La diagnosi basata su radiografie bitewing è spesso soggettiva e può essere influenzata dall’esperienza del clinico. Con l’avvento dell’intelligenza artificiale (AI), nuovi strumenti diagnostici stanno emergendo per assistere i professionisti del settore dentale.
Uno studio recente ha condotto una revisione sistematica e una meta-analisi per valutare l’accuratezza diagnostica dell’AI nella rilevazione delle carie prossimali su radiografie bitewing. Questa ricerca offre un contributo significativo alla comprensione del potenziale dell’AI come strumento diagnostico complementare.
L’obiettivo principale dello studio è stato valutare la sensibilità, la specificità e l’accuratezza complessiva dei modelli di AI nella diagnosi delle carie prossimali. Un obiettivo secondario è stato il confronto delle prestazioni diagnostiche dell’AI con quelle degli esperti clinici.
Lo studio ha seguito le linee guida PRISMA 2020 e ha incluso 21 studi, tra cui trial controllati randomizzati (RCT) e non randomizzati (non-RCT). Sono stati analizzati modelli di AI basati su reti neurali convoluzionali (CNN), tra cui U-Net, ResNet e YOLO, applicati a radiografie bitewing.
Le metriche principali analizzate comprendevano:
- Sensibilità: la capacità del modello di identificare correttamente le superfici cariate (94%, intervallo di confidenza [IC]: 78–99%).
- Specificità: la capacità di escludere superfici sane (91%, IC: 84–95%).
- Valore Predittivo Positivo (PPV): variabile da 15% a 87%, indicando una moderata capacità di identificare correttamente le carie.
- Valore Predittivo Negativo (NPV): variabile da 79% a 100%, dimostrando un’elevata capacità di escludere superfici sane.
I risultati hanno evidenziato che:
- I modelli di AI mostrano un’accuratezza diagnostica clinicamente accettabile per la rilevazione delle carie prossimali su radiografie bitewing.
- L’IA si è dimostrata particolarmente efficace nell’escludere superfici sane (NPV elevato), mentre il PPV variabile suggerisce la necessità di confermare i risultati positivi con un’ulteriore valutazione da parte di un esperto.
- La sensibilità e la specificità dei modelli di AI superano in molti casi quelle degli esaminatori meno esperti, con performance diagnostiche comparabili a quelle degli esperti.
L’utilizzo dell’AI come strumento diagnostico complementare può apportare numerosi benefici:
- riduzione del tempo clinico: l’AI può velocizzare il processo diagnostico, consentendo ai dentisti di concentrarsi sulle decisioni terapeutiche.
- Minore variabilità diagnostica: i modelli di AI riducono la soggettività associata all’interpretazione delle radiografie.
- Screening preliminare: l’AI può essere utilizzata per identificare le radiografie potenzialmente critiche, da sottoporre poi all’esame degli esperti.
Nonostante le promettenti prestazioni, lo studio ha evidenziato alcune limitazioni:
- rischio di bias: alcuni studi inclusi presentavano elevati rischi di bias, specialmente per quanto riguarda gli standard di riferimento.
- Mancanza di dati grezzi: l’assenza di dati completi ha limitato le analisi comparative dirette tra AI ed esperti clinici.
- Necessità di validazione esterna: gli algoritmi di AI necessitano di ulteriori validazioni su campioni eterogenei per garantire la generalizzabilità dei risultati.
L’intelligenza artificiale rappresenta una risorsa promettente nella diagnosi delle carie prossimali su radiografie bitewing. Sebbene i modelli di AI abbiano dimostrato un’elevata accuratezza diagnostica, è essenziale che i risultati positivi vengano confermati da esperti clinici per evitare trattamenti non necessari e garantire una diagnosi tempestiva.
La combinazione di competenze cliniche ed AI può migliorare significativamente la qualità delle cure dentali, riducendo la variabilità diagnostica e ottimizzando l’efficienza operativa. Studi futuri dovranno esplorare l’applicabilità clinica dei modelli di AI su larga scala e sviluppare strumenti diagnostici accessibili per i professionisti del settore dentale.
Leggi lo studio completo.
