Identificación de patrones de crecimiento para predicción, basada en estadística multivariada Autor: Araya P., Ruz G., Palomino H. Universidad Andrés Bello - Santiago Etapa I Introducción En Ortodoncia, la mayoría de los pacientes son preadolescentes y adolescentes, que se encuentran experimentando cambios significativos debido al crecimiento. Estos, deben ser considerados a la hora de decidir un plan de tratamiento, dado que pueden actuar en forma favorable o desfavorable para la corrección de una maloclusión. Teniendo esto en consideración, la posibilidad de identificar patrones de crecimiento y predecir la magnitud y dirección del mismo, constituiría una ventaja significativa al establecer un diagnóstico y facilitar el diseño de mejores planes de tratamiento. Cluster 1 Cluster 2 Cluster 3 Tabla I: Diferencia inter-cluster para las variables seleccionadas (t-test) T2 1-2 1-3 1-4 1-5 2-3 2-4 2-5 3-4 3-5 Gn1 0.000 0.003 0.032 0.014 0.265 0.230 0.401 0.727 0.942 Gn2 0.011 0.812 0.006 0.019 0.001 Ja4 0.150 0.117 0.890 0.051 0.026 Ja5 0.004 0.049 0.220 0.013 Ja6 0.102 0.907 0.182 Ja8 0.077 0.009 0.261 Ri3 0.926 0.693 0.052 0.008 Ri6 0.060 0.569 0.018 0.499 0.073 Ri7 0.035 0.577 0.214 0.045 0.002 0.038 Ri9 0.106 0.925 0.105 0.118 0.059 Ri18 0.771 0.289 0.010 Ri20 0.609 0.301 0.335 0.005 0.194 0.417 0.689 De2 0.027 0.511 Objetivo Cluster 4 Cluster 5 Tabla II: Características de los Clusters   Patrón % Ri1 Ja12 Ricketts Cluster 1 34 Clase I Rotación Anterior Braquifacial Cluster 2 14 Clase II Mesofacial Cluster 3 21 Rotación Media Cluster 4 37 Rotación Posterior Dolicofacial Cluster 5 24 Desarrollar y validar un nuevo método de predicción de crecimiento, identificando patrones de crecimiento a partir de una muestra multivariada de datos. Etapa II Material y Método Variables Mandibulares En 200 teleradiografías, dos de cada paciente en crecimiento, tomadas con un intervalo de tiempo mayor a 6 meses, un examinador calibrado, registró 62 variables (5 estadísticas y 57 cefalométricas). Estas variables, fueron sometidas a un análisis de conglomerados o Clustering, para identificar distintos patrones de crecimiento. El Clustering, se aplicó utilizando todas las variables (etapa I) y las variables mandibulares y maxilares por separado (etapa II). Para la etapa I, se obtuvieron cinco distintos patrones de crecimiento o clusters, con significado biológico, mientras que se obtuvieron tres para las variables mandibulares y dos para las maxilares. Con las etiquetas de los clusters, se entrenó un clasificador Random Forest, para predecir, en base a una primera radiografía, el patrón de crecimiento de cada paciente. Se realizó una selección de variables para disminuir la dimensionalidad del problema y se determinó la efectividad del predictor, a través del cálculo del porcentaje de clasificaciones correctas, utilizando una validación cruzada de 5 dobladas. Tabla III: Diferencia inter-clusters para las variables seleccionadas. T2 1-2 1-3 2-3 Gn1 0.133 0.596 0.676 Mc4 0.000 Mc5 0.449 St2 0.007 St4 Ja3 0.002 0.001 Ja4 Ja8 0.303 Ri6 ,000 Ri7 Ri8 Ri14 ,164 Ri15 ,221 Ri17 ,587 ,075 ,038 Ri19 ,005 ,188 Ri20 ,010 ,388 Ri21 ,973 Cluster 1 Cluster 2 Cluster 3 Tabla IV: Características de los Clusters  Patron % Ri1 Ja12 Ricketts Cluster 1 46 Clase I Rotación Anterior Braquifacial Cluster 2 43 Clase II Rotación Media Mesofacial Cluster 3 11 Rotación Posterior Dolicofacial Tabla V: Diferencia inter-clusters en las variables seleccionadas. 1-2 T1 1-2 T2 Gn1 0.750 0.526 Mc6 0.000 St1 Ri9 0.284 0.013 Ri11 0.096 0.260 Variables Maxilares Tabla VI: Características de los Clusters. Patrón % Ri1 Ja12 Ricketts Cluster 1 41 Clase I Rotación Media Mesofacial Cluster 2 59 Clase II Braquifacial Cluster 1 Cluster 2 Resultado Se registró un 74% de efectividad para el clasificador entrenado con el total de las variables, un 77% cuando solo se utilizaron las variables mandibulares y un 77% cuando solo se utilizaron las variables maxilares. Conclusiones El análisis de clusters, es efectivo para identificar patrones de crecimiento y es posible predecir la tendencia de crecimiento cráneofacial con una efectividad de entre 74-77% mediante el uso de un clasificador Random Forest.