机器学习预测骨骼性III类错𬌗畸形掩饰性正畸疗效：一项关键预测因子研究

针对成人骨骼性III类错𬌗（skeletal Class III malocclusion）患者进行掩饰性正畸（camouflage orthodontics）时，如何预测治疗效果是临床难题。本研究利用机器学习（ML）构建预测模型，发现下颌中切牙矢状位置（L1_x）和腭长度（Palatal L）是核心预测因子。L1_x小于76 mm且腭长度≥41 mm时治疗成功率更高。该研究为个体化正畸治疗计划制定提供了智能决策支持。

对于许多深受“地包天”困扰的成年患者来说，骨骼性III类错𬌗（skeletal Class III malocclusion）不仅影响面容美观，更可能带来咀嚼、发音乃至心理等一系列问题。面对这类骨性畸形，正畸医生常面临一个关键的十字路口：是推荐患者接受创伤较大、周期更长的正颌外科手术，还是尝试通过不改变骨骼基础、仅调整牙齿位置的掩饰性正畸治疗（camouflage orthodontic treatment）来改善？后者虽然创伤小，但并非对所有患者都有效，治疗失败可能导致咬合关系不佳、面部美学改善有限，甚至需要二次治疗。因此，如何在海量的患者头影测量数据中，精准地预先判断哪些患者适合掩饰性治疗，从而制定最优化、个体化的治疗方案，一直是正畸临床实践中的一大挑战。

为了回答这一核心临床问题，一项发表在《Scientific Reports》上的研究另辟蹊径，将目光投向了人工智能领域。研究人员试图开发一种机器学习模型，用以预测成人骨骼性III类错𬌗患者进行掩饰性正畸治疗的成功率，并挖掘出影响治疗效果的关键解剖学预测因子，从而为临床决策提供智能化、数据驱动的支持。

为了开展这项研究，研究团队回顾性分析了100名接受过掩饰性正畸治疗的成人骨骼性III类错𬌗患者的数据。研究的核心在于定义一个清晰的治疗成功标准：治疗后覆盖（overjet）超过2 mm，尖牙关系良好，磨牙关系正常。基于治疗前后的头影测量变量，研究团队训练并评估了四种常见的机器学习算法，包括随机森林（Random Forest）、分类与回归树（CART）、神经网络（Neural Network）以及极端梯度提升（XGBoost），并采用五折交叉验证来确保模型评估的稳健性。

通过系统性的模型构建与比较分析，本研究得出了一系列重要结果。

模型性能比较

在所使用的四种机器学习算法中，XGBoost模型展现出了最佳的预测性能，其各项评估指标均优于其他模型，这表明XGBoost模型可能具有更好的泛化能力，即对于新患者数据的预测更为可靠。

关键预测因子的识别

研究进一步通过决策树模型揭示了影响治疗成功的最关键因素。分析指出，下颌中切牙的矢状向位置（以L1_x表示）和腭部长度（Palatal L）是预测掩饰性治疗成功与否的两个最强预测因子。具体而言，当患者的L1_x值小于76毫米，同时腭部长度等于或大于41毫米时，其治疗成功获得良好咬合结局的可能性显著增高。

头影测量变量的分析

除了关键预测因子，研究也对治疗前后的头影测量变量进行了全面分析，为理解掩饰性治疗带来的牙颌面变化提供了数据基础，但这些变量在预测模型中的重要性次于L1_x和腭长度。

综合以上研究结果，本研究的结论清晰而有力。首先，机器学习算法，特别是XGBoost，能够有效预测骨骼性III类错𬌗掩饰性正畸治疗的效果，为临床提供了新的决策工具。其次，研究成功识别出下颌中切牙矢状位置（L1_x）和腭长度（Palatal L）作为核心预测因子，并给出了具体的阈值（L1_x < 76 mm, Palatal L ≥ 41 mm），这为临床医生评估患者是否适合进行掩饰性治疗提供了直观、可量化的参考标准。

在讨论部分，作者强调了这项研究的深远意义。它不仅仅是一项技术应用，更是朝向人工智能辅助正畸决策迈出的重要一步。通过整合机器学习模型，临床医生可以在治疗前更科学地评估治疗风险与收益，优化治疗方案，避免对可能失败的患者采用不恰当的掩饰性治疗，从而提升整体治疗效率与患者满意度。同时，所识别出的关键预测因子深化了学界对骨骼性III类错𬌗畸形掩饰治疗机制的理解。尽管研究基于回顾性数据，且样本量有限，但其构建的方法学和发现的预测规律为未来更大规模、前瞻性的研究奠定了基础，预示着个性化、精准化正畸时代的来临。