Inteligência Artificial na Detecção Radiográfica de Cáries: Uma Revisão Sistemática
Introdução
A Inteligência Artificial (IA) tem revolucionado diversas áreas da saúde, proporcionando avanços significativos na detecção e diagnóstico de doenças. No campo odontológico, o uso de modelos de IA para a detecção radiográfica de lesões de cárie (LC) tem mostrado resultados promissores.
Esta revisão sistemática, conduzida por pesquisadores especializados, examina a eficácia dos modelos de IA baseados em imagens radiográficas na detecção de cáries, destacando suas implicações clínicas e potencial de integração na prática odontológica.
Metodologia
- Busca Bibliográfica: Os autores conduziram uma busca abrangente nas bases de dados PubMed, Web of Science, SCOPUS, LILACS e Embase, abrangendo estudos publicados até janeiro de 2023.
- Seleção de Estudos: Foram incluídos estudos originais que investigavam o desempenho de modelos de IA na detecção de LC, usando dados de radiografias dentárias e comparando os resultados com avaliações de dentistas experientes. Foram excluídos estudos com dados insuficientes, relatos de casos com menos de 10 imagens, revisões narrativas, diretrizes, editoriais, cartas, comentários ou resumos de conferências.
- Extração de Dados: Os dados extraídos incluíram características do estudo (autoria, ano, design), tipo e número de radiografias, métricas de desempenho diagnóstico (sensibilidade, especificidade, precisão, etc.), tipo de algoritmo de IA usado (Redes Neurais Artificiais – ANN, Redes Neurais Convolucionais – CNN, Redes Neurais Convolucionais Profundas – DCNN) e resultados principais.
- Avaliação de Qualidade: A qualidade dos estudos foi avaliada usando as diretrizes do QUADAS-2.
- Meta-análise: Não foi possível realizar uma meta-análise devido à heterogeneidade dos estudos.
Para garantir a qualidade e a relevância dos estudos incluídos na revisão, foram selecionados apenas artigos publicados em inglês que avaliaram o desempenho de modelos de IA na detecção de lesões de cárie através de radiografias. Devido à heterogeneidade dos estudos analisados, não foi possível realizar uma meta-análise, mas os dados foram interpretados qualitativamente.
Principais Resultados
Os resultados da revisão indicam que os modelos de IA têm um bom desempenho diagnóstico na detecção de lesões de cárie, sendo considerados ferramentas promissoras para auxiliar dentistas na prática clínica. Entre os principais achados, destacam-se:
- Desempenho Diagnóstico: Os modelos de IA demonstraram alta precisão na detecção de cáries, potencialmente melhorando a acurácia diagnóstica.
- Redução da Carga de Trabalho: A automação do processo de detecção pode aliviar a carga de trabalho dos observadores, permitindo que se concentrem em aspectos mais críticos do cuidado ao paciente.
- Escolha do Modelo: A seleção do modelo de IA deve ser baseada nos objetivos específicos da tarefa e na avaliação crítica da acurácia dos sistemas de apoio ao diagnóstico.
Próximos Passos
A revisão sistemática sugere as seguintes direções para futuras pesquisas e aplicações práticas:
- Investigar mais profundamente as implicações clínicas e econômicas do uso de IA na detecção de LC.
- Desenvolver estudos com conjuntos de dados mais extensos e homogêneos para melhorar a generalização dos modelos de IA.
- Explorar a integração da IA em fluxos de trabalho clínicos de rotina.
Conclusão
Os modelos de IA baseados em imagens radiográficas demonstram um bom desempenho diagnóstico na detecção de lesões de cárie, evidenciando-se como ferramentas promissoras para a prática odontológica.
A seleção do modelo de IA deve ser cuidadosamente avaliada com base nos objetivos específicos e na acurácia dos sistemas. É crucial que usuários analisem criticamente os dados subjacentes aos modelos treinados e seus testes.
Para mais informações detalhadas, acesse o artigo original.
“Artificial intelligence for radiographic imaging detection of caries lesions: a systematic review”, de Albano et al., publicado em 2024 na revista BMC Oral Health. https://doi.org/10.1186/s12903-024-04046-7