Aprendizado de máquina para prever o diagnóstico de doenças da cavidade oral : uma revisão de escopo

Abstract

Introdução: O aprendizado de máquina (ML) tem se mostrado uma ferramenta promissora para a predição de doenças orais a partir de dados clínicos e de imagem. Apesar do potencial, sua aplicação na prática odontológica ainda é limitada. Objetivo: Esta revisão de escopo (RS) teve como objetivo realizar uma análise descritiva do aprendizado de máquina para predição de diagnósticos de doenças da cavidade oral. Metodologia: Foi realizada uma busca eletrônica utilizando as seguintes bases de dados: MEDLINE/PubMed, EMBASE e Web of Science. A busca na literatura cinzenta foi realizada no Google Acadêmico. Foram incluídos estudos que utilizaram aprendizado de máquina para predição do diagnóstico de doenças da cavidade oral em humanos. Esta ScR foi relatada de acordo com a lista de verificação Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews (PRISMA-ScR). Resultados: De um total de 3660 estudos identificados, 99 atenderam aos critérios de elegibilidade. Um total de 120 doenças foram identificadas nos estudos incluídos, considerando que cada estudo poderia abordar mais de uma doença. As doenças mais comumente observadas foram: cárie dentária e condições associadas (27,5%); câncer oral (20%); doenças periodontais (11,7%); distúrbios das glândulas salivares e xerostomia (8,3%); lesões da mucosa (6,7%) e outras. Em relação à origem dos estudos, a China foi responsável por 13,1% das publicações, seguida pela Índia (12,1%), Coreia do Sul (11,1%) e Estados Unidos (10,1%). Quanto às variáveis preditoras, os dados clínicos foram os mais utilizados (29,3%), seguidos por fotografias (23,2%), exames radiográficos (17,2%) e exames histopatológicos (7,1%).A estomatologia foi a especialidade mais abordada entre os estudos abrangendo 57,5% das publicações. As métricas mais frequentes para avaliação dos modelos foram sensibilidade (18,9%), acurácia (17,0%) e especificidade (13,6%). Por fim, entre os algoritmos utilizados, o Support Vector Machine (SVM) foi o mais aplicado (10,5%), seguido por Random Forest (9,4%) e Regressão Logística (9,0%). Conclusão: Esta revisão de escopo identificou que a aplicação de Inteligência Artificial na predição diagnóstica de doenças da cavidade oral concentra-se principalmente em cárie dentária, câncer bucal e doenças periodontais. Apesar dos avanços, ainda existem lacunas quanto à padronização metodológica e à validação clínica dos modelos. Assim, estudos futuros são necessários para fortalecer a aplicabilidade da IA na prática odontológica, promovendo maior segurança e eficácia diagnóstica.