Autori
Giovanni Leandro Arcangeli
Medico Odontoiatra
Master Universitario II livello in Chirurgia Orale ed Implantologia
Corrispondenza: giovanni.leandro@libero.it
Abstract
Obiettivo: Condurre una revisione sistematica della letteratura per valutare le applicazioni dell’IA nella rilevazione e previsione precoce delle complicanze peri-implantari, analizzando la performance dei modelli, i tipi di dati e l’applicabilità clinica.
Metodi: è stata eseguita una revisione sistematica della letteratura (2015-2025) attraverso quattro banche dati elettroniche (PubMed, Scopus, Web of Science, Cochrane), seguendo le linee guida PRISMA. Sono stati inclusi studi che valutano modelli IA applicati a immagini (radiografie periapicali, ortopantomografie, CBCT) e/o dati clinici. Sono stati estratti dati su progettazione dello studio, metodologia IA, dimensione del campione, modalità di imaging, misure di outcome e performance predittiva. Il rischio di bias è stato valutato con lo strumento QUADAS-2.
Risultati: cinque studi hanno soddisfatto i criteri di inclusione. I modelli IA (CNN, R-CNN, U-Net, Random Forest) hanno mostrato un’accuratezza predittiva tra l’85% e il 99%, con valori di AUC tra 0,84 e 0,90. I modelli multimodali hanno mostrato una performance superiore rispetto agli approcci basati solo su immagini.
Conclusioni: l’IA ha un grande potenziale nella rilevazione e previsione precoce delle complicanze peri-implantari. Gli approcci multimodali sembrano offrire le migliori capacità predittive. Sono necessari ulteriori studi multicentrici prospettici per l’implementazione clinica standardizzata.
Artificial intelligence for early detection and prediction peri-implant complications: A systematic review
Objective: to conduct a systematic review of the literature evaluating AI applications for early detection and prediction of peri-implant complications, analyzing model performance, data types, and clinical applicability.
Methods: a systematic search from 2015–2025 was conducted across four electronic databases (PubMed, Scopus, Web of Science, Cochrane), following PRISMA guidelines. Studies evaluating AI models applied to imaging (periapical radiographs, orthopantomogram, CBCT) and/or clinical data for detection or prediction of peri-implant complications were included. Data on study design, AI methodology, sample size, imaging modality, outcome measures, and predictive performance metrics were extracted. Risk of bias was assessed using the QUADAS-2 tool.
Results: five studies met inclusion criteria. AI models (CNN, R-CNN, U-Net, Random Forest) demonstrated predictive accuracy from 85% to 99%, with AUC values ranging from 0.84 to 0.90. Models combining imaging and clinical parameters showed consistently superior predictive performance compared to imaging-only approaches.
Conclusions: AI holds significant potential for early detection and prediction of peri-implant complications. Multimodal approaches integrating imaging and clinical data offer the most robust predictive capabilities. Prospective multicentric validation studies are needed for standardized clinical implementation.
Questo contenuto è riservato agli abbonati a Il Dentista Moderno.
Abbonati e continua a leggere su DM Club, l'area premium de Il Dentista Moderno
