Введение

Дентальная имплантация — один из наиболее широко применяемых методов стоматологической реабилитации. При соблюдении протоколов 10-летняя выживаемость имплантатов составляет ~90—95 % [1]. Тем не менее риск неудач и развития периимплантита сохраняется, что обусловлено многофакторной природой осложнений: состоянием мягких и костных тканей, дизайном и поверхностью имплантата, хирургическим протоколом, уровнем гигиены и системными факторами. Современная предоперационная оценка включает конусно-лучевую компьютерную томографию (КЛКТ) и исследование состояния тканей пародонта, формируя основу для стратификации риска [2]. Структурные особенности периимплантатных тканей дополнительно обосновывают необходимость специфических прогностических критериев [3]. На этом фоне растет интерес к применению методов искусственного интеллекта и машинного обучения (ИИ/ML) для интеграции клинических, рентгенологических и иных параметров [4, 5]. В ряде исследований показано, что ИИ-модели демонстрируют более высокую точность прогноза по сравнению с традиционными методами, основанными на экспертной интерпретации клинических признаков, оценке объема кости по КЛКТ, анализе анамнеза и индивидуальных факторов риска. Это связано с возможностью анализа больших объемов данных, автоматического выявления сложных взаимосвязей между факторами риска и исключения субъективного влияния. Таким образом, ИИ/ML рассматриваются как перспективный инструмент для повышения воспроизводимости и персонализации прогноза исходов дентальной имплантации.

Цель исследования — оценить существующие модели прогнозирования исходов дентальной имплантации на базе методов искусственного интеллекта (ИИ) и машинного обучения (ML), используемые для прогнозирования исходов дентальной имплантации, а также выделить ключевые факторы риска, описать типы моделей и метрики эффективности на основе систематического обзора литературы по стандарту PRISMA 2020.

Материалы и методы

Систематический обзор проведен в соответствии с рекомендациями PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Поиск литературы завершен 10 августа 2025 г.

Поиск осуществлялся в базах данных PubMed (запросы на английском языке) и eLIBRARY (ключевые слова на русском языке). Дополнительно выполнялся ручной поиск через Google Scholar и обратные ссылки из релевантных публикаций. В запросах использовались ключевые слова: dental implant, artificial intelligence, machine learning, neural networks, prediction, prognosis и их русскоязычные аналоги. Ограничения поиска: публикации 2015—2025 гг. на английском и русском языках. В базе eLIBRARY не работали логические операторы, поэтому запросы приходилось вводить отдельно и суммировать вручную, что привело к большему количеству найденных источников и, соответственно, более значительному отсеву на последующих этапах.

Всего было идентифицировано 205 публикаций: 55 в базе PubMed, 125 в eLIBRARY и 25 в результате ручного поиска. После удаления 9 дублирующих записей осталось 196 уникальных публикаций. На этапе скрининга заголовков и аннотаций исключено 157 работ, из них: 92 не соответствовали тематике (например, описывали дентальную имплантацию без применения методов ИИ/ML), 18 представляли собой доклинические исследования (in vitro или на животных моделях), 14 не включали алгоритмов машинного обучения, 33 оказались обзорными материалами или письмами в редакцию. Для полнотекстовой оценки было отобрано 39 источников.

После анализа текста исключено еще 17 публикаций: 5 — без клинических данных, 4 — с комбинированными интервенциями, не позволяющими выделить вклад ИИ/ML, 5 — с высоким риском систематической ошибки и 3 — без доступа к полному тексту, поскольку отсутствие полного текста не позволяло извлечь ключевые данные, необходимые для систематического анализа, включая дизайн исследования, характеристики выборки, описание используемых моделей ИИ/ML и метрики их эффективности. Отсутствие доступа было связано с платным распространением отдельных журналов и невозможностью получения полного текста через открытые источники и институциональные подписки на момент проведения поиска. Данный критерий исключения является стандартным для систематических обзоров и был применен одинаково ко всем найденным публикациям. Следует учитывать, что при наличии доступа у других исследователей результаты их анализа могут незначительно отличаться.

