Superposición craneofacial tridimensional automatizada impulsada por inteligencia artificial para resultados de...

Área de la Ciencia:

• La ortodoncia y la ortopedia dentofacial.
• Análisis de imágenes médicas Análisis de imágenes médicas.
• Inteligencia Artificial en el cuidado de la salud.

Sus antecedentes:

• La cuantificación confiable de los cambios en el tratamiento en pacientes en crecimiento requiere referencias de superposición explícitas e interpretación del cambio relativo.
• Los flujos de trabajo manuales para estos análisis consumen mucho tiempo y son propensos a la variabilidad.
• Este estudio evalúa la fiabilidad y la eficiencia de las mediciones de los métodos de análisis 3D automatizados vs. semiautomatizados.

Objetivo del estudio:

• Para comparar la confiabilidad y eficiencia de un flujo de trabajo de segmentación y registro de código abierto totalmente automatizado con un enfoque semiautomatizado basado en voxel.
• Evaluar la utilidad clínica de los análisis cuantitativos tridimensionales (3D) explícitos de referencia en pacientes en crecimiento.
• Evaluar el impacto de la participación variable de la inteligencia artificial (IA) en la precisión de la medición y la eficiencia del flujo de trabajo.

Principales métodos:

• Análisis de tomografías computarizadas de haz cónico (CBCT) de 22 pacientes de Clase II antes y después del tratamiento (T1 y T2).
• Comparación de tres enfoques de registro: métodos convencionales, semiautomáticos y totalmente automatizados impulsados por IA.
• Evaluación de los cambios esqueléticos y dentales en relación con la base craneal y la superposición regional utilizando modelos de regresión lineal de efectos mixtos.

Principales resultados:

• Se encontró un alto acuerdo para las mediciones esqueléticas y dentales en todos los enfoques de registro, con una precisión clínicamente comparable.
• Las diferencias promedio absolutas entre los flujos de trabajo automatizados y convencionales fueron generalmente inferiores a 1,5 mm para las mediciones lineales y 1,5 ° para las angulares.
• Los métodos basados en IA demostraron mediciones de cambio 3D confiables y más rápidas, apoyando la toma de decisiones clínicas.

Conclusiones:

• Los flujos de trabajo automatizados y verificados por el clínico ofrecen una cuantificación fiable y eficiente del cambio 3D en pacientes en crecimiento.
• La interpretación precisa requiere la consideración de la región de referencia específica utilizada para la superposición.
• Las herramientas de código abierto impulsadas por IA proporcionan un análisis cuantitativo práctico para el diagnóstico, el calendario del tratamiento y la evaluación de los resultados.