دکتر زهرا ابراهیمی نیک — متخصص ارتودنسی، نیاوران تهران

دقت هوش مصنوعی در برنامه‌ریزی درمان ارتودنسی با کشیدن دندان: مرور نظام‌مند و متاآنالیز

سیدمهدی زیایی و همکاران (BMC Oral Health) — 2025-10-09 — 10 دقیقه

این مرور نظام‌مند و متاآنالیز (BMC Oral Health، ۲۰۲۵) دقت تشخیصی مدل‌های هوش مصنوعی در پیش‌بینی نیاز به کشیدن دندان در برنامه‌ریزی درمان ارتودنسی را ارزیابی کرده است. با رعایت PRISMA، هفت مطالعه مقطعی از شش کشور (هند، آمریکا، شیلی، چین، کره جنوبی، آلمان) با مجموع ۶۲۶۱ بیمار وارد شدند. حساسیت و ویژگی تجمیع‌شده به ترتیب ۷۰٪ و ۹۰٪ بود. در تحلیل زیرگروه، مدل‌های مبتنی بر CNN (ResNet، VGG) بالاترین و پایدارترین عملکرد را داشتند (حساسیت ۷۶–۸۲٪، ویژگی ۹۳–۹۴٪، ناهمگونی صفر)، در حالی که Random Forest و MLP تنوع بیشتری نشان دادند. متا-رگرسیون نشان داد شیوع بالاتر کشیدن دندان با حساسیت بالاتر همراه است؛ نمودار قیفی احتمال سوگیری انتشار را مطرح کرد. هوش مصنوعی، به‌ویژه سیستم‌های مبتنی بر CNN، می‌تواند به‌عنوان ابزار کمکی برای تصمیم مبتنی بر شواهد در کشیدن دندان به کار رود ولی نباید جایگزین قضاوت بالینی شود؛ مطالعات استاندارد و گسترده برای کاربرد گسترده‌تر بالینی لازم است.

زمینه

این مرور نظام‌مند و متاآنالیز (BMC Oral Health، ۲۰۲۵) بررسی کرده است که آیا هوش مصنوعی می‌تواند به‌درستی نیاز به کشیدن دندان در برنامه‌ریزی درمان ارتودنسی را پیش‌بینی کند. پروتکل در PROSPERO (CRD42024582455) ثبت شده است. هوش مصنوعی و یادگیری ماشین در دندانپزشکی برای تشخیص و برنامه‌ریزی درمان به‌طور فزاینده استفاده می‌شوند؛ تصمیم کشیدن یا عدم کشیدن دندان در ارتودنسی به عوامل متعدد و تجربه بالینی وابسته است و هوش مصنوعی می‌تواند به استانداردسازی و پشتیبانی از این تصمیم‌ها کمک کند.

روش

جستجو در PubMed، Scopus، Web of Science و Google Scholar تا ژوئن ۲۰۲۵ با واژه‌های مرتبط با هوش مصنوعی، ارتودنسی، کشیدن دندان و برنامه‌ریزی درمان انجام شد. مطالعات واجد شرایط مقطعی بودند، مدل‌های مبتنی بر هوش مصنوعی را با استاندارد بالینی مقایسه کرده و دقت تشخیصی (حساسیت و ویژگی) را گزارش کرده بودند. داده‌ها با فرم استاندارد استخراج شد؛ کیفیت با چک‌لیست JBI برای مطالعات مقطعی تحلیلی ارزیابی شد. حساسیت و ویژگی تجمیع‌شده با مدل اثرات تصادفی محاسبه شد؛ ناهمگونی با I² بررسی شد؛ تحلیل زیرگروه بر اساس نوع مدل و متا-رگرسیون (مثلاً اثر شیوع بیماری) انجام شد؛ نمودار قیفی برای ارزیابی سوگیری انتشار استفاده شد.

نتایج

هفت مطالعه (۲۰۲۱–۲۰۲۴) از شش کشور با ۶۲۶۱ بیمار وارد شدند. حجم نمونه از ۱۹۲ تا ۱۶۳۶ متغیر بود. روش‌های هوش مصنوعی شامل CNN (ResNet-50/101، VGG16/19)، Random Forest، MLP، درخت تصمیم، SVM و Auto-WEKA بودند. حساسیت تجمیع‌شده ۷۰٪ (فاصله اطمینان ۹۵٪: ۶۱–۷۸) و ویژگی تجمیع‌شده ۹۰٪ (۸۷–۹۲) بود، با ناهمگونی بالا (I² حدود ۹۷٪ و ۹۴٪). در تحلیل زیرگروه، مدل‌های مبتنی بر CNN (ResNet و VGG) بالاترین و پایدارترین عملکرد را داشتند (مثلاً ResNet حساسیت ۷۵/۸٪، ویژگی ۹۴/۱٪؛ VGG حساسیت ۸۲/۴٪، ویژگی ۹۳/۱٪) با I² = ۰٪. MLP و Random Forest عملکرد متوسط با ناهمگونی قابل توجه داشتند. متا-رگرسیون نشان داد شیوع بالاتر کشیدن دندان در مطالعات با حساسیت بالاتر ارتباط معنی‌دار دارد (p = 0.050). نمودارهای قیفی عدم تقارن و احتمال سوگیری انتشار را نشان دادند. تحلیل حساسیت حذف یک‌به‌یک نشان داد برآورد تجمیع‌شده حساسیت پایدار است.

محدودیت‌ها و ناهمگونی

ناهمگونی بالا بود و احتمالاً ناشی از تفاوت در طراحی مطالعه، جمعیت‌ها، الگوریتم‌های هوش مصنوعی و مجموعه داده‌ها است. جزئیات جمعیت‌شناختی و بالینی اغلب محدود بود. طراحی مقطعی اجازه نتیجه‌گیری علی را نمی‌دهد. تعداد کم مطالعات و احتمال سوگیری انتشار قدرت توصیه‌ها را محدود می‌کند.

نتیجه‌گیری و کاربرد بالینی

مدل‌های هوش مصنوعی، به‌ویژه مبتنی بر CNN، دقت تشخیصی متوسط تا بالا برای پیش‌بینی کشیدن دندان در ارتودنسی نشان می‌دهند و می‌توانند برای پشتیبانی از تصمیم‌گیری مبتنی بر شواهد به کار روند. آن‌ها باید به‌عنوان ابزار کمکی عمل کنند و جایگزین قضاوت بالینی نشوند، به‌ویژه در موارد پیچیده. قبل از کاربرد گسترده بالینی، مجموعه داده‌های استاندارد، پروتکل‌های اعتبارسنجی و مطالعات چندمرکزی گسترده لازم است.

مرجع: Ziaei S و همکاران. BMC Oral Health. 2025;25:1576. PMC12512631. https://pmc.ncbi.nlm.nih.gov/articles/PMC12512631/

متن کامل مقاله

مطالب مرتبط