Detección de factores de fracaso en implantes dentales mediante la aplicación de Ciencia de datos

• Autores: Ganz, Nancy Beatriz
• Año de publicación: 2021
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Kuna, Horacio Daniel; Ares, Alicia Esther
• Materia: Ciencia de datos; Aprendizaje automático; Clasificación; Implantes dentales; Predicción de fracasos; Data science; Machine learning; Classification; Dental implants; Failure prediction
• Institución: Universidad Nacional de Misiones

Fil: Ganz, Nancy Beatriz. Universidad Nacional de Misiones. Facultad de Ciencias Exactas, Químicas y Naturales. Instituto de Materiales de Misiones. Doctorado en Ciencias Aplicadas; Argentina.
Fil: Ganz, Nancy Beatriz. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet. Nodo Nordeste. Instituto de Materiales de Misiones; Argentina.
El gran volumen de datos existente en el sector de la salud dificulta la toma de decisiones por parte de los especialistas, debido a que no se aplican técnicas que aprovechen al máximo la información disponible, ocasionando la dificultad de reconocer patrones de comportamiento y extraer conocimiento oculto de los datos almacenados. Además, la no predicción del comportamiento, basado en el conocimiento previo, puede acarrear un alto porcentaje de inexactitud, más aún cuando se trata de un campo tan primordial como el de la salud. Hoy en día, la predicción del éxito o fracaso de un implante dental está determinado a través de una evaluación clínica y radiológica. Por esta razón, las predicciones dependen en gran medida de la experiencia del implantólogo. Es por esto, que es de vital importancia contar con un registro de datos de las condiciones del paciente, las características del implante e información del proceso de colocación, debido a que la rehabilitación oral a través de implantes dentales puede presentar riesgos relacionados con la etapa del proceso de oseointegración (implante / tejido). Estos riesgos pueden estar relacionados con las condiciones de salud del paciente, la técnica quirúrgica empleada por el especialista implantólogo, el tipo de implante, así como el tabaquismo, entre muchas otras. De aquí, surge la necesidad de aplicar técnicas de Ciencia de Datos, debido a que son capaces de extraer patrones, de predecir comportamientos, regularidades y, de sacar provecho a la información automatizada. En esta tesis se estudió el beneficio de la utilización de múltiples técnicas de Ciencia de Datos, para la predicción de factores de fracasos a partir de un conjunto de datos de historias clínicas sobre implantes dentales. Especialmente, se buscó identificar factores que contribuyan al fracaso de estos implantes y determinar las condiciones óptimas que debe tener el paciente y el implante dental utilizado por el profesional implantólogo. Este trabajo de tesis permitió lograr la creación de un registro novedoso de historias clínicas de pacientes que se han sometido a procesos quirúrgicos de colocación de implantes dentales en la Provincia de Misiones, Argentina. Además, permitió proponer un modelo de aprendizaje automático para identificar y descartar las características redundantes e irrelevantes del conjunto de datos de estudio. Asimismo, se detectaron los factores que ejercen una mayor influencia en el proceso de osteointegración a través de un procedimiento de clasificación y validación por expertos humanos. Se concluyó que el procedimiento propuesto permitió conocer las características más relevantes y mejoró la precisión en la clasificación de la clase objetivo (fracaso del implante dental), permitiendo no sesgar la toma de decisión en base a la aplicación y resultados de método individuales.
The large volume of data in the health sector makes it difficult for specialists to make decisions, due to the fact that techniques that make the most of the available information are not applied, causing the difficulty of recognizing behavior patterns and extracting hidden knowledge of the stored data. In addition, the non-prediction of behavior, based on previous knowledge, can lead to a high percentage of inaccuracy, especially when it comes to such a fundamental field as health. Nowadays, the prediction of the success or failure of a dental implant is determined through a clinical and radiological evaluation. For this reason, predictions are highly dependent on the experience of the implantologist. This is why it is of vital importance to have a data record of the patient's conditions, the features of the implant and information on the placement process, because oral rehabilitation through dental implants can present risks related to the stage of the osseointegration process (implant / tissue). These risks may be related to the patient's health conditions, the surgical technique used by the implantologist, the type of implant, as well as smoking, among many others. From here, the need arises to apply Data Science techniques, because they are capable of extracting patterns, predicting behaviors, regularities and, taking advantage of automated information. In this thesis, the benefit of the use of multiple Data Science techniques was studied, for the prediction of failure factors from a set of data from dental implant medical records. In particular, we sought to identify factors that contribute to the failure of these implants and to determine the optimal conditions that the patient and the dental implant used by the implantologist should have. This thesis work allowed the creation of a novel registry of medical records of patients who have undergone surgical procedures for the placement of dental implant in the Province of Misiones, Argentina. In addition, it allowed proposing an machine learning model to identify and rule out redundant and irrelevant features of the study data set. Likewise, the factors that have the greatest influence on the osseointegration process were detected through a classification and validation procedure by human experts. It was concluded that the proposed procedure allowed to know the most relevant features and improved the accuracy in the classification of the target class (dental implant failure). Allowing, not to bias the decision making based on the application and individual methods results.