view in publisher's site

Prediction of individual implant bone levels and the existence of implant “phenotypes”

Abstract Objectives To cluster implants placed in patients of a private practice and identify possible implant “phenotypes” and predictors of individual implant mean bone levels (IIMBL). Materials and methods Clinical and radiographical variables were collected from 72 implant-treated patients with 237 implants and a mean 7.4 ± 3.5 years of function. We clustered implants using the k-means method guided by multidimensional unfolding. For predicting IIMBL, we used principal component analysis (PCA) as a variable reduction method for an ensemble selection (ES) and a support vector machines models (SVMs). Network analysis investigated variable interactions. Results We identified a cluster of implants susceptible to peri-implantitis (96% of the implants in the cluster were affected by peri-implantitis) and two overlapping clusters of implants resistant to peri-implantitis. The cluster susceptible to peri-implantitis showed a mean IIMBL of 5.2 mm and included implants placed mainly in the lower front jaw and in mouths having a mean of eight teeth. PCA extracted the parameters such as number of teeth, full-mouth plaque scores, implant surface, periodontitis severity, age and diabetes as significant in explaining the data variability. ES and SVMs showed good results in predicting IIMBL (root-mean-squared error of 0.133 and 0.149, 10-fold cross-validation error of 0.147 and 0.150, respectively). Network analysis revealed limited interdependencies of variables among peri-implantitis-affected and non-affected implants and supported the hypothesis of the existence of distinct implant “phenotypes.” Conclusion Two implant “phenotypes” were identified, one with susceptibility and another with resistance to peri-implantitis. Prediction of IIMBL could be achieved by using six variables.

پیش‌بینی سطوح منفرد استخوان ایمپلنت و وجود فنوتیپ ایمپلنت

چکیده اهداف برای دسته‌بندی ایمپلنت‌های قرار داده‌شده در بیماران یک عمل خصوصی و شناسایی "فنوتیپ‌های" محتمل ایمپلنت و پیش‌بینی‌کننده‌های میانگین سطوح استخوانی ایمپلنت (IIMBL). مواد و روش‌ها متغیرهای کلینیکی و رادیوگرافیکی از ۷۲ بیمار تحت درمان ایمپلنت با ۲۳۷ ایمپلنت و میانگین سنی ۷.۴ ± ۳.۵ سال جمع‌آوری شد. ما ایمپلنت ها را با استفاده از روش k - means که توسط آشکار سازی چند بعدی هدایت می‌شود، خوشه‌بندی کردیم. برای پیش‌بینی IIMBL، ما از تحلیل مولفه اصلی (PCA)به عنوان یک روش کاهش متغیر برای انتخاب گروهی (ES)و مدل‌های ماشین بردار پشتیبان (SVMs)استفاده کردیم. تحلیل شبکه، تعاملات متغیر را مورد بررسی قرار داد. نتایج ما یک دسته از ایمپلنت های حساس به پری ایمپلنتی (۹۶ % از ایمپلنت های موجود در خوشه تحت‌تاثیر پری ایمپلنتی قرار گرفتند)و دو دسته هم پوشان از ایمپلنت های مقاوم به پری ایمپلنتی را شناسایی کردیم. خوشه حساس به التهاب اطراف ایمپلنت، میانگین IIMBL ۵ / ۲ میلی متر را نشان داد و شامل ایمپلنت هایی بود که عمدتا در فک پایین و در دهان با میانگین هشت دندان قرار داده شده‌بودند. PCA پارامترهایی مانند تعداد دندان، امتیاز پلاک تمام دهان، سطح ایمپلنت، شدت پریودنتیت، سن و دیابت را به عنوان متغیرهای معنی‌دار در توضیح تغییرپذیری داده‌ها استخراج کرد. ES و SVMs نتایج خوبی در پیش‌بینی IIMBL نشان دادند (به ترتیب خطای مربع میانگین ریشه ۰.۱۳۳ و ۰.۱۴۹ و خطای اعتبارسنجی متقابل ۱۰ گانه ۰.۱۴۷ و ۰.۱۵۰). آنالیز شبکه ارتباطات محدودی را بین متغیرهای ایمپلنت های اطراف ایمپلنت های مبتلا و غیر مبتلا نشان داد و فرضیه وجود فنوتیپ متمایز ایمپلنت را تایید کرد. نتیجه‌گیری دو نوع "فنوتیپ" ایمپلنت، یکی با حساسیت و دیگری با مقاومت در اطراف ایمپلنت شناسایی شدند. پیش‌بینی IIMBL را می توان با استفاده از شش متغیر بدست آورد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Oral Surgery
  • ترجمه مقاله Oral Surgery
  • مقاله جراحی دهان و دندان
  • ترجمه مقاله جراحی دهان و دندان
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.