В итоговый анализ включены 22 публикации, соответствующие критериям отбора: 10 — из баз данных и 12 — найденные при ручном поиске.

Для подготовки обзора помимо 22 отобранных для анализа оригинальных исследований мы также использовали дополнительные источники (обзоры, методологические статьи, справочные материалы), необходимые для интерпретации результатов, описания методов и обоснования подходов.

Оценка риска систематической ошибки проводилась двумя независимыми рецензентами. Использовались валидированные инструменты: Cochrane RoB 2.0 для рандомизированных исследований, PROBAST (Prediction model Risk Of Bias Assessment Tool) для обсервационных исследований с предсказательными моделями и QUADAS-2 для диагностических моделей. При расхождениях привлекался третий эксперт.

Из-за ожидаемой гетерогенности исходов и методов построения моделей метаанализ не проводился. Синтез данных выполнен в качественном формате с группировкой результатов по типам алгоритмов (CNN, ансамблевые методы, регрессионные модели и др.), по предикторам (КЛКТ-параметры, факторы риска, демографические данные), по используемым метрикам эффективности и по наличию внешней валидации (табл. 1).

Таблица 1. PRISMA, последовательность отбора публикаций

Результаты

Все 22 включенных исследования (2016—2025 гг.) продемонстрировали потенциал методов ИИ/ML в прогнозировании исходов дентальной имплантации и связанных с ней осложнений [4—7]. Наиболее высокие показатели точности отмечены в работах, в которых использованы глубокие нейронные сети (CNN) для анализа изображений. Так, одна из моделей CNN, обученная на данных КЛКТ, дооперационно предсказывала вероятность успешной имплантации с точностью около 87%. Повышение процента приживления, зафиксированное в исследовании, было связано с клиническими действиями, предпринятыми на его основе: пациенты с выявленными неблагоприятными параметрами костной ткани направлялись на дополнительные вмешательства — костную аугментацию, изменение протокола имплантации или отсрочку установки [4]. Различные архитектуры глубокого обучения успешно определяли пригодность места для немедленной имплантации по ортопантомограмме: во всех случаях достигнуты чувствительность, сбалансированная точность и F₁-меры > 0,90 [7]. Алгоритм обнаружения периимплантита на рентгенограммах (YOLOv7) показал специфичность 100%, точность 100%, полноту ~94% и F₁ ~97% при автоматическом выявлении очагов поражения [8]. Многозадачная CNN-модель для оценки стабильности имплантата, по данным КЛКТ, достигла тестовой точности ~93—96% (двух- и многоклассовая классификация) при среднем времени анализа ~3,8 с [9]. Интегрированный подход, объединяющий 3D-CNN для радиомики и клинические данные, позволил спрогнозировать риск неудачи синус-лифтинга с AUC ~0,93 (точность ~90%), тогда как чисто клиническая модель дала точность лишь ~0,60 [10]. Кроме того, автоматизированная градация плотности кости на основе ИИ показала значимую положительную корреляцию коэффициентов минеральной плотности кости (BMD) с первичной стабильностью имплантатов (ISQ) в корональной и средней зонах (r≈0,5—0,6; p<0,05) [11], что согласуется с клиническими наблюдениями: более высокая плотность костной ткани обеспечивает лучшую фиксацию. Технологии ИИ также успешно сопоставлены с опытом специалистов. В прецизионном планировании имплантации на основании КЛКТ автоматизированная система сформировала клинически приемлемый план в 89% случаев против 93% у экспертов, при этом среднее время на планирование сократилось с ~406 с до ~187 с [12]. Точность расположения имплантата при использовании такой системы соответствовала врачебной: среднее линейное отклонение платформы составило ~0,9 мм, угловое — ~5°, а подбор размеров имплантата практически совпал с решениями специалистов [13]. Заметим, что и вне сфер визуализации методы ML проявили себя: например, искусственная нейронная сеть, обученная на дифференциально экспрессированных генах, смогла по профилю экспрессии точно классифицировать образцы тканей с периимплантитом и здоровых пациентов, что открывает возможности ранней диагностики заболевания на молекулярном уровне [14]. Кроме того, в российском исследовании показана возможность применения нейросетевой модели для количественной морфологической оценки ремоделирования костной ткани после реконструктивно-восстановительных операций. На материале биопсий у 30 пациентов искусственная нейронная сеть на базе GoogLeNet смогла с достоверностью ≥95% определить степень зрелости новообразованной кости, результаты совпадали с гистологическим анализом, при этом исключалось влияние субъективного выбора полей зрения [15].

