The Impact of Artificial Intelligence on the Accuracy of Interproximal Reduction Simulation in Clear Aligner Therapy: A Scoping Review

Resumo Técnico: O Impacto da Inteligência Artificial na Precisão da Simulação de Redução Interproximal em Terapia com Alinhadores Transparentes

Definição do Problema
A Terapia com Alinhadores Transparentes (CAT) depende fortemente de um planejamento de tratamento digital preciso, no qual a Redução Interproximal (IPR) — a remoção de quantidades microscópicas de esmalte para criar espaço — é uma etapa crítica e irreversível. Uma prescrição de IPR imprecisa pode levar a um espaço insuficiente para o movimento dentário ou, inversamente, à destruição do esmalte e problemas periodontais. Embora a Inteligência Artificial (IA) seja cada vez mais utilizada para automatizar a segmentação dentária, a geração de setup virtual e a prescrição de IPR, há uma falta de evidências sintetizadas sobre a precisão dessas simulações impulsionadas por IA em comparação com os métodos convencionais. A literatura existente aborda a IA na ortodontia ou a IPR separadamente, mas nenhuma revisão integrou a IA especificamente com a precisão da simulação de IPR como uma abordagem baseada em evidências distinta. O problema central é se as ferramentas de IA melhoram mensuravelmente, degradam ou introduzem erros específicos no fluxo de trabalho de simulação de IPR, particularmente dado que as medições da largura mesiodistal dos dentes dos modelos digitais servem como o input direto para os cálculos de IPR.

Metodologia
Este estudo é uma revisão de escopo conduzida de acordo com a metodologia do Joanna Briggs Institute (JBI) e as diretrizes PRISMA-ScR.

• Estratégia de Busca: Uma busca abrangente foi realizada nas bases PubMed/MEDLINE, Scopus, Web of Science Core Collection e Cochrane CENTRAL de janeiro de 2015 a junho de 2026. O Google Scholar e buscas manuais em periódicos ortodônticos de referência complementaram a busca.
• Critérios de Inclusão: Estudos primários (qualquer delineamento) envolvendo pacientes de CAT, modelos digitais ou conjuntos de dados onde um componente de IA identificável (aprendizado de máquina, aprendizado profundo ou ferramentas rotuladas pelo fabricante como "impulsionadas por IA") foi utilizado na segmentação dentária, setup virtual ou simulação de IPR. Os estudos deveriam relatar pelo menos um desfecho de precisão quantitativa (ex: diferença média em mm, ICC, MAE, RMSE).
• Critérios de Exclusão: Estudos focados exclusivamente em aparelhos fixos, funções de IA não voltadas ao planejamento (ex: chatbots), desfechos subjetivos sem medidas quantitativas, fontes secundárias ou modelos não odontológicos.
• Síntese de Dados: Dois revisores selecionaram independentemente 92 registros recuperados, resultando em 19 fontes incluídas. Devido à heterogeneidade das plataformas de IA, dos delineamentos de estudo e das medidas de desfecho, os dados foram sintetizados de forma narrativa e temática, em vez de agrupamento quantitativo.
• Avaliação de Qualidade: Um checklist harmonizado de cinco domínios (Seleção, Detecção, Atrição, Relato, Transparência de IA) foi utilizado para avaliar a base de evidências, classificando as preocupações como baixas, moderadas ou altas. Isso foi feito para interpretação contextual, não como um filtro para inclusão.

Principais Contribuições
A revisão mapeia as evidências existentes através de quatro domínios temáticos:

1. Precisão da Segmentação Dentária Impulsionada por IA: Avaliando quão bem os algoritmos de IA segmentam os dentes para determinar as larguras mesiodistais.
2. Precisão do Setup Digital Automatizado: Avaliando a precisão dos setups virtuais gerados por IA e dos algoritmos de registro.
3. Predição de Desfechos de CAT pela IA: Analisando o papel da IPR como uma variável em modelos de aprendizado de máquina que predizem o sucesso do tratamento ou a necessidade de refinamento.
4. Impactos da Visualização por IA: Investigando como as visualizações 3D geradas por IA (incluindo estruturas ósseas e radiculares) influenciam a tomada de decisão clínica de IPR.

