Más allá del potencial algorítmico: decisiones de extracción de dientes en ortodoncia en la era de la IA

Área de la Ciencia:

• Ortodoncia
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• La planificación del tratamiento de ortodoncia a menudo implica decisiones complejas sobre la extracción de dientes.
• Evaluar la precisión de la IA en la predicción de las necesidades de extracción es crucial para la aplicación clínica.

Objetivo del estudio:

• Revisar sistemáticamente y meta-analizar la precisión diagnóstica de los modelos de IA en la predicción de la necesidad de extracción en la planificación del tratamiento de ortodoncia.

Principales métodos:

• Se realizó una revisión sistemática de estudios observacionales.
• Se buscaron en cuatro bases de datos y los criterios de elegibilidad se centraron en estudios que comparaban modelos de IA con las decisiones de los ortodoncistas.
• Se realizó un metaanálisis de sensibilidad y especificidad utilizando modelos de efectos aleatorios y de efectos mixtos.

Principales resultados:

• Se incluyeron siete estudios transversales, que utilizaron varios modelos de IA como CNN (ResNet, VGG), Random Forests y Decision Trees.
• La sensibilidad combinada para los modelos de IA fue del 70% (IC del 95%: 0,61-0,78) y la especificidad combinada fue del 90% (IC del 95%: 0,87-0,92).
• Los modelos basados en CNN, en particular ResNet y VGG, mostraron un rendimiento comparable, aunque las diferencias no fueron estadísticamente significativas.

Conclusiones:

• Los modelos de IA, especialmente las CNN, exhiben una precisión diagnóstica moderada a alta para predecir extracciones de ortodoncia.
• Los hallazgos sugieren que la IA puede ser una herramienta valiosa en la planificación del tratamiento de ortodoncia, aunque la certeza es baja.
• Investigaciones adicionales pueden refinar el papel de la IA y mejorar la precisión diagnóstica.