Ансамблевые и гибридные алгоритмы машинного обучения также показали уверенные результаты. Так, комбинированная модель (дерево решений, SVM, k-ближайших соседей, Naïve Bayes, ИНС) превзошла каждый из алгоритмов по отдельности, повысив чувствительность прогноза успеха имплантации на ~13% и специфичность на ~25% [5]. Случайные леса (ensemble-метод) продемонстрировали приемлемое качество предсказания периимплантита (ROC-AUC ~0,71, точность ~70%) и позволили выявить ключевые факторы риска: длительный срок функционирования имплантата, высокий индекс налета, узкая зона кератинизированной десны, малое число окклюзионных контактов и курение [5]. В веб-приложении, предназначенном для оценки риска неудачной имплантации, метод случайного леса продемонстрировал наивысшую прогностическую точность: площадь под ROC-кривой (AUC) составила 0,872 для отторжения имплантата и 0,840 для периимплантита. Ключевыми прогностическими факторами отторжения имплантата оказались объем введенной местной анестезии (возможно, как косвенный маркер сложности вмешательства), длина и диаметр имплантата, профилактический прием антибиотиков и частота гигиенических визитов. В случае периимплантита среди ведущих предикторов также отмечалось наличие сахарного диабета 2 типа (в основном в хронической компенсированной форме, согласно описанию включенных в исследования) при сходных остальных параметрах [16]. Применение AutoML также показало эффективность: алгоритм TPOT на данных о микробиоме полости рта автоматически подобрал модели с ROC-AUC, чувствительностью и специфичностью в диапазоне 0,80—1,00 [17]. Причем классификация по микробиому слюны дала более высокую точность, чем по микробиому налета. Помимо классификации ML использовался для стратификации пациентов. Так, на основе профилей иммунных клеток (алгоритм FARDEEP) и кластерного анализа пациентов с периимплантитом были выделены 3 группы риска с различной микробиотой и исходами лечения [9]. Группа низкого риска характеризовалась повышенным количеством M1-макрофагов, CD4⁺-T-лимфоцитов и T-регуляторных клеток, тогда как в группе высокого риска отмечались преобладание анаэробной микрофлоры и худшие показатели снижения глубины кармана. Еще одно исследование с двухэтапной кластеризацией и регрессией Кокса разделило 8513 пациентов на шесть кластеров, один из которых имел существенно меньшую выживаемость имплантатов [18]. К факторам, определявшим неблагоприятный кластер, отнесены пожилой возраст, активное курение, использование коротких имплантатов малого диаметра в области верхней челюсти, а также методика одномоментной имплантации. Выживаемость, рассчитанная по временным номограммам, заметно различалась между кластерами (конкорданс-индексы ~0,64 в ранний период до 4 мес; ~0,78 на срок 4—10 мес). Кроме того, применение ИИ для автоматизированного изготовления хирургических шаблонов показало лучшие клинические результаты по сравнению с традиционными методами: в группе AI-шаблонов первичная стабильность имплантатов оказалась выше (средний ISQ 78±5 против ~70—75 у контроля), необходимый крутящий момент — больше, а отклонения позиций имплантатов — минимальными. Полноценная остеоинтеграция при этом достигла 96% (против 90% при стандартных шаблонах и ~80% при свободной установке) [15].

