ПРОГНОЗИРОВАНИЕ ИНТЕНСИВНОСТИ ПОРАЖЕНИЯ ЗУБОВ КАРИЕСОМ ВОСПИТАННИКОВ ОБЩЕОБРАЗОВАТЕЛЬНЫХ ОРГАНИЗАЦИЙ МИНОБОРОНЫ РОССИИ С ПОМОЩЬЮ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
Оригинальная статья
Дата публикации: июня 7, 2024
Ключевые слова
заболеваемость
воспитанник
кариес
воспитанник
кариес
Как цитировать
Солдатов И. К., Гребнев Г. А., Солдатов А. Н., Багненко А. С. ПРОГНОЗИРОВАНИЕ ИНТЕНСИВНОСТИ ПОРАЖЕНИЯ ЗУБОВ КАРИЕСОМ ВОСПИТАННИКОВ ОБЩЕОБРАЗОВАТЕЛЬНЫХ ОРГАНИЗАЦИЙ МИНОБОРОНЫ РОССИИ С ПОМОЩЬЮ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ // Кремлевская медицина. Клинический вестник. 2024. Т. № 2. С. 58-63.
Аннотация
Прогнозирование стоматологической заболеваемости является неотъемлемой частью и актуальной задачей при планировании лечебно-профилактической деятельности в рамках медицинского обеспечения воспитанников на протяжении всего периода обучения в образовательной организации. Разработка и внедрение прогностических моделей на основе алгоритмов машинного обучения обеспечивает более детальный персонифицированный подход, снижает риск развития основных стоматологических заболеваний и повышает качество оказания медициной помощи. Цель исследования. Разработка модели прогнозирования интенсивности поражения зубов кариесом воспитанников общеобразовательных организаций Министерства обороны Российской Федерации (далее – Минобороны России) при помощи алгоритмов машинного обучения. Материалы и методы. В результате диспансеризации получены данные о состоянии общесоматического и стоматологического здоровья 3701 воспитанника в возрасте 10–18 лет, а также другие медицинские данные за предыдущие периоды обучения с помощью выкопировки из личных медицинских книжек и официальных форм медицинской отчетности (форма 13К/МЕД). Проанализированы результаты анкетирования 2242 кадетов об уровне знаний и навыках в области профилактической стоматологии. Все вышеуказанные сведения обобщены в созданные базы данных. Рассчитаны группы здоровья воспитанников, уровень гигиены полости рта, а также распространенность и интенсивность основных стоматологических заболеваний и других факторов, влияющих на достоверность прогноза. Прогнозирование индексов пораженности кариесом зубов для смешанного и постоянного прикусов проводили при помощи алгоритмов машинного обучения CatBoost, Decision Tree и Random Forest с определением эффективности, надежности и достоверности прогноза. Результаты. Выявлен высокий уровень распространенности (72.9%) и интенсивности КПУ + кп = 3.96 ± 0.06 («К» – постоянный кариозный зуб; «П» – постоянный пломбированный зуб; «У» – постоянный удаленный зуб; «к» – молочный кариозный зуб; «п» – молочный пломбированный зуб) в популяции воспитанников. При сравнении алгоритмов машинного обучения модель CatBoost показала наилучший прогноз (MSE = 1.53, R2 = 0.82). Отмечены наиболее значительные признаки, вносящие наивысший вклад в прогностическую модель, – индекс КПУ за предыдущий год (66.3%), число интактных (пораженных) зубов (5.9%), потребность в неотложной медицинской помощи (5.1%).Литература
1. Кузьмина Э.М. Роль деятельности ВОЗ в оценке здоровья полости рта населения на основе мониторинга стоматологической заболеваемости // Dental Forum. – 2015. – № 1 – С. 2–4. [Kuzmina E.M. The role of the WHO in assessing the oral health of the population based on monitoring dental morbidity // Dental Forum. – 2015. – No 1. – P. 2–4. In Russian].
