dc.creator | Reyes, Lilian Toledo | |
dc.date.accessioned | 2024-02-23T14:32:12Z | |
dc.date.available | 2024-02-23T14:32:12Z | |
dc.date.issued | 2024-02-06 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/31561 | |
dc.description.abstract | Few studies have addressed the influence of early childhood predictors on dental caries
development throughout life. Artificial intelligence (AI) through machine learning (AM) has
shown advantages in predicting health outcomes and can be useful for this purpose.
Therefore, the general objective of this thesis was to assess the performance of ML algorithms
in predicting dental caries in children. For this purpose, two articles were structured. The first
systematically evaluated the success of ML algorithms in the diagnosis and prognostic
prediction of dental caries. The second article sought to develop and validate caries prognostic
models by implementing AM algorithms on data collected in early childhood. In the review,
the main outcome was the performance of AM models (accuracy, sensitivity, specificity, AUC
[area under the ROC curve (Receiver Operating Characteristic)]. Two independent reviewers
selected the studies and performed the methodological quality assessment. In diagnostic
studies (15), the AUC value ranged from 0.745 to 0.987. In the prognostic studies (5), the
reported sensitivities were higher in those studies with low risk of bias (median [interquartile
range, IQR] of 0.996 [0.971-1.000] vs. studies with uncertainty/high risk 0.189 [0–0.340]; p
0.025). We conclude that the use of MA is promising in the field although the overall
applicability of the evidence was limited, due to concerns about risk of bias and use of data
outside the actual clinical setting. The second article is a 10-year follow-up cohort. Data from
639 children aged 1 to 5 years, examined in 2010 who were reassessed in 2012 and 2020 were
used (retention rate in the cohort: 73.1% and 66.9%, respectively). Demographic,
socioeconomic, social capital, clinical and behavioral factors were collected through
semi-structured questionnaires applied to the children's guardians at baseline. Clinical
examinations were performed by previously trained and calibrated examiners. The main
outcome was caries development during follow-up, assessed by the International Caries
Detection and Evaluation System (ICDAS). Logistic regression (LR) models and others AI's
own algorithms (decision tree, random forest and XGBoost) were applied, using RStudio
software. At a 2-year follow-up, XGBoost achieved an AUC of 0.833, with caries severity
being the strongest predictor. After 10 years XGBoost performed significantly better than LR
(p<0.05) by DeLong's test. The SHAP algorithm, based on XGBoost, indicated factors such
as previous caries experience, non-use of fluoride toothpaste, high frequency of sugar
consumption, adverse socioeconomic conditions and weak social networks, as the most
relevant factors in the prediction. Based on these studies, it is concluded that AM algorithms
may perform better than traditional models in predicting caries. Although these results require
external validation, the combination of AM and SHAP models shows potential for predicting
caries development. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Aprendizado de máquinas | por |
dc.subject | Cárie dentária | por |
dc.subject | Crianças | por |
dc.subject | Epidemiologia | por |
dc.subject | Inteligência artificial | por |
dc.subject | Prognóstico | por |
dc.subject | Artificial intelligence | eng |
dc.subject | Children | eng |
dc.subject | Dental caries | eng |
dc.subject | Epidemiology | eng |
dc.subject | Machine learning | eng |
dc.subject | Prognosis | eng |
dc.title | Predição de cárie dentária em crianças: uma abordagem de aprendizado de máquinas | por |
dc.title.alternative | Dental caries prediction in children: a machine learning approach | eng |
dc.type | Tese | por |
dc.description.resumo | Poucos estudos abordaram a influência dos preditores da primeira infância no
desenvolvimento de cárie dentária ao longo da vida. A inteligência artificial (IA) através do
aprendizado de máquina (AM) tem mostrado vantagens na predição de desfechos de saúde e
pode ser útil para esse fim. Portanto, o objetivo geral desta tese foi avaliar o desempenho de
algoritmos de AM na predição de cárie dentária em crianças. Para isso foram estruturados
dois artigos. O primeiro avaliou sistematicamente o sucesso de algoritmos de AM no
diagnóstico e predição de prognóstico de cárie dentária. O segundo artigo, buscou
desenvolver e validar modelos prognósticos de cárie implementando algoritmos de AM
usando dados coletados na primeira infância. Na revisão, o principal desfecho foi o
desempenho de modelos de AM (acurácia, sensibilidade, especificidade, AUC [área sob a
curva ROC (Receiver Operating Characteristic)]). Dois revisores independentes selecionaram
os estudos e realizaram a avaliação da qualidade metodológica. Nos estudos de diagnóstico
(10 artigos), a AUC variou de 0,745 a 0,987. Nos estudos de prognóstico (5 artigos), valores
de sensibilidade foram maiores naqueles estudos com baixo risco de viés (mediana [rango
interquartílico (IQR)] de 0,996 [0,971-1,000] vs. estudos com incerteza/alto risco de viés
0,189 [0–0,340]; (p=0.025). Concluímos que o uso de AM é promissor na área, embora a
aplicabilidade geral da evidência foi limitada, devido às preocupações quanto ao risco de viés
e uso de dados fora do cenário clínico real. O segundo artigo trata-se de uma coorte de 10
anos de acompanhamento. Foram usados os dados de 639 crianças de 1 a 5 anos, examinadas
no ano 2010 e reavaliadas nos anos de 2012 e 2020 (taxa de retenção de 73,1% e 66,9%,
respectivamente). Fatores demográficos, socioeconômicos, comportamentais, clínicos, e
relacionados com o capital social foram coletados através de questionários semiestruturados.
Os exames clínicos foram realizados por examinadores previamente treinados e calibrados. O
principal desfecho foi o desenvolvimento de cárie, avaliado pelo Sistema Internacional de
Detecção e Avaliação de Cárie (ICDAS). Modelos de regressão logística (RL) e algoritmos
próprios da IA (árvore de decisão, floresta aleatória, e XGBoost), foram implementados
usando o software RStudio. Aos 2 anos, o XGBoost alcançou AUC de 0,833, sendo a
severidade da cárie o preditor mais forte. Após 10 anos o XGBoost teve um desempenho
significativamente melhor do que a RL (p<0,05), pelo teste de DeLong. O algoritmo SHAP,
baseado no XGBoost, indicou fatores como a experiência prévia de cárie, não uso de creme
dental fluoretado, alta frequência de consumo de açúcar, condições socioeconômicas adversas
e redes sociais fracas, como os fatores mais relevantes na predição. Com base nesses estudos
conclui-se que algoritmos de AM podem ter melhor desempenho que modelos tradicionais na
predição de cárie. Embora esses resultados exijam validação externa, a combinação de
modelos de AM e SHAP mostra potencial para prever o desenvolvimento de cárie. | por |
dc.contributor.advisor1 | Ardenghi, Thiago Machado | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3627421305871577 | por |
dc.contributor.referee1 | Ferreira, Fernanda de Morais | |
dc.contributor.referee2 | Tomazoni, Fernanda | |
dc.contributor.referee3 | Schuch, Helena Silveira | |
dc.contributor.referee4 | Ramadan, Yassmín Hêllwaht | |
dc.creator.Lattes | http://lattes.cnpq.br/6607886838139599 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Odontologia | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciências Odontológicas | por |
dc.subject.cnpq | CNPQ::CIENCIAS DA SAUDE::ODONTOLOGIA | por |
dc.publisher.unidade | Centro de Ciências da Saúde | por |