Классические модели оказались полезны главным образом для идентификации значимых предикторов осложнений. Логистическая регрессия как метод на границе между статистикой и ML использовалась во многих работах для оценки влияния клинических факторов. Например, многофакторный логистический анализ ~300 имплантатов (шестилетнее наблюдение) показал, что интенсивное курение (>10 сигарет/день) увеличивает риск потери имплантата приблизительно в 18 раз, а прием антикоагулянтов — в ~28 раз; при этом оба фактора несколько снижали долгосрочную выживаемость имплантатов (~4% разницы) [19]. В крупном ретроспективном исследовании на 9080 имплантатах ранние отказы (≤6 мес) статистически чаще происходили в заднем отделе нижней челюсти и у более молодых пациентов, тогда как поздние осложнения ассоциировались с верхней челюстью и возрастом старше среднего [20]. Другое многоцентровое исследование подтвердило, что ранние неудачи чаще связаны с техническими факторами: наличием обнаженных витков резьбы, установкой избыточного количества имплантатов одному пациенту, а также с мужским полом, курением и одномоментной тактикой установки [21]. При этом в современных выборках абсолютная выживаемость имплантатов остается высокой (≈95% за 5—10 лет) [20, 22], поэтому для построения точных прогностических моделей требуется учитывать сочетание факторов. Тем не менее отдельные работы сообщают о высокой прогностической точности даже традиционных моделей. Так, логистическая модель на основании семи клинических параметров (возраст, соматическая отягощенность, курение, число имплантатов, анатомическое положение, гигиенический индекс и индекс воспаления десны) позволила спрогнозировать риск периимплантационных осложнений с чувствительностью ~94% и специфичностью ~94% [23]. Полученное уравнение регрессии успешно валидировано на независимой выборке (150 пациентов за год наблюдений), показав совпадение расчетов с реальными исходами в 94,2% случаев [23]. Также отмечено, что женщины имели достоверно более низкий риск нарушения остеоинтеграции, чем мужчины (примерно на 85%) [19]. Наконец, помимо бинарных исходов классические методы применялись для прогнозирования количественных показателей: например, многофакторная линейная регрессия предсказала интенсивность послеоперационной боли с точностью ~89,6%, позволив индивидуализировать план анальгетического контроля [24].

В целом диапазон качества моделей был широк: AUC колебался от ~0,70 у относительно простых моделей до ~0,93 у лучших ансамблевых и глубоких алгоритмов [5, 10]; точность классификации составляла ~70—100% в зависимости от сложности задачи [5, 8, 21]. Чувствительность и специфичность большинства моделей лежали в пределах 80—100% либо значительно превышали случайный уровень [17, 23]. Для проверки обобщающей способности почти во всех работах применяли методы валидации — разделение на обучающую/тестовую выборки или кросс-валидацию. Наконец, важным преимуществом ML стало выявление значимых предикторов. Во всех рассмотренных моделях ключевыми факторами исходов неоднократно подтверждены курение, гигиена полости рта, качество/плотность кости, размеры имплантата и сопутствующие заболевания [5, 16, 19]. Многие алгоритмы предоставляют возможность интерпретации: коэффициенты регрессий и рейтинги значимости признаков в ансамблях совпадают с известными клиническими закономерностями, облегчая внедрение ИИ/ML-моделей в клиническую практику.

Таким образом, в большинстве работ (15 из 22) использованы алгоритмы на основе визуальных данных: рентгенограмм, КЛКТ или гистологических изображений. Из них 9 применяли модели глубокого обучения, преимущественно сверточные нейронные сети (CNN), которые продемонстрировали наивысшие показатели точности классификации (до 96 %) и AUC (до 0,93). Четыре исследования фокусировались на прогнозе на основе только клинических данных, еще три — на мультиомных профилях (генетика, микробиом, иммунный статус). Основные результаты приведены в табл. 2.

