ОТ ВАЛИДИРОВАННОЙ ЦИФРОВОЙ ПЛАТФОРМЫ ДЛЯ ОРТОГНАТИЧЕСКОЙ ХИРУРГИИ К БИОМЕХАНИЧЕСКОМУ МОДЕЛИРОВАНИЮ В РЕАЛЬНОМ ВРЕМЕНИ ПЕРСПЕКТИВЫ ГИБРИДНОГО РАСШИРЕНИЯ PINN И FEA ДЛЯ ЗУБОЧЕЛЮСТНОЙ СИСТЕМЫ
DOI:
https://doi.org/10.5281/zenodo.23337513Keywords:
цифровое хирургическое планирование, цефалометрический анализ, физически информированные нейронные сети, метод конечных элементов, биомеханическое моделирование, ортогнатическая хирургия, 3D-печатьAbstract
Цель работы - представить валидированные клинические результаты цифровой платформы CephaloPlan и обосновать методологическую концепцию её расширения с помощью гибридной модели, объединяющей физически информированную нейронную сеть и анализ методом конечных элементов (PINN– FEA). Проанализированы ретроспективные данные 100 пациентов, лечившихся в 2021–2025 гг.: 50 пациентов прошли традиционную предоперационную подготовку, у 50 применяли CephaloPlan и индивидуальные 3D-печатные хирургические сплинты. Точность переноса плана в операционное поле составила 1,2 ± 0,5 мм; частота послеоперационных осложнений снизилась с 14 до 6% (p < 0,05), продолжительность операции сократилась на 25–30 минут, период восстановления составил 6,5 недели (p = 0,01). Предлагаемое расширение PINN–FEA пока не реализовано и рассматривается исключительно как направление дальнейшей разработки. Его эффективность должна быть подтверждена вычислительной, экспериментальной и проспективной клинической валидацией.References
1. Shukhratova M., M. (2025). Preoperative preparation of the dentofacial system for reconstructive jaw surgery: PhD dissertation. Tashkent: Tashkent State Medical University; 2025.
2. Wan, B., Charters, E., Dunn, M., et al. (2025). Biomechanical assessment in virtual surgical planning for mandibular reconstruction. Computers in Biology and Medicine. 2025;189:109843. doi:10.1016/j. compbiomed.2025.109843. https://doi.org/10.1016/j
3. Kasapoglu M., B., & Akbiyik, Az. (2025). Z. A. Comparison of load distribution in subperiosteal implants and mini plates in orthognathic surgery. International Journal of Medical Sciences, 22(10), 2257–2268. https://doi.org/10.7150/
4. Lisiak-Myszke, M., Marciniak, D., Bieliński, M., et al. (2020). Application of finite element analysis in oral and maxillofacial surgery - a literature review. Materials. 2020;13(14):3063. doi:10.3390/ma13143063. https://doi.org/10.3390/ma13143063
5. Raissi, M., Perdikaris, P., & Karniadakis G., E. (2019). Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045
6. Karniadakis G., E., Kevrekidis I., G., Lu, L., et al. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422–440. https://doi.org/10.1038/s42254-021-00314-5
7. Ahmadi, M., Biswas, D., Paul, R., et al. (2025). Integrating finite element analysis and physics-informed neural networks for biomechanical modeling of the human lumbar spine. North American Spine Society Journal. 2025;22:100598. doi:10.1016/j.xnsj.2025.100598. https://doi.org/10.1016/j.xnsj.2025.100598
8. Ren, Z., Zhou, S., Liu, D., & Liu, Q. (2025). Physics-informed neural networks: a review of methodological evolution, theoretical foundations, and interdisciplinary frontiers. Applied Sciences. 2025;15(14):8092. doi:10.3390/ app15148092.
Downloads
Published
How to Cite
Issue
Section
