Ética, viés e explicabilidade da IA em saúde

Modelos de deep learning ajudam o cirurgião-dentista a decidir o tratamento do terceiro molar inferior?

Resposta

A revisão avaliou se o deep learning aplicado a imagens melhora os procedimentos clínicos ligados ao terceiro molar inferior (MM3). A busca incluiu PubMed, EMBASE, Web of Science e Cochrane Library até abril de 2024, com avaliação de viés pelo instrumento QUADAS-2. O foco principal foi a interação entre o MM3 e o nervo alveolar inferior (IAN).

Foram analisados 33 trabalhos, somando 45.029 instâncias de imagem. Quinze estudos avaliaram o desempenho do deep learning em identificar a relação espacial entre MM3 e IAN. Os resultados agregados mostraram sensibilidade diagnóstica de 0,89 (IC 95%, 0,85-0,93) e especificidade de 0,88 (IC 95%, 0,80-0,93).

Na comparação com 16 especialistas clínicos, o deep learning apresentou sensibilidade de 0,76 (IC 95%, 0,65-0,85) e especificidade de 0,86 (IC 95%, 0,70-0,94) para os avaliadores humanos, valores ligeiramente inferiores. Isso sugere que o modelo pode apoiar a leitura de exames de imagem, sem substituir o julgamento clínico.

Os outros 18 estudos abordaram previsão de erupção do MM3, complexidade da extração e identificação de características do dente, com sensibilidade entre 0,80 e 0,94 e especificidade entre 0,75 e 0,97. Os autores concluem que o deep learning tem valor substancial na gestão clínica do MM3 e incentivam a criação de ferramentas diagnósticas inteligentes a partir de radiografias panorâmicas orais (OPGs), sobretudo para profissionais com experiência clínica limitada.

Para o consultório, a mensagem é de apoio à decisão e não de autonomia da máquina. O resumo não detalha custos, fluxo de implementação nem validação externa dos modelos, o que limita conclusões sobre adoção imediata na rotina.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu 33 trabalhos e 45.029 instâncias de imagem. Quinze estudos avaliaram a identificação da relação espacial entre MM3 e IAN, com sensibilidade de 0,89 (IC 95%, 0,85-0,93) e especificidade de 0,88 (IC 95%, 0,80-0,93) para o deep learning, contra 0,76 e 0,86 de 16 especialistas clínicos. Outros 18 estudos mostraram sensibilidade de 0,80 a 0,94 e especificidade de 0,75 a 0,97 em previsão de erupção, complexidade de extração e características do MM3.

Limitações

O resumo não informa o desenho detalhado dos estudos incluídos, a população de pacientes, os tipos de modelos de deep learning nem os critérios de comparação com especialistas. Também não descreve limitações dos próprios estudos primários, heterogeneidade entre eles ou validação externa dos modelos. Essas lacunas impedem conclusões sobre generalização para a prática clínica brasileira.

Aplicação no consultório

O deep learning pode ser considerado como ferramenta de apoio na leitura de radiografias panorâmicas para avaliar a relação entre terceiro molar inferior e nervo alveolar inferior, além de estimar complexidade de extração. Na gestão do consultório, isso pode orientar fluxos de triagem e discussão de casos, especialmente para profissionais com menos experiência. O resumo não permite definir custos, treinamento necessário ou protocolos de validação local, que devem ser avaliados antes da incorporação.

Estudo citado

THE UTILITY OF DEEP LEARNING MODEL IN CLINICAL TREATMENT DECISION-MAKING OF MANDIBULAR THIRD MOLAR: A SYSTEMATIC REVIEW AND META-ANALYSIS. The journal of evidence-based dental practice, 2025.
Autores: Zhao C, Bai X, Liu Z, Cheng W, Xia S, Teng LI, Yang L.
DOI: 10.1016/j.jebdp.2025.102164 · PubMed: PMID 41290278

Perguntas para aprofundar

• Como o deep learning se compara a especialistas na avaliação da relação entre terceiro molar inferior e nervo alveolar inferior?
• O deep learning pode prever a complexidade da extração do terceiro molar inferior?
• Quais são as limitações atuais para incorporar modelos de deep learning na rotina do consultório odontológico?

Mais sobre Ética, viés e explicabilidade da IA em saúde

• Aprendizado profundo baseado em imagens é preciso para diagnosticar catarata e como se compara a especialistas humanos?
• Modelos de deep learning aplicados a radiografias panorâmicas são acurados para triagem de osteoporose?
• Modelos de aprendizado de máquina e aprendizado profundo são confiáveis para diagnosticar estenose do canal lombar na prática clínica?
• Como o aprendizado de máquina e o aprendizado profundo se comparam aos radiologistas na diferenciação entre glioblastomas e linfomas primários do sistema nervoso central à ressonância magnética?
• A radiômica e o aprendizado profundo são precisos para diferenciar tumores de partes moles benignos e malignos?

Todas as perguntas sobre Ética, viés e explicabilidade da IA em saúde · Todos os temas · Versão em markdown