El síndrome de Eagle es una afección que se produce por el alargamiento anómalo de la apófisis estiloides. Clínicamente, se acompaña de dolor orofacial u orofaríngeo en aquellos pacientes a los que se han extraído las amígdalas, un dolor en la zona de la mandíbula e incluso problemas neurológicos.
Detectar esta afección de manera temprana y precisa es fundamental para garantizar un tratamiento adecuado y mejorar la calidad de vida de los pacientes.
Un artículo publicado en Saveetha Dental College and Hospitals explica que tradicionalmente, la detección del síndrome de Eagle se basaba en la evaluación manual de imágenes de ortopantomograma (OPG), un proceso que consumía mucho tiempo y que podía variar dependiendo del observador. Esta variabilidad en el diagnóstico a menudo llevaba a retrasos en el tratamiento y a resultados menos precisos.
Sin embargo, según los autores del estudio, la inteligencia artificial (IA) ha irrumpido en el campo de la odontología y está mejorando la detección de esta afección. Lo que hace la IA es utilizar algoritmos y análisis avanzados para identificar automáticamente signos de alargamiento de la apófisis estiloides en imágenes de OPG. Esto significa que los diagnósticos se pueden realizar de manera más rápida y precisa, lo que permite a los profesionales de la salud tomar decisiones informadas sobre el tratamiento de sus pacientes.
Diagnóstico con IA y ortopantomografía
El reciente estudio llevado a cabo por Saveetha Dental College and Hospitals fue realizado utilizando radiografías panorámicas digitales recuperadas de sus archivos radiológicos. El objetivo principal fue evaluar la precisión de la IA en la detección del alargamiento de la apófisis estiloides en OPG digitales. Además, se comparó el rendimiento de tres algoritmos de IA diferentes con la evaluación radiográfica manual realizada por un radiólogo.
En concreto, el estudio analizó 400 OPG digitales y se ejecutaron mediciones lineales de la longitud de la apófisis estiloides utilizando el software ImageJ. Estas mediciones se llevaron a cabo por un observador calibrado y se incluyeron en un conjunto de datos que consistía en 169 imágenes de apófisis estiloides alargadas y 200 imágenes de apófisis estiloides normales. Se implementaron tres modelos de IA diferentes:
- Regresión logística
- Red neuronal
- Algoritmos Naïve Bayes
Utilizando un software de la Universidad de Ljubljana, la evaluación del desempeño se llevó a cabo para determinar cuán efectivos fueron los modelos de IA en la detección del alargamiento de la apófisis estiloides, utilizaron varias métricas como:
- Exactitud: para determinar la capacidad de un algoritmo a la hora de diferenciar entre casos normales y enfermos.
- Sensibilidad: para medir la proporción de casos positivos que el modelo pueda identificar correctamente.
- Especificidad: para determinar la capacidad del modelo ML a la hora de identificar los verdaderos casos negativos.
- Precisión: de los algoritmos de IA para identificar casos de elongación de la apófisis estiloides.
- Recuperación: para detectar la capacidad de “recuperar” o “recordar” todos los elementos que realmente son positivos en el conjunto de datos.
- Puntuación F1: una métrica que considera tanto la precisión como la recuperación.
- Curva AUC-ROC (área bajo la característica operativa del receptor).
Resultados del estudio
Los resultados del estudio revelaron que la prevalencia del alargamiento de la apófisis estiloides fue del 24.75% en la muestra de 400 pacientes, lo cual concuerda con investigaciones previas. Además, no hubo diferencias significativas en la prevalencia entre hombres y mujeres. Esto refleja la importancia de abordar esta afección en ambos sexos.
El algoritmo Naïve Bayes obtuvo una precisión del 71.5%, y mostró discrepancias en comparación con la evaluación radiográfica manual.
La regresión logística y las redes neuronales lograron una precisión del 100% en la clasificación de las imágenes y una puntuación AUC de 1, lo que indica una capacidad de discriminación perfecta.
Estos resultados son consistentes con investigaciones anteriores que han destacado la eficacia de la IA en la detección de patologías médicas. Como por ejemplo, el estudio de la capacidad de la IA para detectar y evaluar la gingivitis en fotografías intraorales.
Es decir, según afirma el estudio, esto marca el comienzo de la integración de la IA en la odontología, ofreciendo resultados prometedores en la detección del alargamiento de la apófisis estiloides.
No obstante, se requiere investigación adicional, incluyendo conjuntos de datos más amplios y la consideración de diferentes patrones de calcificación, para fortalecer la aplicación de la IA en odontología.
Fuente: Cureus. Jeevitha S J, Kumar S L, Yadalam P (November 28, 2023) Artificial Intelligence: A Reliable Tool to Detect the Elongation of the Styloid Process. Cureus 15(11): e49541. doi:10.7759/cureus.49541
