Способ определения сроков нагрузки ортопедической конструкцией на дентальные имплантаты Российский патент 2024 года по МПК A61C8/00 G16H40/20 

Изобретение относится к области медицины, а именно к стоматологии и клинической лабораторной диагностике, и предназначено для определения сроков нагрузки ортопедической конструкцией на дентальные имплантаты.

Учеными разработана единая классификация протоколов установки и нагрузки дентальных имплантатов для всех возможных клинических ситуаций (Potapchuk A.M., Onipko Y.L., Almashi V.M., Dedukh N.V., Kostenko O.Y. Experimental study of bone rebuilding in the periimplantation area under immediate loading on dental implants. Wiadomosci Lekarskie. 2021; 74(4): 992-997. DOI: 10.36740/WLek202104134 Rojo R., Prados-Privado M., Reinoso A.J., Prados-Frutos J.C. Evaluation of fatigue behavior in dental implants from in vitro clinical tests: a systematic review. Metals. 2018; 8(5): 313. https://doi.org/10.3390/met8050313).

Дентальную имплантацию с немедленной нагрузкой могут выполнять только специалисты с высокой квалификацией и большим опытом при наличии определенных клинических состояний с обеспечением первичной стабильностью имплантата с крутящем моментом по динамометрическому ключу в пределах 35-40 Н⋅см или коэффициенте стабильности ISQ > 70( по методике RFA ), что обеспечивает выживаемость имплантатов в течение срока его интеграции в костной ткани под нагрузкой (Norton M.R. The Influence of Low Insertion Torque on Primary Stability, Implant Survival, and Maintenance of Marginal Bone Levels: A Closed-Cohort Prospective Study. International Journal of Oral & Maxillofacial Implants. 2017; 32(4): 849-857. DOI: 10.11607/jomi.5889).

Тренд сегодняшнего дня - сокращение продолжительности последующих ортопедических реабилитаций. Немедленная имплантация и немедленная интраоперационная функциональная жевательная нагрузка могут сократить продолжительность лечения и объем оперативного вмешательства, и позволят получить высокий функциональный и эстетический результат.

Вокруг имплантатов, при нагрузке, происходит усиление кровотока и вазомоторной активности микроциркуляторного тракта опорных тканей, увеличение объема кости и возрастание крутящего момента, что является положительным фактором для ускорения темпов остеоинтеграции.

Систематизация взглядов на дифференциацию результатов немедленной нагрузки и немедленной имплантации и их интерпретация с точки зрения современного понимания механизмов ремоделирования костей расширяют возможности для обсуждения и аргументации различных протоколов имплантации зубов с учетом начальных условий клинической ситуации.

Чем больше факторов, рассматриваемых и учитываемых перед и во время операции имплантации, тем надежнее, на наш взгляд, прогнозирование возможности немедленной нагрузки.

Важно создание способа, учитывающего множество факторов, влияющих на остеоинтеграцию, для моментального определения СНОК на дентальные имплантаты.

Недостаток известных способов срока постановки ортопедической конструкции на имплантат - это разрозненное применение клиницистами давно известных параметров и инструментов, применяемых имплантологом и стоматологом-ортопедом на операции. Такие как первичная стабильность, измеряемая динамометрическим ключом при установке имплантатов, частотно-резонансный анализ (техника RFA), позволяющая с помощью аппарата Pinguin при воздействии на установленный имплантат электромагнитными волнами измерить частоту колебаний его в костной ткани. Применяя рентгенографический анализ, специалист не только определяет обьем, но и качество костной ткани перед установкой, а также спустя время определяет поведение кости вокруг имплантата в период его интеграции, а также смотрит за динамикой его выживаемости.

Оценке других параметров, накопленных специалистами за долгие годы использования дентальных имплантатов как правило не придают значения, кроме того, за последние годы стоматолог-ортопед вместе с хирургом стремится сократить ортопедическую реабилитацию пациента, стремится установить ортопедическую реставрацию на имплантаты максимально быстро, тем самым улучшить качество жизни пациента, сократив количество визитов и уменьшить финансовую нагрузку на потребителя. Всему это способствует современные материалы и технологии в стоматологии, динамика жизни в городской среде, а также развитие цифровых решений в обществе.

Задачей, на решение которой направлен способ, заключается в попытке создания способа определения сроков нагрузки ортопедической конструкцией на дентальные имплантаты. Оптимизация работы специалистов обеспечит скорость и качество работы с возможностью внедрения продукта в повседневную практику врача-стоматолога на стоматологическом приеме.

Технический результат - ускорение и повышение точности определения сроков нагрузки ортопедической конструкцией на дентальные имплантаты.

