Makine öğrenimi kullanarak iskeletsel sınıf III malokluzyonda kamuflaj tedavi sonuçlarını öngörme

Günlük gülüşler için neden önemli

Birçok yetişkin alt dişlerin üst dişlerin önünde olduğu bir underbite (alt kapanış) ile yaşıyor. Bunu düzeltmek ya çene ameliyatı gerektirir ya da çeneler arasındaki uyumsuzluğu dişleri hareket ettirerek “kamufle” eden dikkatle planlanmış diş telleriyle sağlanır. Yanlış yolu seçmek yıllarca süren tedaviyi boşa harcayabilir ve yine de ısırış memnuniyetsizliğine yol açabilir. Bu çalışma, modern makine öğreniminin ortodontistlere tedavi başlamadan önce hangi hastaların sadece kamuflajla iyi sonuç alacağını, hangilerinin gerçekten ameliyat gerektirebileceğini öngörmede yardımcı olup olamayacağını araştırıyor.

Alt kapanış sorununu anlamak

İskeletsel Sınıf III malokluzyon, alt çenenin üst çeneye göre önde veya güçlü konumda olmasının teknik adıdır. Birçok Asya popülasyonunda özellikle yaygındır ve görünüşü ile çiğneme fonksiyonunu etkileyebilir. Bu durumdaki yetişkinler genellikle iki ana seçenekle karşı karşıyadır: kemikleri yeniden konumlandırmak için çene ameliyatı veya yalnızca diş hareketine dayanan kamuflaj tedavi. Geleneksel olarak ortodontistler karar verirken deneyime ve bir avuç röntgen ölçümüne güvenir. Ancak kılavuzlar olsa bile bazı kamuflaj vakaları stabil, konforlu bir ısırış elde edemeyebilir.

Klinikte akıllı öngörüyü devreye sokmak

Bu zorluğun üstesinden gelmek için araştırmacılar, Güney Kore’de kamuflaj ortodontisiyle tedavi edilmiş 100 yetişkinin kayıtlarını inceledi. Tedavi öncesi ve sonrası alınan yan görüş kafatası röntgenlerinden elde edilen ayrıntılı ölçümler kullanılarak her vaka, üst ve alt ön dişlerin örtüşmesi ve azı dişlerinin uyumu gibi ısırış kriterlerine göre başarı veya başarısızlık olarak etiketlendi. Araştırmacılar daha sonra yalnızca tedavi öncesi ölçümlere dayanarak yeni bir hastanın kamuflajla başarılı olup olmayacağını tahmin etmek için veriden desenler öğrenen dört farklı makine öğrenimi modelini eğitti.

Algoritmaların keşfettiği gerçekler

Test edilen dört yaklaşım arasında XGBoost adlı yöntem en tutarlı ve doğru öngörüleri gösterdi. Çalışma 87 farklı ölçümü incelerken özellikle iki ölçüm öne çıktı. İlki, alt ön dişlerin çene içinde ne kadar önde olduğu (L1_x adı verilen yatay mesafe). İkincisi, üst çenenin damak boyunca uzunluğuydu (Palatal L), bu üst dişleri barındıracak kemik miktarını yansıtır. Basitçe söylemek gerekirse, kamuflaj; alt ön dişler zaten çok fazla önde değilse ve üst çene önden arkaya çok kısa değilse en iyi sonucu veriyordu.

Gerçek dünya kullanımı için basit bir karar ağacı

Bu bulguları klinikte faydalı bir şeye dönüştürmek için ekip bir karar ağacı—akış şeması benzeri bir model—kurguladı. Ağaç, alt ön dişler belirli bir öne geçme sınırının ötesindeyse kamuflaj tedavisinin neredeyse her zaman başarısız olduğunu gösterdi; bu durumda ameliyat veya başka bir yaklaşımın daha güvenli olacağına işaret etti. Alt dişler bu sınır içindeyse model sırada üst çene uzunluğunu kontrol etti. Üst çene yeterince uzunsa kamuflajın neredeyse her zaman başarılı olacağı öngörüldü. Ancak daha kısa olduğunda başarı keskin şekilde düştü, özellikle alt dişler de öne doğru sınıra yakınsa. Araştırmacılar bunu ilk bakışta benzer görünen iki hastaya ağacı uygulayarak gösterdi; model birinin iyi bir ısırışla tamamlayacağını, diğerinin ise tamamlamayacağını doğru şekilde öngördü.

Hastalar ve uygulayıcılar için ne anlama geliyor

Bu çalışma, makine öğreniminin karmaşık röntgen ölçümlerini ortodontik kararlar için açık ve pratik kılavuzlara dönüştürebileceğini öne sürüyor. Hastalar için bu, diş tellerinin tek başına istenen sonucu verip vermeyeceğine dair daha erken ve daha dürüst bir tartışma anlamına gelebilir; yıllarca süren tedavinin hayal kırıklığıyla bitme riskini azaltır. Klinisyenler için çalışma, alt ön dişlerin öne pozisyonu ve üst çenenin etkin uzunluğu olmak üzere iki kolay kontrol edilebilen özelliği, bir underbite için kamuflaj düşünülürken kritik uyarı işaretleri olarak vurguluyor. Model tek bir klinisyenin vakalarından geliştirildiği ve daha geniş testlere ihtiyaç duyduğu sürece, her hastayı anatomisi ve hedefleriyle gerçekten uyumlu tedaviyle eşleştirmeye yardımcı olan kişiselleştirilmiş, veri odaklı araçlara doğru bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: alt çene önde kapanış (underbite), ortodontik kamuflaj, makine öğrenimi, tedavi planlaması, çene hizalanması