Desarrollo de una Herramienta de Diagnóstico para patologías en la Articulación Temporomandibular y el Complejo Cráneo-cérvico-mandibular Basada en Deep learning.

Este proyecto se enfoca en el desarrollo y validación de un método de diagnóstico innovador para detectar desórdenes, trastornos, disfunciones, anomalías y patologías en la articulación temporomandibular (ATM) y el complejo craneocervicomandibular (CCM) mediante el uso de inteligencia artificial (IA), basado en Deep learning. Se evaluara la precisión y exactitud diagnóstica, comparando el desempeño, la efectividad y la eficacia de este nuevo método con IA frente al enfoque tradicional del Gold Standard o método de referencia, este último se obtendrá de un consenso de experto por metodología Delphi, usando la evaluación clínica (DC-TMJ) y análisis imagenológico (Radiografías de perfil, panorámica, tomografía CBCT y resonancia magnética) como referente, para poder clasificar, evaluar causas y probabilidades en el diagnóstico; generando como resultado el tratamiento personalizado de estos problemas, el diagnóstico temprano y los encontrar factores predictores.
Existen dificultades para el diagnóstico, que pueden deberse a la cantidad de datos, la dificultad de los métodos, el bajo consenso de expertos, las diversas filosofías con sus variables a evaluar , el extenso entrenamiento clínico, los tiempo largos y los altos costos para realizar el diagnóstico; presentándose una oportunidad con la inteligencia artificial, a través de sistemas de soporte a la toma de decisiones clínicas, usando redes neuronales con múltiples capas con entrenamiento supervisado y no supervisado para el análisis clínico e imagenológico.
La pregunta de investigación se centra, si puede el método diagnóstico de ATM y CCM basado en Deep learning igualar la precisión, exactitud y eficacia en comparación con el enfoque tradicional de Gold Standard clínico e imagenológico. Para responder esta pregunta, se ha diseñado un estudio de validación de pruebas diagnósticas de corte transversal y observacional; se reclutará una muestra de 990 pacientes con y sin síntomas de disfunción de ATM y CCM, remitidos por especialistas en odontología y áreas de la salud afines o pacientes que acuden a valoración por ortodoncia. La metodología incluye desarrollo y la validación interna del método basado en IA y la comparación con el método diagnóstico Gold Standard; se realizarán pruebas paralelas en cada paciente y se compararán los resultados, la concordancia y validez de ambos métodos; los análisis estadísticos serán el coeficiente de correlación intraclase, coeficiente de correlación de Pearson y coeficiente de correlación de Spearman, además, las pruebas estadísticas de sensibilidad, precisión, curvas ROC y AUC para validar el método de diagnóstico