El aprendizaje automático para el diagnóstico de extracciones ortodónticas: un análisis computacional utilizando aprendizaje en conjunto
Autores: Suhail, Yasir; Upadhyay, Madhur; Chhibber, Aditya; Kshitiz,
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
El aprendizaje automático para el diagnóstico de extracciones ortodónticas: un análisis computacional utilizando aprendizaje en conjunto
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Extracción
Dientes
Práctica de ortodoncia
Sistema experto
Decisiones de tratamiento
Modelos de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La extracción de dientes es una decisión de tratamiento importante en la práctica ortodóncica. Un sistema experto que pueda llegar a decisiones de tratamiento adecuadas puede ser valioso para los clínicos para verificar planes de tratamiento, minimizar errores humanos, capacitar a ortodoncistas y mejorar la fiabilidad. En este trabajo, entrenamos varios modelos de aprendizaje automático para esta tarea de predicción utilizando datos de 287 pacientes, evaluados de forma independiente por cinco ortodoncistas diferentes. Demostramos por qué los métodos de conjunto son particularmente adecuados para esta tarea. Evaluamos el rendimiento de los modelos de aprendizaje automático e interpretamos el comportamiento del entrenamiento. Mostramos que los resultados de nuestro modelo están cerca del nivel de acuerdo entre diferentes ortodoncistas.
Descripción
La extracción de dientes es una decisión de tratamiento importante en la práctica ortodóncica. Un sistema experto que pueda llegar a decisiones de tratamiento adecuadas puede ser valioso para los clínicos para verificar planes de tratamiento, minimizar errores humanos, capacitar a ortodoncistas y mejorar la fiabilidad. En este trabajo, entrenamos varios modelos de aprendizaje automático para esta tarea de predicción utilizando datos de 287 pacientes, evaluados de forma independiente por cinco ortodoncistas diferentes. Demostramos por qué los métodos de conjunto son particularmente adecuados para esta tarea. Evaluamos el rendimiento de los modelos de aprendizaje automático e interpretamos el comportamiento del entrenamiento. Mostramos que los resultados de nuestro modelo están cerca del nivel de acuerdo entre diferentes ortodoncistas.