Publication: Aplicación de técnicas bioinformáticas en la predicción de fracasos endodónticos por fracturas radiculares verticales
Loading...
Files
Official URL
Full text at PDC
Publication Date
2016-04-20
Authors
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Complutense de Madrid
Citations
Exportar
Abstract
INTRODUCCIÓN: Las técnicas bioinformáticas actuales ofrecen la posibilidad de predecir la respuesta ante diferentes sucesos sanitarios, en tiempo real con mayor precisión y adaptación que los sistemas estadísticos clásicos. Este tipo de sistemas se adapta constantemente a los nuevos problemas y no necesita ser reconfigurado por un experto humano ofreciendo por tanto, una respuesta más dinámica y precisa que la estadística clásica. Las fracturas radiculares verticales (FVR), suponen un alto número de fracasos postendodónticos con un pronóstico muy malo, generalmente la extracción del diente. Existen muchos factores del tratamiento de conductos que aumentan la aparición de FVR algunos de ellos son controlables por el clínico y otros no. Por tanto, hemos aplicado técnicas bioinformáticas, en concreto Sistemas de Razonamiento Basados en Casos para predecir, en función de variables del paciente y del tratamiento la aparición o no de fracturas verticales radiculares posteriores a los tratamientos de conductos. De este modo, se puede predecir de una forma más fiable el riesgo de FVR posterior al tratamiento y modificar las variables técnicas en función del paciente. MATERIAL Y MÉTODO: El estudio se realizó sobre 205 pacientes. 105 pacientes cuyos dientes endodonciados tuvieron que ser extraídos por la aparición de FVR y 100 pacientes control cuyas endodoncias no habían fracasado en más de 5 años. Se determinaron las variables que podían influir en su aparición y su nivel de significación, aplicando primeramente tests estadísticos: Chi cuadrado, test exacto de Fischer y simulación de Monte Carlo), y posteriormente se creó el CBR. Se utilizaron en la fase de reutilización distintos algoritmos de predicción y en base a las curvas ROC, se estableció el que mayor poder de predicción ofrecía. A continuación, se introdujeron todos los datos dejando un caso como caso control y ofreciendo el resto de los pacientes como comprobación del sistema. RESULTADOS: Los test estadísticos utilizados indicaron que la instrumentación mecánica, la oclusión inestable y el grado de dificultad del tratamiento eran las variables que más influían en el aumento de la incidencia de aparición de fracturas verticales radiculares posteriores al tratamiento de conductos. Los test estadísticos previos y necesarios para la creación del CBR, señalaron que la utilización de redes bayesianas en la fase de implementación del CBR presentó una capacidad predictiva para el fracaso de los tratamientos del 89%, superior a la de los tests estadísticos empleados. El sistema no ofreció falsos positivos, es decir, no se predijeron extracciones que no fueran necesarias. CONCLUSIONES: Los sistemas CBR resultaron más eficaces que los test estadisticos para predecir los fracasos endodónticos producidos por fracturas verticales radiculares. Estos sistemas CBR ofrecen una información valiosa para planificar el tratamiento de forma adecuada. El estudio de las variables del paciente y de la simulación de distintas variables técnicas del tratamiento previas al mismo mediante herramientas bioinformáticas y CBR ayuda al clínico a modificar el tratamiento de conductos e individualizarlo.
INTRODUCTION: We describes the application of Artificial Intelligence (AI) techniques, specifically Case-Based Reasoning (CBR), to predict the failure of root canal therapy. METHODS: The study was performed on 205 patients who experienced failure in root canal therapy, specifically by VRF. We determined the variables that could influence their appearance and the level of significance, primarily by applying statistical tests (Chi square, Fischer exact test, and Monte Carlo simulation), before creating the CBR to make predictions. RESULTS: The creation of a CBR system that integrates Bayesian networks in the reuse phase presented a treatment failure predictive capacity of 89%. This percentage improves on the results obtained by the sole statistical analysis of individual variables. CONCLUSIONS: CBR systems were effective in predicting endodontic failures caused by VRF. These CBR systems provide valuable information that can be used to devise a tailored therapeutic approach.
INTRODUCTION: We describes the application of Artificial Intelligence (AI) techniques, specifically Case-Based Reasoning (CBR), to predict the failure of root canal therapy. METHODS: The study was performed on 205 patients who experienced failure in root canal therapy, specifically by VRF. We determined the variables that could influence their appearance and the level of significance, primarily by applying statistical tests (Chi square, Fischer exact test, and Monte Carlo simulation), before creating the CBR to make predictions. RESULTS: The creation of a CBR system that integrates Bayesian networks in the reuse phase presented a treatment failure predictive capacity of 89%. This percentage improves on the results obtained by the sole statistical analysis of individual variables. CONCLUSIONS: CBR systems were effective in predicting endodontic failures caused by VRF. These CBR systems provide valuable information that can be used to devise a tailored therapeutic approach.
Description
Tesis inédita de la Universidad Complutense de Madrid de la Facultad de Odontología del Departamento de Estomatología II, leída el 18-01-2016