Таблица 2. Сводная таблица анализируемых публикаций

Таблица 2. Сводная таблица анализируемых публикаций. (Продолжение)

Таблица 2. Сводная таблица анализируемых публикаций. (Окончание)

Примечание. ИИ — искусственный интеллект; ML — machine learning, машинное обучение; CNN — convolutional neural network, сверточная нейронная сеть; НС — нейронная сеть; SVM — support vector machine, метод опорных векторов; k-NN — k-nearest neighbors, метод k ближайших соседей; RF — random forest, метод случайного леса; LR — logistic regression, логистическая регрессия; AUC — area under the curve, площадь под ROC-кривой; ROC — receiver operating characteristic, операционная характеристика приемника; PPD — probing pocket depth, глубина зондирования пародонтального/периимплантатного кармана; КЛКТ — конусно-лучевая компьютерная томография; CBCT — cone beam computed tomography, конусно-лучевая компьютерная томография; BMD — bone mineral density, минеральная плотность костной ткани; ISQ — implant stability quotient, коэффициент стабильности имплантата; RMSE — root mean square error, среднеквадратическая ошибка; CV — cross-validation, кросс-валидация; RNA-Seq — RNA sequencing, секвенирование РНК; GEO — Gene expression omnibus, база данных экспрессии генов; ANOVA — analysis of variance, дисперсионный анализ; F1 — F1-мера, гармоническое среднее точности и полноты; TPOT — Tree-based рipeline оptimization tool, инструмент автоматизированного машинного обучения; AutoML — automated machine learning, автоматизированное машинное обучение.

В ряде работ комбинирование изображений с клиническими параметрами (возраст, плотность кости, гигиена, анамнез и др.) повышало качество прогноза по сравнению с использованием одного типа данных. Наиболее стабильные и высокоточные результаты наблюдались при использовании CNN и ансамблевых методов (Random Forest, стекинг), в том числе через AutoML. Таким образом, наш обзор подтверждает, что использование ИИ/ML позволяет не только автоматизировать обработку сложных гетерогенных данных, но и достичь высокой точности прогноза клинических исходов в дентальной имплантологии.

Обсуждение

Результаты обзора подтверждают, что применение методов ИИ/ML в дентальной имплантологии открывает новые возможности для повышения точности прогнозирования исходов за счет способности учитывать большое количество клинических, рентгенологических и поведенческих факторов одновременно. Алгоритмы ИИ не выходят за рамки доступных данных, однако в ряде работ они демонстрировали более высокую прогностическую точность по сравнению с традиционным планированием, основанным на ограниченном наборе ключевых предикторов. Наиболее высокие показатели эффективности показали модели глубокого обучения, особенно CNN, работающие с данными КЛКТ и панорамных рентгенограмм [5, 7—13]. Их преимущество связано с возможностью извлекать многослойные рентгенологические признаки, недоступные при традиционном визуальном анализе. Такие алгоритмы демонстрировали чувствительность и точность на уровне >90% и показали сопоставимость с планированием опытных специалистов, при этом значительно сокращая время анализа [12, 20]. Однако высокая зависимость от объема и качества обучающих данных, а также необходимость стандартизации протоколов визуализации остаются серьезными барьерами для широкого внедрения.

Ансамблевые методы (случайные леса, SVM, гибридные подходы) занимают промежуточное положение по точности, но обладают большей устойчивостью к ограниченному объему данных [5, 6, 16—18]. Они позволяют выявлять значимые предикторы и обеспечивают интерпретируемость за счет рейтингов переменных. Ключевыми факторами, неоднократно подтвержденными разными алгоритмами, являются курение, индекс гигиены, плотность кости, размеры имплантата, сахарный диабет и иные системные заболевания [5, 16, 19, 23]. Интерес представляют исследования, где ML интегрировался с микробиологическими и иммунологическими данными [17, 18, 24], что позволило выделять группы риска и формировать новые гипотезы о патогенезе периимплантита. Это направление подтверждает ценность мультиомных подходов в сочетании с алгоритмами автоматического поиска закономерностей.

Классические статистические модели, прежде всего логистическая регрессия, продолжали широко использоваться [19, 20, 22, 23]. Их достоинство — простота и прозрачность, однако возможности для предсказания ограничены. В большинстве случаев логистическая регрессия фиксировала известные факторы риска (курение, пол, анатомическое положение имплантата), но не обеспечивала высокой прогностической силы [19, 20]. Исключение составляют отдельные работы с тщательно отобранным набором клинических переменных, где удавалось достичь точности около 94% [23]. Тем не менее, такие результаты требуют осторожной интерпретации: малый размер выборки и ограниченная валидация могут приводить к завышенным оценкам.

В целом, выявленные ограничения исследований сходны. Во-первых, большинство выборок были относительно небольшими (<1000 пациентов), что повышает риск смещения и снижает обобщаемость результатов [5—7, 14, 21, 25]. Во-вторых, внешняя валидация встречалась крайне редко; чаще применялись внутренние методы (разделение на обучающую и тестовую выборки, кросс-валидация), что ограничивает надежность алгоритмов [17, 18, 23]. В-третьих, в ряде работ отсутствовала прозрачность в описании гиперпараметров, что затрудняет воспроизводимость [9, 10, 13]. Наконец, сравнительные исследования с традиционным планированием проводились редко, а рандомизированные контролируемые испытания единичны [4].

Важно учитывать, что многие предиктивные модели ограничены анализом демографических и рентгенологические факторов, тогда как значимыми переменными могут быть особенности хирургического протокола (непосредственная или отсроченная имплантация, одномоментные процедуры), морфология и поверхность имплантатов, а также анатомическая локализация, которые традиционно ассоциированы с исходами лечения [26, 27]. Кроме того, не все включенные параметры одинаково информативны с клинической точки зрения. Так, объем вводимого анестетика в одном из исследований оказался важным предиктором, однако это, скорее всего, отражает сложность вмешательства и не является априорной характеристикой, доступной до начала лечения.

Перспективы развития области связаны с созданием больших мультицентровых баз данных, включающих рентгенологические, клинические, микробиологические и молекулярные показатели, а также с разработкой моделей, сочетающих высокую точность и интерпретируемость. Отдельного внимания заслуживает внедрение explainable AI для клинической практики, что позволит врачам понимать вклад каждого предиктора и повысит доверие к алгоритмам. При этом ИИ/ML-технологии следует прежде всего рассматривать не как замену врачу, а как дополнительный инструмент поддержки принятия решений, расширяющий возможности клинициста и повышающий стандарты лечения.

Заключение

Систематический обзор показал, что применение методов ИИ/ML в дентальной имплантологии имеет высокий потенциал для повышения точности прогнозирования исходов лечения, таких как риск отторжения имплантата, развитие периимплантита, вероятность успешной остеоинтеграции и необходимость дополнительных вмешательств. Наибольшую эффективность продемонстрировали модели глубокого обучения, особенно CNN, при анализе КЛКТ и рентгенологических изображений. Ансамблевые алгоритмы обеспечивали приемлемую точность и позволяли выявлять значимые предикторы, в то время как логистическая регрессия подтверждала известные факторы риска, но имела ограниченные прогностические возможности.

Ключевыми предикторами осложнений оставались курение, состояние гигиены полости рта, плотность и объем костной ткани, размеры имплантатов и сопутствующие заболевания. Однако ограниченность выборок, отсутствие внешней валидации и слабая интерпретируемость ряда моделей снижают их клиническую применимость.

Перспективным направлением является интеграция в ИИ-модели как рентгенологических и клинических факторов, так и характеристик хирургического протокола и состояния микробиоты, что позволит построить более надежные инструменты персонализированного прогнозирования [28]. Дальнейшее развитие возможно через создание многоцентровых баз данных, стандартизацию протоколов визуализации и внедрение объяснимых алгоритмов ИИ. Такие подходы позволят интегрировать разнородные данные и сформировать надежные клинические инструменты для индивидуализированного прогнозирования успеха дентальной имплантации.

Авторы заявляют об отсутствии конфликта интересов.