РОЗРОБКА МОДЕЛЕЙ XGBOOST ДЛЯ ПРОГНОЗУВАННЯ ВИНИКНЕННЯ ПРИШИЙКОВИХ УРАЖЕНЬ ЗУБІВ НА ОСНОВІ НЕЗАЛЕЖНИХ ПРЕДИКТОРІВ РИЗИКУ

Анотація

Вирішення питання значної поширеності пришийкових уражень зубів передбачає проведення скринінгу та призначення профілактичних заходів особам, що належать до груп ризику їх виникнення. Мета дослідження – розробити комп’ютерні моделі прогнозування ризику виникнення пришийкових уражень зубів у пацієнтів молодого віку й оцінити їх якість. Матеріали та методи. Вибірку становили 272 пацієнти (середній вік 24,3 ± 6,9 року), у яких було визначено незалежні предиктори виникнення клиновидного дефекту (КД), пришийкового карієсу (ПК), ерозії (Е) емалі, що стали вхідними даними до комп’ютерних моделей. Було застосовано метод деревоподібного машинного навчання Extreme Gradient Boosting (XGBoost), реалізований мовою програмування Python з використанням бібліотек scikit-learn, XGBoost та SHAP. Для моделі КД дисбаланс класів враховувався введенням ваги класу (scale_pos_weight), для моделі ПК – звуженим простором гіперпараметрів і повторюваною стратифікованою крос-валідацією, для моделі Е емалі – методом синтетичного балансування вибірки Synthetic Minority Over-sampling Technique (SMOTE). Оцінку моделей проводили на позавибіркових (out-of-fold) прогнозах із розрахунком Area under the curve-Receiver Operating Characteristic curve (AUC-ROC), чутливості (recall), специфічності, точності та NPV. Результати. Було вибрано пріоритет recall над показниками точності та специфічності. Це сприяло зменшенню кількості пропущених випадків для кожної з патологій. Найвища recall = 0,90 у поєднанні з помірною дискримінаційною здатністю (AUC-ROC = 0,702) відповідала моделі прогнозування ПК. Модель прогнозування КД також мала високу recall = 0,833 та дещо вищу порівняно з ПК дискримінаційну здатність (AUC-ROC = 0,714). Це підтвердило доцільність використання алгоритму XGBoost для визначення впливу предикторів на виникнення уражень зубів. Модель прогнозування Е емалі була розроблена в умовах вираженого дисбалансу класів (n = 15), тому представлена як континуальна оцінка відносного ризику. Її дискримінаційна здатність (AUC-ROC = 0,638) підтвердила наявність корисного прогностичного сигналу за умови застосування SMOTE. Висновки. Представлені моделі можуть бути використані для ідентифікації осіб з підвищеним ризиком виникнення КД, ПК та Е емалі зубів Із метою зменшення їх поширеності Й обґрунтування призначення лікувально-профілактичних заходів.