Применение искусственного интеллекта в имплантологии: систематический обзор

Постановка проблемы: Применение искусственного интеллекта (ИИ) в процедурах дентальной имплантации расширяется. Однако современное развитие и эффективность моделей ИИ в имплантологии ещё не были систематически описаны и проанализированы.

Цель: Оценить эффективность моделей ИИ в имплантологии для распознавания типа имплантата, прогнозирования успеха имплантации с учётом факторов риска пациента и критериев онтологии, а также оптимизации конструкции имплантата на основе сочетания расчётов методом конечных элементов (МКЭ) и моделей ИИ.

Материалы и методы: Систематический обзор электронной литературы проведён в 5 базах данных: MEDLINE/PubMed, EMBASE, Web of Science, Cochrane и Scopus. Дополнительно выполнен ручной поиск. В обзор включали рецензируемые исследования, в которых разрабатывались модели ИИ для распознавания типа имплантата, прогнозирования успеха имплантации и оптимизации конструкции имплантата. Поиск охватывал статьи, опубликованные по 21 февраля 2021 года. Два исследователя независимо оценивали качество работ с использованием контрольного перечня критической оценки Joanna Briggs Institute (JBI) для квазиэкспериментальных исследований (нерандомизированных экспериментальных исследований). При отсутствии консенсуса привлекали третьего исследователя.

Результаты: В обзор включено 17 статей: в 7 исследованиях анализировали модели ИИ для распознавания типа имплантата, в 7 изучали модели ИИ для прогнозирования успеха имплантации, а в 3 оценивали модели ИИ для оптимизации конструкции имплантатов. Общая точность разработанных моделей распознавания типа имплантата по периапикальным и панорамным снимкам составляла от 93,8 до 98%. Точность моделей прогнозирования успешной остеоинтеграции или имплантации на основании различных исходных данных варьировала в разных исследованиях от 62,4 до 80,5%. Наконец, исследования по оптимизации конструкции имплантатов в целом подтверждают применимость моделей ИИ для улучшения конструкции дентальных имплантатов. Такое улучшение включало снижение напряжения на границе раздела имплантат–кость на 36,6% по сравнению с конечно-элементной моделью, оптимизацию пористости, длины и диаметра имплантата для повышения точности расчётов методом конечных элементов, а также точное определение модуля упругости границы раздела имплантат–кость.

Выводы: Модели ИИ для распознавания типа имплантата, прогнозирования успеха имплантации и оптимизации конструкции имплантатов продемонстрировали значительный потенциал, однако пока находятся на стадии разработки. Для дальнейшего совершенствования моделей ИИ и оценки их клинической эффективности в рассмотренных направлениях имплантологии необходимы дополнительные исследования.