Inteligencia artificial en odontología: usos, límites y perspectivas

La inteligencia artificial (AI) es «un proceso informático que tiene como objetivo reproducir la inteligencia humana o animal y que encuentra aplicaciones en una amplia variedad de campos (por ejemplo, aprendizaje automático, procesamiento del lenguaje natural y robótica)» [1].

Esto ya se está aplicando a un gran número de especialidades, no solo dentro del sector sanitario, sino también relacionadas con las matemáticas, las finanzas, la ingeniería y el comercio [2].

Sin embargo, el propósito y el método de aplicación de la inteligencia artificial son siempre los mismos: la imitación del proceso humano en la toma de decisiones con correlaciones y principios que siguen un uso lógico y un análisis matemático de los datos de partida.

De esta forma, las decisiones humanas deberían ser teóricamente más fáciles y precisas, ya que la máquina tiene en cuenta todos los aspectos, pros y contras relacionados con un determinado problema/patología para proponer la mejor solución, una vez filtrados todos los datos disponibles [3,4].

Una «medicina de precisión» personalizada y preventiva

En el campo de la medicina, la inteligencia artificial podría llevar a una mejor comprensión de las enfermedades dentro de las diferentes poblaciones del mundo y los diferentes individuos a través del análisis informático y la extrapolación de una amplia gama de datos.

Esto se traduciría en una «medicina de precisión», es decir, una medicina personalizada, basada en intervenciones preventivas y terapéuticas no a gran escala, sino dirigidas a cada paciente en concreto.

Es una medicina que tiene en cuenta las diferencias individuales en cuanto a genética, estilo de vida, nutrición y antecedentes familiares, logrando así identificar las terapias más adecuadas para cada caso clínico [5].

Odontología predictiva y diagnóstico por imagen: el papel de la IA

En el campo de la odontología, aprovechando los principios que subyacen al deep learning, la inteligencia artificial está empezando a entrar en actividades y programas de odontología predictiva y diagnóstico porimagen [6].

En ortodoncia, algunos programas ya permiten la detección automática de puntos de referencia cefalométricos en telerradiografías latero-laterales, de cambios radiográficos resultantes de tratamientos de ortodoncia sin extracciones y la predicción del crecimiento y desarrollo [7,8].

IA en análisis radiográfico

En odontología conservadora, los mecanismos de inteligencia artificial se aplican principalmente en el análisis de radiografías intraorales para diagnosticar caries interproximales, del esmalte y comprender la extensión real en dentina [9]. De hecho, el análisis de la escala de grises de los diferentes píxeles presentes en la radiografía sirve para discriminar la presencia o ausencia de caries y su tamaño.

Siguiendo el mismo principio, el análisis de radiografías intraorales permite que algunos sistemas de IA detecten patologías endodónticas y la anatomía de los conductos radiculares, sugiriendo la dificultad de su posible tratamiento [10].

Siguiendo con el análisis radiográfico, en periodoncia e implantología la inteligencia artificial es útil para comprender los tipos de defectos óseos presentes y para evaluar el riesgo de desarrollar patologías periodontales/periimplantarias, siguiendo, por ejemplo, la observación de la desaparición de la lámina dura [11,12].

Además, en este campo el deep learning también puede permitir reconocer el tipo de implante que hay en el hueso, en el caso de que se deba tratar a un paciente al que se le ha colocado un implante y cuyo tipo no se conoce [13].

IA en el campo protésico y maxilofacial

En el campo protésico, el análisis oclusal y el reconocimiento de signos parafuncionales siguen siendo objeto de estudio en la actualidad, aunque los estudios preliminares son alentadores [14].

En cirugía maxilofacial, en cambio, la inteligencia artificial es una herramienta útil para planificar casos quirúrgicos de cirugía ortognática y oncológica [15]. También podría aplicarse para observar la extensión de la osteonecrosis de los maxilares en CBCT [16].

Incluso el diagnóstico de trastornos temporomandibulares de origen anatómico y del carcinoma de células escamosas de la mucosa oral podría beneficiarse de la aplicación de algoritmos de deep learning [17,18].

Perspectivas y límites de la IA en odontología

Los usos mencionados anteriormente son solo el inicio de los posibles usos que puede tener la inteligencia artificial en odontología. Sin embargo, aunque en muchos aspectos estos algoritmos son exactos y precisos, presentan algunas limitaciones.

Por ejemplo, la indicación por parte de los sistemas de inteligencia artificial de los puntos de referencia de los tejidos duros y blandos en las áreas del mentón y pogonion en las radiografías cefalométricas suele ser inexacta, ya que la posición y la inclinación del mentón son difíciles de predecir con una radiografía o una imagen de perfil [14].

Además, los pasos relacionados con la reconstrucción de la imagen CBCT, el proceso de segmentación y la planificación quirúrgica siguen siendo momentos delicados en los que los algoritmos de deep learning pueden cometer errores con consecuencias que pueden llegar a ser graves [15].

También es necesario conocer el mecanismo de funcionamiento de los algoritmos [3,4] y, dada la complejidad de esta nueva tecnología y las problemáticas intrínsecas en cuanto a sus usos en el campo médico, no se descarta que en el futuro puedan surgir nuevas figuras profesionales de la medicina [19].

No hay duda de que el uso de la IA en odontología tendrá un impacto significativo, aunque este deberá valorarse en función de la rama y la aplicación clínica y extraclínica que tenga el software en cuestión.

---

Bibliografía

[1]       Ramesh AN, Kambhampati C, Monson JRT, Drew PJ. Artificial intelligence in medicine. Ann R Coll Surg Engl 2004;86:334–8. https://doi.org/10.1308/147870804290.

[2]       Borana J. Applications of Artificial Intelligence & Associated Technologies, 2016.

[3]       Mohammad-Rahimi H, Rokhshad R, Bencharit S, Krois J, Schwendicke F. Deep learning: A primer for dentists and dental researchers. J Dent 2023;130:104430. https://doi.org/10.1016/j.jdent.2023.104430.

[4]       Ducret M, Mörch C-M, Karteva T, Fisher J, Schwendicke F. Artificial intelligence for sustainable oral healthcare. J Dent 2022;127:104344. https://doi.org/10.1016/j.jdent.2022.104344.

[5]       König IR, Fuchs O, Hansen G, von Mutius E, Kopp MV. What is precision medicine? Eur Respir J 2017;50:1700391. https://doi.org/10.1183/13993003.00391-2017.

[6]       Schwendicke F, Krois J. Data Dentistry: How Data Are Changing Clinical Care and Research. J Dent Res 2022;101:21–9. https://doi.org/10.1177/00220345211020265.

[7]       Park JH, Kim Y-J, Kim J, Kim J, Kim I-H, Kim N, et al. Use of artificial intelligence to predict outcomes of nonextraction treatment of Class II malocclusions. Seminars in Orthodontics 2021;27:87–95. https://doi.org/10.1053/j.sodo.2021.05.005.

[8]       Mohammad-Rahimi H, Nadimi M, Rohban MH, Shamsoddin E, Lee VY, Motamedian SR. Machine learning and orthodontics, current trends and the future opportunities: A scoping review. American Journal of Orthodontics and Dentofacial Orthopedics 2021;160:170-192.e4. https://doi.org/10.1016/j.ajodo.2021.02.013.

[9]       Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E, et al. Deep learning for caries detection: A systematic review. Journal of Dentistry 2022;122:104115. https://doi.org/10.1016/j.jdent.2022.104115.

[10]     Sadr S, Mohammad-Rahimi H, Motamedian SR, Zahedrozegar S, Motie P, Vinayahalingam S, et al. Deep Learning for Detection of Periapical Radiolucent Lesions: A Systematic Review and Meta-analysis of Diagnostic Test Accuracy. Journal of Endodontics 2023;49:248-261.e3. https://doi.org/10.1016/j.joen.2022.12.007.

[11]     Revilla-León M, Gómez-Polo M, Barmak AB, Inam W, Kan JYK, Kois JC, et al. Artificial intelligence models for diagnosing gingivitis and periodontal disease: A systematic review. The Journal of Prosthetic Dentistry 2022. https://doi.org/10.1016/j.prosdent.2022.01.026.

[12]     Mohammad-Rahimi H, Motamedian SR, Pirayesh Z, Haiat A, Zahedrozegar S, Mahmoudinia E, et al. Deep learning in periodontology and oral implantology: A scoping review. Journal of Periodontal Research 2022;57:942–51. https://doi.org/10.1111/jre.13037.

[13]     Revilla-León M, Gómez-Polo M, Vyas S, Barmak BA, Galluci GO, Att W, et al. Artificial intelligence applications in implant dentistry: A systematic review. J Prosthet Dent 2023;129:293–300. https://doi.org/10.1016/j.prosdent.2021.05.008.

[14]     Farook TH, Rashid F, Ahmed S, Dudley J. Clinical machine learning in parafunctional and altered functional occlusion: A systematic review. J Prosthet Dent 2023:S0022-3913(23)00051-3. https://doi.org/10.1016/j.prosdent.2023.01.013.

[15]     Minnema J, Ernst A, van Eijnatten M, Pauwels R, Forouzanfar T, Batenburg KJ, et al. A review on the application of deep learning for CT reconstruction, bone segmentation and surgical planning in oral and maxillofacial surgery. Dentomaxillofacial Radiology 2022;51. https://doi.org/10.1259/dmfr.20210437.

[16]     Wongratwanich P, Shimabukuro K, Konishi M, Nagasaki T, Ohtsuka M, Suei Y, et al. Do various imaging modalities provide potential early detection and diagnosis of medication-related osteonecrosis of the jaw? A review. Dentomaxillofacial Radiology 2021;50. https://doi.org/10.1259/dmfr.20200417.

[17]     Jha N, Lee K, Kim Y-J. Diagnosis of temporomandibular disorders using artificial intelligence technologies: A systematic review and meta-analysis. PLOS ONE 2022;17:e0272715. https://doi.org/10.1371/journal.pone.0272715.

[18]     Alabi RO, Youssef O, Pirinen M, Elmusrati M, Mäkitie AA, Leivo I, et al. Machine learning in oral squamous cell carcinoma: Current status, clinical concerns and prospects for future—A systematic review. Artificial Intelligence in Medicine 2021;115:102060. https://doi.org/10.1016/j.artmed.2021.102060.

[19]     Cussat-Blanc S, Castets-Renard C, Monsarrat P. Doctors in Medical Data Sciences: A New Curriculum. International Journal of Environmental Research and Public Health 2023;20:675. https://doi.org/10.3390/ijerph20010675.