Aplicação de ferramenta baseada em inteligência artificial para o auxiliar no diagnóstico e elaboração de protocolo restaurador em Odontologia Restauradora.

Descrição

Algumas condições clínicas bucais, como lesões cervicais não cariosas (LCNC), recessões gengivais (RG) e fluorose dentária, são amplamente observadas na prática odontológica. Tais condições podem representar desafios significativos para o diagnóstico e o planejamento terapêutico com longevidade dos resultados, uma vez que exigem uma abordagem integrada que envolve diferentes áreas da Odontologia, como Periodontia, Dentística Restauradora e Materiais Dentários. Nesse contexto, a utilização de evidências científicas de alta qualidade e de tecnologias inovadoras, como a inteligência artificial, pode contribuir para maior precisão diagnóstica e apoio à tomada de decisão clínica. Apesar dos avanços associados ao uso da inteligência artificial, ainda existe a necessidade de desenvolver ferramentas capazes de oferecer elevada acurácia e confiabilidade nas informações fornecidas aos profissionais de Odontologia. É fundamental que tais tecnologias sejam elaboradas especificamente para a área, considerando a importância do treinamento dos algoritmos com dados altamente específicos. Diante disso, este projeto propõe o desenvolvimento de modelos de inteligência artificial, fundamentados em evidências científicas consistentes, para auxiliar no diagnóstico e no planejamento do tratamento de lesões cervicais não cariosas, recessões gengivais e fluorose dentária. Para o levantamento da evidência científica que subsidiará o plano de tratamento, será realizada uma revisão sistemática. As bases de dados PubMed, Embase, Web of Science, Scopus e Cochrane serão consultadas por meio de uma estratégia de busca composta por descritores e termos livres, sem restrições quanto ao idioma ou ano de publicação. Os dados obtidos serão analisados descritivamente. Para o desenvolvimento dos modelos de IA, serão utilizadas fotografias clínicas de lesões cervicais não cariosas (LCNCs), associadas ou não a recessões gengivais (RGs), bem como imagens clínicas de fluorose dentária provenientes de banco de imagens previamente constituído e disponibilizado mediante autorização formal da pesquisadora responsável. As imagens rotuladas servirão de base para o treinamento dos modelos, utilizando técnicas de aprendizado de máquina e redes neurais, com o objetivo de identificar e classificar padrões clínicos. Espera-se, assim, construir uma ferramenta baseada em evidências que auxilie no diagnóstico e na definição de condutas restauradoras integradas para LCNCs, RGs e fluorose dentária.