RESUMEN

Objetivos

Este estudio tuvo como objetivo evaluar la precisión y la integridad del Transformador Generativo Preentrenado Chat (ChatGPT) en el control de lesiones cervicales no cariosas (LCNC) asociadas con la recesión gingival.

Métodos
Se crearon doce casos hipotéticos utilizando los datos de exámenes clínicos y radiográficos de adultos jóvenes que acudieron a la clínica de periodoncia por primera vez debido a hipersensibilidad dentinaria o problemas estéticos. Para el desarrollo de los casos hipotéticos, se consideraron la recesión gingival y las clasificaciones NCCL, así como dos revisiones. Se solicitó a ChatGPT que proporcionara respuestas en las áreas de diagnóstico, manejo clínico y manejo quirúrgico, así como todas las referencias bibliográficas utilizadas para elaborar dichas respuestas. Todas las respuestas recibidas durante este procedimiento fueron examinadas por cuatro revisores independientes. Los revisores utilizaron una escala Likert de 6 puntos para evaluar la precisión de cada respuesta, una escala Likert de 3 puntos para la completitud y la escala de calidad global modificada para evaluar las referencias existentes.

Resultados
La concordancia entre los revisores osciló entre 0,629 y 1,000. Se encontró una asociación estadísticamente significativa entre la precisión y la integridad en los dominios de diagnóstico (p = 0,005) y manejo clínico (p = 0,010). Sin embargo, no se encontró una asociación estadísticamente significativa entre la precisión y la integridad del manejo quirúrgico. La mayoría de las referencias fueron de nivel moderado, y tres mostraron buena calidad.
Conclusiones
Este estudio reveló que rara vez era posible una solución completa que abordara todas las partes de los casos. Actualmente, el uso de ChatGPT como herramienta complementaria para la toma de decisiones clínicas en casos complejos de NCCL no parece práctico.

Ezgi Gurbuz, Beyza Tetik, Accuracy and completeness of ChatGPT-4o in the management of non-carious cervical lesions,
Digital Dentistry Journal, Volume 2, Issue 2, 2025, 100015, ISSN 2950-6433,
https://doi.org/10.1016/j.ddj.2025.100015.