Алынды: 14.04.2026
Қабылданды: 22.05.2026
Онлайн жарияланды: 30.06.2026
ӘОЖ:616.314-089.843
DOI: 10.70113/1815-9443.2026.51.29.012
SCTG ЖӘНЕ L-PRF ҚОЛДАНУ АРҚЫЛЫ ЖҮРГІЗІЛЕТІН ЖҰМСАҚ ТІНДЕРДІ АУГМЕНТАЦИЯЛАУ НӘТИЖЕЛЕРІН МАШИНАЛЫҚ ОҚЫТУ НЕГІЗІНДЕ БОЛЖАУ
Ажибеков А.С.¹ , Менчишева Ю.А.¹, Еркибаева Ж.У. ¹
¹С.Д. Асфендияров атындағы Қазақ ұлттық медицина университеті, Қазақстан, Алматы
Кіріспе. Төменгі жақтың дистальды бөлімдеріндегі имплантаттар айналасындағы жұмсақ тіндердің тапшылығы маңызды клиникалық мәселе болып қала береді. SCTG субэпителиальды дәнекер тін трансплантаттары мен лейкоцитарлы-тромбоцитарлы фибриннің (L-PRF) үйлесімі қолайлы клиникалық нәтижелер көрсеткенімен, ем нәтижелерін жекелендірілген болжау жеткілікті зерттелмеген. Машиналық оқыту әдістері имплантологияда емдеуді персонализацияланған жоспарлаудың жаңа мүмкіндіктерін ұсына алады.
Мақсаты. SCTG және L-PRF қолданғаннан кейін периимплантаттық жұмсақ тіндер аугментациясының нәтижелерін болжауда машиналық оқыту әдістерін қолдану мүмкіндігін бағалау және ем нәтижесіне ең тығыз байланысты клиникалық айнымалыларды анықтау.
Материалдар мен әдістер. Зерттеу бұрын жүргізілген рандомизацияланған бақыланатын клиникалық зерттеу деректеріне негізделген машиналық оқыту әдістерін қолданатын екіншілік талдау болып табылады. Қорытынды деректер жиынтығына жұмсақ тіндер аугментациясынан кейін 6 айлық бақылаудан өткен 92 пациент енгізілді, олардың ішінде 47 пациент SCTG және L-PRF үйлесімімен, ал 45 пациент тек SCTG трансплантациясымен емделген. Талдауға бастапқы демографиялық, клиникалық, иммунологиялық көрсеткіштер, сондай-ақ имплантат айналасындағы жұмсақ тіндердің параметрлері енгізілді. Болжамдық модельдеу Python және scikit-learn кітапханасының көмегімен орындалды. Random Forest және көпқабатты персептрон алгоритмдері 5 еселік кросс-валидация арқылы бағаланды. Модельдердің тиімділігі accuracy, precision, recall және F1-score көрсеткіштері бойынша бағаланды.
Нәтижелер. 6 айлық бақылаудан кейін 79 пациентте (85,9%) қолайлы клиникалық нәтижелер байқалды, ал 13 пациентте (14,1%) имплантат айналасындағы жұмсақ тіндердің субоптималды жағдайы және эстетикалық нәтижелер анықталды. Random Forest классификаторы көпқабатты персептрон моделіне қарағанда неғұрлым тұрақты болжамдық тиімділік көрсетті. Random Forest зерттеулік моделі кросс-валидация барысында accuracy — 0,81, precision — 0,79, recall — 0,77 және F1-score — 0,78 орташа көрсеткіштерін көрсетті. Белгілердің маңыздылығын талдау кератинденген тіннің бастапқы ені, периимплантаттық жұмсақ тіндердің фенотипі және шылым шегу ем нәтижелерімен ең тығыз байланысты айнымалылар екенін көрсетті.
Талқылау. Алынған нәтижелер периимплантаттық тіндердің тұрақтылығы үшін кератинденген шырышты қабықтың маңыздылығын растайды және SCTG-ні жұмсақ тіндерді аугментациялаудың болжамды әдісі ретінде қолдайды. L-PRF қосымша қолдану оның регенеративті қасиеттерінің арқасында операциядан кейінгі жазылуды жақсартуы мүмкін. Машиналық оқыту әдістерін қолданған талдау имплантологияда клиникалық және биологиялық айнымалыларды біріктіру негізінде ем нәтижелерін жекелендірілген болжаудың әлеуетті мүмкіндігін көрсетті.
Қорытынды. Машиналық оқыту әдістерін қолдану арқылы жүргізілген талдау SCTG және L-PRF көмегімен имплантаттар айналасындағы жұмсақ тіндер аугментациясының нәтижелерін жекелендірілген түрде болжаудың әлеуетті мүмкіндігін көрсетті. Периимплантаттық жұмсақ тіндердің бастапқы сипаттамалары мен пациентке байланысты факторлар операциядан кейінгі жазылу мен эстетикалық нәтижелерге әсер етеді. Алынған нәтижелерді гипотеза қалыптастырушы деректер ретінде қарастырған жөн. Имплантологияда машиналық оқытуға негізделген болжамдық модельдерді күнделікті клиникалық тәжірибеге енгізу үшін тәуелсіз іріктемелері бар және сыртқы валидация жүргізілген көпорталықты қосымша зерттеулер қажет.
Түйінді сөздер: дентальды имплантация, жұмсақ тіндерді аугментациялау, дәнекер тін трансплантаты, предиктивті модельдеу.
