Análise da correlação entre índices radiomorfométricos de densidade óssea, perfil de qualidade óssea em software de implante, quociente de estabilidade e torque de inserção em implantes

A qualidade óssea, bem como a estabilidade inicial dos implantes, está diretamente relacionada com o sucesso das reabilitações na implantodontia. O presente estudo teve como objetivo analisar a correlação entre índices radiomorfométricos de densidade óssea por meio de radiografias panorâmicas, perfil de qualidade óssea com o auxílio de Tomografia Computadorizada de Feixe Cônico (TCFC) com o uso do software de imagens OsiriX, Análise da Frequência de Ressonância (RFA) e Torque de Inserção do implante. Foram avaliados 160 implantes de 72 indivíduos, com média etária de 55,5 (±10,5) anos. Nas radiografias panorâmicas foram obtidos os índices IM, IPM e ICM, e nas tomografias computadorizadas de feixe cônico, os valores de pixels e a espessura da cortical da crista óssea alveolar, além da estabilidade primária por meio do torque de inserção e análise da frequência de ressonância. Os resultados foram analisados pelo coeficiente de correlação de Spearman, para p<= 0,01 foi obtido entre o torque de inserção e valores de pixels (0.330), o torque de inserção e a espessura da cortical da crista alveolar (0.339), o torque de inserção e o ISQ vestibulo-lingual (0.193), os valores de pixels e espessura da cortical da crista alveolar (0.377), as duas direções vestíbulo-lingual e mesio-distal do ISQ (0.674), o ISQ vestíbulo-lingual e a espessura da cortical da crista alveolar (0.270); os índices radiomorfométricos foram correlacionados entre eles e para p<= 0,05 foi obtido entre torque de inserção e ISQ mesio-distal (0.131), entre o ISQ vestibulo-lingual e os valores de pixels (0.156) e ISQ mesio-distal e IPMI esquerdo (0.149) e ISQ mesio-distal e IPMS esquerdo (0.145). Existe correlação entre a TCFC, o torque de inserção e a RFA na avaliação da qualidade óssea. É possível utilizar, pré-cirurgicamente, os exames de TCFC para avaliar a qualidade e quantidade óssea, tendo em vista as correlações obtidas neste estudo.

A methodology for improving computed individual regressions predictions.

This research proposes a methodology to improve computed individual prediction values provided by an existing regression model without having to change either its parameters or its architecture. In other words, we are interested in achieving more accurate results by adjusting the calculated regression prediction values, without modifying or rebuilding the original regression model. Our proposition is to adjust the regression prediction values using individual reliability estimates that indicate if a single regression prediction is likely to produce an error considered critical by the user of the regression. The proposed method was tested in three sets of experiments using three different types of data. The first set of experiments worked with synthetically produced data, the second with cross sectional data from the public data source UCI Machine Learning Repository and the third with time series data from ISO-NE (Independent System Operator in New England). The experiments with synthetic data were performed to verify how the method behaves in controlled situations. In this case, the outcomes of the experiments produced superior results with respect to predictions improvement for artificially produced cleaner datasets with progressive worsening with the addition of increased random elements. The experiments with real data extracted from UCI and ISO-NE were done to investigate the applicability of the methodology in the real world. The proposed method was able to improve regression prediction values by about 95% of the experiments with real data.