלא חוו אובדן שתלים תוך חמש שנים) בין ינואר 324- גבוה אשר חוו אובדן שתלים תוך חמש שנים ו ) המבוסס על מאפיינים קליניים, מודל CM . החוקרים השתמשו בשלושה מודלים: מודל קליני של רגרסיה לוגיסטית ( 2020 לינואר ) שפותח על ידי שילוב המודל הקליני עם למידה עמוקה אשר IM למידה עמוקה המבוסס על ממצאים רדיוגרפיים ומודל משולב ( פותחו על מנת לחזות את הסיכון לאובדן שתלים במשך חמש שנים. הזמן עד לאובדן השתל נשקל עבור שתי הקבוצות, אשר הושוו באמצעות עקומות קפלן-מאייר. המודל המשולב הציג את הביצועים הטובים ביותר בחיזוי הסיכון לאובדן שתלים, ואחריו המודל המבוסס על הממצאים הרדיוגרפיים והמודל המבוסס על המאפיינים הקליניים. מסקנות לטענת מחברי המאמר, המחקר מציע ראיות ראשוניות לכך שגם המודל המבוסס על הממצאים הרדיוגרפיים וגם המודל המשולב אשר פיתחו פעלו היטב בחיזוי גורל השתלים תוך חמש שנים, ולכן עשויים להקל מאוד על רופאי השיניים המבצעים שתלים בהערכת סיכונים טרום ניתוחיים.

Huang N, Liu P, Yan Y, et al. Predicting the risk of dental implant loss using deep learning. J Clin Periodontol 2022; 49: 872-883

50