Технический результат достигается использованием способа определения сроков нагрузки ортопедической конструкцией на дентальные имплантаты, в ходе которого определяют тип протезирования, динамометрическое усилие, коэффициент стабильности имплантата, тип фиксации, тип кости, класс резорбции и угол вкручивания, а затем с помощью нейронной сети определяют сроки нагрузки ортопедической конструкцией на дентальные имплантаты.

Положительным моментом от использования предложенного способа является применение в совокупности значений параметров, полученных от местных условий по костной ткани, так и аппратных значений, применяемых на практике инструментов и приборов. Получение рассчитанного значения во времени клиницист с большой вероятностью прогнозирует срок протезирования, сокращает время и количество визитов пациента в клинику, оптимизируя экономическую составляющую не только для пациента, но и для медицинской организации. Получая в руки мобильный цифровой инструмет, молодой специалист, не имея длительного опыта работы по установки дентальных имплантатов, может смело прогнозировать реабилитацию пациента в день операции. Зная заранее значения, записывая их в медицинскую карту больного, можем оптимально подобрать время для следующего визита к специалисту.

На основе предварительных, многочисленных, экспериментальных и расчетных опытов с применением искусственных нейронных сетей определены параметры, влияющие на СНОК дентальных имплантатов.

Во время хирургической операции вручную в мобильном приложении вводятся данные о типе костной ткани, классе резорбции, первичной стабильности по динамометрическому ключу, ISQ - коэффициенте стабильности, угле вкручивания и типе фиксации имплантата, виде ортопедической конструкции. Затем нажимается кнопка «Рассчитать» и на экране появляется СНОК в днях.

Для разработки программного комплекса использовали данные из пакета прикладных программ Statistica Neural Networks, версия 13.

На основе предварительных экспериментальных данных определили основные, на наш взгляд, переменные параметры (входные сигналы), оказывающие наибольший вклад на регенерацию кости вокруг имплантата.

Входные сигналы и их уровни варьирования были следующими:

тип протезирования (одиночное, мостовидное), динамометрическое усилие, Н/см (от 20 до 45), коэффициент стабильности имплантата (ISQ), измеренный прибором Penguin^RFA (от 50 до 100 Гц ), тип фиксации (стандартная, бикортикальная), тип кости (твердая D1, плотная D2, мягкая D3, рыхлая D4), класс резорбции (от А до Е), угол вкручивания (straight, angulated).

Функцией отклика (выходным сигналом) являлся СНОК (в сутках).

При обучении программного комплекса некоторым входным сигналам, не измеряемым непосредственно во время операции дентальной имплантации, присваивались числовые значения:

- тип протезирования (1 - одиночное, 2 - мостовидное);

- тип фиксации (1 - стандартная, 2 - бикортикальная);

- тип кости по классификации Lekholm and zarb 1985 год (1 - рыхлая D1 , 2 - мягкая D2, 3 - плотная D3, 4 - твердая D4);

- класс резорбции кости классификации Lekholm and zarb 1985год (1 - А, 2 - В, 3 - С, 4 - D, 5 - E);

- угол вкручивания (1 - прямой , 2 - угловой).

Пример.

На основе способа был разработан программный комплекс «Dr. Student» состоящий из трех компонентов:

1. Мобильный клиент.

Разработанный на языке программирования Dart мобильный клиент представляет из себя кросс-платформенное приложение, которое может работать на различных операционных системах (Android, Windows, iOS), что заметно облегчает работу, так как исключается подготовка различных версий для каждой платформы. Была использована экосистема пакетов Flutter, характеризующийся тем, что для создания мобильных приложений не использует технологию веб-браузера.

Во Flutter есть оптимизированный движок 2D-рендеринга для телефонов и планшетов с поддержкой текста, достаточный набор виджетов в стиле iOS, интерфейс прикладного программирования для модульных и интеграционных тестов и набор инструментов для повышения производительности и отладки Dart DevTools.

Используемая среда разработки (IDE) - Visual Studio Code.

2. Серверная часть А.

Предоставляет REST API (интерфейс, используемый двумя компьютерными системами для безопасного обмена информацией через Интернет) к вызову математической модели, настройкам и содержанию элементов интерфейса клиентской части.

Она реализована с помощью языка программирования Python с применением фреймворка FastAPI, который является одним из самых быстрых вебфреймворков для данного языка программирования . К другим преимуществам можно отнести поддержку асинхронного режима работы, легкость в применении, встроенная и автоматическая генерация документации API Swagger и Redoc.

Среда разработки (IDE) - Visual Studio Code.

3. Серверная часть В.

Реализует математическую модель на основе искусственного интеллекта с применением языка программирования Python. Использовались библиотеки scikit-learn, pandas.

