18 Marzo 2022

---

---

En los últimos cinco años, gracias a los equipos y materiales de tecnología quirúrgica avanzada, la tasa de éxito de la microcirugía endodóntica ha mejorado mucho y ahora oscila entre el 80% y el 94%.

La inclusión de dientes con fisuras y/o defectos apicomarginales conduce con mayor frecuencia a un pronóstico incierto en la microcirugía endodóntica; por lo tanto, un cuidadoso análisis preoperatorio y una adecuada selección de casos contribuyen a aumentar las tasas de éxito.

Ciertos factores pronósticos pueden afectar al éxito a distancia, por lo que a veces resulta problemático tomar decisiones clínicas ante casos en los que se dan este tipo de factores. Desde el punto de vista clínico, la toma de decisiones depende en gran medida de la experiencia de los profesionales, por lo que puede dar lugar a sesgos y errores no deseados. Incluso para los especialistas experimentados, el análisis de casos complejos requiere mucho tiempo.

En los últimos años, la inteligencia artificial (IA) se ha introducido en el área médica y, con la continua inclusión de nuevos datos, los modelos de IA han mejorado la predicción del rendimiento de forma incremental. Como subcampo de la IA, el aprendizaje automático (ML) funciona de forma excelente en la predicción del pronóstico en odontología.

En el pronóstico de la implantología dental, por ejemplo, este método puede predecir los futuros niveles óseos medios de los implantes individuales basándose en variables clínicas y radiográficas. Estas herramientas pueden simplificar las opciones de tratamiento, así como reducir tanto los costes innecesarios como los daños relacionados con un éxito poco probable.

La inteligencia artificial también puede ser útil para predecir con precisión los resultados de la microcirugía endodóntica, pero hasta la fecha no se han desarrollado herramientas suficientes para ello. 

Tipo de investigación y métodos de análisis

En un estudio muy reciente, publicado en el Journal of Dentistry en marzo de 2022, los autores trataron de establecer y validar modelos de aprendizaje automático para predecir el pronóstico en la microcirugía endodóntica, evitando el fracaso del tratamiento y apoyando la toma de decisiones clínicas.

En este estudio se incluyeron 234 dientes de 178 pacientes. Se consideraron como variables y factores pronósticos la edad, el sexo, el tipo de diente, el número de conductos radiculares, el tamaño de la lesión, el tipo de defecto óseo, la densidad de relleno radicular, la longitud de relleno radicular y/o la extensión apical, la cirugía secundaria y la dificultad del caso.

La medición radiográfica se realizó mediante imágenes de tomografía computarizada de haz cónico (CBCT). Los resultados radiográficos se evaluaron un año después de la cirugía según la clasificación propuesta por Rud y Molven. El grupo de curación incompleta, el grupo de curación incierta y el grupo de curación insatisfactoria se clasificaron como un solo grupo "no curado". La dificultad del caso se evaluó según criterios predeterminados.

Los casos que presentaban al menos un factor incluido en la categoría de dificultad alta o más de tres factores moderados se incluyeron en el grupo "difícil". Los casos que sólo presentaban factores de dificultad bajos se colocaron en el grupo de "dificultad mínima". Las radiografías fueron revisadas de forma independiente por dos profesionales experimentados y cualquier desacuerdo fue resuelto por un tercer especialista en endodoncia.

Se desarrollaron la mejora del gradiente de la máquina modelo (GBM) y el bosque aleatorio (RF). Se utilizó un enfoque de validación cruzada estratificada de 5 veces.

Se calcularon la precisión predictiva, la sensibilidad, la especificidad, el valor predictivo positivo (VPP), el valor predictivo negativo (VPN), la puntuación F1 y el área bajo la curva (AUC), la curva de características operativas del receptor (ROC) para evaluar el rendimiento predictivo.  

Resultados

Se encontraron ocho factores predictivos importantes, como el tipo de diente, el tamaño de la lesión, el tipo de defecto óseo, la densidad de la obturación del conducto radicular, la longitud de la obturación del conducto radicular y su extensión apical, la edad y el sexo.

Para el modelo de GBM, la precisión predictiva fue de 0,80, la sensibilidad de 0,92, la especificidad de 0,71, el VPP de 0,71, el VPN de 0,92, el F1 de 0,80 y el AUC de 0,88. Para el modelo RF, la precisión fue de 0,80, con una sensibilidad de 0,85, una especificidad de 0,76, un VPP de 0,73, un VPN de 0,87, un F1 de 0,79 y un AUC de 0,83. 

Conclusiones

A partir de los datos de este estudio, que deben ser confirmados en otros trabajos similares, se puede concluir que los modelos entrenados desarrollados en base a ocho variables comunes muestran la capacidad potencial de predecir el pronóstico en microcirugía endodóntica. El modelo GBM ofrece mejores garantías que el modelo RF con AUC de 0,88 y 0,83, respectivamente. 

Implicaciones clínicas

La inteligencia artificial (IA) ya es capaz de realizar diagnósticos y pronósticos a partir de una simple imagen radiográfica o una sola foto de una preparación histológica. Los dentistas, y en concreto los endodoncistas, pueden utilizar modelos de aprendizaje automático para el análisis preoperatorio en la microcirugía endodóntica. Los modelos deberían mejorar la eficacia de la toma de decisiones clínicas y ayudar a la comunicación entre médico y paciente. 

Para más información:

• Yang Qu, Zhenzhe Lin, Zhaojing Yang, Haotian Lin, Xiangya Huang, Lisha Gu. Machine learning models for prognosis prediction in endodontic microsurgery. J Dentistry 2022;118:103947.
• Molven O, Halse A, Grung B. Observer strategy and the radiographic classification of healing after endodontic surgery. Int J Oral Max Surg 1987;16(4):432-9.