| Project/Area Number |
23K09261
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 57050:Prosthodontics-related
|
|---|
| Research Institution | Tsurumi University |
|---|
Principal Investigator |
鈴木 恭典 鶴見大学, 歯学部, 准教授 (70257335)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大久保 力廣 鶴見大学, 歯学部, 教授 (10223760)
栗原 大介 鶴見大学, 歯学部, 学内講師 (70535773)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2025: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2024: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | 人工知能 / インプラント / AI / インプラント治療 / 予測 |
|---|
| Outline of Research at the Start |
現状のインプラント治療システムは術者の経験と知識に頼る部分が多く，患者により治療の予後は異なる．本研究は欠損補綴患者の治療に対し，超高次元自己学習型人工脳を用いて治療予後に影響を及ぼすリスク因子を症型ごとに明らかにし，リスク因子への対応を含めた最善の補綴インプラント治療方針と治癒像を検証する．また個別の患者に対応したカスタム医療を行うために，ビッグデータを蓄積し数値化しそれぞれの患者に対応する最適な治療方針を企図する．
|
| Outline of Annual Research Achievements |
本年度は人口知能（AI）に対して，学習させるデータの選定するため基本的なインプラント治療の原則，診断基準をAIに学習させる検討を行った．AIは，「機械学習」と「人工知能」に分類され，さらに自己学習可能な人工脳へと発展している．現状のインプラント治療システムは術者の経験と知識に頼る部分が多く，患者により治療の予後は異なる．本研究は欠損補綴患者の治療に対し，AIを用いて治療予後に影響を及ぼすリスク因子を症型ごとに明らかにし，リスク因子への対応を含めた最善の補綴インプラント治療方針と治癒像を検証する．また個別の患者に対応したカスタム医療を行うために，ビッグデータを蓄積し数値化しそれぞれの患者に対応する最適な治療方針を企図する．
申請当初の計画では初年度に，現在まで鶴見大学歯学部附属病院インプラントセンターで蓄積された予後良好な実際の臨床応用例に加え，予後不良な症例群のデータもあわせて収集し，AIに対して，基本的なインプラント治療の原則，診断基準を学習させるため診断基準を作成後，AIに学習させるデータの選定するため，複数のインプラント専門医によるインプラント治療の成功・失敗原因の分析し，改善点について検討後，これらの症例を口腔内写真，模型，X線とともにデジタルデータ化し情報をリストアップし，入力するための多層パラメータを設定する予定であった．しかし被験者の固有データを使用するにあたり倫理審査委員会の承認を得る必要があるが，承認がまだ得られないのが実情である．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
研究申請初年度はAIに対して，基本的なインプラント治療の原則，診断基準を学習させるため患者の年齢，性別，既往歴やインプラントの構成要素であるフィクスチャーの種類，アバットメント，上部構造，生体側の要因として①埋入部位②インプラント埋入部の骨の形態③骨密度④歯肉の厚み⑤咬合関係，埋入手術の要因として①埋入方法（平行，傾斜埋入）②骨造成についてこれまでの臨床例を参考に検討した．その結果，本研究の診断基準を①年齢，②性別，③埋入部位 (上顎:U/下顎:L＋Zsigmondy & Palmer systemの歯式)，④喫煙の有無、⑤サージカルガイドの有無，⑥インプラント体の直径，⑦インプラント体の長さ，⑧骨質，⑨骨造成の有無，⑩埋入部位近遠心側残存歯の歯周ポケット（PPD），⑪埋入深度 (ボーンレベル・ティッシュレベル)に選定した．次に，現在まで蓄積された予後良好な実際の臨床応用例に加え，予後不良な症例群のデータもあわせて収集し，これらの症例を口腔内写真，模型，X線とともにデジタルデータ化し情報をリストアップし，入力するための多層パラメータを設定する予定であった．しかし被験者の固有データを使用するにあたり倫理審査委員会の承認を得る必要があるが，承認がまだ得られていない．診断基準の骨質に関してはLekholmとZarbの骨質分類（1～4)により術者の臨床的主観により判断される場合が多かった．そこで本年度はBone density statistics機能を有するインプラントシミュレーションソフト（co DiagnostiX 9 Client）を購入し，実際インプラントを埋入した患者の骨質のハンズフィールド値を客観的に検討した．
|
| Strategy for Future Research Activity |
鶴見大学歯学部附属病院のインプラントセンターにおいて過去にインプラント埋入術を日本補綴学会専門医・指導医及び日本インプラント学会専門医以上の担当医が行った患者情報を収集する．収集した患者情報からインプラント治療時に危険因子となりうる11項目（①年齢，②性別，③喫煙の有無、④埋入部位，⑤サージカルガイドの有無，⑥インプラント体の直径，⑦インプラント体の長さ，⑧骨質，⑨骨造成の有無，⑩埋入部位近遠心側残存歯PPD，⑪埋入深度）を選択する．さらに上記の患者情報に加え，埋入より3年後にインプラント体の残存の有無に関しての情報を使用し，それらの情報を「教師データ」とし， AIに機械学習（Machine Learning）をさせ，インプラント成功例と失敗例を学習させる．患者情報データのクレンジングを行い，機械学習で分析にかけ決定木を作成する．
|
