小児歯科におけるデータ解析のための機械学習の応用：系統的レビュー

Application of machine learning for data analysis in paediatric dentistry: a systematic review.

抄録

目的:

本研究の目的は、データベース解析のための機械学習（ML）の適用が、小児集団における口腔疾患へのアプローチを強化するかどうかを評価することである。

AIM: The study aims to assess whether the application of machine learning (ML) for database analysis enhances the approach to oral diseases in the paediatric population.

材料:

う蝕は世界中で5億1,400万人の小児に罹患している。人工知能（AI）、特に機械学習（ML）は、医学および歯科学において利用が増加しており、パターンを識別し予測を行う人間の能力を超えるデータを取り扱っている。PubMed、Web of Science、Scopus、Lilacsデータベースを検索した。対象としたトピックは、口腔の健康が青少年のQOLに与える影響、幼児期のう蝕の予測因子および深鎮静下での2回目の治療の必要性の予測因子、予防歯科サービスの有効性などである。

MATERIALS: Dental caries affects 514 million children worldwide. Artificial intelligence (AI), particularly ML, has seen increased utilisation in medicine and dentistry, handling data beyond human capacity to discern patterns and make predictions. PubMed, Web of Science, Scopus, and Lilacs databases were searched. Topics covered include the impact of oral health on adolescents' quality of life, predictors of early childhood caries and of the need of second treatment under deep sedation, and the effectiveness of preventive dental services.

方法:

適格基準を満たした20件の論文について、QUADAS-2尺度を用いて質を分析した。システマティックレビューはPRISMA声明に準拠し、最初にスクリーニングされた1945件の論文のうち20件が得られた。14の論文はう蝕予知に焦点を当て、社会人口統計学的、行動学的、生物学的予測因子を強調した。ML分析により、初期う蝕病変を有する小児は保険者により高い費用がかかり、シーラントとフッ化物塗布を受けた小児はより大きな費用削減を示すことが明らかになった。

METHODS: Twenty articles meeting eligibility criteria were analyzed for quality using the QUADAS-2 scale. The systematic review adhered to the PRISMA statement, yielding 20 articles out of 1945 initially screened. Fourteen articles focused on caries prediction, highlighting socio-demographic, behavioural, and biological predictors. ML analysis revealed that children with early caries lesions incur higher costs for insurers, with those receiving sealants and fluoride demonstrating greater cost savings.

結論:

MLアルゴリズムは、大規模なデータセットのパターンを特定し、小児の口腔疾患へのアプローチを強化することができる。研究および教育プログラムに組み込むことが推奨される。科学的エビデンスを改善するためには、このような研究に特化した方法論的ガイドラインと品質尺度が必要である。

CONCLUSION: ML algorithms can identify patterns in large datasets, enhancing approaches to paediatric oral diseases. Their integration into research and educational programs is recommended. Methodological guidelines and quality scales specific to such studies are necessary for improved scientific evidence.