Pandas это высокоуровневая Python библиотека для обработки и анализа данных, полученных в результате исследований и представленных в виде таблицы.

Scikit-learn - это библиотека Python, включает все алгоритмы и инструменты, которые нужны для задач классификации, регрессии и кластеризации. Предоставляет очень эффективные инструменты для прогнозной аналитики.

Среда разработки (IDE) - Visual Studio Code.

Мобильное приложение создано для молодых специалистов, которые на начальном этапе карьеры стоматолога будут оптимизировать свою работу за счет искусственного интеллекта, позволяющей, предположительно определить срок нагрузки ортопедической конструкцией на дентальные имплантаты после их установки в костную ткань. Это поможет быстрее и с большой вероятностью предсказать время ортопедической реабилитации пациентов и оптимизировать работу молодых кадров.

Аналогичных по предназначению мобильных приложений нет, поэтому отсутствует возможность сравнения полученных данных с известными.

Интерфейс программного комплекса «Dr. Student» поддерживает два языка - русский и английский.

Для обучения использовали данные более 1000 пациентов, наблюдавшихся более 3 лет, для которых были известны все параметры, составляющие входные и выходной сигналы.

На пациентах, составивших контрольную группу, проводили прогнозирование СНОК с использованием мобильного приложения.

На фиг. 1 представлены скрины интерфейса программного комплекса, где СНОК определился НЕМЕДЛЕННЫЙ и составлял одни сутки.

В первых двух вариантах (а, б) тип протезирования мостовидным, данные ISQ одинаковые - по 85, динамометрические усилия отличаются незначительно - 35 и 37 Н⋅см, соответственно, тип кости различные - D4 и D1, так же, как и класс резорбции и тип вкручивания.

Рентгенографическое исследование по контроль интеграции имплантата производилось в день операции , через 1 .2 и 3 месяца соответственно.

На фиг. 2. В обоих клинических случаях представлен срок определения нагрузки на имплантат не менее 45 суток (1.5 мес). Параметры, полученные на операции, следующие с прогнозом ранней нагрузки:

В обоих случаях первичная стабильность по ключу 30 и 37 Н*см, значения RFA 75 и 78 Гц соответственно. В первом клиническом случае фиксация имплантата в кость была стандартная, во втором случае имплантат фиксировался в кость бикортикально. Тип кости в первом случае был D3 (рыхлый), во втором D1(твердый). Класс резорбции В и А соответственно.В первом случае имплантат был установлен в прямом положении относительно альвеолярного гребня, во втором случае под углом.

При определении СНОК специалист окончательно после установки имплантата в правильное ортопедическое положение фиксировал имплантоввод в платформу дентального имплантата и определял по динамометрическому ключу первичую стабильность. Затем в платформу имплантата фиксировался Multipeg от аппарата Pinguin, используя частотно-резонансный анализ определяли микроподвижность имплантата в кости.

Значения типа и класса резорбции, а также типа фиксации и угла вкручивания определяли на компьютерной томографии ,как при планировании заблаговременно так и в день операции для контроля положения имплантата вокруг важных анатомических образований. Вид конструкции определялся специалистом заранее при планировании.

По полученным данным строили нейросетевые модели. В качестве стратегии построения моделей была выбрана автоматизированная нейронная сеть со следующими настройками: тип сети - многослойный персептрон, минимальное и максимальное количество скрытых нейронов - 4 и 12, соответственно.

Пять сетей с наименьшей ошибкой по контрольной выборке были сохранены и из них выбрана нейронная сеть MLP-7-4-1 с высокими коэффициентами детерминации 0,960141; 1,000000; 0,989005 для обучающей, тестовой и контрольной выборки. Такие коэффициенты свидетельствуют о высокой производительности обученной сети. Ошибка обучения составила 0,0343036961, был выбран алгоритм обучения второго порядка точности - BFGS. Функция активации скрытых нейронов тождественная, а выходных нейронов была логистическая.

Адекватность обученной нейронной сети проверяли графическим методом. Для этого строили гистограмму остатков, т.е. разности введенных и полученных сетью значений срока ортопедической нагрузки (фиг. 3).

Из гистограммы видно, что имеются выбросные элементы, т.е. отклонения некоторых введенных значений срока ортопедической нагрузки от значений обученной сети. Это остатки, равные -40; 20; 35. Основная масса сосредоточена в небольшом интервале остатков от -10 до 10.

При имплантации в лечебном процессе с целью уточнения срока ортопедической нагрузки, целесообразно учитывать граничные условия действия влияющих факторов. Для этого изучено попарное влияние параметров на сроки протезирования.

