Resumen

Antecedentes/objetivos:
La inteligencia artificial (IA) ha adquirido una relevancia considerable en la odontología pediátrica, ofreciendo nuevas oportunidades para mejorar la precisión diagnóstica y la toma de decisiones clínicas. Los sistemas basados en IA se aplican cada vez más en la detección de caries, la predicción del riesgo de caries en la primera infancia (ECC), la evaluación del desarrollo dental, la identificación de mesiodens y otras tareas diagnósticas clave. Esta revisión sistemática y metaanálisis tuvo como objetivo sintetizar la evidencia sobre el desempeño diagnóstico de los modelos de IA desarrollados específicamente para aplicaciones odontológicas pediátricas.

Métodos:
Se realizó una búsqueda sistemática en PubMed, Scopus, Web of Science y Embase siguiendo las directrices PRISMA-DTA. Se incluyeron estudios que evaluaran modelos diagnósticos o predictivos basados en IA en poblaciones pediátricas (≤18 años). La revisión de referencias, la extracción de datos y la evaluación de la calidad metodológica fueron realizadas de forma independiente por dos revisores. Se calcularon la sensibilidad combinada, la especificidad y el área bajo la curva ROC (AUC) mediante modelos de efectos aleatorios. Se examinaron las fuentes de heterogeneidad relacionadas con la modalidad de imagen, la estrategia de anotación y las características de los conjuntos de datos.

Resultados:
Treinta y dos estudios cumplieron los criterios de inclusión para la síntesis cualitativa, y quince fueron elegibles para el análisis cuantitativo. Para la detección radiográfica de caries, la sensibilidad, especificidad y AUC combinadas fueron 0,91, 0,97 y 0,98, respectivamente. Los modelos predictivos demostraron un buen desempeño diagnóstico, con una sensibilidad combinada de 0,86, especificidad de 0,82 y AUC de 0,89. Las arquitecturas de aprendizaje profundo, en particular las redes neuronales convolucionales, superaron consistentemente a los enfoques tradicionales de aprendizaje automático. Se identificó una heterogeneidad considerable entre los estudios, principalmente impulsada por diferencias en los protocolos de imagen, el equilibrio de los conjuntos de datos y los procedimientos de anotación. Más allá de las estimaciones cuantitativas de precisión, esta revisión evalúa críticamente si la evidencia actual respalda una traducción clínica significativa e identifica áreas pediátricas que permanecen subrepresentadas en la innovación diagnóstica impulsada por IA.

Conclusiones:
Las tecnologías de IA muestran un fuerte potencial para mejorar la precisión diagnóstica en odontología pediátrica. Sin embargo, la limitada validación externa, la variabilidad metodológica y la escasez de estudios prospectivos en entornos clínicos reales restringen su implementación clínica inmediata. Las futuras investigaciones deberían priorizar el desarrollo de conjuntos de datos pediátricos multicéntricos, flujos de trabajo de anotación armonizados y modelos de IA transparentes y explicables (XAI) para apoyar una traducción clínica segura y eficaz.

Karamüftüoğlu N, Üçpunar BY, Birben İ, Altundağ AE, Mullaoğlu KÖ, Bal C. Artificial Intelligence in Pediatric Dentistry: A Systematic Review and Meta-Analysis. Children (Basel). 2026 Jan 21;13(1):152. doi: 10.3390/children13010152. PMID: 41597160; PMCID: PMC12839933