Predicción de la madurez esquelética mediante aprendizaje automático basado en múltiples indicadores biológicos

Área de la Ciencia:

• Ortodoncia
• Radiología
• Aprendizaje Automático

Sus antecedentes:

• La evaluación precisa de la madurez esquelética es crucial para la planificación del tratamiento de ortodoncia y la modulación del crecimiento.
• Los métodos tradicionales como las radiografías de mano y muñeca pueden consumir mucho tiempo y no siempre ser prácticos.
• El desarrollo de modelos de predicción eficientes y precisos es esencial para optimizar la atención al paciente.

Objetivo del estudio:

• Desarrollar un modelo integral de aprendizaje automático (ML) para predecir las etapas de maduración esquelética.
• Evaluar el rendimiento predictivo de los modelos de ML que integran la morfología de las vértebras cervicales, la etapa de maduración dental (DMS), el género y la edad.
• Comparar la eficacia de diferentes algoritmos de ML para la predicción de la madurez esquelética.

Principales métodos:

• Se utilizó un conjunto de datos de 860 pacientes con telerradiografías laterales, radiografías panorámicas y de mano/muñeca.
• Se comparó un modelo de referencia con modelos mejorados que incorporan DMS, género y edad.
• Se evaluaron seis algoritmos de ML, y CatBoost demostró un rendimiento superior, y se analizó la importancia de las características.

Principales resultados:

• La incorporación de DMS, género y edad mejoró significativamente la precisión predictiva en comparación con la morfología cervical sola.
• El modelo CatBoost logró métricas de alto rendimiento, incluyendo un AUC de 0.924 y una puntuación F1 de 0.752.
• La etapa de maduración dental, particularmente el segundo molar mandibular, se identificó como un fuerte predictor de la madurez esquelética.

Conclusiones:

• Se desarrolló un modelo de ML novedoso y clínicamente práctico para la predicción de la madurez esquelética utilizando registros de ortodoncia adquiridos de forma rutinaria.
• La combinación de la etapa de maduración dental con la morfología cervical, la edad y el género mejora la precisión de la predicción.
• Este modelo de ML proporciona una alternativa fiable y eficiente a las evaluaciones tradicionales de mano/muñeca para determinar la madurez esquelética.