Resultados
Dos 92 registros recuperados, 19 fontes publicadas entre 2022 e 2026 atenderam aos critérios de inclusão.

• Precisão da Segmentação: As evidências indicam uma propensão da segmentação por IA de superestimar a largura mesiodistal. Um estudo descobriu que a segmentação da DentOne AI desviou 0,84–0,87 mm nos dentes posteriores em comparação com as medições manuais, aproximadamente o dobro do desvio do ClinCheck (0,47–0,56 mm). Embora alguns modelos de deep learning tenham alcançado altos escores de Interseção sobre União (IoU) (ex: >92%), a alta sobreposição volumétrica não garantiu a identificação precisa dos pontos de contato necessários para uma IPR precisa.
• Precisão de Setup e Registro: Setups automatizados mostraram precisão variável dependendo do software e do tipo de movimento. Erros lineares variaram de 0,39 a 1,40 mm, e erros angulares de 3,25 a 7,80 graus. Algoritmos de registro determinísticos usados para medir esses desfechos também variaram; por exemplo, o OrthoAnalyzer mostrou baixa concordância (ICC < 0,5) para torque mandibular em comparação com o Geomagic e o Compare (ICC > 0,90).
• Modelagem Preditiva: Em análises retrospectivas de milhares de pacientes, a IPR foi identificada como um preditor significativo para risco de refinamento e abertura de embraduras gengivais. Modelos de aprendizado de máquina (ex: XGBoost, Redes Convolucionais de Grafos) alcançaram níveis variados de precisão (ex: AUC 0,880 para prever abertura de embradura gengival quando a IPR foi incluída como preditor).
• Tomada de Decisão Clínica: A visualização 3D por IA alterou significativamente o comportamento do clínico. Em um levantamento, 33–43% dos ortodontistas alteraram seus planos de tratamento, incluindo decisões de IPR, após visualizarem dados 3D de osso e raiz gerados por IA. No entanto, essas predições ósseas não foram verificadas contra padrões clínicos ou radiográficos nos estudos incluídos.
• Avaliação de Qualidade: 14 dos 19 estudos foram classificados com baixa preocupação. Preocupações moderadas foram observadas em relação a amostras pequenas e relatos incompletos da metodologia de IA. Preocupações altas foram identificadas em estudos com baixas taxas de resposta de pesquisa e pequenas amostras piloto.

Significância e Alegações
O artigo conclui que as ferramentas de IA afetam mensuravelmente todas as etapas do fluxo de trabalho de simulação de IPR na Terapia com Alinhadores Transparentes, mas a evidência atual não sustenta a alegação de que a IA é inerentemente mais precisa do que o planejamento digital convencional.

• Limitações Atuais: Nenhuma fonte incluída foi desenhada com o desfecho primário de comparar a precisão da IPR simulada por IA contra a IPR convencional. Consequentemente, uma comparação prospectiva dedicada é necessária para fechar esta lacuna de evidências.
• Implicações Clínicas: Os clínicos não podem excluir com segurança a supervisão humana. Especificamente, as prescrições de IPR posterior geradas pela segmentação de IA não devem ser confiadas sem confirmar as medidas mesiodistais devido aos riscos de superestimação. Além disso, as visualizações 3D geradas por IA devem ser tratadas como ferramentas de suporte à decisão, e não como dados diagnósticos definitivos, uma vez que as predições ósseas não foram validadas contra padrões de referência.
• Direções Futuras: Os autores defendem um estudo prospectivo com um desfecho primário de precisão de prescrição, utilizando algoritmos de registro padronizados e amostras diversas (incluindo apinhamento severo e IPR posterior) para determinar se a IA pode realmente melhorar ou degradar a precisão da IPR em comparação com os métodos tradicionais.

A revisão enfatiza que, embora a IA ofereça automação, a natureza de "caixa preta" dos algoritmos comerciais e a variabilidade na precisão de segmentação e registro exigem atualmente a verificação do clínico em vez da substituição das prescrições geradas por IA.