JP2007525289A - 歯科データマイニング - Google Patents

Abstract

患者の処置履歴、歯科矯正治療、歯科矯正情報及び診断の内の少なくとも１つの一覧を含むデータベースを提供し、出力データストリームを生成するためにデータベースに問い合せるためのデータマイニング手法を用い、出力データストリームが患者の不正咬合を歯科矯正処置と相関させ、歯科矯正具または歯科矯正具の用法を改善するために出力データストリームを適用する、システム及び方法が開示される。

Description

本発明はコンピュータを利用する歯科矯正学及び歯科学に関する。歯科矯正処置においては、様々な矯正具のいずれかを用いて患者の歯が初期位置から最終位置に移動される。矯正具は、処置段階に応じて、歯の１つまたはそれより多くを移動させるかまたは所定の位置に保持する力を歯にかける。

現在、Align Technology, Inc.のＣｌｉｎＣｈｅｃｋ（登録商標）あるいはその他のソフトウェア、とりわけ、eModels及びOrthoCADから入手できるソフトウエアなどの３次元歯科矯正処置計画作成ツールによるデジタル処置計画が可能である。これらの技術により、臨床医が処置計画を個々に合せるための出発点として実際の患者の歯列を用いることが可能になる。ＣｌｉｎＣｈｅｃｋ技術は処置計画を立てるために患者固有のデジタルモデルを用い、次いで、２００３年８月２１日に出願された特許文献１及び２００２年８月２２日に出願された特許文献２に論じられているように、元のデジタル処置計画と比較して達成された処置結果の成功度合いを評価するために処置結果のスキャンを用いる。デジタル処置計画及び結果評価にともなう問題は、結果が多量であり、個々の患者レベルで「処置成功」を評価するための基準及び効率的方法がないことである。情報を解析するために、歯科データマイニングシステムが用いられる。
米国特許出願公開第１０/６４０４３９号明細書 米国特許出願公開第１０/２２５８８９号明細書

本発明の課題は、歯科矯正処置の各処置段階における矯正具を最適化する手法を提供することである。

出力データストリームを生成するためにデータベースに問い合せを行うためのデータマイニング手法を用いる、患者の処置履歴、歯科矯正治療、歯科矯正情報及び診断の内の少なくとも１つの一覧を含むデータベースを提供するシステム及び方法が開示される。出力データストリームは患者の不正咬合を歯科矯正処置と相関させ、出力データストリームは歯科矯正具または歯科矯正具の用法の改善に適用される。

得られる結果は、測られるとすれば、それに対して最終結果が比較される、通常はあるべき理想的咬合及びバイトの一組の理想化された基準である、米国歯科矯正学委員会（American Board of Orthodontics）による基準などの一組の標準基準を用いて通常決定される。結果を決定する別の方法は、処置の結果としての改善の度合いを測るための、ＰＡＲ，ＩＯＴＮ及びＩＣＯＮなどの相対改善指数を用いることである。

本発明は、処置結果における相関をマイニングし、マイニングされたデータを用いて処置計画を改善するかまたは歯の位置を初めの歯列から最終歯列に調整する過程における矯正具形状を改良するための方法及び装置を提供する。本発明は、一連の矯正具によって、あるいは個々の歯の位置を漸進的に調整するための形状につくられる矯正具への一連の調整によってどのように位置調整が達成されるかを定めるために用いることができる。本発明は、歯受けキャビティを有するポリマーシェル、すなわち米国特許第５９７５８９３号明細書に説明されている種類のシェルとして形成される一連の矯正具を規定するために有益に適用することができる。

患者の歯は、本発明にしたがって規定される矯正具を用いて一連の漸進的位置調整を行うことによって初めの歯列から最終歯列に位置調整される。一実施形態において、本発明は上述したポリマーシェル矯正具についての形状を規定するために用いられる。一連の矯正具の内の最初の矯正具は初めの歯列から第１の中間歯列に歯を位置調整するように選ばれる形状寸法を有するであろう。矯正具は第１の中間歯列に近づくかまたは第１の中間歯列が達成されるまで装着されるように意図され、次いで１つまたはそれより多くの別の（中間）矯正具が次々に歯に嵌められる。最終矯正具は最後の中間歯列から所望の最終歯列に歯を漸進的に位置調整するように選ばれる形状寸法を有する。

本発明は、矯正具が許容レベルの力を印加し、許容限界内の不快感しかおこさせず、許容できる時間内での歯の所望の漸進的位置調整を達成するように、矯正具を規定する。本発明は、コンピュータ化矯正歯科システムの他のパーツと相互に作用するように、特に処置中に歯の位置が調整される間に歯がとる経路を計算する経路設定モジュールと相互に作用するように、実施することができる。

全般的に、一態様において、本発明は矯正歯科処置経路を患者の歯の位置を調整するための臨床上適切な部分段階にセグメント化するための方法及び対応する装置を提供する。本方法は、患者に適用される一連の矯正具のそれぞれの形状及び材料のデジタル有限要素モデルを提供する工程、患者の歯及び関係する口腔組織のデジタル有限要素モデルを提供する工程、有限要素モデルをコンピュータで解析することによって矯正具の歯への実効果を計算する工程、及び臨床上の拘束条件に対して効果を評価する工程を含む。有益な実施形態は以下の特徴の１つまたはそれより多くを有することができる。矯正具は、ブラケット及びアーチワイアを有する装具、ステレオリソグラフィで作成されたシェルを含むポリマーシェル、リテーナー、またはその他の形態の歯科矯正具とすることができる。実施形態は、矯正具の実効果を矯正具の意図した効果と比較する工程及び、矯正具の実効果が閾値より大きいかまたは矯正具の意図した効果とは異なる場合に、矯正具を意に満たない矯正具と認定し、比較の結果にしたがって意に満たない矯正具のモデルを修正する工程を含むことができる。モデル及び得られる矯正具は、意に満たない矯正具の形状を変えるか、小凹部を付け加えるか、歯の位置の過剰矯正を生じさせるために材料を付け加えるか、剛性を高めるために稜材を付け加えるか、剛性を高めるために歯肉線に沿って縁材を付け加えるか、剛性を低めるために材料を取り除くか、または形状を意に満たない矯正具の意図した効果と実効果の間の補差によって定められる形状となるように形状を定め直すことによって、修正することができる。臨床上の拘束条件には、歯の最大変位速度、歯にかかる最大力、及び歯の所望の最終位置を含めることができる。最大力は直線的な力または捻りの力とすることができる。最大変位速度は変位の直線速度または角速度とすることができる。本発明の装置はシステムとして実施することができ、あるいは、本発明の方法の工程をコンピュータに実施させるために使用できる命令を有する、コンピュータ読出可能な媒体に実態的に格納されたコンピュータプログラム製品として実施することができる。

本発明の利点の中には以下の１つまたはそれより多くがある。本発明にしたがって規定される矯正具は、矯正歯科的に許容されるレベルより強い力をかけず、許容されるより強い患者の不快感をおこさせず、許容される時間内で所望の漸進的な歯の位置調整を達成する。本発明は、提案された経路を良好な歯科矯正実行の考慮の下で、及び使用者が選択可能な拘束条件の範囲内で、矯正具により達成することができることを確認することによって歯科矯正処置における歯の経路を定めるためのコンピュータによるかまたは手作業によるプロセスを強化するために用いることができる。本発明をアライナーの設計に用いることにより、（人間のまたは自動化された）設計者が特定の拘束条件に対してアライナーの性能を細かく合せ込むことが可能になる。またより精密なアライナーの効果に関する歯科矯正制御を達成することもでき、アライナーの挙動の、他の場合になされるであろう予測よりも優れた予測も可能となる。さらに、コンピュータを利用してアライナーの形状寸法をさだめることにより、数値制御の下でのアライナーの直接作成が容易になる。

