A carregar...
Publicação
Use of artificial intelligence in predicting endodontic success : a systematic review
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.97 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Objectives: This systematic review evaluates the effectiveness and accuracy of Artificial Intelligence (AI) models, such as Convolutional Neural Networks and Artificial Neural Networks, in predicting clinical success in endodontics (retreatments, surgical and non-surgical treatments, endodontic regeneration, vital pulp therapy and microsurgeries). The study aims to identify gaps in the literature regarding the cost benefit and clinical applicability of these tools. The study hypothesis is that AI provides predictive accuracy comparable to or greater than that of specialists and may improve success rates by reducing diagnostic subjectivity, provided that it integrates clinical data beyond radiographic information. <br/>Methods: Based on the PICO strategy, this review seeks to answer whether AI increases the reliability of prognostic predictions compared with traditional methods. The search was conducted in the PubMed, Cochrane, ScienceDirect, and Scopus databases using the terms “prediction,” “endodontic treatment,” and “artificial intelligence.” Primary studies published in English up to October 2025 were included. Study selection and methodological assessment were performed using PRISMA guidelines and the Rayyan software, with independent screening by two authors and <br/>a third reviewer for conflict resolution. Data on study design and main outcomes were extracted for qualitative synthesis. Results: A total of 10 studies were included in this systematic review, most of which were retrospective and employed machine learning or deep learning models. AI and <br/>Machine Learning demonstrated promising performance as supportive tools. Deep Learning models achieved accuracy rates above 87% in case classification and a sensitivity of 94.9% in screening. Ensemble Learning models demonstrated strong robustness (Area Under the Curve 0.85–0.94) in surgical and regenerative therapies. However, AI showed limitations in predicting outcomes dependent on manual technical skill (e.g., obturation quality), indicating that intraoperative variables remain poorly captured. The use of Explainable AI proved crucial for clinical trust. <br/>Conclusions: AI functions as a “digital copilot” capable of standardizing subjective assessments and potentially transforming endodontic prognosis. The gold standard appears to lie in hybrid models that combine imaging with systemic data. Routine clinical integration will depend on overcoming the “black-box” nature of algorithms and achieving multicenter validation. Ultimately, AI should serve as a decision-support tool <br/>to minimize errors and optimize the preservation of dentition, rather than replace clinical judgment.
Objetivos: Esta revisão sistemática avalia a eficácia e precisão de modelos de Inteligência Artificial (IA), como Convolutional Neural Networks e Artificial Neural Networks, na previsibilidade do sucesso clínico em endodontia (retratamento, tratamento endodôntico cirúrgico e não-cirúrgico, regeneração endodôntica, terapia pulpar vital e microcirurgias). O estudo procura identificar lacunas na literatura sobre o custo-benefício e aplicabilidade clínica dessas ferramentas. A hipótese do estudo é que a IA oferece precisão preditiva comparável ou superior à de especialistas, <br/>podendo elevar as taxas de sucesso ao reduzir a subjetividade diagnóstica, desde que integre dados clínicos além dos radiográficos. Métodos: Baseada na estratégia PICO, a revisão pretende responder à questão de se a IA aumenta a confiabilidade do prognóstico comparativamente a métodos tradicionais. A pesquisa foi realizada nas bases PubMed, Cochrane, Science Direct e Scopus com os termos "prediction", "endodontic treatment" e "artificial intelligence". Incluíram-se estudos primários em inglês até outubro de 2025. A seleção e avaliação metodológica ocorreram via diretrizes PRISMA e usando o software Rayyan, com triagem independente por dois autores e um revisor de desempate. Foram extraídos <br/>dados sobre desenho do estudo e desfechos principais para síntese qualitativa. Resultados: Um total de 10 estudos foram incluídos nesta revisão sistemática, sendo a maioria de natureza retrospetiva e utilizando modelos de Machine Learning ou Deep Learning. A IA e o Machine Learning demonstraram um desempenho promissor como ferramentas de apoio, com modelos de Deep Learning atingindo uma precisão >87% na classificação de casos e sensibilidade de 94,9% na triagem. Modelos de Ensemble Learning mostraram robustez (Área Sob a Curva 0,85-0,94) em cirurgias e terapias regenerativas. Contudo, a IA falhou em prever desfechos dependentes da habilidade técnica manual (qualidade da obturação), indicando que variáveis intraoperatórias ainda são pouco capturadas. O uso de IA Explicável revelou-se crucial para a confiança clínica. Conclusões: A IA atua como um "copiloto digital" capaz de padronizar avaliações subjetivas e revolucionar o prognóstico endodôntico. O padrão-ouro reside em modelos híbridos que unem imagens a dados sistémicos. A integração rotineira depende da superação da natureza "caixa-preta" dos algoritmos e de validações multicêntricas. Em última análise, a IA deve servir como instrumento de suporte para minimizar erros e otimizar a preservação da dentição, sem substituir o julgamento clínico.
