Traducido del inglés al español - www.onlinedoctranslator.
com
Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
Revista de Investigación Clínica y Traslacional
ARTÍCULO DE REVISIÓN
Alcance y desafíos del diagnóstico y pronóstico basados en el aprendizaje automático en
odontología clínica: una revisión de la literatura
Lilian Toledo Reyes, Jessica Klöckner Knorst, Fernanda Ruffo Ortiz, Thiago Machado Ardenghi*
Departamento de Estomatología, Facultad de Odontología, Universidad Federal de Santa María, Santa María, Brasil
INFORMACIÓN DEL ARTÍCULO
Historial del artículo:
Recibido: 19 de enero de 2021 Revisado:
17 de abril de 2021 Aceptado: 24 de
mayo de 2021 Publicado en línea: 30 de
julio de 2021
Palabras clave:
aprendizaje automático de
inteligencia artificial
odontología
salud bucal
diagnóstico
pronóstico
* Autor correspondiente
Thiago Machado Ardenghi Departamento de
Estomatologia, Faculdade de Odontologia da
Universidade Federal de Santa Maria, Av.
Roraima, 1000, Cidade Universitária - 26F,
97015-372, Santa María, RS, Brasil.
Fax: +55.55-3220-9272
Correo electrónico: thiardenghi@hotmail.com
© 2021 Reyes,y otros. Este es un artículo de acceso
abierto distribuido bajo los términos de la licencia
internacional Creative Commons Attribution-
NonCommercial 4.0 (http://creativecommons.org/
licenses/bync/4.0/), que permite todo uso,
distribución y reproducción no comercial en
cualquier medio, siempre que se cite correctamente
la obra original.
Revista Página de inicio:http://www.jctres.com/es/inicio
RESUMEN
Fondo:El aprendizaje automático (ML) ha surgido como una rama de la inteligencia artificial que se ocupa del análisis
de grandes cantidades de datos. Las aplicaciones de los algoritmos de ML también se han expandido a la atención
médica, incluida la odontología. Los recientes avances en este campo apuntan a futuras mejoras en las técnicas de
diagnóstico y el pronóstico de diversas enfermedades de los dientes y otras estructuras maxilofaciales. Apuntar:El
objetivo de esta revisión de la literatura es describir las bases para la aplicación de ML a diferentes subcampos dentales
en los últimos años, identificar los algoritmos típicos utilizados en los estudios y resumir el alcance y los desafíos del
uso de estas técnicas en la práctica clínica dental.
Relevancia para los pacientes:La competencia de las tecnologías emergentes que han comenzado a mostrar resultados
alentadores en el diagnóstico y pronóstico de enfermedades bucales puede mejorar la precisión en la selección del tratamiento
para los pacientes. Es necesario comprender los desafíos asociados con el uso de estas herramientas para utilizarlas de manera
efectiva en los servicios dentales y garantizar una mayor calidad de atención a los pacientes.
1. Introducción
La inteligencia artificial (IA) se puede definir como la capacidad no biológica de una máquina que intenta
imitar la inteligencia humana para realizar tareas complejas, como la resolución de problemas, el
reconocimiento de objetos y palabras y la toma de decisiones.1-4]. Los primeros informes de su aplicabilidad
en Medicina aparecieron a principios de la década de 1970, con el advenimiento de algunos sistemas
informáticos experimentales.5,6] y una nueva investigación quirúrgica de Gunn, quien exploró la posibilidad de
diagnosticar el dolor abdominal agudo con análisis de datos computacionales [7].
Los principales avances en el uso de técnicas de IA en Medicina se han limitado al pronóstico y
diagnóstico de enfermedades o eventos de salud, permitiendo así la toma de decisiones clínicas
mediante la aplicación de algoritmos de aprendizaje automático (ML) que utilizan aprendizaje
supervisado [8]. En consecuencia, varios ejemplos respaldan los hallazgos prometedores que han
resultado de la aplicación de estas tecnologías, fomentando aún más su uso.9-15].
El uso de ML también se ha ampliado a otros dominios de la atención médica, incluida la odontología. De
acuerdo con los registros del repositorio de PubMed, a principios de la década de 1990 comenzaron a aparecer
informes que describen los resultados favorables de la aplicación de estas técnicas en diversas disciplinas
clínicas en odontología. La literatura científica sobre el tema destaca a la ortodoncia como una de las
especialidades donde el uso de ML ha traído beneficios palpables, especialmente a través de la extracción de
características a partir de imágenes radiográficas [dieciséis-22]. Muchos estudios que utilizan minería de datos
han arrojado resultados confiables para el diagnóstico diferencial de una amplia gama de enfermedades
orales.23,24]. Estos informes indican una alta precisión en el diagnóstico, lo que permite la estandarización de
los procedimientos y la optimización del tiempo en el análisis de grandes bases de datos. Además, los estudios
previos reportan avances en Cariología, tanto en la generación de modelos predictivos de riesgo como en
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
524 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
la estimación de patrones útiles en el diagnóstico de la caries dental [25-32
]. Por lo tanto, la aplicación reciente de ML en estos campos puede
conducir a futuras mejoras en las técnicas de diagnóstico y en el
pronóstico de diversas enfermedades de los dientes y otras estructuras
maxilofaciales.6].
Sin embargo, hay pocos registros que resuman las principales
aplicaciones de ML en el amplio espectro de subcampos dentales y
discutan los factores clave que guían la aplicación de estas
tecnologías en la práctica dental. Aunque el tema ha cobrado
importancia en los debates recientes, la mayoría de las revisiones
anteriores se centran en áreas como la imagenología dental y
abordan algoritmos específicos. Esto es comprensible si tenemos en
cuenta que el uso de ML puede no ser la mejor solución para todos
los problemas. Aun así, en los últimos tiempos existen varios reportes
que acercan el uso de ML a otras disciplinas odontológicas. Por lo
tanto, es crucial identificar el impacto de estas técnicas en el amplio
campo de la odontología. Además, los desafíos asociados con la
aplicación clínica de estas herramientas, como la selección de
conjuntos de datos dentales y estándares de referencia,4,6,33-35]. Un
análisis exhaustivo del uso actual de estas técnicas para apoyar la
toma de decisiones de los profesionales sería de gran interés para
mejorar el juicio clínico, reducir errores en el diagnóstico y abaratar
los costes de tratamiento en el entorno de la consulta dental.
En esta revisión, describimos la base para la aplicación de ML a la odontología y
resumimos los enfoques primarios basados en ML en diferentes subcampos
dentales en los últimos tiempos. También analizamos los algoritmos típicos utilizados
en estudios que aplican metodologías ML. Finalmente, discutimos algunos factores
clave que pueden guiar la implementación práctica de estas tecnologías en función de
las tendencias actuales en este campo.
2. Fundamentos de ML
2.1. ML
Los últimos años han visto un rápido crecimiento en los esfuerzos de
registro de datos debido a la capacidad de los sistemas informáticos para
almacenar y compartir grandes volúmenes de información. Esta explosión de
información a menudo se ha llamado "grandes datos". Por lo tanto, se ha vuelto
necesario desarrollar nuevos procedimientos que combinen patrones
estadísticos (matemáticos) y computacionales en el análisis e interpretación
crítica de conjuntos de datos, para obtener criterios válidos y hacer predicciones
efectivas.36]. En este contexto, ML surge como una rama de la IA que involucra
el análisis de grandes cantidades de datos [2]. Los algoritmos de ML aprenden
de los ejemplos anteriores y realizan inferencias útiles para ayudar en la toma
de decisiones [37,38]. En el entorno ML, los objetivos se centran en el
reconocimiento de patrones de datos significativos dentro de conjuntos de
datos, así como en proponer modelos que expliquen mejor los datos [39].
2.2. paradigmas de aprendizaje automático
En la actualidad, los avances en estas tecnologías permiten distinguir
entre varios tipos de métodos de aprendizaje y algoritmos para el
reconocimiento de patrones de datos. Los paradigmas de aprendizaje
supervisado, no supervisado y por refuerzo han sido ampliamente
aceptados para este propósito.39-41].
En el dominio del aprendizaje supervisado, ML opera a través
de funciones de mapeo entre la entrada y la salida disponibles.
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
variables [39]. Contribuye al enriquecimiento de los análisis, acercándolos
a criterios verdaderos o establecidos al involucrar variables etiquetadas.
Esto ofrece una ventaja para su implementación en la práctica médica,
reemplazando o complementando las opiniones de expertos en la
solución de diversos problemas. El aprendizaje supervisado es reconocido
como el enfoque más utilizado y prometedor en este campo. Estas
técnicas han sido generalmente utilizadas en odontología para la
predicción de algunos eventos o enfermedades.25,42], así como en el
diagnóstico y clasificación de condiciones dentales y bucomaxilofaciales
específicas [43-45].
Por el contrario, los enfoques de aprendizaje no supervisados involucran
algoritmos que se ejecutan solo a partir de datos de entrada.39]. Aquí, el
algoritmo está entrenado para encontrar similitudes, permitiendo
combinaciones no lineales e interactivas de varios predictores, identificando
patrones en los datos y logrando resultados confiables en los análisis
realizados. Las bases de datos de pacientes dentales sin etiquetar permiten el
reconocimiento de etiquetas como las relacionadas con ciertos patrones de
pérdida ósea asociados con la enfermedad periodontal. Esto puede crear
grupos que permitan un mayor análisis. Las técnicas descritas anteriormente
también se pueden combinar en un enfoque semisupervisado [46].
Finalmente, el aprendizaje por refuerzo se puede representar como
una extensión de las técnicas de programación dinámica, en las que se
llega al modelo subyacente a través de complejos mecanismos de
recompensas y castigos positivos.47]. En la práctica clínica dental, la alta
precisión de los algoritmos que utilizan el aprendizaje por refuerzo se ha
hecho evidente en las aplicaciones que involucran el procesamiento de
imágenes.38,48-51].
2.2.1. Aplicaciones clínicas de algoritmos ML en la práctica dental
Realizamos una revisión de estudios originales que informaron aplicaciones
de algoritmos ML en diferentes campos de la práctica clínica dental publicados
durante los últimos 10 años. La búsqueda de literatura electrónica incluyó
publicaciones de la base de datos PubMed/Medline hasta marzo de 2021, así
como algunas referencias citadas en los artículos revisados. La estrategia de
búsqueda empleó una combinación de vocabulario controlado y palabras clave:
"inteligencia artificial" [Términos MeSH] O "aprendizaje automático" [Términos
MeSH] O "aprendizaje automático supervisado" [Términos MeSH] O
"aprendizaje automático no supervisado" [Términos MeSH] O "aprendizaje
profundo" [Términos MeSH] Y "pronóstico" [Términos MeSH] O
"diagnóstico" [Términos MeSH] O "tratamiento" [Términos MeSH] Y
"odontología" [Términos MeSH] O "salud bucal" [Términos MeSH] O
"dientes" [Términos MeSH] O "ortodoncia" [ Términos MeSH] O “enfermedades
periodontales” [Términos MeSH] O “odontología quirúrgica” [Términos MeSH] O
“cirugía oral” [Términos MeSH] O “prostodoncia” [Términos MeSH] O
“endodoncia” [Términos MeSH] O “implantes y prótesis” [ Términos MeSH] O
“implantes dentales”[Términos MeSH] O “odontología pediátrica”[Términos
MeSH] O “radiografía dental”[Términos MeSH] O “radiología”[Términos MeSH] O
“odontología forense”[Términos MeSH] O “oral medicina” [Términos MeSH] O
“cirugía maxilofacial” [Términos MeSH]. Artículos de revisión, series de casos, Se
excluyeron de la búsqueda informes de casos, editoriales, cartas, comentarios,
resúmenes de congresos y artículos limitados a describir metodologías
educativas o el uso de dispositivos robóticos. Un total de 542
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
inicialmente se identificaron los títulos. Después de analizar los resúmenes de los
estudios que cumplieron con los criterios de elegibilidad, se incluyeron 62 artículos en
esta revisión. En esta revisión, proporcionamos comentarios detallados sobre estos
hallazgos y discutimos algunos aspectos interesantes de los principales algoritmos de
ML utilizados en estos informes.
3.1. Aplicaciones en ortodoncia(tabla 1)
La gran mayoría de las aplicaciones de ML en la práctica clínica dental
parecen estar vinculadas a las capacidades de diagnóstico. En este sentido, los
algoritmos de ML nos han permitido optimizar y mejorar el uso de los datos
disponibles en Ortodoncia, con contribuciones sustanciales al diagnóstico de
anomalías dentales maxilofaciales para la evaluación de las necesidades de
tratamiento mediante el uso de conjuntos de datos de entrenamiento que
contienen imágenes radiográficas [dieciséis,17,19,20,22,50,52-57].
Un estudio anterior en este subcampo extrajo con éxito los puntos de
referencia de las características craneofaciales y analizó las variables
cefalométricas para proporcionar diagnósticos precisos de las deformidades
dentales.53]. Los procedimientos estándar para los análisis cefalométricos
están sujetos a múltiples errores resultantes de las frecuentes desviaciones
entre las ubicaciones de varios observadores. Las técnicas de IA contribuyen a
mejorar estos procedimientos. En esta propuesta de métodos automatizados de
diagnóstico de deformidades dentales, los algoritmos de la máquina de
vectores de soporte (SVM) mostraron el mejor rendimiento (98 % de precisión)
en comparación con la precisión de otros clasificadores. Los modelos basados
en SVM han ganado popularidad en la comunidad de ML. Estos clasificadores
son los medios más efectivos para separar datos en un espacio
multidimensional [58,59]. Es posible utilizar este método para reducir el
requerimiento de la cantidad de imágenes y aumentar la velocidad del análisis
en comparación con el desempeño del dentista. Los algoritmos SVM se han
descrito como apropiados para tareas de aprendizaje en las que el número de
características es grande. Además, la complejidad de SVM no se ve alterada por
la cantidad de funciones que se encuentran en el conjunto de entrenamiento, lo
cual es una propiedad deseable para sus aplicaciones prácticas.60].
Varios estudios apuntan al éxito de la aplicación de diferentes tipos de
algoritmos de redes neuronales en la segmentación, detección
automática, análisis y extracción de características de la imagen, para
permitir un diagnóstico más efectivo en Ortodoncia.dieciséis-19,21,22,50,
54-57,61]. Un estudio reciente que utilizó algoritmos de redes neuronales
convolucionales (CNN) con un gran conjunto de datos logró un
entrenamiento de alta calidad, generando un modelo de alta precisión
para el análisis de datos cefalométricos. El modelo se correspondía bien
con los criterios elegidos por examinadores humanos experimentados,
por lo que cumplió con el estándar de oro a un ritmo más rápido [22]. El
uso de los algoritmos de las CNN se ha difundido ampliamente en
odontología y se reconoce que estos algoritmos pueden crear mejoras
significativas en la calidad de las imágenes al reducir la dispersión y los
artefactos.35,41]. Estos algoritmos de aprendizaje profundo son
prioritarios en tareas complejas en las que existe una gran cantidad de
datos no estructurados, como sería el caso de la clasificación de imágenes
dentales, donde su eficacia ya está establecida. Estos clasificadores tienen
la capacidad de reconocer relaciones ocultas entre variables
interdependientes y estimar reglas de decisión. Se prefieren cuando se
prioriza la precisión. Sin embargo, los algoritmos clásicos son más útiles
para tareas simples en las que no hay datos no estructurados y la
interpretabilidad de los resultados es de mayor prioridad.22,35,41].
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
525
Investigaciones recientes han fomentado el uso de redes neuronales
para tareas de predicción.18]. Se han implementado algoritmos genéticos
híbridos y redes neuronales artificiales (ANNs) para establecer un
pronóstico del tamaño de caninos y premolares no erupcionados durante
el período de dentición mixta. Los impactos del tratamiento ortognático en
el atractivo facial y la apariencia de edad para pacientes comunes y
pacientes que se han sometido a tratamiento de fisuras también se han
explorado mediante la aplicación de CNN.21,61]. Un estudio en particular
no recomienda la aplicación de algoritmos CNN en algunos casos [61]. Sin
embargo, el informe describe posibles limitaciones relacionadas con las
características de la población de estudio y los puntajes específicos
utilizados para medir la percepción del atractivo físico. Estas limitaciones
pueden haber contribuido al resultado negativo del uso de las CNN.
Es necesario recalcar que para lograr una alta precisión clínica con el
uso de algoritmos de redes neuronales, es recomendable aumentar el
conjunto de datos de entrenamiento, obtener mejores estimaciones de los
pesos de las conexiones y aumentar la clasificación y el poder predictivo.
Además, los datos dentales híbridos recopilados a gran escala de múltiples
instituciones de salud y registros públicos podrían ser útiles durante la
fase de capacitación. Los investigadores interesados deben colaborar y
compartir sus colecciones de datos para traer nuevos avances en este
campo [62].
3.2. Aplicaciones en periodoncia (Tabla 2)
En el campo de la periodoncia, los algoritmos de ML han demostrado
un buen rendimiento al trabajar con datos de perfiles moleculares,
parámetros inmunológicos, datos de perfiles bacterianos o variables
clínicas y radiográficas de pacientes afectados.42,63-67]. La identificación
de niveles óseos, la identificación de bacterias en muestras de líquido
subgingival y el análisis de perfiles de expresión génica de biopsias de
tejido periodontal son cruciales para obtener evidencia clara en el
diagnóstico específico de la enfermedad periodontal. Este diagnóstico
puede ser complejo para los primeros practicantes durante los exámenes
de rutina, y el uso de técnicas de ML puede ser muy productivo en tales
casos. La mayoría de estos estudios utilizaron SVM como clasificador en el
análisis.63-sesenta y cinco,67]. Dos de los estudios [64,67] usó otros
algoritmos como naïve Bayes, ANN y algoritmos de árboles de decisión.
Un árbol de decisión proporciona una organización jerárquica desde un
nodo raíz, que se encuentra en el nivel jerárquico más alto. Comúnmente
se argumenta que el árbol de decisión tiene una alta capacidad explicativa
y transparencia, y además proporciona comprensibilidad en el análisis.60].
Varios autores han hecho sugerencias para mejorar aún más la eficacia y
la simplicidad de los modelos [68,69]. Además, el uso de métodos de
conjunto hace posible la construcción de modelos de árboles más
robustos, como árboles de decisión agregados (o en bolsas) de arranque,
árboles de bosque aleatorio y árboles potenciados. En el caso de naïve
Bayes, se considera simple y computacionalmente eficiente y utiliza toda la
información disponible para explicar la decisión, lo que es una ventaja en
el entorno clínico.60].
La investigación preliminar que aplica ANN y utiliza abundantes
muestras recolectadas de estudios previos muestra evidencia del buen
desempeño de este clasificador.42]. Los modelos que utilizan ANN ya han
demostrado su eficacia en otros campos de la Medicina [59,70].
526 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539