本発明の１つまたはそれより多くの詳細は、添付図面に示され、以下の説明で述べられる。本発明のその他の特徴及び利点は、説明、図面及び特許請求の範囲から明らかになるであろう。

様々な図面において、同様の参照数字及び規定は同様の要素を示す。

図１Ａは歯科データマイニングシステムの一例を示す。このシステムにおいては、歯科処置及び結果のデータセット１がデータベースまたは情報ウエアハウス２に格納される。結果４を生成するデータマイニングソフトウエア３によってデータが抽出される。データマイニングソフトウエアはデータベース２に取り込まれ、及び／または更新されている情報を問い合せることができ、患者の歯の問題を歯列矯正具解決案と相関させる出力データストリームを生成することができる。データマイニングソフトウエアの出力は、最も有利に、自己反映的に、少なくともデータベース及びデータマイニング相関アルゴリズムへの次の入力として供給され得ることに注意されたい。

図１Ａのデータマイニングシステムの結果は歯を漸進的に移動させるための矯正具形状または矯正具形状の変更を定めるために用いられる。歯の移動は通常、３つの直交方向の全てにおける平行移動、縦方向中心軸に垂直な回転軸をもつ２つの直交方向における歯の中心軸の回転（「歯根角形成」及び「トルク」）を含み、縦方向中心軸に平行な軸をもつ直交方向における歯の中心軸の回転（「純回転」）も含む、歯科矯正処置にともなう移動であろう。

一実施形態において、データマイニングシステムは、３Ｄ処置計画による移動、歯の出発位置及び達成される最終位置を取り込む。システムは結果を計画と比較し、結果は、歯科矯正ブラケット及びワイアのような、取り外し可能な矯正具も固定矯正具も含み、あるいは達成結果を、とりわけ、頬顎異常矯正手術、歯周病学、修復材のための計画と比較するようなその他の歯科処置さえも含む、いずれかの処置方法を用いて達成することができる。

一実施形態において、それぞれのアーチスキャンの処置ファイルを一致させるために歯重ね合わせツールが用いられる。歯の解剖学的構造及び歯の座標系に基づいて、改善スキャンが一致に至るように初めのスキャンに重ね合わされる。２つのアーチの歯を一致させた後、重ね合わせツールは上のアーチを下のアーチと関係付けるための基準を求める。選択肢「統計的フィルタリング」が選ばれると、重ね合わせツールは、全ての歯の移動の平均より上または下に１標準偏差より大きく（現段階と前の段階の間の位置の差によって決定される）移動する歯を基準として初めに排除することによってそれぞれの歯について移動量を測定する。次いで残りの歯がそれぞれの歯の移動を測定するために基準として選ばれる。

図１Ｂは１つまたはそれより多くの歯科矯正具の性能の解析を示す。分散グラフに「達成」移動が「目標」移動に対してプロットされ、傾向線が引かれている。分散グラフは全ての「分散」データ点がどこにあるかを表すために示され、傾向線は歯科矯正具の性能を示すために引かれる。一実施形態において、傾向線は直線であるように選ばれ（傾向線は曲線とすることができる）、したがって傾向線は全ての「分散」データに対する「最適フィッティング」直線を表す。アライナーの性能は傾向線の勾配として表される。Ｙ軸切片はアライナーを装着しているときに偶然におこる移動を示す。予測可能度は「達成」データと「目標」データの間の回帰計算で得られるＲ^２によって測られる。

図１Ｃはデータマイニングシステムの一実施形態に用いられる様々な移動タイプデータを示す。例示的データセットは、伸長／圧搾（±Ｘ平行移動）、近心化／遠心化（±Ｙ平行移動）、没入（−Ｚ平行移動）、伸出（＋Ｚ平行移動）、傾斜／角形成（Ｘ回転）、トルク／傾斜（Ｙ回転）及び純回転（Ｚ回転）を包含する。

図１Ｄは１つまたはそれより多くの歯科矯正具の性能の解析を示す。図１Ｄに示される移動タイプについては、その特定のデータセットに対して達成移動は目標移動の約８５％である。

図１Ｄに顕著に示されるように、実際の歯の移動は多くの段階において目標の歯の移動より一般に遅い。一連のポリマー矯正具による処置の場合、歯の移動及び患者の不快感のような負の結果のいずれもが不一致の大きさにしたがって強くなるから、そのような遅れは処置設計において重要な役割を演じる。

一実施形態において、１７０（図２Ａ）及び２３２（図２Ｂ）のような工程における臨床パラメータは実際の歯の位置からの目標の歯の位置の統計的偏差を許容することによって一層精密になる。例えば、十分には達成されていない、現在目標とされている歯の移動の計算された大きな確率のため、前の段階について意図された作業を完了するために以降の移動段階が必要とするであろう確率が高いという結果により、以降の移動目標が引き下げられることがあり得よう。同様に、目標移動が特に前の段階で所望の位置を行き過ぎ、よって期待される実移動がさらによく制御されことがあり得よう。この実施形態は目標の最終段階結果の確率がさらに高くなるように総処置時間を最小限に抑えるという目標を犠牲にしている。この方法は同様の患者事例クラスタ専用の処置計画内で達成される。

表１は一実施形態における歯のグループ分けを示す。歯の移動の符号の解釈が表２に示される。選ばれた６０のアーチの様々な歯の移動が降順でソートされた性能にしたがって表３に示される。矯正具の性能は、高性能（７９〜８５％）、平均性能（６０〜６８％）、平均性能以下（５２〜５５％）及び性能不十分（２４〜４７％）の４つのグループに分けることができる。表４は移動予測性の階級分けを示す。予測性は、高度に予測可能（０.７６〜０.８２）、予測可能（０.４３〜０.６３）及び予測不能（０.１０〜０.３０）の３つのグループに分けられる。特定のデータセットに対して、例えば、知見は以下の通りである。

１．切歯没入性能及び前歯没入性能は高い。切歯没入の範囲は約１.７ｍｍであり、前歯没入の範囲は約１.７ｍｍである。これらの移動は高度に予測可能である。

２．犬歯没入、切歯トルク、切歯回転及び前歯トルクの性能は平均的である。犬歯没入の範囲は約１.３ｍｍ，切歯トルクの範囲は約３４°，切歯回転の範囲は約６９°，前歯トルクの範囲は約３４°である。これらの移動は予測可能であるか高度に予測可能である。

３．小臼歯傾斜、小臼歯近心化、大臼歯回転及び臼歯伸長の性能は平均以下である。小臼歯近心化の範囲は約１ｍｍ，小臼歯傾斜の範囲は約１９°，大臼歯回転の範囲は約２７°，臼歯伸長の範囲は約２.８ｍｍである。小臼歯の傾斜及び近心化は予測不能であるが、残りは予測可能な移動である。

４．前歯及び切歯の伸出、円歯及び小臼歯の回転、犬歯傾斜、大臼歯遠心化、臼歯トルクの性能は不十分である。前歯伸出の範囲は約１.７ｍｍ，切歯伸出の範囲は約１.５ｍｍ，円歯回転の範囲は約６７°，小臼歯回転の範囲は約６３°，犬歯傾斜の範囲は約２６°，大臼歯遠心化の範囲は約２ｍｍ，臼歯トルクの範囲は約４３°である。予測可能な小臼歯回転を除き、全て予測不能な移動である。