Objetivos: Esta revisão sistemática avalia a eficácia e precisão de modelos de Inteligência Artificial (IA), como Convolutional Neural Networks e Artificial Neural Networks, na previsibilidade do sucesso clínico em endodontia (retratamento, tratamento endodôntico cirúrgico e não-cirúrgico, regeneração endodôntica, terapia pulpar vital e microcirurgias). O estudo procura identificar lacunas na literatura sobre o custo-benefício e aplicabilidade clínica dessas ferramentas. A hipótese do estudo é que a IA oferece precisão preditiva comparável ou superior à de especialistas, <br/>podendo elevar as taxas de sucesso ao reduzir a subjetividade diagnóstica, desde que integre dados clínicos além dos radiográficos. Métodos: Baseada na estratégia PICO, a revisão pretende responder à questão de se a IA aumenta a confiabilidade do prognóstico comparativamente a métodos tradicionais. A pesquisa foi realizada nas bases PubMed, Cochrane, Science Direct e Scopus com os termos "prediction", "endodontic treatment" e "artificial intelligence". Incluíram-se estudos primários em inglês até outubro de 2025. A seleção e avaliação metodológica ocorreram via diretrizes PRISMA e usando o software Rayyan, com triagem independente por dois autores e um revisor de desempate. Foram extraídos <br/>dados sobre desenho do estudo e desfechos principais para síntese qualitativa. Resultados: Um total de 10 estudos foram incluídos nesta revisão sistemática, sendo a maioria de natureza retrospetiva e utilizando modelos de Machine Learning ou Deep Learning. A IA e o Machine Learning demonstraram um desempenho promissor como ferramentas de apoio, com modelos de Deep Learning atingindo uma precisão >87% na classificação de casos e sensibilidade de 94,9% na triagem. Modelos de Ensemble Learning mostraram robustez (Área Sob a Curva 0,85-0,94) em cirurgias e terapias regenerativas. Contudo, a IA falhou em prever desfechos dependentes da habilidade técnica manual (qualidade da obturação), indicando que variáveis intraoperatórias ainda são pouco capturadas. O uso de IA Explicável revelou-se crucial para a confiança clínica. Conclusões: A IA atua como um "copiloto digital" capaz de padronizar avaliações subjetivas e revolucionar o prognóstico endodôntico. O padrão-ouro reside em modelos híbridos que unem imagens a dados sistémicos. A integração rotineira depende da superação da natureza "caixa-preta" dos algoritmos e de validações multicêntricas. Em última análise, a IA deve servir como instrumento de suporte para minimizar erros e otimizar a preservação da dentição, sem substituir o julgamento clínico.
Descrição
Palavras-chave
Artificial intelligence Endodontics Prognosis prediction Machine learning Deep learning Inteligência artificial Endodontia Previsão do prognóstico Aprendizagem automática Aprendizagem profundo
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC