¿Puede la inteligencia artificial diagnosticar la maloclusión?
Rápidos avances en inteligencia artificial se han producido en los últimos años. Esto ha dado lugar a varias iniciativas en ortodoncia, incluido el uso de IA para diagnosticar maloclusiones. Esto puede aumentar la precisión y reducir la necesidad de una evaluación médica. Este nuevo estudio examina la precisión de la IA en el diagnóstico de características de maloclusión.
Los autores de este artículo destacan investigaciones previas sobre la IA en medicina y odontología. Esto demuestra que la mayoría de las herramientas de IA poseen una validez diagnóstica menor que las evaluaciones realizadas por los médicos. En consecuencia, todos los modelos de IA deben someterse a pruebas para evitar errores y posibles daños al paciente.
Un equipo de Londres, Reino Unido y Damasco, Siria, realizó este estudio. El AJO-DDO publicó el artículo.
Este documento es de acceso abierto por lo que todos podemos leerlo sin ser miembro de una sociedad especializada.
Quiero declarar un interés. He trabajado con Samer Mheissen, Martyn Cobourne y Farooq Ahmed.
¿Qué preguntaron?
Hicieron este estudio para
“¿Evaluar la precisión de la evaluación por IA (SmileMate) de los parámetros dentales y oclusales utilizando fotografía clínica estandarizada en comparación con una evaluación clínica”?
¿Qué hicieron?
Hicieron un estudio clínico prospectivo. Este tuvo las siguientes etapas.
- Un cálculo del tamaño de la muestra sugirió que necesitaban evaluar los registros de 31 participantes.
- Recolectaron una muestra de conveniencia de estudiantes de odontología y especialistas en formación de posgrado.
- Luego tomaron fotografías intraorales en color utilizando vistas estandarizadas. Estas fueron vistas oclusales frontal, bucal derecha e izquierda, maxilar y mandibular.
- En la misma visita, un único operador realizó una evaluación clínica utilizando una plantilla de examen estandarizada.
- Finalmente, utilizaron el software SmileMate para realizar una evaluación clínica.
- Otro operador evaluó a 4 de los participantes para medir la confiabilidad.
El equipo presentó estadísticas descriptivas y buscó una asociación entre las evaluaciones clínicas directas y de IA.
Luego, utilizaron la estadística kappa para evaluar la concordancia entre las dos evaluaciones.
Finalmente, calcularon las curvas de sensibilidad, especificidad y características operativas del receptor para determinar la precisión general de la evaluación de la inteligencia artificial.
Se trataba de una amplia gama de pruebas estadísticas; Es posible que algunos lectores no estén familiarizados con la sensibilidad y la especificidad. encontré esto ser un resumen útil. También intentaré explicar esta importante medida.
La sensibilidad y la especificidad describen la precisión de una prueba que indica la presencia o ausencia de una condición. Un resultado positivo significa que una persona tiene una condición, mientras que un resultado negativo indica la ausencia de esa condición.
La sensibilidad es la tasa de verdaderos positivos, que representa la probabilidad de identificar con precisión la afección cuando está presente. La especificidad, por otra parte, indica la probabilidad de que la condición esté ausente cuando en realidad está ausente.
En esencia, una prueba ideal debería demostrar una alta sensibilidad y especificidad. Confío en haber aclarado este punto. Como la mayoría de las pruebas estadísticas, existe una considerable controversia en torno a la interpretación de estos valores. Sin embargo, me he esforzado por mantener esto claro.
¿Qué encontraron?
El equipo presentó una cantidad sustancial de datos. Estos fueron los hallazgos clave.
- Encontraron una diferencia estadísticamente significativa entre las dos evaluaciones para los siguientes dominios. Apiñamiento maxilar, sobremordida, higiene bucal, gingivitis, recesión, caries, fracturas, desgaste dental y necesidad de blanqueamiento.
- No encontraron diferencias para mordida abierta lateral, dientes en forma de clavija, dientes perdidos, dientes primarios retenidos, resalte, espaciado maxilar y mandibular, mordida cruzada, clasificación canina y mordida abierta lateral.
- Cuando observaron los datos de sensibilidad y especificidad, solo pudieron usar 11 parámetros. Descubrieron que la sensibilidad era del 72% y la especificidad del 55%.
El equipo resumió sus hallazgos afirmando.
«Hubo una amplia gama de precisión, acuerdo, sensibilidad y especificidad».
Sus conclusiones fueron
«La concordancia general de la IA con un médico fue justa. La sensibilidad general fue del 72 % y la especificidad fue del 54 %. Las evaluaciones generadas por la IA son inadecuadas para evaluar la maloclusión».
¿Qué pensé?
Este fue un estudio interesante. Sin embargo, debemos considerar que hubo algunas limitaciones. Los autores reconocieron y resaltaron estas deficiencias. Es importante destacar que un solo operador realizó la evaluación clínica, lo que introduce sesgos y limita la generalización de los hallazgos. Sin embargo, este artículo fue un gran primer paso en la investigación.
Cuando examiné los datos, fue alentador que la inteligencia artificial identificara con precisión algunos aspectos de la maloclusión. Sin embargo, otros, como el apiñamiento mandibular y maxilar, exhibieron especificidades del 15% y 17%, respectivamente. Esto indica que solo el 15% de los pacientes sin apiñamiento serán evaluados correctamente por la IA como libres de apiñamiento. En consecuencia, a muchos pacientes sin apiñamiento se les diagnosticará incorrectamente que lo padecen.
Vale la pena considerar la sensibilidad y especificidad de otras pruebas utilizadas habitualmente. Por ejemplo, el uso de la prueba de detección del PSA para el cáncer de próstata. En el punto de corte de 4 ng/ml, la sensibilidad es del 86% y la especificidad del 33%. Esta baja especificidad significa que se puede evaluar que una alta proporción de hombres tiene cáncer de próstata cuando no está presente. Como resultado, no se recomienda el PSA como prueba de detección en el Reino Unido y otros países.
¿Cuál es la relevancia clínica de este trabajo?
He pensado en la relevancia clínica de estos hallazgos. La inteligencia artificial carece de precisión suficiente en varias áreas clave. Esto sugiere que las evaluaciones requerirán verificación por parte de un médico al momento de decidir el tratamiento. Por tanto, la IA es innecesaria en su forma actual.
No obstante, surgen problemas si la inteligencia artificial se aplica mal en su estado actual. Por ejemplo, si el tratamiento basado en IA se ofreciera directamente a los consumidores sin un examen clínico en un modelo directo al consumidor. Es posible que se sugiera un tratamiento ineficaz o incluso innecesario.
Sin duda, la inteligencia artificial para el diagnóstico acabará convirtiéndose en una parte integral de nuestro sistema sanitario. Sin embargo, también está claro que este modelo de IA requiere perfeccionamiento antes de que podamos utilizar de forma rutinaria este interesante desarrollo. Una investigación de este tipo es esencial.
Profesor Emérito de Ortodoncia, Universidad de Manchester, Reino Unido.