2. Кузьмина Э.М. и др. Тенденции распространенности и интенсивности кариеса зубов среди населения России за 20-летний период // Dental Forum. – 2020. – Т. 78. – № 3. – С. 2–8. [Kuzmina E.M. et al. Trends in the prevalence and intensity of dental caries among the population of Russia over a 20-year period // Dental Forum. – 2020. – V. 78. – No 3. – P. 2–8. In Russian].
3. Волошина И.М. и др. Кариес зубов высокой степени риска и комплаентность пациента // Эндодонтия Today. – 2020. – Т. 18. – № 2. – С. 41–44. [Voloshina I.M. et al. High-risk dental caries and patient compliance // Endodontics Today. – 2020. – V. 18. – No 2. – P. 41–44. In Russian]. DOI: 10.36377/1683-2981-2020-18-2-41-44.
4. Авраамова О.Г. и др. Оценка эффективности лечебно-профилактических мероприятий у детей 10–12 лет с разной степенью интенсивности кариеса и уровнем резистентности эмали // Стоматология. – 2023. – Т. 102. – № 1. – С. 82–85. [Avraamova O.G. et al. Evaluation of the effectiveness of therapeutic and preventive measures in children aged 10–12 years with different degrees of caries intensity and enamel resistance // Stomatologia. – 2023. – V. 102. – No 1. – P. 82–85. In Russian]. DOI: 10.17116/stomat202310201182.
5. Кузьмина Э.М. и др. Стоматологическая заболеваемость населения России. – Москва: Практическая медицина. – 2019. – C. 303. [Kuzmina E.M. et al. Dental morbidity in the population of Russia. – Moscow: Practical medicine. – 2019. – P. 303. In Russian].
6. Модринская Ю.В. Модели оценки риска кариеса зубов: Стоматология вчера, сегодня, завтра: сборник научных трудов юбилейной научно-практической конференции с международным участием, посвященной 60-летию стоматологического факультета, Минск, 02–03 апреля 2020 г. / Под общей редакцией Т.Н. Тереховой. – Минск: Белорусский государственный медицинский университет, 2020. – С. 340–343. [Modrinskaya Y.V. Models for assessing the risk of dental caries: Dentistry Yesterday, Today, Tomorrow: collection of scientific papers of the jubilee scientific and practical conference with international participation dedicated to the 60th anniversary of the dental faculty, Minsk, April 02–03, 2020 / Edited by T.N. Terekhova. – Minsk: Belarusian State Medical University, 2020. – P. 340–343. In Russian].
7. Солдатов А.Н. и др. База данных состояния стоматологического здоровья воспитанников общеобразовательных организаций Минобороны России. Свидетельство о государственной регистрации базы данных № 2023622392 РФ. № 2023622089: заявл. 03.07.2023: опубл. 13.07.2023. [Soldatov A.N. et al. Database of dental health status of students in general education institutions of the Ministry of Defense of Russia. Certificate on Official Registration of the Database RU 2023622022, published 20/06/2023. In Russian].
8. Prokhorenkova L. et al. CatBoost: unbiased boosting with categorical features // arXiv preprint arXiv:1706.09516v5. – 2017. DOI: 10.48550/arXiv.1706.09516.
9. Anghel A. et al. Benchmarking and optimization of gradient boosting decision tree algorithms // arXiv preprint arXiv:1809.04559. – 2018. DOI: 10.48550/arXiv.1809.04559.
10. Khoshgoftaar T.M. et al. An Empirical study of learning from imbalanced data using random forest: in proceedings of the 19th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2007). – 2007. – V. 2. – P. 310–317. DOI: 10.1109/ICTAI.2007.46.
11. Liashchynskyi P. et al. Grid search, random search, genetic algorithm: a big comparison for NAS // arXiv preprint arXiv:1912.06059. – 2019. DOI: 10.48550/arXiv.1912.06059.
2. Кузьмина Э.М. и др. Тенденции распространенности и интенсивности кариеса зубов среди населения России за 20-летний период // Dental Forum. – 2020. – Т. 78. – № 3. – С. 2–8. [Kuzmina E.M. et al. Trends in the prevalence and intensity of dental caries among the population of Russia over a 20-year period // Dental Forum. – 2020. – V. 78. – No 3. – P. 2–8. In Russian].
3. Волошина И.М. и др. Кариес зубов высокой степени риска и комплаентность пациента // Эндодонтия Today. – 2020. – Т. 18. – № 2. – С. 41–44. [Voloshina I.M. et al. High-risk dental caries and patient compliance // Endodontics Today. – 2020. – V. 18. – No 2. – P. 41–44. In Russian]. DOI: 10.36377/1683-2981-2020-18-2-41-44.
4. Авраамова О.Г. и др. Оценка эффективности лечебно-профилактических мероприятий у детей 10–12 лет с разной степенью интенсивности кариеса и уровнем резистентности эмали // Стоматология. – 2023. – Т. 102. – № 1. – С. 82–85. [Avraamova O.G. et al. Evaluation of the effectiveness of therapeutic and preventive measures in children aged 10–12 years with different degrees of caries intensity and enamel resistance // Stomatologia. – 2023. – V. 102. – No 1. – P. 82–85. In Russian]. DOI: 10.17116/stomat202310201182.
5. Кузьмина Э.М. и др. Стоматологическая заболеваемость населения России. – Москва: Практическая медицина. – 2019. – C. 303. [Kuzmina E.M. et al. Dental morbidity in the population of Russia. – Moscow: Practical medicine. – 2019. – P. 303. In Russian].
6. Модринская Ю.В. Модели оценки риска кариеса зубов: Стоматология вчера, сегодня, завтра: сборник научных трудов юбилейной научно-практической конференции с международным участием, посвященной 60-летию стоматологического факультета, Минск, 02–03 апреля 2020 г. / Под общей редакцией Т.Н. Тереховой. – Минск: Белорусский государственный медицинский университет, 2020. – С. 340–343. [Modrinskaya Y.V. Models for assessing the risk of dental caries: Dentistry Yesterday, Today, Tomorrow: collection of scientific papers of the jubilee scientific and practical conference with international participation dedicated to the 60th anniversary of the dental faculty, Minsk, April 02–03, 2020 / Edited by T.N. Terekhova. – Minsk: Belarusian State Medical University, 2020. – P. 340–343. In Russian].
7. Солдатов А.Н. и др. База данных состояния стоматологического здоровья воспитанников общеобразовательных организаций Минобороны России. Свидетельство о государственной регистрации базы данных № 2023622392 РФ. № 2023622089: заявл. 03.07.2023: опубл. 13.07.2023. [Soldatov A.N. et al. Database of dental health status of students in general education institutions of the Ministry of Defense of Russia. Certificate on Official Registration of the Database RU 2023622022, published 20/06/2023. In Russian].
8. Prokhorenkova L. et al. CatBoost: unbiased boosting with categorical features // arXiv preprint arXiv:1706.09516v5. – 2017. DOI: 10.48550/arXiv.1706.09516.
9. Anghel A. et al. Benchmarking and optimization of gradient boosting decision tree algorithms // arXiv preprint arXiv:1809.04559. – 2018. DOI: 10.48550/arXiv.1809.04559.
10. Khoshgoftaar T.M. et al. An Empirical study of learning from imbalanced data using random forest: in proceedings of the 19th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2007). – 2007. – V. 2. – P. 310–317. DOI: 10.1109/ICTAI.2007.46.
11. Liashchynskyi P. et al. Grid search, random search, genetic algorithm: a big comparison for NAS // arXiv preprint arXiv:1912.06059. – 2019. DOI: 10.48550/arXiv.1912.06059.