Inteligência Artificial no diagnóstico e tratamento relacionados à cárie dentária em crianças

Sobre o projeto de pesquisa

Atualmente, o campo da Inteligência Artificial (IA) vem apresentado um intenso desenvolvimento em várias áreas. A criação de algoritmos baseado em IA para diversas áreas na Odontologia, bem como na Odontopediatria, está em crescente desenvolvimento. No entanto, a acurácia e aplicabilidade dessas ferramentas não tem sido avaliada em estudos robustos. Portanto, o objetivo geral desse estudo será desenvolver algoritmos de IA focadas no diagnóstico, decisão de tratamento e predição de desfechos desfavoráveis relacionados à cárie dentária em crianças, e avaliar a aplicabilidade desses algoritmos na prática clínica odontopediátrica. Com isso, os objetivos específicos serão: (i) desenvolver e validar algoritmos baseados em deep convolutional neural network (DCNN) para diagnóstico e decisão de tratamento relacionado à cárie primária em molares decíduos; e (ii) para o diagnóstico e decisão de tratamento relacionado à lesões de cárie ao redor de restaurações em dentes decíduos; (iii) desenvolver e validar algoritmos baseados em Machine Learning (ML) e em DCNN para predição de progressão de lesões de cárie e necessidade de troca de restauração em molares decíduos; (iv) desenvolver e validar algoritmos baseado em ML para predição do risco de cárie em dentes decíduos e permanentes na transição da infância para o início da adolescência; (v) testar a aplicação dos algoritmos criados no contexto da prática clínica odontopediátrica por meio de um estudo clínico randomizado. O presente estudo faz parte da iniciativa CARDEC (CARies Detection and management in Children), e será denominado de CARDEC-AI. Para os objetivos (i), (ii) e (iii) serão utilizados dados coletados em estudos clínicos randomizados prévios (CARDEC-1 e CARDEC-3). Algoritmos para o diagnóstico em imagens radiográficas de cárie primária (objetivo i) e ao redor de restaurações (objetivo ii) serão criados. Para o objetivo (iii), os dados referentes aos pacientes, aos dentes e às superfícies dentárias, bem como as imagens radiográficas serão utilizadas para o desenvolvimento de algoritmos para a predição de desfechos desfavoráveis nos dentes decíduos. Esses desfechos serão a formação de uma cavidade de cárie até dois anos após a consulta inicial ou a necessidade de troca de restaurações nos dentes decíduos. Estratégias de ML e DCNN serão utilizadas para o desenvolvimento dos algoritmos de predição. Já para o objetivo (iv), o desenvolvimento será baseado em um estudo de coorte com 10 anos de acompanhamento realizado em Santa Maria, no sul do Brasil. Serão criados algoritmos de ML baseado em dados estruturados para a predição do desenvolvimento de novas lesões de cárie em dentes decíduos após 2 anos da avaliação inicial, bem como no desenvolvimento de lesões de cárie em dentes permanentes após 10 anos de acompanhamento. Também serão criados modelos de ML para predição do risco de cárie em primeiros molares permanentes, visando especificamente a decisão de indicação de selantes nesses dentes. Por fim, para o objetivo (v), um estudo clínico randomizado será delineado. Crianças que buscarem tratamento na Faculdade e concordarem em participar da pesquisa serão aleatoriamente alocadas para dois grupos: diagnóstico e decisões de tratamento baseado na avaliação clínica e radiográfica (Grupo controle) e diagnóstico e decisões de tratamento assistida pelos algoritmos de IA (Grupo experimental). O tempo de acompanhamento será de dois anos, e serão avaliadas novas necessidades de intervenção operatória (desfecho primário), acurácia de diagnóstico, aceitação do paciente e seus responsáveis, impacto na qualidade de vida, custo e custo benefício.