一実施形態において、データ駆動型解析器を適用することができる。これらのデータ駆動型解析器には、パラメトリック統計モデル、非パラメトリック統計モデル、クラスタ化モデル、最近接モデル、回帰法、及び工技（人工）ニューラルネットワークのような多くのモデルを組み込むことができる。動作に先立ち、１つまたはそれより多くの訓練セッションを用いてデータ駆動型解析器またはモデルが構築される。これらのセッションで解析器またはモデルを構築するために用いられるデータは一般に訓練データと称される。データ駆動型解析器は訓練例だけを検査することによって育てられるから、訓練データの選択がデータ駆動型解析器の確度及び学習速度に大きく影響し得る。従来用いられている手法の１つでは訓練目的のための試験セットと称される独立データセットがつくられる。試験セットはモデルまたは解析器の訓練データへの過剰適合を避けるために用いられる。過剰適合は、解析器が訓練データを記憶しすぎて未見のデータを適合させるかまたはカテゴリー分類できなくなっている状況を指す。一般に、解析器またはモデルの構築中に、解析器の性能が試験セットに対して試験される。解析器またはモデルのパラメータの選択が、試験セットの等級付けにおいて解析器の性能が最適点に達するまで、繰り返し実行される。最適点において訓練過程が完了する。独立の訓練及び試験セットの使用の代替は、交差検証と呼ばれる方法の使用である。交差検証はパラメトリック解析器に対するかまたはまたは非パラメトリック解析器のためのモデルに対するパラメータ値を決定するために用いることができる。交差検証においては、単一訓練データセットが選ばれる。次に、試験セットとして訓練データの様々な部分を反復プロセスで解析器に与えることによって、多くの様々な解析器またはモデルが構築される。次いで、全てのモデルまたは解析器の結合された性能を基にしてパラメータまたはモデルの構造が決定される。交差検証手法の下では一般に、決定された最適モデル構造を用いて解析器またはモデルがデータによって再訓練される。

一実施形態にいて、データマイニングソフトウエア３（図１Ａ）は指数付けのためにデータベース２（図１Ａ）上のデータを捕えるための「スパイダー」または「クローラー」とすることができる。一実施形態において、データのパターンを検出するためにクラスタ化操作が実施される。別の実施形態において、ニューラルネットワークは歯科処置パターンの認識において極めて頑健であることから、それぞれのパターンを認識するためにニューラルネットワークが用いられる。処置の特徴が定められると、次いで、ニューラルネットワークが入力歯科情報を、とりわけ、ニューラルネットワーク認識器に既知の、格納された処置語彙のテンプレートと比較する。認識モデルには、とりわけ、隠しマルコフモデル（ＨＭＭ）、動的プログラミングモデル、ニューラルネットワーク、ファジー論理またはテンプレートマッチャーを含めることができる。これらのモデルは単独で、または組み合せて、用いることができる。

動的プログラミングモデルは、Ｎ個の点を通るＭ個の「フレーム」の全ての可能な経路を考慮し、いずれかの所定のフレームｋにおけるいずれかの点ｉから次のフレームｋ＋１におけるいずれかの点ｊへの遷移を行うために特定のコストを賦課する。現在の点から次の点までの最善の経路はその点から先で何がおこるかには無関係であるから、ｉ（ｋ）を通ってｊ（ｋ＋１）で終る経路の最小総コスト[ｉ（ｋ）,ｊ（ｋ＋１）]は、遷移自体のコストにｉ（ｋ）への最小経路のコストを加えたものである。好ましくは、前段経路の値はＭ×Ｎ行列に保つことができ、累積コストは可能な直前の列と現在の列の累積コストを含むように２×Ｎ行列に保つことができる。しかし、この方法にはかなりのコンピュータ計算リソースが必要である。

動的プログラミングには膨大な量のコンピュータ計算が必要である。認識器がフレームシーケンスとノードモデルシーケンスの間の最適時間アライメントを見いだすためには、複数のノードモデルに対してほとんどのフレームを比較しなければならない。動的プログラミングに必要なコンピュータ計算量を低減する一方法は、プルーニングを用いることである。プルーニングは、比較についての部分確率スコアが所定の閾値より低下した場合に、所定の処置モデルに対する歯科処置情報の所定の部分の動的プログラミングを終結させる。これはコンピュータ計算を大きく低減する。

動的プログラミングの一般化と見なされる、隠しマルコフモデルは、観測事象シーケンス、Ｏ（１）,Ｏ（２）,...,Ｏ（ｔ）,...,Ｏ（Ｔ）の発生確率を評価するために好ましい実施形態において用いられ、それぞれの観測事象Ｏ（ｔ）はＶＱ手法の下での離散シンボルまたは連続ベクトルとすることができる。観測事象シーケンスは、直接は観測できない状態遷移を有する基底マルコフ連鎖の確率関数としてモデル化することができる。

好ましい実施形態においてマルコフモデルは処置観測事象シーケンスに対する確率をモデル化するために用いられる。状態間遷移は遷移行列Ａ＝[ａ（ｉ,ｊ）]で表される。遷移行列のそれぞれのａ（ｉ,ｊ）項は、モデルが状態ｉにあるとして、状態ｊへの遷移を行う確率である。モデルの出力シンボル確率は一組の関数Ｂ＝[ｂ（ｊ）（Ｏ（ｔ））]で表され、ここで出力シンボル行列のｂ（ｊ）項は、モデルが状態ｊにあるとして、指定された値のＯ（ｔ）に関して評価がなされた場合に出力観測事象Ｏ（ｔ）の確率を返す関数である。最初の状態は必ずマルコフ連鎖の第１の時間フレームに対する初期状態であるように拘束され、規定された左から右への状態遷移のセットだけが可能である。あらかじめ定められた最終状態は、そこからは他の状態への遷移がおこり得ない状態として定義される。

一実施形態において、遷移は同じ状態へ再入または次の２つの状態の内の１つへの移入に制限される。そのような遷移はモデルにおいて遷移確率と定義される。例えば、状態２にある特徴信号フレームを現在有する処置パターンは、状態２への再入確率ａ（２,２）、状態３への移入確率ａ（２,３）及び状態４への移入確率ａ（２,４）＝１−ａ（２,２）−ａ（２,３）を有する。状態１への移入確率ａ（２,１）あるいは状態５への移入確率ａ（２,５）はゼロであり、確率ａ（２,１）から確率ａ（２,５）までの総和は１である。好ましい実施形態はフローグラフを現在の状態または次の２つの状態に限定するが、当業者であればより柔軟な遷移制限をもつＨＭＭモデルを構築できる。但し、いずれかの状態からの遷移の確率の全てを加え合せた総和はやはり１でなければならない。

モデルのそれぞれの状態ｊにおいて、現在の特徴フレームはあらかじめ定められた出力シンボルセットの内の１つによって識別することができ、あるいは確率論的にラベルをつけることができる。この場合、出力シンボル確率ｂ（ｊ）（Ｏ（ｔ））は、モデルによって割り当てられる、特徴フレームシンボルがＯ（ｔ）である確率に相当する。モデル構成は遷移確率行列Ａ＝[ａ（ｉ,ｊ）]及びＢ＝[ｂ（ｊ）（Ｏ（ｔ））]のコンピュータ計算手法である。

一実施形態において、マルコフモデルは複数の訓練パターンシーケンスからの基準パターンに対して形成され、出力シンボル確率は多変量ガウス関数確率密度である。歯科処置情報は特徴抽出器を通る。学習中に、得られる特徴ベクトルシリーズがパラメータ評価器によって処理され、パラメータ評価器の出力が隠しマルコフモデルに供給される。隠しマルコフモデルは基準パターンテンプレートのセットを導出するために用いられ、それぞれのテンプレートは基準処置パターンの語彙セットにおける識別されたパターンを表す。次に、マルコフモデル基準テンプレートはそれぞれのマルコフモデル基準パターンテンプレートから観測事象を生成する確率に基づいて基準パターンの内の１つに観測事象シーケンスを類別するために利用される。認識中に、未知のパターンが尤度計算機において最高確率をもつ基準パターンとして識別され得る。

ＨＭＭテンプレートは多くの状態を有し、それぞれの状態は離散値を有する。しかし、処置パターン特徴は単一値とは異なる動的パターンを有することができ、一実施形態におけるＨＭＭのフロントエンドでのニューラルネットワークの付加は動的値をもつ状態を表し得る能力を提供する。ニューラルネットワークの入力層は入力ニューロンからなる。入力層の出力は中間層の全ての出力ニューロンに分配される。同様に、中間層の出力は全ての出力ニューロンに分配され、出力ニューロンはＨＭＭの内部状態と１対１で対応する。しかし、それぞれの出力はそれ自体または他の出力への遷移確率を有し、よって修正ＨＭＭを形成する。そのように形成されたＨＭＭのそれぞれの状態は特定の動的信号に応答することができ、一層頑健なＨＭＭが得られる。あるいは、ニューラルネットワークは、ＨＭＭアーキテクチャの遷移確率に頼らずに、それだけで使用することができる。

出力ストリームすなわち図１Ａの結果４は、歯科矯正具設計及び／または医師による用法の改善におけるフィードバックとして用いられる。例えば、データマイニング結果は、段階的手法に基づく性能の評価、処置手法に基づく矯正具性能指数の比較、及び様々なアタッチメント形状及び歯の位置を比較する性能の評価を行うために用いることができる。

大きな処置結果クラスタについて歯固有効能及び製品性能を調べることができる能力により、２つまたはそれより多くの数の事例の間で統計的に有意な比較が可能になる。調べられる２つのクラスタが処置手法、矯正具設計または製作手順の差を含む場合、データ出力によって示されるような、製品の性能に見られる差を手法、設計または製作手順に帰因させることができる。最終結果は、客観的測定可能データを用い、かなりサイズが大きな試料からの性能データに基づいて臨床医または製作業者が製品設計及び用法を最適化できる能力を可能にするフィードバック機構である。

歯科矯正処置の理論は普遍的な合意が得られておらず、実際の処置及び結果は、さらに、患者変数の測定値及び測定されていない患者変数との関係の不確定性に影響され易く、変化する患者コンプライアンスの不確定性にも影響され易い。この結果、臨床医が異なれば一人の患者に対して好まれる処置計画が異なり得る。すなわち、普遍的に受け入れられる「正しい」処置計画はないから、単一の処置計画が全ての臨床医に受け入れられることはおそらくない。

次のいくつかの実施形態は、処置パラメータを臨床医の採択傾向に調整することによって、臨床医を大いに満足させ、患者を大いに満足させることができる。システムは臨床医の処置履歴の統計的観察によって処置の採択傾向の差を検出する。例えば、類似した叢生の事例において臨床医がどのように小臼歯の抜歯を行いたがるであろうかは臨床医によって異なる。特定の臨床医について十分な過去の処置の記録がない場合であっても、処置パラメータにおける統計的に有意な差を見るために、地理的所在、訓練に関する変数、または実施経験の量及び性質のようなその他の予測変数についてクラスタ化を実施することができる。

データマイニングは類似の患者に対して様々な臨床医により達成された様々な処置結果の統計的に有意なパターンを見いだすことができる。例えば、クラスタにまとめられた患者事例では一人の臨床医に関する錯綜が他の臨床医と比較して系統的に少なくなり得よう。データマイニングツールによって検出されるそのような差は、より腕の劣る臨床医へのフィードバックのためのフラッグとしても、より腕の優れた臨床医によって用いられる処置の差の教唆のためのフラッグとしても用いることができよう。

一実施形態において、クラスタ化法は処置の複雑さ及び結果を分類するために既に完了した事例とともに用いられる。次いで、リスクの確率モデルがそれぞれのクラスタ内で構築される。次いで、新しい事例が処置前変数の類似点に基づいて同じクラスタに割り当てられる。次いで、処置が完了した患者のクラスタのそれぞれの内のリスクが処置結果及び複雑さのリスクを予測するために新しい事例とともに用いられる。次いで、リスクの高い患者に、処置計画における追加の段階または臨床上の追加の介入をおそらくは含む、特別に注意をはらうためのフラッグが立てられる。

別の実施形態において、見られる臨床医処置採択傾向によって開業医がクラスタに分けられ、見られる処置採択傾向に一層密に一致させるためにそれぞれのグループ内で処置パラメータが調節される。次いで、見られる履歴がない開業医が既知の処置履歴をもつクラスタの中の変数に対する既知の変数の類似性に基づいてグループに割り当てられる。

図１Ｅはクラスタ化を実施するための例示的プロセスを示す。初めに、プロセスは、処置採択傾向、結果並びに人口統計変数及び実施変数のような臨床医の処置履歴に基づいて処置実施形態をクラスタ化する（ステップ２０）。次に、システムは、それぞれのクラスタ内で採択傾向が強い臨床上の拘束条件をモデル化する（ステップ２２）。次に、システムは処置履歴のない臨床医を人口統計変数及び実施変数に基づいてステップ２０で得られたクラスタに割り当てる（ステップ２４）。一実施形態において、システムはクラスタ固有臨床拘束条件を用いてそれぞれのクラスタ内で個別にプロセス１００（図２Ａ参照）を実施する（ステップ２６）。さらに、新しい処置及び結果のデータが到着すると、システムはクラスタ及びクラスタ割当てを更新する（ステップ２８）。

図１Ｆは提案される処置を生成するためのデータマイニングシステムの別の実施形態を示す。初めに、システムは、（複数の高解像度スキャンのような）詳細な追跡データを有する患者の履歴の識別／クラスタ化を、詳細な追跡データ、診断、処置パラメータ及び結果並びに人口統計変数に基づいて行う（ステップ４０）。それぞれのクラスタ内で、システムは、意図した位置と追跡データから得られる実際の位置の間の不一致をモデル化する（ステップ４２）。さらに、それぞれのクラスタ内で、システムは特別な望ましくない結果に対するリスクをモデル化する（ステップ４４）。クラスタ化の第２段階において、追跡データがそれほど詳細ではない患者の履歴が利用できる変数に基づいてクラスタ化される。第２段階クラスタ化は多数の第２段階クラスタのそれぞれがステップ４０で計算されたクラスタに割り当てられ得るかまたは新しいクラスタと見なされ得るのに十分に部分的である（ステップ４６）。システムはステップ４６のクラスタからの追加の記録によってステップ４２のモデルを改良する（ステップ４８）。システムはステップ４８のクラスタからの追加の記録によってステップ４４のモデルも改良できる（ステップ５０）。クラスタ化の第３段階において、システムは次いで、診断、人口統計及び初期身体状況に基づいて新しい患者をステップ４６のクラスタに割り当てる（ステップ５２）。ステップ５２のクラスタのそれぞれの内で、システムは意図された位置と実際の位置の間の予測される不一致をモデル化する（ステップ５４）。ステップ５４から、システムは、該当すれば（図２Ｂのステップ２３２及び２５０を含む）、改訂された予測位置を用いる（ステップ６７）。さらに、ステップ５２のクラスタのそれぞれの内で、システムは望ましくない結果に対するリスクをモデル化する（ステップ５６）。ステップ５６から、システムは（図２Ｂ及び２Ａのステップ２０４及び１６０におけるように）特別な注意及び臨床上の拘束条件を必要とする事例にフラッグも立てる（ステップ６９）。プロセスは次いでステップ５２のクラスタのそれぞれに処置計画を合せ込む（ステップ５８）。次に、システムは反復してデータを収集し（ステップ６０）、ステップ４０にループして戻る。さらに、クラスタの改訂及び再割当てを行うことができる（ステップ６３）。システムは良好な追加追跡解析についての提示なしにクラスタの連続識別も行う（ステップ６５）。

臨床処置設定において、歯移動の段階毎に可能な全高解像度データを得たり処理したりすることは費用効率が良くない。例えば、
−患者は臨床医での受診間にいくつかの矯正具を使用することができる；
−特定の患者は歯の圧痕を１組しか提出できない；
−放射線問題のために、使用するＣＴまたはＸ線のスキャンの数が制限され得る；
―診療医には一般に、患者の受診毎にそれぞれの歯に関する詳細な空間的情報を報告するための時間がない。

