# Modelos de inteligência artificial baseados em biomarcadores não invasivos são acurados para diagnosticar periodontite?

> Sim, segundo esta revisão sistemática com meta-análise. Modelos de IA treinados com biomarcadores de saliva, fluido crevicular gengival ou perfis imunológicos mostraram sensibilidade agrupada de 0,89, especificidade de 0,87 e AUC sumária de 0,92. Modelos com biomarcadores salivares tiveram AUC agrupada de 0,94, superior à de marcadores de fluido crevicular ou imunológicos (0,89).

Estudo citado: Ardila CM, Vivares-Builes AM, Yadalam PK. Artificial Intelligence Models for Diagnosis of Periodontitis Using Non-Invasive Biological Markers: A Systematic Review and Meta-Analysis of Patient-Based Studies. Medical sciences (Basel, Switzerland). 2025. DOI: https://doi.org/10.3390/medsci13030159. PubMed: https://pubmed.ncbi.nlm.nih.gov/40981157/

## Resposta

A revisão sistemática com meta-análise reuniu estudos que avaliaram a acurácia diagnóstica de modelos de inteligência artificial treinados com biomarcadores não invasivos ou minimamente invasivos para diagnosticar e classificar periodontite em humanos. Foram incluídos biomarcadores de saliva, fluido crevicular gengival e perfis imunológicos, além de expressão gênica tecidual.

Os modelos empregados variaram, incluindo random forest, redes neurais artificiais e gradient boosting. A área sob a curva ROC relatada nos estudos individuais variou de 0,83 a 0,96. Na meta-análise dos estudos com desfechos comparáveis, a sensibilidade agrupada foi de 0,89 (IC 95%: 0,84-0,93), a especificidade de 0,87 (IC 95%: 0,80-0,92) e a AUC sumária de 0,92.

A análise de subgrupo mostrou que modelos baseados em biomarcadores salivares alcançaram AUC agrupada de 0,94, enquanto os que usaram marcadores de fluido crevicular gengival ou imunológicos tiveram AUC de 0,89. Análises de sensibilidade excluindo estudos com risco de viés incerto não alteraram significativamente as estimativas agrupadas, o que reforça a robustez dos achados.

Os autores concluíram que os modelos diagnósticos baseados em IA com biomarcadores salivares, do microbioma ou imunológicos demonstraram acurácia quantitativamente alta. A certeza geral da evidência foi classificada como moderada a alta, considerando limitações no desenho dos estudos e na validação. O resumo não detalha a população, os critérios de inclusão dos participantes nem o ambiente clínico dos estudos.

## O que o estudo mostrou

Revisão sistemática e meta-análise de sete estudos com modelos de IA (random forest, redes neurais artificiais, gradient boosting) treinados com biomarcadores de saliva (n = 4), enxágue oral (n = 1), perfis imunológicos (n = 1) e expressão gênica tecidual (n = 1). A AUC individual variou de 0,83 a 0,96. A meta-análise mostrou sensibilidade agrupada de 0,89 (IC 95%: 0,84-0,93), especificidade de 0,87 (IC 95%: 0,80-0,92) e AUC sumária de 0,92; modelos salivares tiveram AUC de 0,94 versus 0,89 para fluido crevicular ou marcadores imunológicos.

## Limitações

O resumo cita limitações no desenho dos estudos e na validação como razões para classificar a certeza da evidência como moderada a alta, e não alta. Não informa o número total de participantes, as características da população, os critérios de referência diagnóstica nem o risco de viés detalhado de cada estudo. Também não descreve protocolos de validação externa dos modelos.

## Aplicação no consultório

Os achados apoiam a consideração de biomarcadores salivares associados a modelos de IA como ferramenta auxiliar de triagem diagnóstica, sem substituir a avaliação clínica periodontal. Para a gestão do consultório, a coleta salivar é não invasiva e pode facilitar o rastreamento de pacientes, mas a certeza moderada a alta e as limitações de validação exigem cautela antes da incorporação rotineira. O resumo não informa custos, disponibilidade comercial ou fluxo operacional dos modelos.

## Perguntas para aprofundar

- Biomarcadores salivares superam marcadores de fluido crevicular gengival em modelos de IA para periodontite?
- Qual o desempenho diagnóstico agrupado de modelos de aprendizado de máquina para periodontite?
- Quais limitações de validação afetam a certeza da evidência em modelos de IA para diagnóstico periodontal?

Tema: Ética, viés e explicabilidade da IA em saúde. Página: https://alphadoctor.com.br/ciencia/ia-etica-vies/modelos-de-inteligencia-artificial-baseados-em-biomarcadores-nao-invasivos-sao/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.