Tabla 1.Principales características de los estudios encuestados que utilizan algoritmos de aprendizaje automático en ortodoncia

Odontología Solicitud Conjunto de datos Máquina Actuación

campo aprendizaje

algoritmos

Ortodoncia Sistema de IA para localización automática de puntos de referencia 40 radiografías cefalométricas NNa celular Diferencias entre los dos métodos P<0.05
cefalométricos laterales, de sujetos; rango de
leonardiy otros. [dieciséis] (2010) edad 9 -15 años; edad media
13,9 años

Predecir la necesidad de extracciones en el 200 pacientes; rango de edad 11-15 RNAb Precisión: 80%
tratamiento de ortodoncia con el uso de un sistema años
experto en pacientes entre 11 y 15 años
Xiey otros. [17] (2010)
Diagnóstico de deformidades dentales en imágenes de cefalometría a 100 imágenes cefalométricas Gini SVMC, ingenuo Precisión: propuesta Gini SVM, 98%; Gini SVM
través de la extracción de puntos de referencia para características laterales Bayes existente, 92%; Bayes ingenuo, 67%
craneofaciales en radiografía cefalométrica

Banumatiy otros. [53] (2011)

Predecir los tamaños de caninos y premolares no 106 sujetos no tratados (52 Híbrido GA - CPImi: 0,697, mandíbula; 0.742, maxilar
erupcionados durante el período de dentición mixta niñas, 54 niños); rango de RNAd
Moghimiy otros. [18] (2012) edad 13-15 años

Desarrollar un sistema experto para mejorar el Cefalogramas laterales de 156 RNA CCI: 0,97 a 0,99; tasas de éxito: diagnóstico de
diagnóstico y la decisión de extraer dientes para pacientes extracción/no extracción, 93%; diagnóstico de los
tratamiento de ortodoncia patrones de extracción en total, 84%
Jung y Kim [19] (2016)
Evaluación de la necesidad y el resultado del tratamiento de Rutas de escaneo visual de MVSF Precisión: necesidad de tratamiento, 97,2%; resultado del

ortodoncia desde la perspectiva de los profanos 88 laicos tratamiento, 93,4%

Wangy otros. [20] (2016)

Detección y numeración automática de dientes 1250 radiografías periapicales CNNgramo Las precisiones y los retiros superan el 90%; pagaréh,, 91%

Cheny otros. [54] (2019)

Decidir etapas de crecimiento y desarrollo de uso en Radiografías cefalométricas, de k-NNi, ingenuo Precisión: k-NN, CVSk 5 (60,9 %), CVS 6 (78,7
Ortodoncia por medio de mediciones de las 300 individuos; rango de edad Bayes, DTj, %); Bayes ingenuo, CVS 1 (992.1); DT, CVS 1
vértebras 8-17 años RNA, SVM, (97,1 %), CVS 2 (90,5 %); RNA, CVS 1 (93 %),
Koky otros. [55] (2019) Bosque aleatorio CVS 2 (89,7 %), CVS 6 (78 %), CVS 3 (68,8 %),
CVS 4 (55,6 %), CVS 5 (47,4 %); MVS, CVS 3
(73,2%), CVS 4 (58,5%); Bosque aleatorio, CVS
5 (36,8 %)
Describir el impacto del tratamiento ortognático en el 2164 fotografías de pre y post CNN Del mismo modo y efecto beneficioso sobre el atractivo
atractivo facial y la apariencia de la edad. tratamiento de 146 en el 74,7% (MDyo: 1,22 (IC del 95 %metro: 0,81; 1,63);PAGS

patcasy otros. [21] (2019) pacientes ortognáticos <0.001)

Evaluación del atractivo facial de pacientes que se han Imágenes frontales y de perfil de 20 CNN Puntuación media: 4,75 ±1,27; todosPAGS≥0.19
sometido a un tratamiento de fisuras mediante un sistema pacientes tratados con fisura del lado
automatizado izquierdo (10 hombres; edad media:

patcasy otros. [61] (2019) 20,5 años) y 10 controles (5 hombres;

edad media: 22,1 años)

Análisis automático de radiografías panorámicas para 1352 radiografías panorámicas de CNN Detección de dientes: Senorte, 0,994; precisión, 0,994
detección y numeración de dientes adultos Numeración de dientes: Se, 0,980; esp0, 0,999
Tuzoffet al.[56] (2019)
Evaluación de la variación de la estructura 107 CBCTpagsimágenes Bosque aleatorio ICC: 0,994 (autosegmentación); 0,999 (punto de referencia

maxilar en impactación canina unilateral automático)

Cheny otros. [52] (2020)

Diagnóstico de ortodoncia utilizando un análisis de 1792 cefalométrico CNN CCI: > 0,864, p< 0,001
rayos X cefalométrico automatizado radiografías
Kunzy otros. [22] (2020)
Medición automatizada de angulaciones molares 838 radiografías panorámicas CNN IoU medio: 90%; precisión: 79,7 % (–2,5°; 2,5°)
mandibulares en panorámica para predecir el potencial de y 98,1 % (–5°; 5°)
erupción de los terceros molares
Vranckxy otros. [50] (2020)

(Continuación...)

DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539 527

Tabla 1.(Continuado)
Odontología Solicitud Conjunto de datos Máquina Actuación
campo aprendizaje

algoritmos
Clasificación de los dientes supernumerarios 550 radiografías panorámicas CNN AUCq (Modelo C, DetectNet): 0,93 (datos de
maxilares impactados (275 pacientes con al menos 1 prueba 1); 0,96 (datos de prueba 2)
Kuwaday otros. [57] (2020) maxilar impactado)
dientes supernumerarios (IST) y
275 pacientes sin IST en la región
de los incisivos superiores

a NN Celular: Redes neuronales celulares;bRNA: Redes neuronales artificiales;CGini SVM: máquina de vectores de soporte de Gini; dHybrid GA-ANN: Algoritmo genético híbrido y red neuronal artificial;
mi CCI: coeficiente de correlación intraclase;FSVM: máquina de vectores de soporte;gramoCNN: redes neuronales convolucionales;hIoU: Intersección sobre unión;ik-NN: k-vecinos más cercanos;jDT: Árbol de decisión;
kCVS: etapas de las vértebras cervicales;yoDM: diferencia absoluta de medias;metroIC: Intervalo de confianza; Senorte: Sensibilidad; espo: Especificidad;pagsCBCT: tomografía computarizada de haz cónico,qAUC: Área bajo el receptor en
funcionamiento.

Tabla 2.Principales características de los estudios encuestados que utilizan algoritmos de aprendizaje automático en periodoncia

Odontología Solicitud Conjunto de datos Aprendizaje automático Actuación

campo algoritmos

Periodoncia Diagnóstico y clasificación de la Perfiles de expresión génica del MVSa ABCb: 0,63-0,99
periodontitis en base al perfil genoma completo a partir de 310
molecular biopsias de tejido gingival "sano" o
Kebschully otros. [63] (2013) "enfermo"

Diagnóstico de periodontitis agresiva y 4 muestras distintas de pacientes con RNAC Precisión: 90-98%
periodontitis crónica entrenado por periodontitis avanzada obtenidas de
parámetros inmunológicos estudios previos
Papantonopoulosy otros. [42] (2014)

Diagnóstico de enfermedades 150 pacientes MVS, DTdy ANN Precisión: SVM, 98%; DT, 98%; RNA, 46%
periodontales (estudio preliminar)

Özdeny otros. [64] (2015)

Clasificación de periodontitis crónica 3915 muestras de biofilm subgingival MVS Semi: 86%, EsF:79 %, ABC: 0,83
generalizada, periodontitis agresiva de 435 pacientes SVM
generalizada y salud periodontal a partir
de perfiles bacterianos
feresy otros. [sesenta y cinco] (2018)

Detección y clasificación de la 340 radiografías panorámicas CNNgramo CPIh: 0,91;PAGS<0.01

pérdida ósea periodontal de cada
diente individual
changy otros. [66] (2020)
Evaluación del riesgo de periodontitis 11048 pacientes (4766 casos Naïve Bayes, Logística Precisión: Naïve Bayes, 0,801 (0,791-0,811);
Shimpiy otros. [67] (2020) positivos y 6282 controles) Regresión, SVM, Regresión Logística, 0,768 (0,778-0,795); MVS,
ANN y DT 0,790 (0,780-0,799); RNA, 0,841 (0,833-0,849); TD,
0,901 (0,892-0,908)
a SVM: máquina de vectores de soporte;bAUC: Área bajo funcionamiento del receptor;CRNA: Redes neuronales artificiales;dDT: Árbol de decisión; Semi: Sensibilidad; espF: Especificidad;gramoCNN: redes neuronales convolucionales;hCCI:
Coeficiente de correlación intraclase.

3.3. Aplicaciones en medicina oral y cirugía maxilofacial (
Tabla 3)
En la última década, las aplicaciones del diagnóstico basado en ML
se han ampliado a la segmentación e identificación de quistes
maxilofaciales y otras lesiones radiolúcidas, así como al diagnóstico
de otras enfermedades orales comunes de creciente interés en el
dominio de la medicina oral y la cirugía maxilofacial.23,24,43,44,71]. El
estándar de oro para el diagnóstico final de estas lesiones es un
examen histopatológico específico, que suele ser más invasivo y
conlleva mayores costes y recursos. Por lo tanto, el avance de nuevas
metodologías que conduzcan a procesos más simplificados
y los procedimientos de diagnóstico precisos requieren una atención especial.
Varios estudios han aplicado con éxito el algoritmo CNNs para este propósito [
23,44,71]. Uno de los estudios informó que el mejor rendimiento se logró
mediante el uso de SVM (96 % de precisión) para clasificar los quistes y
queratoquistes periapicales dentales en un conjunto de imágenes de
tomografía computarizada de haz cónico (CBCT) en 3D [43]. El estudio también
exploró otros clasificadores como ANN, k-vecinos más cercanos (k-NN), naïve
Bayes, árboles de decisión y bosques aleatorios. La aplicación del clasificador k-
NN se basa en el principio de que los puntos de datos cercanos tienen
propiedades similares. Los informes muestran que k-NN es muy sensible a las
características irrelevantes, lo que puede hacer que el aprendizaje sea
ineficiente y afectar la interpretación.

DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
528 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539

Tabla 3.Principales características de los estudios encuestados que utilizan algoritmos de aprendizaje automático en medicina oral y cirugía maxilofacial

campo de la odontología Solicitud Conjunto de datos Aprendizaje automático Actuación

algoritmos

Oral Diagnóstico y clasificación de lesiones quísticas periapicales 50 CBCTaImágenes 3D obtenidas de k-NNb, Ingenuo Mejor precisión (SVM): 96,0 %
medicina y dentales y tumor odontogénico queratoquístico mediante 50 pacientes Bayes, DTC,
maxilofacial sistema de apoyo a la decisión bosque al azar,
cirugía Yilmazy otros. [43] (2017) RNAdy SVMmi
Diagnóstico y clasificación de lesiones radiolúcidas en la 210 imágenes de radiografías panorámicas CNNF Segramo: 0,88

mandíbula en radiografías panorámicas con lesiones radiolúcidas mandibulares

arijiy otros.[23] (2019)

Diagnóstico para casos de cirugía ortognática 316 casos RNA Tasa de éxito (diagnóstico quirúrgico/no

Choiy otros. [79] (2019) quirúrgico): 96 %

CPIh: 0,97- 0,99

Desarrollar un sistema automatizado inteligente para apoyar a 500 casos de seis ejes principales de CBRi Tasa de éxito: 76,9 %
los especialistas en el diagnóstico diferencial en medicina bucal enfermedades orales

Ehteshamy otros. [24] (2019)

Predecir la pérdida de sangre perioperatoria antes de 950 pacientes Bosque aleatorio Marylandj:7,4 ml, DEk: 172,3 ml, p <
la cirugía ortognática 0,001
Stehrery otros. [78] (2019)

Clasificación automática del estado de los artefactos dentales para 1538 planificación de cabeza y cuello CNN ABCyo: 0,91±0,01
verificaciones eficientes de la veracidad de las imágenes imágenes CBCT

Welchy otros. [51] (2019)

Detección y segmentación del foramen mentoniano 112 radiografías panorámicas digitales CNN Precisión: 71,13 %, recuperación: 68,24 %

Katsy otros. [74] (2020)

Diagnóstico de quistes odontogénicos y tumores de ambos 1282 radiografías panorámicas (350 quistes CNN Se: 88,9%, Esmetro: 97,2 %, precisión: 95,6
maxilares en radiografías panorámicas dentígeros, 302 quistes periapicales, 300 % y AUC: 0,94 (conjunto de datos
Kwony otros. [71] (2020) queratoquistes odontogénicos, 230 aumentados)
ameloblastomas y 100 maxilares normales
sin enfermedad

Diagnóstico de lesiones quísticas odontogénicas 2126 imágenes, incluidas 1140 CNN AUC: 0,914, Se: 96,1 %, Sp: 77,1 %
Leey otros. [44] (2020) (53,6 %) panorámicas y 986 (46,4
%) imágenes CBCT

Desarrollar un método para la segmentación dental 846 imágenes con anotaciones CNN Puntuación F1: 0,875, precisión: 0,858,
automatizada de imágenes dentales panorámicas con dentales de radiografías panorámicas recuerdo: 0,893, IoUnorte:0.877
fines de diagnóstico

Sotaventoy otros. [75] (2020)

Clasificación de imágenes de tomografía computarizada 1538 imágenes de tomografía computarizada CNN ABC: 0,92±0,03
de cabeza y cuello para detectar la presencia de
artefactos dentales que afectan la visualización de
estructuras

Welchy otros. [76] (2020)

Clasificación de las lesiones del seno maxilar en comparación Datos de imágenes para senos Precisión, Se y Sp: , 90-91%,
con los senos maxilares sanos maxilares sanos (587 senos), senos 88-85% y 91-96% (diagnóstico
Kuwanay otros. [77] (2021) maxilares inflamados (416 senos), sinusitis maxilar); 97-100%,
quistes de regiones de senos maxilares 80-100% y 100% (quistes de las
(171 senos) regiones del seno maxilar)
aCBCT: tomografía computarizada de haz cónico;bk-NN: k-vecinos más cercanos;CDT: Árbol de decisión;dRNA: Redes neuronales artificiales;miSVM: máquina de vectores de soporte;FCNN: redes neuronales convolucionales;gramoSe:
Sensibilidad;hICC: correlación intraclase;iCBR: Razonamiento basado en casos;jDM: diferencia absoluta de medias;kDE: Desviación estándar;yoAUC: Área bajo la curva de funcionamiento del receptor;metroEsp: Especificidad;norteIoU:
Intersección sobre unión.

del modelo final. Sin embargo, la transparencia de este clasificador lo hace
útil, ya que refleja la intuición de los usuarios humanos. Esta característica
también es común a los clasificadores naïve Bayes [72]. En general, la
selección de estos algoritmos para objetivos específicos es una tarea
difícil. Además, la evaluación de sus actuaciones puede ser diferente
según las características y el preprocesamiento de los conjuntos de datos [
60,72].
Otros estudios han reportado la aplicación del razonamiento basado en
casos de selección (CBR) en el análisis [24]. CBR proporciona
retroalimentación a través de la recopilación de los casos anteriores y
aprende de estos. Por lo tanto, se pueden definir nuevas reglas incluso
con la adición de nuevos casos. Muchas condiciones de la cavidad oral
muestran signos y síntomas clínicos similares, lo que a menudo puede
dificultar el diagnóstico.24,73]. Esto afecta a la fiabilidad del diagnóstico y
al posterior esquema de tratamiento a seguir por el paciente. La
tecnología CBR ha sido valiosa en el desarrollo de un enfoque meticuloso y
sistemático para la identificación única de estas enfermedades, buscando
una caracterización más exacta de las analogías.

DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539 529

y características que los distinguen. Los resultados, aunque incipientes,
destacan la capacidad de los algoritmos para mejorar la calidad y la eficiencia
de la atención al paciente a través de un diagnóstico preciso.
Estas técnicas también se han aplicado en la clasificación de lesiones del
seno maxilar, detección y segmentación de estructuras, así como clasificación
del estado de artefactos dentales para comprobaciones eficientes de la
veracidad de las imágenes [51,74-77].
El éxito de los algoritmos de ML en la predicción de la pérdida de sangre
perioperatoria antes de la cirugía ortognática también se ha investigado
recientemente.78]. El uso de un clasificador de bosque aleatorio podría
anticipar posibles complicaciones durante los procedimientos quirúrgicos y
calcular la probable pérdida de sangre perioperatoria antes de realizar la
cirugía. Esta predicción podría ser útil en la toma de decisiones por parte de
profesionales y pacientes en procedimientos electivos y facilitar un mejor
manejo de los procedimientos quirúrgicos. En un estudio reciente, se utilizaron
ANN para determinar el diagnóstico de casos de cirugía ortognática, mostrando
una tasa de éxito modelo del 96 % para las decisiones de diagnóstico.79].
3.2.1. Aplicaciones en odontología forense (Tabla 4)
La odontología forense y los exámenes antropológicos también se han visto
afectados por los avances de estas herramientas modernas. Uno de los estudios
que tuvo como objetivo clasificar los tipos de dientes en función de las
imágenes dentales CBCT aplicó algoritmos de CNN con una precisión del 88,8%
[80]. Varios estudios se han centrado en la aplicación de métodos
automatizados en la estimación de la edad utilizando dientes, un aspecto
importante de la odontología forense.48,81-83]. Los métodos manuales que
estiman la edad en función de la etapa de desarrollo del diente son minuciosos
y complejos. Un interesante estudio se centró en la evaluación de patrones
esqueléticos utilizando algoritmos automatizados [84]. automatizado
Los sistemas que contribuyen a mejorar la calidad y la velocidad de la
estimación de edad basada en ML son muy útiles y merecen más
atención dedicada a su posterior desarrollo y validación [82].
3.2.2. Aplicaciones en endodoncia (Tabla 5)
Estudios recientes que emplean estas técnicas en endodoncia han
indicado varias ventajas de rendimiento. Sin embargo, algunos de estos
estudios constituyen estudios preclínicos y la generalización de sus
resultados ha sido limitada. Entre las aplicaciones en esta área se
distingue la localización del foramen apical menor mediante
procedimientos de extracción de características a partir de radiografías [85
,86]. Estasex-vivolos estudios aplicaron ANN y revelaron resultados
prometedores que deberían explorarse más a fondo. La estimación exacta
de la longitud de trabajo es un paso inicial importante para un tratamiento
de conducto radicular exitoso. La introducción de mejoras en la
localización de la zona de mayor constricción (foramen apical menor) en el
conducto radicular constituye un elemento clave de renovado interés para
los endodoncistas clínicos.
Otro estudio tuvo como objetivo evaluar el rendimiento de las ANN en el
diagnóstico de fractura radicular vertical utilizando una muestra moderada de
dientes extraídos.87]. Aunque los resultados fueron exitosos, se debe incluir en
el análisis una mayor cantidad de dientes y otros grupos dentales para llegar a
conclusiones más confiables. Los estudios previos que recogieronen vivo
También se revisaron los datos [49,88,89]. Estos estudios utilizaron algoritmos
de CNN para ayudar en el diagnóstico del número de raíces de los primeros
molares mandibulares.88], para detectar fracturas radiculares verticales en
radiografías panorámicas [89], y para mejorar el diagnóstico de patología
periapical en imágenes CBCT [49]. Uno de los estudios [88] descubrió que los
sistemas de aprendizaje profundo que utilizan CNN para procesar imágenes
radiográficas económicas mostraron una alta

Tabla 4.Principales características de los estudios encuestados que utilizan algoritmos de aprendizaje automático en odontología forense

Odontología Solicitud Conjunto de datos Aprendizaje automático Actuación

campo algoritmos
Forense Clasificación de tipos de dientes en CBCT dentalaimágenes 52 imagen CBCT CNNb Precisión (datos de entrenamiento
odontología con fines de identificación forense aumentados): 88,8 %

Mikiy otros. [80] (2017)

Uso de técnicas de aprendizaje automático para la predicción de 229 cefalogramas laterales (95 RNAC, RVSd CPImi,:RNA, 0,84 - 0,99; RVS, dos
la morfología mandibular en clase esquelética I, II y III mujeres y 134 hombres); rango coeficientes por encima de 0,7
niño-sandovaly otros. [84] (2017) de edad 18-25 años

Estimación de la edad en niños y adolescentes con fines 976 ortopantomografías MVSF, RNA, k-NNgramo, K-Star, MAEh: árbol M5P, SVM: menos de 0,7 años
forenses (662 varones, 314 mujeres) de árbol de regresión, árbol tanto para machos como para hembras

Štepanovskýy otros. [81] (2017) niños y adolescentes; rango de M5P, bosque aleatorio
edad 2.7-20.5 años

Desarrollar un método automatizado para la estimación de la edad dental 400 radiografías panorámicas CNN Precisión media: 0,51, MDi: 0,6
basado en el estadio de los terceros molares inferiores en radiografías etapas, kappa: 0,82
panorámicas (estudio piloto)

De Tobely otros. [82] (2019)

Identificación humana automática a partir de radiografías dentales 15369 dental panorámica CNN Precisión: 85,16% y 97,74%
panorámicas radiografías de 6300
Admiradory otros. [83] (2020) individuos
Estimación automática de la edad de los dientes a partir de las etapas de 400 radiografías panorámicas CNN Precisión: 0,61, MD: 0,53 etapas,
desarrollo del tercer molar inferior izquierdo evaluadas en radiografías kappa: 0,84
panorámicas

Merdietioy otros. [48] (2020)

a CBCT: tomografía computarizada de haz cónico;bCNN: redes neuronales convolucionales;CRNA: Redes neuronales artificiales;dSVR: soporte de regresión vectorial;miCCI: coeficiente de correlación intraclase;
SVM: máquina de vectores de soporte;gramok-NN: k-vecinos más cercanos;hMAE: Error absoluto medio;iMD: diferencia media absoluta.
F

DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
530 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539

Tabla 5.Principales características de los estudios encuestados utilizando algoritmos de aprendizaje automático en endodoncia y cariología

Odontología Solicitud Conjunto de datos Máquina Actuación

campo aprendizaje

algoritmos

endodoncia Localización del foramen apical menor utilizando 50 incisivos y segundos premolares RNAa Tasa de éxito: 93%
procedimientos de extracción de características de rayos X y mandibulares de raíz única con
luego procesando datos utilizando una red neuronal artificial curvaturas <30° en la región apical,
como sistema de toma de decisiones. extraídos por razones ortodóncicas o
Saghiriy otros. [85] (2012) periodontales

Ubicación del foramen apical menor utilizando 50 dientes de una sola raíz de 19 RNA Tasa de éxito: 96%, ICb: 90,57–101,43; p<0,001
procedimientos de extracción de características de cadáveres masculinos; rango de edad
radiografías (un estudio de cadáver) 49-73 años

Saghiriy otros. [86] (2012)

Diagnóstico de fractura radicular vertical (un estudio ex 200 imágenes radiográficas digitales de RNA SeC: 98%, Esd: 90,5 %, precisión: 95,7 %
vivo) premolares humanos extraídos con una
Kositbowornhaiy otros. [87] (2013) sola raíz (50 sanas y 150 fracturas
radiculares verticales)

Diagnóstico del número de raíces distales de primeros Radiografías panorámicas de 760 CNNmi Precisión: 86,9%
molares mandibulares primeros molares mandibulares de 400

Hiraiway otros. [88] (2019) pacientes

Detección de fractura radicular vertical en radiografía 300 imágenes panorámicas que contienen un CNN Recuperación: 0,75, precisión: 0,93, medida F: 0,83
panorámica utilizando un sistema de red neuronal total de 330 dientes con líneas de fractura

claramente visibles

Fukuday otros. [89] (2019)

Diagnóstico de patología periapical en CBCTF Imágenes de 153 lesiones periapicales CNN Recuperación: 0,89, precisión: 0,95, medida F: 0,93
imágenes obtenidas de 109 pacientes

Orhany otros. [49] (2020)

Cariología Diagnóstico aproximado de caries usando un 100 superficies aproximadas de 50 RNA ABCgramo::caries de esmalte medio interno, 0,691±0,048;
sistema de diagnóstico asistido por computadora dientes humanos extraídos (primeros y caries dentinaria, 0,745±0,088; todas las caries,

Arakiy otros. [26] (2010) segundos premolares maxilares) 0,662±0,061

Diagnóstico de caries dental en radiografías 3000 imágenes radiográficas CNN Modelo de premolar y molar-Se: 81,0 %
periapicales periapicales (74,5-86,1), Sp: 83,0 % (76,5-88,1), precisión:
Sotaventoy otros. [27] (2018) 82,0 % (75,5-87,1), VPPh: 82,7% (76,1-87,9),
VANi: 81,4 (75,0-86,4), AUC: 0,845 (IC 95%
0,790- 0,901)
Desarrollar modelos para la identificación del riesgo de caries 5135 individuos; edad media MVSk, Se, Sp, exactitud, precisión, AUC: SVM: 0,996,
radicular (±DEj): 46,6 ± 18,1 años XGBoostyo, 0,943, 0,97, 0,951, 0,997; XGBoost: 1.000,
Colgadoy otros. [28] (2019) bosque al azar, 0.889, 0.947, 0.908, 0.987; Bosque aleatorio:
k‐NNmetro, LRnorte 1.000, 0.875, 0.941, 0.947, 0.999; k‐ NN: 0,971,
0,679, 0,832, 0,769, 0,881; LR: 0,771, 0,711,
0,742, 0,742, 0,818
Detección de lesiones de caries en imágenes de 3686 radiografías de mordida CNN Se: 0,75, Sp: 0,83, precisión: 0,80, PPV: 0,70,
radiografías de aleta de mordida VPN: 0,86, medida F: 0,73
Cantúy otros. [29] (2020)
Diagnóstico de caries dental en radiografías 105 imágenes derivadas de BPNNo Precisión: 0,971, ABC: 0,987
periapicales digitales radiografía digital intraoral
Gitay otros. [30] (2020)
Predicción del riesgo de caries en personas geriátricas 1144 geriatría; rango de edad 65-74 GRNNpags Se: 91,41% (conjunto de entrenamiento), 85,16% (conjunto de prueba); Sp: 72,38%

Liuy otros. [31] (2020) años (conjunto de entrenamiento), 70,27% (conjunto de prueba); ABC: 0,777

Detección de lesiones de caries en imágenes de 226 dientes humanos permanentes CNN AUC: 0,74 (0,66-0,82), Se: 0,59 (0,47-0,70),
transiluminación con luz infrarroja cercana posteriores extraídos (113 premolares, Sp: 0,76 (0,68-0,84), PPV: 0,63 (0,51-0,74),
Schwendickey otros. [32] (2020) 113 molares) VPN: 0,73 (0,65-0,80)
Evaluación de la rentabilidad en la detección de 3686 radiografías de mordida CNN Precisión: 0,80;PAGS<0,05, RCEIq: –13,9 euros/
caries proximales en radiografías de mordida año
usando IA
Schwendickey otros. [90] (2020)

aANN: Redes neuronales artificiales;bIC: Intervalo de confianza;CSe: Sensibilidad;dEsp: Especificidad;miCNN: redes neuronales convolucionales;FCBCT: tomografía computarizada de haz cónico;gramoAUC: Área bajo
funcionamiento del receptor;hVPP: valor predictivo positivo;iVPN: valor predictivo negativo;jDE: Desviación estándar;kSVM: máquina de vectores de soporte;yoXGBoost: refuerzo de gradiente extremo;
metro k-NN: k-vecinos más cercanos;norteLR: regresión logística;oBPNN: Redes neuronales de retropropagación;pagsGRNN: Red neuronal de regresión general;qICER: Razón de costo-efectividad incremental.

DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
precisión (86,9%) en el diagnóstico diferencial de una raíz única o extra en
las raíces distales de los primeros molares mandibulares.
3.2.3. Aplicaciones en cardiología (Tabla 5)
Los hallazgos de estudios previos ya reflejan posibles aplicaciones,
tanto para el desarrollo de sistemas de diagnóstico de lesiones de
caries a través de imágenes como para la estimación del pronóstico
de la enfermedad [26-32,90]. Además, la caries dental sigue siendo un
importante problema de salud bucal para muchos grupos de la
población.91-93]. En este contexto, nuevas alternativas y
herramientas que garanticen mejoras en los métodos actuales de
diagnóstico y pronóstico serán bien recibidas entre los odontólogos y
pacientes en ejercicio.
Un estudio particular [28] tuvo como objetivo desarrollar modelos para
la predicción de caries radiculares en adultos y reportó un excelente
desempeño a partir de una gran base de datos. Entre los algoritmos
utilizados, el método basado en SVM demostró el mejor rendimiento para
la identificación de caries radicular, con una precisión del 97,1 %, una
precisión del 95,1 %, una sensibilidad del 99,6 % y una especificidad del
94,3 %. Sin embargo, el estudio informó algunos problemas relacionados
con el uso de datos transversales, que podrían afectar el valor predictivo
del modelo. Las estrategias de generalización y validación utilizando datos
longitudinales deben explorarse más a fondo. Otro estudio, que destaca
por la calidad de su diseño, se centró en la predicción de caries en
pacientes geriátricos utilizando redes neuronales de regresión general
(GRNN), y mostró resultados prometedores, con una sensibilidad del
91,41% en el conjunto de entrenamiento y del 85,16% en el conjunto de
prueba [31]. GRNN representa una técnica de red neuronal mejorada
basada en regresión no paramétrica. Estos algoritmos pueden ser muy
útiles para realizar predicciones y comparaciones del rendimiento del
sistema en la práctica debido a su capacidad para converger sobre la
función subyacente de los datos con solo unas pocas muestras de
entrenamiento. El conocimiento adicional requerido para obtener el ajuste
con éxito es relativamente pequeño y se puede lograr sin la participación
adicional del usuario, lo cual es muy ventajoso [31,37].
Un estudio novedoso evaluó, por el 1S ttiempo, la rentabilidad
de estas tecnologías, que es una consideración vital para su
aplicación en el entorno clínico [90]. El estudio informó resultados
alentadores para el uso de métodos automatizados en el
diagnóstico de caries.
3.3. Aplicaciones en prótesis, odontología conservadora e
implantología (Tabla 6)
Otros subcampos de la odontología, como la prótesis, la odontología
conservadora y la implantología, también se han beneficiado de la
implementación de técnicas de ML. En estos campos se ha fomentado el uso de
sistemas basados en ANN que apoyen el pronóstico de deformación facial tras
una prótesis completa. Los resultados experimentales mostraron que este
método puede predecir la deformación de los tejidos blandos faciales de
manera rápida y precisa, lo cual es valioso en la toma de decisiones para
establecer acciones de tratamiento concretas [94]. Otros estudios se han
centrado en la clasificación de características específicas de los dientes
utilizando ANN.95], el potencial de las ANN para mejorar el color de los dientes
a través de sistemas asistidos por computadora [96],
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
531
y la detección y clasificación automatizadas de varias restauraciones
dentales en radiografías panorámicas usando SVM [97]. El estudio que
utilizó SVM informó una alta precisión (93,6%).
Otras aplicaciones se centraron en el uso de CNN para predecir la
probabilidad de desprendimiento de coronas de resina compuesta fabricadas
con un diseño asistido por computadora [98]. Otro estudio utilizó el algoritmo
Extreme Gradient Boost (XGBoost) para desarrollar un modelo de soporte de
decisiones clínicas para la predicción de la terapia de extracción dental
relacionada con el uso posterior de dentaduras postizas.99]. El algoritmo
mostró una precisión del 96,2% y demostró ser un potente clasificador y
regresor, alcanzando en general un rendimiento óptimo en datos
estructurados.
En el campo de la implantología, dos estudios demostraron un buen
rendimiento de las CNN en la detección de sistemas de implantes [45,100].
La colocación de implantes dentales como una rama del tratamiento de
rehabilitación se ha vuelto común recientemente entre los pacientes que
requieren una rehabilitación protésica dental más sólida desde el punto de
vista estético y funcional. En la actualidad se colocan un número
considerable de sistemas de implantes con diferentes estructuras de
fijación y características, por lo que su identificación basada en imágenes
radiográficas de rutina puede resultar complicada para los odontólogos
clínicos. La identificación adecuada de estos sistemas reduciría los
tratamientos más invasivos en los que el paciente requiere algún tipo de
reparación o reposicionamiento del sistema de implantes. Otra aplicación
en esta área se centra en la predicción de los niveles medios de hueso
periimplantario de los pacientes, lo cual es muy útil para estimar la
supervivencia del implante y explorar alternativas de tratamiento
plausibles que conduzcan a los mejores resultados.101]. Este estudio usó
SVM para modelar e informó un rendimiento moderado.
4. Factores clave que influyen en la implementación clínica
de ML
Los hallazgos presentados anteriormente apuntan a un futuro prometedor
de los algoritmos de ML aplicados en la práctica dental. En esta sección,
describiremos algunos factores clave que deben considerarse para guiar de
manera efectiva la aplicación práctica de estas metodologías.
4.1. Definición de la incertidumbre clínica
Debe identificarse una definición clara de incertidumbre clínica
específica. Los resultados deseados deben definirse adecuadamente para
guiar la investigación. Además, el objetivo debe estar adecuadamente
representado en términos de entradas y salidas, debe corresponder a
criterios plausibles y considerar el escenario clínico real además de los
resultados de otros análisis. La reducción de la heterogeneidad entre los
informes debe garantizarse mediante el uso de directrices claras e
inequívocas. Un estudio previo hace valiosas sugerencias al respecto [102].
4.2. Gestión de datos
Reproducir los hallazgos de los estudios de desarrollo en la práctica clínica
plantea ciertos desafíos. Los estudios que utilizan ML intentan generalizar los
vínculos de las variables de entrada y salida en el conjunto de datos a través del
proceso de aprendizaje. Sin embargo, los conjuntos de datos a menudo se
confunden con el ruido. Por lo tanto, las características intrínsecas de la
532 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539

Tabla 6.Principales características de los estudios encuestados que utilizan algoritmos de aprendizaje automático en prótesis, odontología conservadora e implantología

Odontología Solicitud Conjunto de datos Aprendizaje automático Actuación

campo algoritmos
prótesis, Predicción de la deformación facial después de una Escaneo facial 3D preoperatorio y RNA Tasa de error promedio: 22.49%
conservador prótesis dental completa postoperatorio de 48 pacientes
odontología y Chengy otros. [94] (2015) ANNa
implantología
Clasificación de características específicas de los dientes basada 129 conjuntos de datos, que consisten en 69 RNA Tasa de éxito: 93,3% y 93,5%
en datos de escaneo 3D modelos virtuales de mandíbula superior y 60

Raithy otros. [95] (2017) modelos virtuales de mandíbula inferior

Predicción del nivel óseo periimplantario medio del paciente 72 pacientes tratados con implantes MVSb SeC: 55% , Esd: 91 %, optimización de enjambre

Papantonopoulosy otros. [101] (2017) con 237 implantes (media de 7,4 ± 3,5 de partículas-SVM: Se: 62 %, Sp: 85 %
años de función)

Mejorar el sistema de coincidencia de color por computadora (CCM) 43 muestra de metal-cerámica RNA Marylandmi: 1,89 ± 0,75; p<0,01
para medir cuantitativamente el color de un diente y ofrecer una

receta de porcelana con instrucciones

Weiy otros. [96] (2018)

Predicción de la probabilidad de desprendimiento de coronas de 8640 imágenes CNNF Exactitud: 98,5 %, precisión: 97,0 %,
resina compuesta de diseño asistido por computadora/ recuperación: 100 %, medida F: 0,985, AUC
fabricación asistida por computadora con modelos de gramo : 0.998
estereolitografía 3D de un troquel escaneado de pacientes

Yamaguchiy otros. [98] (2019)

Detección automática y clasificación de varias 738 restauraciones dentales en 83 MVS Precisión general: 93,6 %
restauraciones dentales en radiografías panorámicas imágenes panorámicas anonimizadas

Abdalla-Aslany otros. [97] (2020)

Construya un modelo de apoyo a la decisión clínica para 4135 registros dentales Árbol de regresión Precisión, ABCyo: algoritmo del árbol
predecir la terapia de extracción dental en situaciones electrónicos no identificados de algoritmo, AdaBoost de regresión: 0,953, 0,919; AdaBoost:
clínicas mediante el uso de registros dentales electrónicos. 3559 pacientes h, GBDTi, Luz GBMjy 95;5, 0,970; GBDT: 0,957, 0,970; Luz
Cuíy otros. [99] (2020) XGBoostk GBM: 0,957, 0,970; XGBoost:
0.962,0.970
Identificación de la marca y modelo de un implante 1206 imágenes radiográficas de implantes CNN Precisión: 93,8 % (95 % ICmetro: 87,2-
dental a partir de radiografías dentales 99,4%), Se: 93,5% (IC 95%:
Hadj Saidy otros. [100] (2020) 84,2-99,3 %), Esp: 94,2 % (IC 95 %:
83,5-99,4%), VPPnorte: 92% (IC 95%:
83,9-97,2%), VPNo: 91,5% (IC 95%:
80,2-97,1%), AUC: 0,918 (IC 95%:
0,826-0,973)
Identificación y clasificación de sistemas de implantes 5390 imágenes radiográficas CNN ABC: 0,971, IC 95%: 0,963-0,978
dentales, mediante radiografías panorámicas y panorámicas y 5380 periapicales de 3
periapicales (estudio piloto) tipos de sistemas de implantes
Sotaventoy otros. [45] (2020) dentales

aANN: Redes neuronales artificiales;bSVM: máquina de vectores de soporte;CSe: Sensibilidad;dEsp: Especificidad;miDM: diferencia absoluta de medias;FCNN: redes neuronales convolucionales;gramoAUC: Área bajo funcionamiento del
receptor;hAdaBoost: refuerzo adaptativo;iGBDT: árbol de decisión de aumento de gradiente;jLight GBM: máquina potenciadora de gradientes de luz;kXGBoost: refuerzo de gradiente extremo;yoAUC: Área bajo la curva de
funcionamiento del receptor;metroIC: Intervalo de confianza;norteVPP: valor predictivo positivo;oVAN: Valor predictivo negativo.

datos (por ejemplo, datos categóricos, datos numéricos y series de tiempo),
origen, volumen, valores atípicos, datos faltantes, etc., podrían afectar la
confiabilidad de los modelos y dar lugar a interpretaciones falsas al evaluar el
desempeño [39]. Por ejemplo, se detectaron variaciones en los criterios de
clasificación de la enfermedad periodontal (condición objetivo) cuando se
analizaron los datos retrospectivos. Además, uno debe ser consciente de lo que
se llama "fuga de datos" [8,39,40]. La fuga de datos se produce cuando un
determinado atributo codifica accidentalmente el resultado (por ejemplo,
cuando la necesidad de una prótesis parcial ya indica el diagnóstico de
edentulismo). Inicialmente, se deben eliminar las covariables con el mismo
significado. Los criterios de plausibilidad biológica deben guiar la selección de
covariables. Las estrategias para reducir la dimensionalidad de los datos son
fundamentales para garantizar la simplicidad y eficacia de los modelos. Por lo
tanto, el preprocesamiento, la limpieza y la normalización de datos
son pasos esenciales en todos los análisis [39,103]. Para la minería de datos se
han utilizado técnicas automatizadas como la inducción constructiva, el
descubrimiento de interacción de atributos y los enfoques de modelado no
lineal a través de métodos integrados, filtros o envolturas.104,105]. Uno de los
estudios revisados que tenía como objetivo estimar los predictores asociados
con la periimplantitis implementó algunas de estas técnicas en un intento de
reducir la dimensionalidad de los datos.101].
Además, se pueden introducir sesgos cuando los datos no capturan la
realidad epidemiológica de los eventos.40]. Por ejemplo, un modelo de
predicción de caries dental basado en atributos específicos de una
población de estudiantes de odontología adolescentes de países de altos
ingresos puede no ser generalizable para hacer inferencias diagnósticas
de enfermedad periodontal para toda la población, sin incluir a las
mujeres en la formación inicial. Estas predicciones introducirían

DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
ciertas disparidades y falsas interpretaciones en los modelos. En este
contexto, es fundamental recolectar muestras representativas basadas en
hipótesis idealizadas. El uso de métodos tradicionales de cálculo de poder,
considerando el tamaño de las diferencias clínicas importantes, la
similitud, la no inferioridad o la superioridad de los modelos que usan ML
en contraste con el estándar de oro, puede permitir la extrapolación
posterior de los resultados.106]. Un estudio anterior centrado en la
predicción de la caries dental ilustra mejor este análisis [31].
Se debe hacer énfasis en la disponibilidad de datos de ejemplos
reales para la posterior aplicación del modelo en la práctica clínica [39
,106]. Los repositorios de acceso público que registran datos médicos
y dentales específicos podrían ser muy útiles para lograr este objetivo
[40]. Uno de los estudios anteriores hizo uso de datos de uso público
de la Encuesta Nacional de Examen de Salud y Nutrición e informó un
buen desempeño de los clasificadores ML en la predicción de la caries
radicular en este conjunto de datos [28]. Los repositorios con
información dental específica son escasos. En este sentido, los
esfuerzos para crear fuentes de datos interoperables deben
ampliarse para brindar apoyo a la implementación de estas
metodologías [39]. Esto, a su vez, ayudará en la evaluación de su
desempeño al lograr una mayor transparencia y reproducibilidad en
los informes. Cabe señalar la variabilidad relacionada con las
diferencias en las anotaciones y las características particulares de las
fuentes de datos (historias clínicas, radiografías, fotografías, pruebas
de laboratorio y modelos) entre varios repositorios [39]. Por lo tanto,
consideramos esencial aplicar estándares a las tecnologías basadas
en IA, creando una nomenclatura común que facilite la
implementación de métodos consistentes de almacenamiento y
recuperación de datos en plataformas públicas. Además, los registros
dentales y los informes médicos deben conservarse y enviarse a
comités de expertos para integrarlos en estos repositorios [107,108].
4.3. Conjuntos de entrenamiento, validación y prueba
Dada la falta de certeza con respecto al algoritmo para obtener el mejor
clasificador, es útil tener conjuntos de datos aleatorios que no se superpongan
para entrenamiento, validación y/o prueba. Por lo tanto, se pueden realizar
comparaciones entre diferentes algoritmos en el conjunto de entrenamiento, el
modelo se puede ajustar y optimizar en el conjunto de validación y el
rendimiento del modelo se puede evaluar en el conjunto de prueba.108]. Este
proceso reduce la posibilidad de sobreajustar el modelo condicionado por la
memorización de las características de los datos de entrenamiento, lo que
puede hacer que el modelo falle cuando se utiliza en una muestra
independiente. Las similitudes en las tasas de éxito del conjunto de
entrenamiento, el conjunto de validación y el conjunto de prueba implican la
mejor generalización del modelo. Un estudio que utilizó redes neuronales en el
diagnóstico de extracciones dentales seguido del enfoque anterior para evaluar
la capacidad de los sistemas expertos con ML mostró un rendimiento adecuado
para los diferentes conjuntos. Por lo tanto, el sistema podría probarse más
ampliamente para respaldar la toma de decisiones durante la práctica dental.19
]. Otros enfoques para guiar la validación, como los métodos de remuestreo
(por ejemplo, bootstrapping y validación cruzada), se han recomendado
encarecidamente en las pautas del modelo de predicción clínica, cuando no es
posible obtener un conjunto separado.4,109,110]. Sin embargo, los resultados
deben ser
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
533
interpretado con precaución ya que solo se informaron los mejores
resultados al comparar varios algoritmos usando este procedimiento.
Como el número de ejemplos influye en el proceso de aprendizaje en ML, se
espera que algunas estrategias contribuyan a la mejora de la formación. El aumento
se puede utilizar cuando se recopila el conjunto de datos de la imagen. Esta técnica
nos permite expandir artificialmente el tamaño de un conjunto de datos mediante la
creación de versiones modificadas de imágenes, lo que mejora la capacidad de los
modelos de ajuste para generalizar lo que han aprendido a nuevas imágenes. El uso
del aprendizaje por transferencia también puede brindar oportunidades de
capacitación y ayudar a mejorar el rendimiento del modelo. Varios estudios dentales
previos han implementado estos enfoques [27,29,56,88]. También se pueden aplicar
técnicas de sobremuestreo y muestreo repetido para reducir los sesgos y mejorar el
rendimiento del modelo.106,110].
4.4. Validación externa
Incluso cuando se aplica la validación interna reservando un conjunto separado de
la misma muestra para la prueba, los datos de entrenamiento serían demasiado
personalizados y el rendimiento de los clasificadores podría sobreestimarse. Por lo
tanto, para extrapolar los resultados y garantizar la certeza en el desempeño clínico
de los modelos, la verificación a través de un conjunto independiente (validación
externa) es crucial. La validación externa debe realizarse en estudios de cohortes,
idealmente con datos adquiridos de forma independiente por medio de datos
geográficos (p. ej., conjuntos de datos recopilados de un departamento de
odontología pediátrica en otro distrito) o temporales (p. ej., conjuntos de datos
recopilados de otros pacientes pediátricos en el mismo departamento después de 6
meses). divisiones También se pueden obtener conjuntos de datos de acceso abierto,
si están disponibles [39,106].
4.5. Clases desequilibradas
Uno de los problemas recurrentes encontrados durante el diagnóstico
médico es enfrentar clases desequilibradas donde hay un número
desproporcionado de observaciones en cada clase (por ejemplo, caries
presente o caries ausente; cáncer oral o no cáncer oral). En este escenario,
los clasificadores exhiben poca precisión en la clase minoritaria, ya que los
algoritmos estándar están diseñados para maximizar la precisión y reducir
las tasas de error. Ignoran la diferencia entre los tipos de errores de
clasificación, que pueden resultar costosos en la práctica médica o dental [
111]. Por ejemplo, la clasificación en el diagnóstico de cáncer bucal puede
favorecer a los falsos negativos (individuos con cáncer pero clasificados
como negativos). En consecuencia, estos pacientes no recibirían atención
médica. En este escenario, la métrica de precisión puede mostrar un valor
alto pero brindar una comprensión engañosa del rendimiento real del
modelo. Se han sugerido soluciones para este problema tanto a nivel de
datos como a nivel algorítmico. Las soluciones a nivel de datos incluyen
diferentes formas de remuestreo, como el sobremuestreo aleatorio con
reemplazo, el submuestreo aleatorio, el sobremuestreo dirigido (donde se
informa la elección de muestras para reemplazar, en lugar de al azar), el
submuestreo dirigido (donde la elección de los ejemplos a ser eliminado
se informa), sobremuestreo con generación informada de nuevas
muestras, o combinaciones de las técnicas anteriores. Las soluciones a
nivel algorítmico incluyen ajustar los costos de las diversas clases para
contrarrestar el desequilibrio de clases; por ejemplo, los árboles de
decisión se pueden usar para ajustar la estimación probabilística en la hoja
del árbol [111,112].
534 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
4.6. Estándar de referencia (verdad básica)
En el campo de la minería de datos, la definición de la referencia
estándar es importante para etiquetar los datos y evaluar el
desempeño del clasificador. Llegar a una definición óptima puede ser
un desafío. El estándar de referencia clínica se entiende como el
mejor método disponible para establecer la presencia o ausencia de
la condición objetivo. Sin embargo, el patrón oro sería un patrón de
referencia sin errores [113]. En consecuencia, podemos deducir que
estos patrones de referencia muchas veces no son perfectos. Un
ejemplo concreto es el examen visual y táctil de rutina utilizado por el
clínico para el diagnóstico de caries dental, que puede inducir a
errores. En este contexto, los valores de sensibilidad o especificidad
pueden estar sobreestimados o subestimados. Es necesario evaluar la
correlación entre el desempeño del clasificador y la referencia
estándar, y el uso de datos externos puede generar nuevos ajustes.
Asumir un estándar de referencia compuesto que combina los
resultados de múltiples pruebas imperfectas puede ser otra
alternativa. Los datos clínicos utilizados de forma rutinaria pueden
agregar valor adicional a los análisis [114]. Por ejemplo, al evaluar la
presencia de periodontitis, se deben considerar las observaciones
clínicas, como el perfilado de la bolsa al sondaje, los signos y síntomas
del periodonto y el sangrado, además de considerar el nivel óseo
utilizando criterios radiográficos. Esto proporcionará un estándar más
sólido y reducirá posibles interpretaciones erróneas. Un panel o un
diagnóstico de consenso que incluya una muestra suficientemente
grande de expertos podría generar una mayor credibilidad en
comparación con el juicio aislado de un experto. Se debe limitar la
inclusión de clínicos con menos experiencia, ya que puede dar lugar a
errores en la interpretación del rendimiento de los algoritmos.
Además, se debe considerar el proceso de calibración y los métodos
para medir la intervariabilidad e intravariabilidad [115].
4.7. Selección de clasificador
La selección del clasificador adecuado aún constituye un vacío en la
literatura relacionada con el tema. La mayoría de los clasificadores
propuestos en los estudios revisados por nosotros mostraron un buen
desempeño. Para extender estos estudios a la práctica dental clínica, se
prefieren modelos interpretables. Estos modelos permiten una mejor
explicación de los parámetros seleccionados y serán más útiles en la toma
de decisiones [110]. Por lo tanto, si estos clasificadores muestran niveles
de precisión similares al comparar varios modelos, se deben priorizar los
explicables. Los resultados de precisión pueden ser engañosos,
especialmente cuando se utilizan clases desequilibradas. Las métricas
como la matriz de confusión y el área bajo la curva característica operativa
del receptor (AUC) pueden proporcionar una mejor comprensión del
rendimiento del modelo en la práctica clínica.103,106,116]. También se
han reportado otras métricas para evaluar modelos utilizados para la
detección o segmentación de objetos en imágenes [102].
4.8. Despliegue y aplicación clínica
Algunos aspectos deben evaluarse cuidadosamente antes de extender
la aplicación de estas tecnologías a la práctica clínica. Así como su utilidad
en la toma de decisiones, análisis de costo-efectividad, beneficios en la
calidad de los servicios y aceptación de sus
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
Se debe considerar la introducción por parte de los pacientes y los
médicos. Sin embargo, los estudios sobre la utilidad práctica de los
modelos que utilizan minería de datos en odontología son escasos.117].
Un informe reciente que brinda detalles en relación a la evaluación de la
rentabilidad en la detección de caries proximal apoyó la posibilidad de
introducir estas herramientas en la práctica clínica [90]. En general, es
necesario verificar conjuntos de datos fuera de muestra para verificar la
utilidad de estas tecnologías antes de su difusión en la práctica dental. Los
estudios de observación bien diseñados deben centrarse en evaluar los
impactos de estas herramientas a lo largo del tiempo, comparando
escenarios en los que se han utilizado estas herramientas con aquellos en
los que no se han utilizado. La literatura revisada por nosotros carece de
ensayos clínicos aleatorios, que también deberían alentarse para mejorar
el cuerpo de evidencia sobre el potencial de la extracción de datos en la
práctica dental.106,117]. Además, los estudios realizados entre
instituciones pueden reflejar mejor las capacidades de estas tecnologías y
dar una mayor validez externa a los resultados.39].
Otro punto clave es que estos análisis a menudo se reservan para
especialistas en un área sin una interfaz adecuada para la
implementación de estos recursos por parte de los profesionales de la
salud de rutina. La comunidad científica interdisciplinar debe
perpetuar soluciones innovadoras que contribuyan a la mejora en
este ámbito. En odontología, nuestros hallazgos revelaron el
desarrollo de varios sistemas automatizados que han mostrado
buenos desempeños, especialmente cuando se aplican al diagnóstico
basado en imágenes. Los estudios exploratorios centrados en los
aspectos mencionados podrán garantizar la expansión práctica de
estas tecnologías en el ámbito clínico.
Además, la comunidad de profesionales de la salud también debe ofrecer
aceptación formal de uso en servicio después de un análisis riguroso de estas
tecnologías para garantizar la efectividad de su aplicación. Estas tecnologías
también serán una fuente de almacenamiento de datos para futuras
investigaciones y evaluaciones de la mejor evidencia relacionada con ciertos
esquemas de diagnóstico o tratamiento [8]. Sin embargo, la utilidad de estos
sistemas no reemplazará la función del clínico, quien generalmente evalúa
otros aspectos en relación con las condiciones clínicas, psicológicas y
conductuales del paciente. Más bien, servirá para facilitar ciertas decisiones en
el entorno real. Los aspectos financieros de la implementación de ML suelen ser
otra preocupación. A medida que estas técnicas experimenten mejoras con su
uso continuo en el cuidado de la salud, se requerirán mayores contribuciones
financieras para la investigación y el desarrollo posterior.107,116,118].
5. Consideraciones finales
El uso de ML se ha ampliado recientemente a diferentes especialidades
clínicas dentales. Los algoritmos como CNN y SVM se han mostrado
prometedores para impulsar el uso futuro de estos recursos en diferentes
aspectos de la práctica clínica dental. Ofrecen un vasto arsenal de herramientas
para respaldar el diagnóstico y el pronóstico y mejorar las decisiones clínicas.
Los aspectos éticos del acceso y manejo de grandes cantidades de información
sensible merecen especial atención. Se recomienda un procesamiento previo
meticuloso de los datos para extraer modelos útiles. El uso de diseños de
estudios longitudinales y la verificación a través de ensayos clínicos debe
guiarse por los avances de estas técnicas novedosas. Externo
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
la validación también debe extenderse para garantizar el uso de modelos
eficientes y generalizables. Además, se debe mejorar sistemáticamente la
homogeneización de las metodologías para la presentación de estos estudios
en la práctica clínica para una mejor comprensión de dichas propuestas.
Futuros estudios en el campo de la odontología deberían estar encaminados a
obtener evidencia sólida sobre el desempeño de estos modelos y promover su
introducción en la práctica general.
Expresiones de gratitud
Este estudio fue financiado en parte por la Coordenação de
Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES)
- Código de Finanzas 001. Este estudio fue financiado por el Conselho
Nacional de Desenvolvimento Científico e Tecnológico (CNPq
– proceso 160258/2020-0) y Fundação de Amparo à Pesquisa do
Estado do Rio Grande do Sul (FAPERPGS – proceso 17/2551-
0001083-3).
Conflicto de intereses
Los autores no tienen ningún conflicto de intereses.
Referencias
[1] Turing IB. Maquinaria de Cómputo e Inteligencia. Am
Turing Mind 1950; 59:433.
[2] Tegmark M. Life 3.0: Ser humano en la era de la inteligencia
artificial. Estados Unidos: Knopf; 2017.
[3] Ahuja AS. El impacto de la inteligencia artificial en medicina
en el rol futuro del médico. PeerJ 2019;7:e7702.
[4] Hung K, Montalvao C, Tanaka R, Kawai T, Bornstein MM.
El Uso y Desempeño de Aplicaciones de Inteligencia
Artificial en Radiología Dental y Maxilofacial:
Una revisión sistemática. Dentomaxillofac Radiol
2020;49:20190107.
[5] Collen MF, Shortliffe EH. La creación de una nueva disciplina. En: La
Historia de la Informática Médica en los Estados Unidos.
Londres: Springer; 2015. pág. 75-120.
[6] Parque WJ, Parque JB. Historia y Aplicación de las Redes Neuronales
Artificiales en Odontología. Eur J Dent 2018;12:594.
[7] Ramesh AN, Kambhampati C, Monson JR, Drew PJ.
Inteligencia Artificial en Medicina. Ann R Coll Surg Engl
2004;86:334.
[8] Rajkomar A, Dean J, Kohane I. Aprendizaje automático en
medicina. N Engl J Med 2019;380:1347-58.
[9] Wiens J, Campbell WN, Franklin ES, Guttag JV, Horvitz E. Learning data-
drivenpatient risk str. Modelos de investigación para clostridium
difficile. vol. 1. En: Foro Abierto Enfermedades Infecciosas. Oxford:
Prensa de la Universidad de Oxford; 2014.
[10] Henry KE, Hager DN, Pronovost PJ, Saria S. A Targeted
Real-time Early Warning Score (TREWScore) for Septic
Shock. Sci Transl Med 2015;7:299.
[11] Colubri A, Silver T, Fradet T, Retzepi K, Fry B, Sabeti P.
Transforming Clinical Data into Actionable Prognosis
Models: Machine-learning Framework and Field-
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
535
Aplicación desplegable para predecir el resultado de los pacientes con
ébola. PLoS Negl Trop Dis 2016;10:e0004549.
[12] Gulshan V, Peng L, Coram M, Stumpe MC, Wu D,
Narayanaswamy A,y otros. Desarrollo y validación de un
algoritmo de aprendizaje profundo para la detección de
retinopatía diabética en fotografías de fondo de retina.
JAMA 2016;316:2402-10.
[13] Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH,y
otros. Aprendizaje automático para la predicción de la mortalidad por
todas las causas en pacientes con sospecha de enfermedad arterial
coronaria: un análisis de registro prospectivo multicéntrico de 5 años.
Eur Heart J 2017;38:500-7.
[14] Kehl KL, Elmarakeby H, Nishino M, Van Allen EM, Lepisto EM, Hassett
MJ,y otros. Evaluación del Procesamiento Profundo del Lenguaje
Natural para Determinar los Resultados Oncológicos de los
Informes de Radiología. JAMA Oncol 2019;5:1421-9.
[15] Morgan DJ, Bame B, Zimand P, Dooley P, Thom KA, Harris AD,y
otros. Evaluación del aprendizaje automático frente a las
reglas de predicción estándar para predecir los reingresos
hospitalarios. JAMA Netw 2019;2:e190348.
[16] Leonardi RM, Giordano D, Maiorana F, Greco M. Precisión de
los puntos de referencia cefalométricos en radiografías
visualizadas en monitor con y sin realce de imagen en
relieve. Eur J Orthod 2010;32:242-7.
[17] Xie X, Wang L, Wang A. Modelado de redes neuronales artificiales
para decidir si las extracciones son necesarias antes del
tratamiento de ortodoncia. Angle Orthod 2010;80:262-6.
[18] Moghimi S, Talebi M, Parisay I. Diseño e implementación de un
algoritmo genético híbrido y un sistema de red neuronal
artificial para predecir los tamaños de caninos y premolares
no erupcionados. Ortodoncia Eur J 2012;34:480-6.
[19] Jung SK, Kim TW. Nuevo Enfoque para el Diagnóstico de
Extracciones con Aprendizaje Automático de Redes
Neuronales. Am J Orthod Dentofac Orthop 2016;149:127-33.
[20] Wang X, Cai B, Cao Y, Zhou C, Yang L, Liu R,y otros. Método
objetivo para evaluar el tratamiento de ortodoncia desde la
perspectiva del laico: un estudio de seguimiento ocular. Am J
Orthod Dentofac Orthop 2016;150:601-10.
[21] Patcas R, Bernini DA, Volokitin A, Agustsson E, Rothe R,
Timofte R. Aplicación de inteligencia artificial para evaluar
el impacto del tratamiento ortognático en el atractivo
facial y la edad estimada. Int J Oral Maxilofacial
Surg 2019;48:77-83.
[22] Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Inteligencia
artificial en ortodoncia. J Orofac Orthop Fortschritte
Kieferorthop 2020;81:52-68.
[23] Ariji Y, Yanashita Y, Kutsuna S, Muramatsu C, Fukuda M, Kise Y,y
otros. Detección automática y clasificación de lesiones
radiolúcidas en la mandíbula en radiografías panorámicas
utilizando una técnica de detección de objetos de aprendizaje
profundo. Cirugía Oral Oral Med Oral Patol Oral Radiol
2019;128:424-30.
536 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
[24] Ehtesham H, Safdari R, Mansourian A, Tahmasebian S, Mohammadzadeh N,
Pourshahidi S. Desarrollo de un nuevo sistema inteligente para el
diagnóstico de medicina oral con enfoque de razonamiento basado en
casos. Oral Dis 2019;25:1555-63.
[25] Tamaki Y, Nomura Y, Katsumura S, Okada A, Yamada H, Tsuge S,y
otros. Construcción de un Modelo de Predicción de Caries Dental
por Minería de Datos. J Oral Sci 2009;51:61-8.
[26] Araki K, Matsuda Y, Seki K, Okano T. Efecto de la asistencia informática
en el rendimiento del observador en el diagnóstico de caries
proximal mediante radiografía digital intraoral. Clin Oral Investig
2010;14:319-25.
[27] Lee JH, Kim DH, Jeong SN, Choi SH. Detección y diagnóstico
de caries dental utilizando un algoritmo de red neuronal
convolucional basado en aprendizaje profundo. J Dent
2018;77:106-11.
[28] Hung M, Voss MW, Rosales MN, Li W, Su W, Xu J,y otros.
Aplicación de Machine Learning para la Predicción Diagnóstica
de Caries Radicular. Gerodontología 2019;36:395-404.
[29] Cantu AG, Gehrung S, Krois J, Chaurasia A, Rossi JG, Gaudin R,y
otros. Detección de lesiones de caries de diferente extensión
radiográfica en aletas de mordida mediante aprendizaje
profundo. J Dent 2020;100:103425.
[30] Geetha V, Aprameya KS, Hinduja DM. Diagnóstico de Caries
Dental en Radiografías Digitales Utilizando Redes Neuronales
de Retropropagación. Health Inf Sci Syst 2020;8:1-4.
[31] Liu L, Wu W, Zhang SY, Zhang KQ, Li J, Liu Y,y otros. Predicción de
caries dental basada en una encuesta sobre la epidemiología
de la salud bucal entre los residentes geriátricos de Liaoning,
China. Biomed Res Int 2020;2020:1-12.
[32] Schwendicke F, Elhennawy K, Paris S, Friebertshäuser P, Krois J.
Aprendizaje profundo para la detección de lesiones de caries en
imágenes de transiluminación de luz infrarroja cercana: un estudio
piloto. J Dent 2020;92:103260.
[33] Tandon D, Rajawat J. Presente y futuro de la inteligencia
artificial en odontología. J Oral Biol Craneofac Res
2020;10:391-6.
[34] Khanagar SB, Al-Ehaideb A, Maganur PC,
Vishwanathaiah S, Patil S, Baeshen HA,y otros.
Desarrollos, aplicación y rendimiento de la
inteligencia artificial en odontología: una revisión
sistemática. J Dent Sci 2020;16:508-22.
[35] Schwendicke F, Golla T, Dreher M, Krois J. Redes neuronales
convolucionales para diagnósticos de imágenes dentales: una
revisión de alcance. J Dent 2019;91:103226.
[36] Jordan MI, Mitchell TM. Aprendizaje automático: tendencias,
perspectivas y perspectivas. Ciencia 2015;349:255-60.
[37] Michie D, Spiegelhalter DJ, Taylor CC. Aprendizaje automático. Clase de
estadísticas neuronales 1994; 13: 1-298.
[38] Alpaydin E. Introducción al aprendizaje automático. Estados
Unidos: MIT Press; 2020.
[39] Wiens J, Shenoy ES. Aprendizaje automático para la atención médica: al borde de
un cambio importante en la epidemiología de la atención médica.
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
Clin Infect Dis 2018;66:149-53.
[40] Ngiam KY, Khor W. Big Data y algoritmos de aprendizaje
automático para la prestación de atención médica. Lancet
Oncol 2019;20:e262-73.
[41] LeiteAF, Vasconcelos KD, Willems H, Jacobs R. Radiomics and
Machine Learning in Oral Healthcare. Clínica de proteómica
Aplicación 2020;14:1900040.
[42] Papantonopoulos G, Takahashi K, Bountis T, Loos BG. Redes
Neuronales Artificiales para el Diagnóstico de Periodontitis
Agresiva Entrenadas por Parámetros Inmunológicos. por favor
Uno 2014;9:e89757.
[43] Yilmaz E, Kayikcioglu T, Kayipmaz S. Diagnóstico asistido por
computadora de quiste periapical y tumor odontogénico
queratoquístico en tomografía computarizada de haz cónico.
Comput Methods Prog Biomed 2017;146:91-100.
[44] Lee JH, Kim DH, Jeong SN. Diagnóstico de lesiones quísticas mediante
imágenes de tomografía computarizada panorámica y de haz cónico
basadas en redes neuronales de aprendizaje profundo. Oral Dis
2020;26:152-8.
[45] Lee JH, Jeong SN. Eficacia del algoritmo de red neuronal convolucional
profunda para la identificación y clasificación de sistemas de
implantes dentales, utilizando radiografías panorámicas y
periapicales: un estudio piloto. Medicina 2020;99:e20787.
[46] Zhu X, Goldberg AB. Introducción al aprendizaje
semisupervisado. Synthe Lectures Artif Intel Mach
Learn 2009;3:1-30.
[47] Deo RC. Aprendizaje automático en medicina. Circulación
2015;132:1920-30.
[48] Merdietio Boedi R, Banar N, De Tobel J, Bertels J, Vandermeulen
D, Thevissen PW. Efecto de las segmentaciones del tercer
molar inferior en la estadificación automatizada del desarrollo
dental utilizando una red neuronal convolucional. j forense
Ciencia 2020;65:481-6.
[49] Orhan K, Bayrakdar IS, Ezhov M, Kravtsov A, Özy Özy TA.
Evaluación de la inteligencia artificial para la detección de
patología periapical en Coneg mediante un NeInt Endod
convolucional neural J 2020;53:680-9.
[50] Vranckx M, Van Gerven A, Willems H, Vandemeulebroucke
A, Ferreira Leite A, Politis C,y otros. Mediciones de
angulación molar impulsadas por inteligencia artificial
(IA) para predecir la erupción del tercer molar en
radiografías panorámicas. Int J Environ Res Public
Health 2020;17:3716.
[51] Welch ML, McIntosh C, Traverso A, Wee L, Purdie TG, Dekker A,y
otros. Validación externa y transferencia de aprendizaje de
redes neuronales convolucionales para la clasificación de
artefactos dentales por tomografía computarizada. Phys Med
Biol 2020;65:035017.
[52] Chen S, Wang L, Li G, Wu TH, Diachina S, Tejera B,y otros. Aprendizaje
automático en ortodoncia: presentación de una autosegmentación 3D
y un buscador automático de puntos de referencia de imágenes CBCT
para evaluar la constricción maxilar en impactados unilaterales
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
Pacientes Caninos. Angle Orthod 2020;90:77-84.
[53] Banumathi A, Raju S, Abhaikumar V. Diagnóstico de deformidades dentales
en imágenes de cefalometría utilizando una máquina de vectores de
soporte. J Med Syst 2011;35:113-9.
[54] Chen H, Zhang K, Lyu P, Li H, Zhang L, Wu J,y otros. Un enfoque de
aprendizaje profundo para la detección y numeración automática de
dientes basado en la detección de objetos en películas dentales
periapicales. Representante científico 2019;9:1.
[55] Kök H, Acilar AM, İzgi MS. Uso y Comparación de Algoritmos de
Inteligencia Artificial para la Determinación del Crecimiento y
Desarrollo por Etapas de las Vértebras Cervicales en
Ortodoncia. Prog Orthod 2019;20:41.
[56] Tuzoff DV, Tuzova LN, Bornstein MM, Krasnov AS, Kharchenko
MA, Nikolenko SI,y otros. Detección y numeración de
dientes en radiografías panorámicas utilizando redes
neuronales convolucionales. Dentomaxillofac Radiol
2019;48:20180051.
[57] Kuwada C, Ariji Y, Fukuda M, Kise Y, Fujita H, Katsumata A,y otros.
Sistemas de aprendizaje profundo para detectar y clasificar la
presencia de dientes supernumerarios impactados en la
región de los incisivos maxilares en radiografías panorámicas.
Cirugía Oral Oral Med Oral Patol Oral Radiol 2020;130:464-9.
[58] Sidey-Gibbons JA, Sidey-Gibbons CJ. Aprendizaje automático
en medicina: una introducción práctica. Método BMC Med
Res 2019;19:64.
[59] Radakovich N, Nagy M, Nazha A. Aprendizaje automático en
neoplasias malignas hematológicas. Lancet Haematol
2020;7:e541-50.
[60] Kotsiantis SB, Zaharakis I, Pintelas P. Aprendizaje automático supervisado:
una revisión de las técnicas de clasificación. emergente
Artif Intel Appl Comput Eng 2007;160:3-24.
[61] Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T,
Eichenberger M,y otros. Atractivo facial de pacientes con
fisuras: una comparación directa entre la puntuación basada
en inteligencia artificial y los grupos de evaluadores
convencionales. Ortodoncia Eur J 2019;41:428-33.
[62] Hwang JJ, Jung YH, Cho BH, Heo MS. Una visión general del
aprendizaje profundo en el campo de la odontología. Imaging Sci
Dent 2019;49:1-7.
[63] Kebschull M, Guarnieri P, Demmer RT, Boulesteix AL,
Pavlidis P, Papapanou PN. Diferencias moleculares
entre periodontitis crónica y agresiva. J Dent Res
2013;92:1081-8.
[64] Ozden FO, Ozgonenel O, Ozden B, Aydogdu A. Diagnóstico de
enfermedades periodontales utilizando diferentes algoritmos
de clasificación: un estudio preliminar. Níger J Clin Pract
2015;18:416-21.
[65] Feres M, Louzoun Y, Haber S, Faveri M, Figueiredo LC,
Levin L. Support Vector Machine-based Differentiation
between Aggressive and Chronic Periodontitis Using
Microbial Profiles. Int Dent J 2018;68:39-46.
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
537
[66] Chang HJ, Lee SJ, Yong TH, Shin NY, Jang BG, Kim JE, y otros. Método híbrido
de aprendizaje profundo para diagnosticar automáticamente la
pérdida ósea periodontal y la etapa de periodontitis. Representante
científico 2020;10:1-8.
[67] Shimpi N, McRoy S, Zhao H, Wu M, Acharya A. Desarrollo de un
modelo de evaluación del riesgo de periodontitis para
proveedores de atención primaria en un entorno
interdisciplinario. Technol Health Care 2020;28:143-54.
[68] Breslow LA, Ajá DW. Simplificación de árboles de decisión: una
encuesta. Saber Eng Rev 1997;12:1-40.
[69] Elomaa T. Los sesgos de las estrategias de poda de árboles de
decisión. En: Simposio Internacional sobre Análisis Inteligente de
Datos. Berlín, Heidelberg: Springer; 1999. pág. 63-74.
[70] Punitha S, Al-Turjman F, Stephan T. Un diagnóstico de cáncer de mama
automatizado mediante selección de características y optimización de
parámetros en ANN. Comput Electr Eng 2021;90:106958.
[71] Kwon O, Yong TH, Kang SR, Kim JE, Huh KH, Heo MS, y otros.
Diagnóstico automático de quistes y tumores de ambos
maxilares en radiografías panorámicas utilizando una red
neuronal de convolución profunda. Dentomaxillofac Radiol
2020;49:20200185.
[72] Kononenko I. Estimación de atributos: Análisis y extensiones
de RELIEF. En: Conferencia Europea sobre Aprendizaje
Automático. Berlín, Heidelberg: Springer; 1994.
pags. 171-82.
[73] Neville BW, Damm DD, Allen CM, Chi AC. Atlas a Color de
Enfermedades Orales y Maxilofaciales-E-Book. Países
Bajos: Elsevier Health Sciences; 2018.
[74] Kats L, Vered M, Blumer S, Kats E. Detección de redes
neuronales y segmentación del foramen mental en
imágenes panorámicas. J Clin Pediatr Dent 2020;44:168-73.
[75] Lee JH, Han SS, Kim YH, Lee C, Kim I. Aplicación de una red
neuronal convolucional completamente profunda a la
automatización de la segmentación dental en radiografías
panorámicas. Cirugía oral Oral Med Oral Pathol Oral Radiol
2020;129:635-42.
[76] Welch ML, McIntosh C, Purdie TG, Wee L, Traverso A, Dekker A,y otros.
Clasificación automática del estado de los artefactos dentales para
verificaciones eficientes de la veracidad de la imagen: efectos de la
resolución de la imagen y la profundidad de la red neuronal
convolucional. Phys Med Biol 2020;65:015005.
[77] Kuwana R, Ariji Y, Fukuda M, Kise Y, Nozawa M, Kuwada C,y
otros. Desempeño de la tecnología de detección de
objetos de aprendizaje profundo en la detección y
diagnóstico de lesiones del seno maxilar en radiografías
panorámicas. Dentomaxillofac Radiol 2021;50:20200171.
[78] Stehrer R, Hingsammer L, Staudigl C, Hunger S, Malek M, Jacob
M,y otros. Predicción basada en aprendizaje automático de la
pérdida de sangre perioperatoria en cirugía ortognática. J
Craneomaxillofac Surg 2019;47:1676-81.
[79] Choi HI, Jung SK, Baek SH, Lim WH, Ahn SJ, Yang IH, y otros.
Modelo de Inteligencia Artificial con Red Neuronal
538 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
Machine Learning para el Diagnóstico de Cirugía
Ortognática. J Craneomaxillofac Surg 2019;30:1986-9.
[80] Miki Y, Muramatsu C, Hayashi T, Zhou X, Hara T, Katsumata A,y
otros. Clasificación de dientes en TC de haz cónico utilizando
redes neuronales convolucionales profundas. Comput Biol
Med 2017;80:24-9.
[81] Štepanovský M, Ibrová A, Buk Z, Velemínská J. Nuevo modelo de
estimación de edad basado en el desarrollo de dientes
permanentes en comparación con el enfoque clásico y otros
métodos modernos de minería de datos. Ciencia forense
internacional 2017;279:72-82.
[82] De Tobel J, Radesh P, Vandermeulen D, Thevissen PW. Una
técnica automatizada para estadificar el desarrollo del tercer
molar inferior en radiografías panorámicas para la estimación
de la edad: un estudio piloto. J Forensic Odontostomatol
2017;35:42.
[83] Fan F, Ke W, Wu W, Tian X, Lyu T, Liu Y,y otros. Identificación humana
automática a partir de radiografías dentales panorámicas
utilizando la red neuronal convolucional. Ciencia forense
internacional 2020;314:110416.
[84] Niño-Sandoval TC, Pérez SV, González FA, Jaque RA,
Infante-Contreras C. Uso de técnicas de aprendizaje
automático para predecir la morfología mandibular en
clase esquelética I, II y III. Forensic Sci Int 2017;281:187-
e1.
[85] Saghiri MA, Asgar K, Boukani KK, Lotfi M, Aghili H, Delvarani
A,y otros. Un nuevo enfoque para localizar el foramen
apical menor utilizando una red neuronal artificial. Int
Endod J 2012;45:257-65.
[86] Saghiri MA, García-Godoy F, Gutmann JL, Lotfi M, Asgar K. La
confiabilidad de la red neuronal artificial en la localización
del foramen apical menor: un estudio de cadáveres.
J Endod 2012;38:1130-4.
[87] Kositbowornchai S, Plermkamon S, Tangkosol T.
Performance of an Artificial Neural Network for Vertical
Detección de fracturas radiculares: unaex-vivoEstudiar. Dent Traumatol
2013;29:151-5.
[88] Hiraiwa T, Ariji Y, Fukuda M, Kise Y, Nakata K, Katsumata A,y
otros. Un sistema de inteligencia artificial de aprendizaje
profundo para la evaluación de la morfología de la raíz del
primer molar mandibular en radiografía panorámica.
Dentomaxillofac Radiol 2019;48:20180218.
[89] Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S,y
otros. Evaluación de un Sistema de Inteligencia Artificial para
la Detección de Fractura Vertical de Raíz en Radiografía
Panorámica. Oral Radiol 2019;36:337-43.
[90] Schwendicke F, Rossi JG, Göstemeyer G, Elhennawy K, Cantu
AG, Gaudin R,y otros. Rentabilidad de la Inteligencia
Artificial para la Detección de Caries Proximal. J Dent Res
2020;100:369-76.
[91] Drummond AM, Ferreira EF, Gomes VE, Marcenes W.
Desigualdad de experiencia de caries dental entre
diferentes grupos étnicos de brasileños de 15 a 19 años.
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
PLoS One 2015;10:e0145553.
[92] Shackleton N, Broadbent JM, Thornley S, Milne BJ, Crengle
S, Exeter DJ. Desigualdades en la experiencia de caries
dental entre niños neozelandeses de 4 años.
Community Dent Oral Epidemiol 2018;46:288-96.
[93] Nogueira JS, Pereira AC, Frías AC, Ambrosano GM,
Cortellazzi KL, Guerra LM,y otros. Capital social y
factores asociados a la experiencia de caries en adultos:
un estudio de base poblacional en Brasil. Brasil Oral
Res 2019;33:e118.
[94] Cheng C, Cheng X, Dai N, Jiang X, Sun Y, Li W. Predicción de la
deformación facial después de una prótesis dental
completa mediante la red neuronal BP. Comput Biol Med
2015;66:103-12.
[95] Raith S, Vogel EP, Anees N, Keul C, Güth JF, Edelhoff D, y otros. Redes
neuronales artificiales como una poderosa herramienta numérica para
clasificar características específicas de un diente basado en datos de
escaneo 3D. Comput Biol Med 2017;80:65-76.
[96] Wei J, Peng M, Li Q, Wang Y. Evaluación de un nuevo sistema de
coincidencia de colores por computadora basado en el modelo
mejorado de red neuronal de retropropagación. J Prosthodont
2018;27:775-83.
[97] Abdalla-Aslan R, Yeshua T, Kabla D, Leichter I, Nadler C. Un sistema de
inteligencia artificial que utiliza aprendizaje automático para la
detección y clasificación automáticas de restauraciones dentales
en radiografía panorámica. Cirugía Oral Oral
Med Oral Pathol Oral Radiol 2020;130:593-602.
[98] Yamaguchi S, Lee C, Karaer O, Ban S, Mine A, Imazato S.
Predicción del descementado de coronas de resina compuesta
CAD/CAM con IA. J Dent Res 2019;98:1234-8.
[99] Cui Q, Chen Q, Liu P, Liu D, Wen Z. Modelo de apoyo a la
decisión clínica para la terapia de extracción dental
derivado de registros dentales electrónicos. J Prosthet
Dent 2020;126:83-90.
[100] Hadj Saïd M, Le Roux MK, Catherine JH, Lan R. Desarrollo de un
modelo de inteligencia artificial para identificar un implante
dental a partir de una radiografía. Int J Oral Maxilofac Implants
2020;35:1077-82.
[101] Papantonopoulos G, Gogos C, Housos E, Bountis T, Loos BG.
Predicción de los niveles óseos de implantes individuales y la
existencia de “fenotipos” de implantes. Implantes Orales Clin
Res. 2017;28:823-32.
[102] Schwendicke F, Krois J. Mejores informes de estudios sobre
inteligencia artificial: CONSORT-AI y más allá. J abolladura
Res. 2021;100:677-80.
[103] Bellazzi R, Ferrazzi F, Sacchi L. Minería de datos predictivos
en medicina clínica: un enfoque en métodos y aplicaciones
seleccionados. Wiley Interdiscip Rev Data Min Know Discov
2011;1:416-30.
[104] Blum AL, Langley P. Selección de características y ejemplos
relevantes en el aprendizaje automático. Artif Intel
1997;97:245-71.
 Reyes et al. | Revista de Investigación Clínica y Traslacional 2021; 7(4): 523-539
[105] Bloedorn E, Michalsi RS. Inducción constructiva basada en
datos. Aplicación IEEE Intel Sys 1998;13:30-7.
[106] Park SH, Han K. Guía metodológica para evaluar el
rendimiento clínico y el efecto de la tecnología de
inteligencia artificial para el diagnóstico y la predicción
médica. Radiología 2018;286:800-9.
[107] Vayena E, Blasimme A, Cohen IG. Aprendizaje automático en
medicina: abordar los desafíos éticos. PLoS Med
2018;15:e1002689.
[108] Cabitza F, Rasoini R, Gensini GF. Consecuencias no
deseadas del aprendizaje automático en medicina.
JAMA 2017;318:517-8.
[109] Moons KG, Altman DG, Reitsma JB, Ioannidis JP, Macaskill P,
Steyerberg EW,y otros. Reporte Transparente de un
Modelo de Predicción Multivariable para Pronóstico o
Diagnóstico Individual (TRIPOD): Explicación y Elaboración.
Ann Intern Med 2015;162:W1-73.
[110] Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE:
Técnica de Sobremuestreo Minoritario Sintético.
J Artif Intel Res 2002;16:321-57.
[111] López V, Fernández A, Moreno-Torres JG, Herrera F. Análisis del
preprocesamiento vs. aprendizaje sensible al costo para la
clasificación desequilibrada. Problemas abiertos en intrínsecos
Características de los datos. Aplicación Expert Syst 2012;39:6585-608.
DOI: http://dx.doi.org/10.18053/jctres.07.202104.012
539
[112] HuangC,LiY,LoyCC,TangX.Learningdeeprepresentation para la
clasificación desequilibrada. En: Actas de la Conferencia IEEE
sobre visión artificial y reconocimiento de patrones. Estados
Unidos: IEEE; 2016. pág. 5375-84.
[113] Bossuyt PM, Reitsma JB, Bruns DE, Gatsonis CA, Glasziou PP,
Irwig L,y otros. STARD 2015: una lista actualizada de
elementos esenciales para informar estudios de precisión
diagnóstica. Clin Chem 2015;61:1446-52.
[114] Estándares de oro difusos de Walsh T.: enfoques para manejar un
estándar de referencia imperfecto. J Dent 2018;74:S47-9.
[115] Chikere CM, Wilson K, Graziadio S, Vale L, Allen AJ. Metodología
de evaluación de pruebas diagnósticas: una revisión
sistemática de los métodos empleados para evaluar
Pruebas en ausencia del patrón oro: una actualización. PLoS
One 2019;14:e0223832.
[116] Pethani F. Promesas y peligros de la inteligencia artificial en
odontología. Aust Dent J 2020;66:124-35.
[117] Wiens J, Saria S, Sendak M, Ghassemi M, Liu VX, Doshi-Velez F,y otros. No
hacer daño: una hoja de ruta para el aprendizaje automático
responsable para la atención médica. Nat Med 2019;25:1337-40.
[118] He J, Baxter SL, Xu J, Xu J, Zhou X, Zhang K. La
implementación práctica de las tecnologías de inteligencia
artificial en medicina. Nat Med 2019;25:30-6.