上記及びその他の制限のため、処置計画作成は一部の情報に基づいてなされなければならない。

一実施形態において、失われた情報は患者と詳細な追跡情報が収集されている代表的な試料の間で予測可能な特徴を実質的に一致させることによって近似される。この場合、患者には、歯の印象の追加のセットの収集及び解析のような、追跡情報の要求に対するあまり期待できない処置結果に基づいて、フラッグが立てられる。得られる情報は次いで患者のクラスタ及び後にクラスタに割り当てられる患者の処置を改良するために用いられる。

一般に、患者データはスキャンされ、データは上述したデータマイニングシステムを用いて解析される。処置計画はシステムによって提案され、歯科開業医の承認が求められる。歯科開業医は処置計画を受け入れるかまたは処置計画に修正を求めることができる。処置計画が承認されると、矯正具の製作を開始することができる。

図２Ａは、患者の歯科矯正処置のための位置調節矯正具を定め、生成するための例示的プロセス１００の全般的なフローを示す。プロセス１００は、説明するように、本発明の方法を含み、本発明の装置に適する。プロセスのコンピュータ計算工程は１つまたはそれより多くの従来のデジタルコンピュータ上での実行のためのコンピュータプログラムモジュールとして実施されることが有利である。

初期工程として、患者の歯または口腔組織の型またはスキャンがとられる（ステップ１１０）。この工程は一般に患者の歯及び歯肉の模型をとる工程を含み、さらにまたはあるいは、ワックスバイトをとる手法、直接接触スキャン法、Ｘ線撮像法、断層撮像法、ソノグラフ撮像法及び、歯、顎、歯肉及びその他の歯科矯正にかかわる組織の位置及び構造に関する情報を得るためのその他の手法を含む。そのようにして得られたデータから、患者の歯及びその他の組織の初期（すなわち処置前）配列を表すデジタルデータセットが導出される。

スキャン作業からの生データ及び生データから導出された表面モデルを表すデータのいずれをも含むことができる、初期デジタルデータセットが、相互から組織構成要素をセグメント化するために処理される（ステップ１２０）。特に、この工程において、個々の歯冠をデジタルで表すデータ構造がつくられる。測定されたかまたは外挿された、隠れた表面及び歯根構造を含む、歯全体のデジタルモデルがつくられることが有利である。

歯の所望の最終位置−すなわち、歯科矯正処置の所望であり意図する最終結果−を、処方箋の形態で診療医から受け取ることができ、基本的歯科矯正原理から計算することができ、あるいは臨床処方箋からコンピュータで外挿することができる（ステップ１３０）。歯の所望の最終位置の規定及び歯自体のデジタル表示により、所望の処置結果における歯の完全なモデルを形成するために、それぞれの歯の最終位置及び表面形状を規定することができる（ステップ１４０）。一般に、この工程において、全ての歯の位置が規定される。この工程の結果は推定安定組織に対するモデル化された歯の歯科矯正的に正しい位置調整を表すデジタルデータ構造のセットである。歯及び組織はいずれもデジタルデータとして表される。

それぞれの歯について開始位置及び最終位置のいずれもが得られると、プロセスは次にそれぞれの歯の移動に対する歯経路を定める。一実施形態において、歯経路は、歯を初期の位置から所望の最終位置にもってくるために、最小の回旋量による最速の態様で歯を移動させるように、全体として最適化される（回旋は所望の最終位置に直接向かう以外のいずれかの方向における歯のいずれかの動きである。回旋には歯が互いにすれ違うことを可能にすることが必要となる場合がある）。歯経路はセグメント化される。セグメントは、セグメント内でのそれぞれの歯の動きが平行移動及び回転移動の閾限界内にとどまるように計算される。このようにすれば、それぞれの経路セグメントの終点は臨床上実行できる位置調整を構成することができ、セグメントの終点の集合は、シーケンスにおける１つの位置から次の位置への移動が歯の衝突をおこさないような、歯位置の臨床上実行可能なシーケンスを構成する。

一実施形態において、平行移動及び回転移動の閾限界は用いられる矯正具の性質に基づくデフォルト値により初期化される。患者固有データを用いてさらに個別に調整された限界値を計算することができる。限界値は、１つまたはそれより多くの歯経路に沿う１つまたはそれより多くの点において、歯及び組織のその時に存在している形状に矯正具によって発生することができる力が１つまたはそれより多くの歯経路セグメントによって表される位置調整を実行できないことを決定できる、矯正具計算（後に説明するステップ１７０）の結果に基づいて更新することもできる。この情報により、セグメント化された経路を定めるサブプロセス（ステップ１５０）が経路または影響を受けた副経路を再計算することができる。

本プロセスの様々な段階において、特にセングメント化された経路が定められた後、プロセスは患者の処置を担当する診療医と対話する（ステップ１５０）ことができ、一般にそうするであろう。診療医との対話は、歯の位置及びモデルを、サーバコンピュータまたはプロセス１００の他のプロセスが実施されているプロセスからの経路情報とともに受け取るようにプログラムされたクライアントプロセスを用いて実施することができる。クライアントプロセスは、臨床医による位置及び経路の動画の表示を可能にし、臨床医による１つまたはそれより多くの歯の最終位置の再設定及びセグメント化された経路に適用されるべき拘束条件の規定を可能にするようにプログラムされることが有益である。臨床医がそのような変更のいずれかをなせば、セグメント化された経路を定めるサブプロセス（ステップ１５０）が再び実行される。

セグメント化された歯の経路及びそれにともなう歯の位置のデータは、経路セグメントによって特定される各段階における定められた処置経路上で歯を移動させるであろう臨床上受容される矯正具形状（または矯正具形状の順次変更）を計算する（ステップ１７０）ために用いられる。それぞれの矯正具形状は患者についての処置経路に沿う一段階を表す。各段階は、個々の位置のそれぞれが先立つ段階で達成された歯の位置からの歯の直線移動または単に回転にしたがうことができるように、及びそれぞれの段階で必要な位置調整の大きさが患者の歯列にかかる歯科矯正上最適な大きさの力を必要とするように、定められ、計算される。経路制定工程と同様に、この矯正具計算工程は臨床医との対話（ステップ１６０）、さらには反復対話も、含むことができる。この段階で実施されるプロセス工程２００の作業は以下でさらに十分に説明する。

矯正具の仕様が計算されてしまえば、プロセス１００は、プロセスによって定められた矯正具が製作される製作工程（ステップ１８０）に進むことができ、あるいは矯正具形状または矯正具形状の変更を定めるために手作業または自動化プロセスで用いることができる電子情報またはハードコピー情報がつくられる。

図２Ｂは、上述した米国特許第５９７５８９３号明細書に説明されているタイプのポリマーシェルアライナーについて、矯正具計算工程（図２Ａのステップ１７０）を実施するプロセス２００を示す。プロセスへの入力には、初期アライナー形状２０２、様々な制御パラメータ２０４及び現在の処置経路セグメント２０６の終点における歯の所望の終形状がある。その他の入力には、顎に配置されている歯のデジタルモデル、顎組織のモデル並びに初期アライナー形状及びアライナー材料の仕様がある。入力データを用いて、プロセスは、アライナーが歯の上の所定の位置にあるときの、アライナー、歯及び組織の有限要素モデルをつくる（ステップ２１０）。次に、プロセスは、アライナー、歯及び組織の複合有限要素モデルに有限要素解析を適用する（ステップ２２０）。解析は終了条件に達するまで実行され、終了条件に達したときに、プロセスは現在の経路セグメントについて歯が所望の終位置または所望の終位置の十分近くの位置に達しているか否かを評価する（ステップ２３０）。受容できる終位置に歯が達していなければ、プロセスはアライナー形状の新しい候補を計算する（ステップ２４０）。受容できる終位置に達していれば、有限要素解析によって計算された歯の移動が、歯科矯正的に受容できるか否かを判定するために、評価される（ステップ２３２）。受容できなければ、プロセスはまたアライナー形状の新しい候補の計算（ステップ２４０）に進む。移動が歯科矯正的に受容でき、歯が受容できる位置に達していれば、現在のアライナー形状が先に計算されたアライナー形状と比較される。現在の形状がそれまでで最善の解であれば（判定ステップ２５０）、それまでの最善の候補としてセーブされる（ステップ２６０）。そうでなければ、可能な中間結果として選択ステップにおいてセーブされる（ステップ２５２）。現在の形状がそれまでで最善の解であれば、プロセスはその形状が受容するのに十分に良いか否かを判定する（判定ステップ２７０）。良ければ、プロセスは終了する。そうでなければ、プロセスは継続し、形状の別の候補を解析のために計算する（ステップ２４０）。

有限要素モデルは様々なベンダーから入手できるコンピュータプログラムアプリケーションソフトウエアを用いて生成することができる。中実形状モデルの生成には、米国カリフォルニア州サンラファエル（San Rafael）のAutodesk, Inc.から入手できるＡｕｔｏＣＡＤ（登録商標）ソフトウエア製品のような、コンピュータ支援エンジニアリング（ＣＡＥ）プログラムまたはコンピュータ支援設計（ＣＡＤ）プログラムを用いることができる。有限要素モデルの生成及びその解析には、米国アイオア州コーラルビル（Coralville）のCADSIから入手できるＰｏｌｙＦＥＭ製品、米国マサチューセッツ州ウォルサム（Waltham）のParametric Technology Corporationから入手できるＰｒｏ/Ｍｅｃｈａｎｉｃｓシミュレーションソフトウエア、米国オハイオ州シンシナティ（Cincinnati）のStructure Dynamic Research Corporation（SRDC）から入手できるＩ-ＤＥＡＳ設計ソフトウエア製品、及び米国カリフォルニア州ロサンジェルス（Los Angeles）のMacNeal-Schwendler Corporationから入手できるＭＳＣ/ＮＡＳＴＲＡＮ製品を含む、多くのベンダーからのプログラム製品を用いることができる。

図３はプロセス２００（図２Ｂ）のステップ２１０を実施するために用いることができる有限要素モデルを生成するプロセス３００を示す。モデル生成プロセス３００への入力には、歯及び組織を記述する入力データ３０２及びアライナーを記述する入力データ３０４がある。歯を記述する入力データ３０２には、歯のデジタルモデル、入手できれば、硬組織構造のデジタルモデル、歯が埋め込まれ、歯が結合されている基盤組織を、これらの組織の特定のモデルがない場合に、モデル化する高粘度流体についての形状及び粘度の仕様及び、モデル要素の不動の境界を規定する境界条件がある。一実施形態において、モデル要素には、歯のモデルのみ、高粘度埋込基盤流体のモデル及び、実際上、モデル化された流体が保持される硬質容器を定める境界条件がある。流体の特性は患者クラスタにより、例えば年齢の関数として、異なり得ることに注意されたい。

歯及び組織の初期形状の有限要素モデルが生成され（ステップ３１０）、必要に応じて後のプロセス反復において再使用するためにキャッシュされる（ステップ３２０）。歯及び組織についてなされたように、ポリマーシェルアライナーの有限要素モデルが生成される（ステップ３３０）。このモデルに対する入力データには、アライナーがつくられる材料及びアライナーの形状を規定するデータがある（データ入力３０４）。

次いで、モデルアライナーは、所定の位置にあるアライナーの複合モデルを生成するために、モデル顎にあるモデル歯にかぶせてアライナーを配置するようにコンピュータ上で操作される（ステップ３４０）。必要に応じて、歯に取り付けられるいかなるハードウエアも含めて、歯の上に嵌合するようにアライナーを変形させるのに必要な力が計算され、特定のアライナー形状の受容性の測定における良度指数として用いられる。必要に応じて、前の処置段階及び他の患者の情報に基づく確率的モデルから、用いられる歯の位置が評価される。しかし、より単純な代替実施形態では、歯の上に嵌合するのに十分に大きくするのに十分な力をアライナーの内側に加え、複合モデルにおいてモデルアライナーをモデル歯にかぶせ、モデル歯及びモデル組織の条件を剛性無限大に設定し、力を緩めたときに固定された歯の上の位置にモデルアライナーが落ち着くことを可能にすることによってアライナーの変形がモデル化される。この段階においてアライナー及び歯の表面は摩擦なしに相互作用するようにモデル化され、よって、モデルアライナーは、複合モデルへの解を見いだし、変形されたアライナーの影響の下での歯の移動を計算するために有限要素解析が開始される前に、モデル歯の上での正しい初期形状を達成する。

図４は、プロセス２００（図２Ｂ）のステップ２４０のアライナー計算に用いることができる次のアライナーの形状を計算するためのプロセス４００を示す。アライナー形状の次の候補を計算するために様々な入力が用いられる。そのような入力には、複合モデルの有限要素解析解によって生成されたデータ４０２及び現在の歯の経路によって定められるデータ４０４の入力がある。有限要素解析から導出されるデータ４０２には、シミュレートされた歯の位置調整が行われる実経過時間の長さ、解析によって計算された歯の実終位置、それぞれの歯に加えられる最大の直進力及び捻り力、及びそれぞれの歯の最大の直進速度及び角速度がある。入力経路情報からの入力データ４０４には、現在の経路セグメントについての歯の初期位置、現在の経路セグメントの終点における歯の所望の位置、それぞれの歯の最大許容変位速度、及びそれぞれの歯のタイプの種類の最大許容力がある。

先に評価されたアライナーが１つまたはそれより多くの拘束条件に反することがわかると、必要に応じて追加データ４０６をプロセス４００で用いることができる。このデータ４０６には、先に評価されたアライナーが反した拘束条件を識別する情報及びそのアライナーの識別された最適に至らないいずれの性能も識別する情報を含めることができる。さらに、先の歯科矯正具が反した拘束条件及びその矯正具の最適に至らない性能に関する入力データ４０８をプロセス４００で用いることができる。

初期入力データを受け取ると（ステップ４２０）、モデルにおいて移動可能な歯に関してプロセスが反復される（いくつかの歯は不動歯として識別され、不動に拘束され得る）。先に選択されたアライナーによって現在選択されている歯の終位置及び移動のダイナミクスが受容可能（判定ステップ４４０の「イエス」分岐）であれば、プロセスは全ての歯が考察される（ステップ４３０からステップ４７０への「完遂」分岐）まで考察のために次の歯を選択する（ステップ４３０）ことにより続行される。そうでなければ（ステップ４４０からの「ノー」分岐）、現在選択されている歯の領域でアライナーの変更が計算される（ステップ４５０）。次いでステップは既述したように次の現在の歯を選択するためにステップ４３０に戻る。

全ての歯が考察されると、アライナーになされた変更の総集が、既に例を説明した、先に定められた拘束条件に対して評価される（ステップ４７０）。拘束条件は製作可能性のような別の様々な要件に関して定めることができる。例えば、アライナー材料の最大厚または最小厚を設定するため、あるいは歯冠上のアライナーの最大カバレッジまたは最小カバレッジを設定するために、拘束条件を定めることができる。アライナーに対する拘束条件が満たされていれば、新しいアライナー形状を定めるために変更が適用される（ステップ４９０）。そうでなければ、拘束条件を満たすためにアライナーの変更が改訂され（ステップ４８０）、改訂された変更が新しいアライナー形状を定めるために適用される（ステップ４９０）。

図５Ａは、現在の歯の領域におけるアライナー変更を計算する工程（ステップ４５０）の一実施形態を示す。この実施形態においては、先に説明した入力データ（入力４５４）及びルール４５２のルールベースの一組のルール４５２ａ〜４５２ｎを処理するためにルールベース推論エンジン４５６が用いられる。推論エンジン４５６及びルール４５２は、実入力データに適用されると、現在の歯の領域においてアライナーになされるべき変更を規定する一組の結論出力（出力４５８）を生成する、生成システムを定める。

ルール４５２ａ,...,４５２ｎは通常の、条件を定めるｉｆ部及び条件が満たされた場合に行使される結論または行動を定めるｔｈｅｎ部の、２部形式を有する。条件は単純にすることができ、あるいは複数の主張の複雑な連言または選言とすることができる。アライナーになされるべき変更を定める例示的なルールセットには以下のルールがある。歯の移動が速すぎれば、所望の移動方向の逆側でアライナーに駆動材料を追加する。歯の移動が遅すぎれば、歯の位置を過修正するために駆動材料を追加する。歯が所望の終位置にあまりにも到達し得ていなければ、過修正するために材料を追加する。歯が所望の終位置を行き過ぎていれば、歯の移動が所望の最終位置に合うようにアライナーを固くするために材料を追加する。最大量の駆動材料が加えられていれば、歯の位置調整を過修正するために材料を追加し、駆動材料は追加しない。歯の移動方向が所望の方向と異なっていれば、歯の移動方向を直すために材料を除去及び追加する。

図５Ｂ及び５Ｃに示される、別の実施形態においては、漸進的差ではなく、アライナーの絶対形状が計算される。図５Ｂに示されるように、プロセス４６０は現在の歯の領域におけるアライナーについての絶対形状を計算する。既述した入力データを用いて、プロセスは現在の歯の所望の終位置と達成される終位置の間の差を計算する（ステップ４６２）。歯の中心線と歯肉組織レベルとの交点を基準点として用いて、プロセスは移動の６自由度、すなわち平行移動の３自由度及び回転の３自由度、の全てにおいて補差を計算する（ステップ４６４）。次にモデル歯を補差の大きさだけ所望の終位置から変位させる（ステップ４６６）。これは図５Ｂに示される。

図５Ｄは例示モデル歯６２上の例示モデルアライナー６０の平面図を示す。歯は所望の終位置にあり、アライナー形状はこの終位置にある歯によって定められる。有限要素解析によって計算された歯の実運動は、所望の位置６２ではなく位置６４に歯を置くように示される。計算された終位置の相補が位置６６として示される。プロセス４６０（図５Ｂ）の次の工程が、先行工程（ステップ４６６）で計算された、変位されたモデル歯の位置によってプロセスの反復での現在の歯の領域におけるアライナーを定める（ステップ４６８）。現在の歯の領域におけるこの計算されたアライナー形状が、位置６６において位置調整されたモデル歯によって定められる形状６８として図５Ｄに示される。

ルール４５２（図５Ａ）として実施することもできる、プロセス４６０の別の工程が図５Ｃに示される。現在の歯をその中心軸の方向に移動させるため、アライナーの領域、すなわちその歯についてアライナーに許される余裕の大きさを定めるモデル歯の寸法が、歯をそこから離れる方向に移動させるとプロセスが決定した領域において小さくされる（ステップ４６５）。

図６に示されるように、処置経路におけるある段階に対してアライナーについての形状を計算するプロセス２００（図２Ｂ）は、一連のアライナーの形状を計算するプロセス６００の内の一工程である。プロセス６００は、初期データ、制御及び拘束値が得られる、初期化ステップ６０２で開始される。

それぞれの段階すなわち処置経路のそれぞれのセグメントについてアライナー形状が見いだされる（ステップ６０４）と、プロセス６００は全てのアライナーが受容できるか否かを判定する（ステップ６０６）。受容できれば、プロセスは完了である。そうでなければ、プロセスは受容可能なアライナーのセットを計算しようとして一組のステップ６１０に選択的にとりかかる。初めに、アライナーへの拘束条件の内の１つまたはそれより多くが緩められる（ステップ６１２）。次いで、アライナーを受容できない経路セグメントのそれぞれについて、アライナーを整形するプロセス２００（図２Ｂ）が新しい拘束条件の下で実施される（ステップ６１４）。これで全てのアライナーが受容可能になれば、プロセス６００は終了する（ステップ６１６）。

アライナーは様々な理由のため受容できなくなり得るが、理由の内のいくつかはプロセスで対処される。例えば、いずれかの不可能な移動が必要とされた場合（判定プロセス６２０）、すなわち、形状計算プロセス２００（図２Ｂ）にルールまたは調節が全く利用できない移動の実施が要求された場合、プロセス６００は、要求された移動を実施するために力をかけることができる、対象の歯へのハードウエアアタッチメントの形状を計算するモジュールの実行に進む（ステップ６４０）。ハードウエアの追加は、ハードウエアがモデルに追加されたときに局所的ではすまない効果を有し得るから、プロセス６００の外部ループが再び実行される（ステップ６４２）。

不可能な移動が要求されなければ（ステップ６２０からの「ノー」分岐）、プロセスは、受容されないアライナーを有する処置経路のパーツを改めて定めるために、（図２Ａのステップ１５０のような）経路定義プロセスに制御を移す（ステップ６３０）。このステップには、処置経路上の歯の漸進運動量を変える工程、すなわちセグメント化を変更する工程、処置経路における１つまたはそれより多くの歯がしたがう経路を変える工程、のいずれかを、またはいずれも、含めることができる。処置経路が定め直された後に、プロセスの外部ループが再び実行される（ステップ６３２）。再計算は処置経路の定め直された部分に関するアライナーの再計算だけに限定することが有利である。全てのアライナーが受容できることになれば、プロセスは終了する（ステップ６３４）。受容できないアライナーがまだ残っていれば、受容できるアライナーセットが見いだされるか、あるいは反復限度数をこえるまで、プロセスを反復することができる（ステップ６５０）。この時点において、また追加ハードウエアの計算（ステップ６４０）におけるような、本明細書で説明されるプロセスの他の時点においても、プロセスは援助を求めるために、臨床医または技工士のような、人間のオペレータと対話することができる（ステップ６５２）。オペレータが提供できる援助には、歯または骨への取り付けに適するアタッチメントの制定または選択、処置経路の１つまたはそれより多くのセグメントに対して必要な力を与えるために付加される弾性素子の制定、歯の移動経路または処置経路のセグメント化における処置経路の変更の示唆、及び有効拘束条件からの逸脱または有効拘束条件の緩和の承認がある。

上述したように、プロセス６００は様々な項目の入力データによって定められ、パラメータ化される（ステップ６０２）。一実施形態において、このデータの初期化及び制定には以下の項目がある：総プロセスの外部ループに対する反復限度数、アライナーが十分に良いか否かを判定するために計算される良度指数の規定（図２Ｂのステップ２７０参照）、アライナー材料の規定、受容できるためにアライナーの形状が満たさなければならない拘束条件の規定、歯科矯正的に受容できる力並びに位置調整の動き及び速度の規定、それぞれの歯の移動経路及び処置経路のセグメントへのセグメント化を含み、それぞれのセグメントがそれぞれ１つのアライナーで達成される、初期処置経路、歯またはその他の上に装着されるいずれのアンカーの形状及び位置の規定、及び歯が置かれている下顎骨またはその他の組織に対するモデルの規定（説明している実施形態において、このモデルは、歯が埋め込まれ、流体に対する容器を基本的に定める境界条件を有する、粘性基盤流体のモデルからなる）。

図７は統計的歯根モデルの例示図である。本図に示されるように、上述したスキャンプロセスを用いて、歯のスキャンされた上部７０１が識別される。歯冠を含むスキャンされた上部は次いで、モデル化された３Ｄ歯根で補足される。歯根の３Ｄモデルは統計的にモデル化することができる。歯根７０２の３Ｄモデル及び上部７００の３Ｄモデルは合せて歯の完全な３Ｄモデルを形成する。

