Efectividad de la inteligencia artificial en la detección de caries dental en exámenes interproximales: una revisión sistemática con metanálisis

uma revisão sistemática com metanálise

Resumen

Introducción: El aprendizaje profundo consiste en una forma de inteligencia artificial basada en la estructura neuronal del cerebro que ha mostrado un excelente desempeño en la realización de tareas variables y aprendizaje de lenguaje robótico dominante. En odontología también ha destacado el aprendizaje profundo, especialmente en radiología dental, ayudando en el proceso de diagnóstico de las más diversas patologías. En este proceso, la caries es uno de los problemas de salud bucal más antiguos e importantes. A pesar de ello, aún hoy su diagnóstico sigue siendo un desafío para el odontólogo. Actualmente, variables técnicas pueden ayudar al examen clínico en este proceso y el uso de rayos X es uno de los principales exámenes complementarios de alta precisión comúnmente utilizados. Una revisión sistemática reciente encontró que no había diferencias en la detección de caries mediante el aprendizaje profundo en comparación con la evaluación de un especialista en radiología dental. Sin embargo, esta revisión lo evaluó mediante radiografías periapicales. Teniendo en cuenta que las radiografías interproximales están mejor indicadas cuando el proceso cariado es más pequeño o en las regiones interproximales, es necesaria una revisión sistemática para comparar esta técnica con base en este examen, que es el objetivo de esta investigación. Metodología: La pregunta clínica rectora de esta revisión sistemática fue: ¿Es eficaz el aprendizaje profundo convolucional para detectar caries dental a través de radiografías de mordida? Se utilizó el acrónimo PIRO con el fin de establecer los criterios de elegibilidad para estudios comparativos en los cuales P = población (radiografías interproximales de dientes temporales o permanentes), I = Prueba índice (Aprendizaje profundo CNN), R = Estándar de referencia (interpretación radiográfica por especialista) , O = Resultado (detección de caries dental), S = Diseño del estudio (Estudios comparativos (observacionales o ensayos clínicos). Se realizó una búsqueda en las bases de datos electrónicas Medline (Pubmed), Registro Cochrane Central de Ensayos Controlados (CENTRAL), Virtual Health Library (BVS), EMBASE y Science Direct, utilizando los descriptores (aprendizaje profundo) AND (caries dental), adicionalmente se revisó una búsqueda en literatura gris utilizando Google Scholar de los primeros 50 resultados encontrados. Se revisaron estudios y literatura o revisiones sistemáticas de temas similares para encontrar posibles artículos elegibles. No hubo restricción en cuanto al idioma o año de publicación de los estudios. Todo el proceso de búsqueda, selección de estudios y recolección de datos fue realizado por dos investigadores independientes. Después de la búsqueda electrónica, las referencias se exportaron al software de organización de referencias EndNote X8 (Clarivate Analytics, PA, EE. UU.). Se excluyeron los duplicados y las referencias se seleccionaron mediante títulos y resúmenes. Luego, se buscaron estudios seleccionados para su lectura completa y se evaluaron de acuerdo con los criterios de elegibilidad. El riesgo de sesgo de los estudios incluidos se evaluó mediante la herramienta QUADAS-2. La síntesis de los resultados de los estudios primarios incluidos se presentó mediante un metanálisis utilizando el software Meta-disc que comparó el rendimiento de cada aprendizaje profundo con el estándar de referencia. Resultados: La búsqueda electrónica arrojó 331 referencias, de las cuales nueve publicaciones cumplieron con los criterios de elegibilidad y fueron incluidas en la revisión sistemática. Los artículos incluidos contribuyeron a una muestra total de 5930 radiografías de ala de mordida. Al evaluar el riesgo de sesgo, la mayoría de los estudios se consideraron "bajos" en el dominio de selección de pacientes. Todos los estudios obtuvieron valoraciones "inciertas" y "bajas" para los dominios de la prueba índice y del estándar de referencia, respectivamente. El dominio de flujo y tiempo obtuvo un riesgo de sesgo “bajo” en la mayoría de los estudios. Al evaluar la aplicabilidad, los estudios se consideraron con riesgo de sesgo “bajo” y “alto” en el dominio de selección de pacientes. En todos los estudios se obtuvo un juicio de riesgo "bajo" de sesgo para la prueba índice y los dominios estándar de referencia. Seis estudios presentaron datos primarios que permitieron realizar el metanálisis. Los resultados observados indicaron una sensibilidad de 0,90 (IC: 0,88-0,91, I²: 99,3%), especificidad de 0,25 (IC: 0,25-0,26, I-cuadrado: 99,9%), índice de probabilidad negativo (LR-) de 0,21 ( IC: 0,18-0,24, I²: 95,4%) y razón de verosimilitud positiva (LR+) de 1,38 (IC: 1,36-1,39, I²: 99,9%). Conclusión: El aprendizaje profundo parece ser una herramienta con excelente especificidad y buena sensibilidad en la detección de caries dental mediante radiografías de ala de mordida. De esta manera, la inteligencia artificial a través de la técnica de aprendizaje profundo resulta ser un excelente aliado para los profesionales en la detección diagnóstica de la caries mediante exámenes radiográficos interproximales. Se recomiendan estudios bien diseñados para corroborar mejor los resultados aquí obtenidos.