Revisión sistemática del diagnóstico de la hipomineralización de los molares e incisivos (mih) utilizando la inteligencia artificial : estado actual y perspectivas futuras.

Abstract

Introducción: La hipomineralización molar-incisiva (MIH) representa un desafío diagnóstico en odontología pediátrica debido a su variabilidad clínica y su frecuente solapamiento con otros defectos del esmalte. Los modelos de inteligencia artificial (IA) se están aplicando cada vez más para apoyar el diagnóstico precoz y mejorar la precisión en la clasificación. El objetivo de esta revisión sistemática fue evaluar el rendimiento diagnóstico de los sistemas de IA en la detección de MIH a partir de datos. Material y Métodos: Se realizó una búsqueda electrónica en bases de datos como PubMed, Scopus y Web of Science hasta febrero de 2024. Se incluyeron nueve estudios que evaluaban modelos de IA como redes neuronales convolucionales (CNN) y arquitecturas basadas en transformadores entrenados con imágenes dentales clínicas o intraorales. Resultados: En los estudios analizados, los modelos de IA alcanzaron precisiones diagnósticas que oscilaron entre el 83.98 % y el 97.8 %. Los valores de sensibilidad se situaron entre el 78.6 % y el 93.5 %, mientras que la especificidad fue superior al 90 % en la mayoría de los casos. Sin embargo, se identificaron varias limitaciones: ausencia de validación externa, reducción del rendimiento en imágenes de baja calidad y variabilidad según la zona anatómica. Conclusiones: A pesar de sus limitaciones, la IA se presenta como una herramienta confiable y prometedora para la detección precoz de la MIH. Se requiere mayor validación clínica, estandarización de los protocolos de imagen y ensayos multicéntricos para consolidar su aplicación en contextos reales y su integración en los flujos de trabajo odontológicos rutinarios.