図８は歯の付加情報を用いて強化された歯根モデル化の例示図を示す。図８において、歯の付加情報はＸ線情報である。歯のＸ線像７１０が、歯の完全な形状の２Ｄ像を得るためにスキャンされる。目標の歯の外形がＸ線像において識別される。図７で展開されたモデル７１２が付加情報にしたがって修正される。一実施形態において、図７の歯モデルがモーフィングされて、Ｘ線データと同形の新しいモデル７１４を形成する。

図９は歯のＣＴスキャンの例示図を示す。本実施形態において、患者の高解像度ＣＢＣＴスキャンから歯根が直接に導出される。スキャンされた歯根は次いで印象から導出された歯冠に適用されるか、またはコーンビームコンピュータトモグラフィ（ＣＢＣＴ）データから抽出された既存の歯冠とともに用いられ得る。単独のＣＢＣＴスキャンは３Ｄデータ及び多重形態のＸ線様データを与える。ＰＶＳ印象は用いられない。

一実施形態において、コーンビームＸ線源及び２Ｄエリア検出器が、エリア検出器の位置が線源に対して固定され、線源と目標の間の相対的な回転運動及び平行運動がスキャンニング（放射線エネルギーによる目標の照射）を与える、様々な方法の内のいずれか１つによって、患者の歯の解剖学的構造を、好ましくは、３６０°の角度範囲にわたり、全長に沿って、スキャンする。スキャン経路に沿う複数の線源位置に対するコーンビーム源の相対運動（すなわち「投影」）の結果、検出器は対応する複数のコーンビーム投影データ（本明細書ではコーンビームデータまたは投影データとも称される）の順次セットを収集し、コーンビームデータのそれぞれのセットは線源位置のそれぞれ１つにおいて目標によって生じるＸ線減衰を表す。

図１０は、別の実施形態における歯根情報によって示すことができる、萠出歯を示す例示的ユーザインターフェースを示す。それぞれの歯は適するハンドルを用いて個別に調節できる。図１０の実施形態において、ハンドルにより、オペレータが３次元において６自由度で歯を移動させることが可能になる。

歯科データマイニングシステムの一例を示す １つまたはそれより多くの歯科矯正具の性能の解析を示す データマイニングシステムの一実施形態に用いられる様々な移動タイプデータを示す １つまたはそれより多くの歯科矯正具の性能の解析を示す 処置計画をつくるためのクラスタライザーの一実施形態を示す 処置計画をつくるためのクラスタライザーの別の実施形態を示す 本発明にしたがうアライナー形状を計算するためのサブプロセスを含む処置の過程を規定するプロセスのフローチャートである アライナー形状を計算するためのプロセスのフローチャートである 有限要素モデルを生成するためのサブプロセスのフローチャートである アライナーの変更を計算するためのサブプロセスのフローチャートである アライナー形状の変更を計算するためのサブプロセスのフローチャートである アライナー形状の変更を計算するためのサブプロセスのフローチャートである アライナー形状の変更を計算するためのサブプロセスのフローチャートである 図５Ｂのサブプロセスの動作を説明する略図である アライナーセットのために形状を計算するためのプロセスのフローチャートである 統計的歯根モデルの例示的な図である 歯根モデリングの例示的な図を示す 歯の例示的なＣＴスキャン図を示す 歯を表示している例示的なユーザインターフェースを示す

符号の説明

１ データセット
２ データベース
３ データマイニングソフトウエア
４ 結果

Claims (25)

1. コンピュータ方法において、
   患者の処置履歴、歯科矯正治療、歯科矯正情報及び診断の内の少なくとも１つの一覧を含むデータベースを提供する工程、及び
   患者の不正咬合を歯科矯正処置に相関させる出力データストリームを生成するために前記データベースに問い合わせる工程、
   を有してなることを特徴とする方法。
2. 歯を位置調整するために選ばれた形状寸法を有する少なくとも１つの矯正具を生成する工程をさらに含み、前記矯正具が、歯を受け入れ、１つの配列から次の配列に歯を弾力的に位置調整するための形につくられたキャビティを有するポリマーシェルを含むことを特徴とする請求項１に記載の方法。
3. 装具を含む追加の矯正具を生成する工程をさらに含み、前記装具がブラケット及びアーチワイアを有することを特徴とする請求項２に記載の方法。
4. 一連の前記矯正具が前記患者の前記歯に対応する陽型にかぶせてポリマーシートを適合させることによって製作された一連のポリマーシェルを含むことを特徴とする請求項２に記載の方法。
5. 一連の矯正具がデジタルモデルからステレオリソグラフィによって製作された一連のポリマーシェルを含むことを特徴とする請求項１に記載の方法。
6. 前記出力データストリームが臨床拘束条件に関することを特徴とする請求項１に記載の方法。
7. 前記臨床拘束条件が、歯の最大変位速度、歯にかかる最大力、及び歯の所望の終位置を含むことを特徴とする請求項６に記載の方法。
8. 前記最大力が直進力または捻り力であることを特徴とする請求項７に記載の方法。
9. 前記最大変位速度が直進変位速度または角変位速度であることを特徴とする請求項７に記載の方法。
10. 前記臨床拘束条件が歯の最大変位速度を含むことを特徴とする請求項６に記載の方法。
11. 前記臨床拘束条件が歯の最大直進変位速度を含むことを特徴とする請求項６に記載の方法。
12. 前記臨床拘束条件が歯の最大回転変位速度を含むことを特徴とする請求項６に記載の方法。
13. 一連の矯正具の最終矯正具が歯の位置を仕上げて維持するためのポジショナーであることを特徴とする請求項１に記載の方法。
14. 前記矯正具の実効果を前記矯正具の意図した効果と比較する工程、及び
    前記矯正具の前記実効果が前記矯正具の前記意図した効果とは閾値より大きく異なっていれば前記矯正具を意に満たない矯正具として識別する工程及び前記比較の結果にしたがって前記意に満たない矯正具のモデルを修正する工程、
    をさらに含むことを特徴とする請求項１に記載の方法。
15. 少なくとも歯の初期位置、歯の目標位置、及び歯の１つまたはそれより多くの中間位置を取り込む工程をさらに含むことを特徴とする請求項１に記載の方法。
16. 歯の前記中間位置の内の１つを前記目標位置にしたがって解析する工程をさらに含むことを特徴とする請求項１に記載の方法。
17. 取り込まれるデータにラベルを付すために患者事例に関係付けられた特性タグを取り込む工程をさらに含むことを特徴とする請求項１に記載の方法。
18. 処置セットのデータを前記処置セットのタグに基づいて集合させる工程及び前記集合データに基づいて前記処置セットを格付けする工程をさらに含むことを特徴とする請求項１７に記載の方法。
19. 複数の処置セットの性能を比較する工程をさらに含むことを特徴とする請求項１８に記載の方法。
20. 個々の患者について処置の複雑性のリスクを計算するためにモデルを適用する工程をさらに含むことを特徴とする請求項１に記載の方法。
21. 特別な取り扱いについて処置事例を識別する工程をさらに含むことを特徴とする請求項２０に記載の方法。
22. 臨床拘束条件を含む特別な処置パラメータについて処置事例を識別する工程をさらに含むことを特徴とする請求項２０に記載の方法。
23. 診療傾向によって臨床開業医をクラスタ化する工程をさらに含むことを特徴とする請求項２０に記載の方法。
24. 処置パラメータがそれぞれのクラスタに特有の処置採択傾向に適合されることを特徴とする請求項２３に記載の方法。
25. 処置の所定の段階における歯の目標位置と実位置の間の不一致を予測するために確率モデルを適用する工程をさらに含み、前記予測が計算されて処置計画に組み込まれることを特徴とする請求項１に記載の方法。

Images