На фиг. 4 (Поверхность отклика выходного параметра в зависимости от динамометрического усилия и типа кости) и 5 (Поверхность отклика выходного параметра в зависимости от динамометрического усилия и класса резорбции) представлены поверхность отклика выходного параметра (срок ортопедической нагрузки) в зависимости от попарного влияния различных факторов.

Анализ графических зависимостей показывает, что срок ортопедической нагрузки сильно увеличивается (свыше 80 суток) при снижении динамометрического усилия ниже 28 Н/см² и любом типе кости.

Хороших показателей выходной параметр (до 20 суток) достигает при динамометрическом усилии выше 34 Н/см² и на плотной и твердой типах кости. Ортопедическая нагрузка возможна до 20 дней (фиг. 5), если класс резорбции А, В и С, и динамометрическое усилие выше 34 Н/см².

С увеличением коэффициента стабильности имплантата (ISQ > 70) при любом типе кости достигается срок ортопедической нагрузки менее 4 суток (фиг. 6 Поверхность отклика выходного параметра в зависимости от ISQ и типа кости).

С целью прогнозирования срока ортопедической нагрузки в лечебном процессе анализировали тестовые данные фиг. 7 (табл. 1).

После анализа запустили модель по новым введенным данным. Сгенерировали аналогичную выборку, загрузили сохраненную модель с идентификатором сети, которая ранее была выбрана как лучшая. Небольшое значение среднеквадратичной ошибки свидетельствует о хорошем качестве построенной модели на введенных новых данных фиг. 8 (табл. 2).

Обученная нейронная сеть может быть применена для прогнозирования сроков ортопедической нагрузки в лечебном процессе по установке имплантатов.

В процессе лечения возможно применять обученную нейронную сеть для оценки срока протезирования на имплантатах, в том числе для решения вопроса о немедленной нагрузке ортопедической конструкцией в день операции. Применение искусственного интеллекта на этапе планирования дает возможность заранее спрогнозировать сроки временной реабилитации пациента.

Изобретение относится к области медицины, а именно к стоматологии и клинической лабораторной диагностике, и предназначено для использования при определении сроков нагрузки ортопедической конструкцией на дентальные имплантаты. Определяют тип протезирования, динамометрическое усилие, коэффициент стабильности имплантата, тип фиксации, тип кости, класс резорбции и угол вкручивания. Затем с помощью нейронной сети определяют сроки нагрузки ортопедической конструкцией на дентальные имплантаты, при этом в качестве входных данных используют тип протезирования - одиночное или мостовидное, динамометрическое усилие от 20 до 45 Н/см, коэффициент стабильности имплантата от 50 до 100 Гц, тип фиксации - стандартная, бикортикальная, тип кости - твердая, плотная, мягкая, рыхлая , класс резорбции - от А до Е, угол вкручивания – straight, angulated; при обучении программного комплекса входным сигналам, присваивают числовые значения: - тип протезирования 1 - одиночное, 2 - мостовидное; - тип фиксации 1 - стандартная, 2 - бикортикальная; - тип кости 1 - рыхлая, 2 - мягкая, 3 - плотная, 4 - твердая; - класс резорбции кости 1 - А, 2 - В, 3 - С, 4 - D, 5 - E; - угол вкручивания 1 - straight, 2 - angulated. Способ за счет искусственного интеллекта позволяет определить срок нагрузки ортопедической конструкцией на дентальные имплантаты после их установки в костную ткань. 8 ил.

Способ определения сроков нагрузки ортопедической конструкцией на дентальные имплантаты, в ходе которого определяют тип протезирования, динамометрическое усилие, коэффициент стабильности имплантата, тип фиксации, тип кости, класс резорбции и угол вкручивания, а затем с помощью нейронной сети определяют сроки нагрузки ортопедической конструкцией на дентальные имплантаты, при этом в качестве входных данных используют тип протезирования - одиночное или мостовидное, динамометрическое усилие от 20 до 45 Н/см, коэффициент стабильности имплантата от 50 до 100 Гц, тип фиксации - стандартная, бикортикальная, тип кости - твердая, плотная, мягкая, рыхлая , класс резорбции - от А до Е, угол вкручивания – straight, angulated; при обучении программного комплекса входным сигналам присваивают числовые значения: - тип протезирования 1 - одиночное, 2 - мостовидное; - тип фиксации 1 - стандартная, 2 - бикортикальная; - тип кости 1 - рыхлая, 2 - мягкая, 3 - плотная, 4 - твердая; - класс резорбции кости 1 - А, 2 - В, 3 - С, 4 - D, 5 - E; - угол вкручивания 1 - straight, 2 - angulated.