Predizendo o prognóstico do tratamento endodôntico em dentes decíduos utilizando uma abordagem de aprendizado de máquina

• Processo: 25/14238-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de janeiro de 2026
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências da Saúde - Odontologia - Odontopediatria
• Pesquisador responsável: Fausto Medeiros Mendes
• Beneficiário: Gustavo da Costa Fernandes
• Supervisor: Helena Silveira Schuch
• Instituição Sede: Faculdade de Odontologia (FO). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: University of Queensland, Brisbane (UQ), Austrália
• Vinculado à bolsa: 23/18210-3 - Avaliação dos desfechos centrados no paciente após tratamento endodôntico de molares decíduos sem instrumentação - estudo clínico randomizado multicêntrico com 24 meses de acompanhamento, BP.MS
• Assunto(s): Inteligência artificial Crianças Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: artificial intelligence | children | Endodontics | machine learning | Primary teeth | Inteligência Artificial

Resumo

Embora avanços tenham sido feitos no tratamento endodôntico de dentes decíduos, a literatura sobre esse tópico permanece limitada em comparação a outros procedimentos odontológicos. Os fatores que influenciam o sucesso desse tratamento ainda não estão claros. Entretanto, com o advento da inteligência artificial, os modelos criados usando técnicas de aprendizado de máquina (ML, do inglês Machine Learning) podem prever o sucesso desse tipo de tratamento com maior precisão. No entanto, nenhum estudo anterior utilizou uma abordagem de ML para essa finalidade. Portanto, o objetivo deste estudo é desenvolver algoritmos de ML para prever o sucesso de dentes decíduos tratados endodonticamente. Para isso, serão utilizados dados de cinco estudos clínicos realizados em nossa instituição. Esses estudos incluíram aproximadamente 555 e 365 dentes tratados, que foram acompanhados por 12 ou 24 meses, respectivamente. Os preditores incluirão variáveis relacionadas à criança (sexo, idade), ao dente (tipo de dente, arco, lado, condição pulpar inicial, presença de reabsorção radicular ou lesão periapical) e aos procedimentos endodônticos (técnica de instrumentação, obturação e material restaurador utilizado). O resultado será a ocorrência de falhas clínicas e radiográficas após um ano e após dois anos de tratamento. Para o treinamento e desenvolvimento do modelo, a amostra será dividida em um conjunto de treinamento e teste (70:30), e serão usados algoritmos mais utilizados de ML. Depois de otimizar os hiperparâmetros, os valores de área sob as curvas ROC será derivada e outros parâmetros de precisão serão calculados usando a incidência de falhas na amostra de treinamento como ponto de corte. As métricas de avaliação também incluirão sensibilidade, especificidade e Brier score. Os valores de SHapley Additive exPlanations (SHAP) serão plotados para identificar os principais preditores de cada modelo.