子どもの歯の健康リスクを読み解く：主要な影響因子を特定するための機械学習アプローチ

Decoding children dental health risks: a machine learning approach to identifying key influencing factors.

抄録

導入と目的:

本研究では、7歳以下の小児のう蝕リスクに影響を及ぼす主要因を機械学習技術を用いて調査する。う蝕の有病率に取り組むことで、高リスク者の早期発見と予防戦略を強化することを目的とする。

INTRODUCTION AND OBJECTIVES: This study investigates key factors influencing dental caries risk in children aged 7 and under using machine learning techniques. By addressing dental caries' prevalence, it aims to enhance early identification and preventative strategies for high-risk individuals.

方法:

356名の小児の臨床検査から得られたデータを、ロジスティック回帰、決定木、ランダムフォレストモデルを用いて分析した。これらのモデルは、食習慣、フッ化物曝露、および社会経済的地位がう蝕リスクに及ぼす影響を、精度、確度、再現性、F1スコア、およびAUC指標を重視して評価した。

METHODS: Data from clinical examinations of 356 children were analyzed using Logistic Regression, Decision Trees, and Random Forests models. These models assessed the influence of dietary habits, fluoride exposure, and socio-economic status on caries risk, emphasizing accuracy, precision, recall, F1 score, and AUC metrics.

結果:

口腔衛生不良、高糖質食、および低フッ化物曝露が有意なう蝕リスク因子として同定された。Random Forestモデルは優れた性能を示し、複雑な健康データ分析における機械学習の可能性を示した。SHAP分析により、口腔衛生不良、高糖質食、および低フッ化物曝露が有意なう蝕リスク因子として同定された。

RESULTS: Poor oral hygiene, high sugary diet, and low fluoride exposure were identified as significant caries risk factors. The Random Forest model demonstrated superior performance, illustrating the potential of machine learning in complex health data analysis. Our SHAP analysis identified poor oral hygiene, high sugary diet, and low fluoride exposure as significant caries risk factors.

結論:

機械学習は、小児のう蝕リスク因子を効果的に同定し定量化する。このアプローチは、的を絞った介入および予防対策を支援し、小児の歯科保健転帰を改善する。

CONCLUSION: Machine learning effectively identifies and quantifies dental caries risk factors in children. This approach supports targeted interventions and preventive measures, improving pediatric dental health outcomes.

臨床的意義:

機械学習を活用して重要なう蝕リスク因子をピンポイントで特定することにより、本研究はデータ主導型の予防戦略の基礎を築き、う蝕有病率を低下させ、小児の歯の健康を増進させる可能性がある。

CLINICAL SIGNIFICANCE: By leveraging machine learning to pinpoint crucial caries risk factors, this research lays the groundwork for data-driven preventive strategies, potentially reducing caries prevalence and promoting better dental health in children.