Vorhersage der Ergebnisse von Camouflage-Behandlungen bei skelettaler Klasse-III-Fehlstellung mithilfe von Machine Learning

Warum das für alltägliche Lächeln wichtig ist

Viele Erwachsene haben einen Unterbiss, bei dem die unteren Zähne vor den oberen stehen. Die Korrektur kann entweder eine Kieferoperation oder sorgfältig geplante Zahnspangen sein, die die Kieferdysbalance durch Zahnbewegungen „kaschieren“. Die falsche Wahl kann Jahre an Behandlung vergeuden und dennoch zu einem unbefriedigenden Biss führen. Diese Studie untersucht, ob modernes maschinelles Lernen Kieferorthopäden helfen kann, bereits vor Behandlungsbeginn zu prognostizieren, welche Patientinnen und Patienten voraussichtlich mit reiner Camouflage gut zurechtkommen und welche tatsächlich eine Operation benötigen.

Das Problem des Unterkiefers verstehen

Skelettale Klasse-III-Fehlstellung ist der Fachbegriff für einen ausgeprägten oder nach vorn positionierten Unterkiefer im Verhältnis zum Oberkiefer. Sie kommt besonders häufig in vielen asiatischen Populationen vor und kann sowohl das Aussehen als auch die Kaufunktion beeinträchtigen. Erwachsene mit diesem Befund stehen in der Regel vor zwei Hauptoptionen: Kieferoperation zur Neupositionierung der Knochen oder eine Camouflage-Behandlung, die ausschließlich auf Zahnbewegungen beruht. Traditionell verlassen sich Kieferorthopäden auf Erfahrung und einige wenige Röntgenmessungen zur Entscheidungsfindung. Dennoch erreichen manche Camouflage-Fälle trotz Richtlinien keinen stabilen, komfortablen Biss.

Intelligente Vorhersage in die Klinik bringen

Um diese Herausforderung anzugehen, untersuchten die Forschenden die Unterlagen von 100 erwachsenen Patientinnen und Patienten in Südkorea, bei denen ein Unterbiss mittels Camouflage-Kieferorthopädie behandelt wurde. Anhand detaillierter Messungen aus seitlichen Schädelröntgenaufnahmen vor und nach der Behandlung kennzeichneten sie jeden Fall als Erfolg oder Misserfolg nach Bisskriterien wie Überlappung der Frontzähne und Molarenkontakt. Anschließend trainierten sie vier verschiedene Machine-Learning-Modelle — moderne Algorithmen, die Muster aus Daten lernen — um allein aus den Vorbehandlungsmessungen vorherzusagen, ob ein neuer Patient wahrscheinlich einen erfolgreichen Camouflage-Verlauf haben würde.

Was die Algorithmen herausfanden

Unter den vier getesteten Ansätzen zeigte eine Methode namens XGBoost die konsistentesten und genauesten Vorhersagen. Während die Studie 87 verschiedene Messgrößen betrachtete, hoben sich zwei als besonders wichtig hervor. Die erste war, wie weit vorne die unteren Frontzähne im Kiefer standen (eine horizontale Distanz, bezeichnet als L1_x). Die zweite war die Länge des Oberkiefers entlang des Gaumens (Palatal L), die widerspiegelt, wie viel Knochen vorhanden ist, um die oberen Zähne aufzunehmen. Einfach ausgedrückt funktionierte Camouflage am besten, wenn die unteren Frontzähne nicht bereits zu weit nach vorne gedrängt waren und der Oberkiefer nicht zu kurz von vorne nach hinten war.

Ein einfacher Entscheidungsbaum für den Einsatz in der Praxis

Um diese Erkenntnisse in ein praxisnahes Werkzeug zu überführen, entwickelten die Forschenden einen Entscheidungsbaum — ein modellhaftes Flussdiagramm. Dieser zeigte, dass Camouflage-Behandlungen fast immer scheiterten, wenn die unteren Frontzähne einen bestimmten Vorwärtsgrenzwert überschritten, was darauf hindeutet, dass eine Operation oder ein anderer Ansatz sicherer wäre. Befanden sich die unteren Zähne innerhalb dieses Grenzwerts, prüfte das Modell als Nächstes die Oberkieferlänge. War der Oberkiefer lang genug, sagte das Modell in den meisten Fällen einen Erfolg der Camouflage voraus. War er jedoch kürzer, sank die Erfolgswahrscheinlichkeit deutlich, insbesondere wenn die unteren Zähne zugleich nahe ihrer Vorwärtsgrenze lagen. Die Forschenden veranschaulichten das, indem sie den Baum auf zwei Patientinnen bzw. Patienten anwandten, die auf den ersten Blick ähnlich wirkten; das Modell sagte korrekt voraus, dass die eine Person mit einem guten Biss enden würde und die andere nicht.

Was das für Patientinnen, Patienten und Behandelnde bedeutet

Die Arbeit legt nahe, dass maschinelles Lernen komplexe Röntgenmessungen in klare, praxisnahe Empfehlungen für kieferorthopädische Entscheidungen übersetzen kann. Für Patientinnen und Patienten kann das frühzeitig zu einer ehrlicheren Einschätzung führen, ob allein Zahnspangen das gewünschte Ergebnis liefern werden, und so das Risiko verringern, Jahre der Behandlung mit enttäuschendem Ergebnis zu erleben. Für Behandelnde hebt die Studie zwei leicht überprüfbare Merkmale hervor — die Vorwärtsposition der unteren Frontzähne und die effektive Länge des Oberkiefers — als entscheidende Warnzeichen bei der Erwägung einer Camouflage für einen Unterbiss. Zwar wurde das Modell aus den Fällen einer einzelnen Behandlerin bzw. eines einzelnen Behandlers entwickelt und muss noch breiter validiert werden, doch es weist in Richtung einer Zukunft, in der personalisierte, datengetriebene Werkzeuge dabei helfen, jede Patientin und jeden Patienten mit der Behandlung abzugleichen, die anatomisch und zielorientiert am besten passt.

Zitation: Koh, J., Kim, Y.H., Kim, N. et al. Predicting camouflage treatment outcomes in skeletal class III malocclusion using machine learning. Sci Rep 16, 9297 (2026). https://doi.org/10.1038/s41598-026-40107-3

Schlüsselwörter: Unterbiss, orthodontische Camouflage, maschinelles Lernen, Behandlungsplanung, Kieferausrichtung