Вітаємо!

Раді вітати Вас у електронному репозитарії Національного технічного університету «Харківський політехнічний інститут» (eNTUKhPIIR) ISSN 2409-5982

Репозитарій є одним з елементів інфраструктури відкритої науки НТУ «ХПІ» відповідно до Політик відкритої науки та відкритих освітніх ресурсів в Національному технічному університеті «Харківський політехнічний інститут».

Розміщуєте свої публікації та відкриті освітні ресурси (OER) у репозитарії eNTUKhPIIR, сприяйте підвищенню рейтингу університету

Кількість документів у репозитарії: 97673

Для включення публікацій до репозитарію необхідно:

  1. Ознайомитися з положенням про репозитарій НТУ «ХПІ»
  2. Заповнити форму для передачі матеріалів

Публікації, розміщенні самостійно автором, проходять обов’язкове рецензування.

Інструкція з реєстрації

З усіх питань стосовно електронного репозитарію Національного технічного університету «Харківський політехнічний інститут», звертайтеся:
заступник директора бібліотеки Олена Бреславець, e-mail: olena.breslavec@khpi.edu.ua

Розділи

Виберіть розділ, щоб переглянути його колекції.

Нові надходження

  • Ескіз
    Тип елементу:Документ,
    Інноваційна модель розвитку національної економіки: необхідність формування та запровадження в Україні
    (Національний технічний університет "Харківський політехнічний інститут", 2019) Радченко, О. А.
  • Ескіз
    Тип елементу:Документ,
    Застосування акумуляторних батарей в системах власних потреб на сучасних електричних станціях
    (Національний технічний університет "Харківський політехнічний інститут", 2014) Нікітін, Д. М.; Артюх, Станіслав Федорович
  • Ескіз
    Тип елементу:Документ,
    Аналіз енергозберігаючих рішень щодо теплопостачання медичного комплексу. Частина 1
    (Національний технічний університет "Харківський політехнічний інститут", 2014) Логачова, Д. О.; Лисенко, Людмила Іванівна
  • Ескіз
    Тип елементу:Документ,
    Експериментальне дослідження роботи автономної фотоелектричної системи
    (Національний технічний університет "Харківський політехнічний інститут", 2014) Миронова, А. В.; Махотіло, Костянтин Володимирович
  • Ескіз
    Тип елементу:Документ,
    A machine learning screening model for predicting the development of cervical dental lesions
    (Державна наукова установа "Центр інноваційних технологій охорони здоров'я" Державного управління справами, 2026) Zabolotna, Iryna I.; Bogdanova, Tatiana L.; Azarenkov, Volodymyr Illich; Genzytska, Olena S.; Komlev, Andrii A.
    Introduction. Predicting the risk of development of cervical dental pathology is a difficult task due to the multifactorial nature of its etiopathogenesis and limited knowledge of risk factors. Aim. To develop and test a computer model for predicting the development of cervical dental lesions in young patients. Materials and methods. The survey consisted of 272 patients (mean age 24.3 ± 6.9 years), in whom risk factors for the development of a wedge- shaped defect, cervical caries and enamel erosion were determined, which became the input data for the computer model. The Extreme Gradient Boosting (XGBoost) tree-based machine learning method implemented in the Python programming language using the scikit- learn and XGBoost libraries was used. Synthetic Minority Over-sampling Technique (SMOTE) was additionally applied to increase the efficiency of predicting less common enamel erosion among the examined individuals. Results. When developing the models, the priority was given to recall over accuracy and specificity. This contributed to reducing the number of missed cases for each pathology. The highest discriminatory ability (ROC-AUC) = 0.84 (Receiver Operating Characteristic curve – Area under the curve) in combination with a high level of recall (recall = 0.82) corresponded to the model for predicting cervical caries of teeth. This confirmed the feasibility of using the XGBoost algorithm to identify complex relationships in nonlinear combinations of the indicators. The model for predicting a wedge- shaped defect of teeth also had high recall (recall = 0.83) but the moderate value of ROC-AUC (0.64) that emphasizes the presence of nonlinear dependent predictors. Particular scientific interest has the model for predicting erosion of tooth enamel which was created under conditions of a low prevalence of pathology among the examined. However, the results showed an acceptable level of recall (recall = 0.47) and moderate discriminatory ability (ROC-AUC = 0.72). This allowed us to determine that the problem of small sample was successfully solved. Conclusions. The presented machine learning screening model helps identify patients with increased risk of developing cervical dental lesions. Its use will make it possible to justify the prescription of preventive measures to young patients.