Predição de cárie dentária em crianças: uma abordagem de aprendizado de máquinas
Visualizar/ Abrir
Data
2024-02-06Primeiro membro da banca
Ferreira, Fernanda de Morais
Segundo membro da banca
Tomazoni, Fernanda
Terceiro membro da banca
Schuch, Helena Silveira
Quarto membro da banca
Ramadan, Yassmín Hêllwaht
Metadata
Mostrar registro completoResumo
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.
Coleções
Os arquivos de licença a seguir estão associados a este item: