Predicción de la longevidad de restauraciones dentales mediante inteligencia artificial: un enfoque de aprendizaje automático para análisis de supervivencia

Resumen

Objetivos: Desarrollar y evaluar modelos de aprendizaje automático para análisis de supervivencia de restauraciones. Metodología: Este estudio retrospectivo de predicción pronóstica utilizó registros electrónicos de pacientes provenientes de consultorios odontológicos de los Países Bajos. El desenlace fue el fracaso de la restauración, definido como cualquier intervención restauradora posterior que afectara las mismas superficies restauradas. Los predictores incluyeron variables del paciente, del diente y de la restauración. Los datos faltantes se trataron mediante Imputación Múltiple por Cadenas de Ecuaciones. Las variables categóricas fueron codificadas mediante one-hot encoding y las continuas normalizadas con puntuación z. Los datos se dividieron en entrenamiento (80%) y prueba (20%). Se evaluaron tres algoritmos de supervivencia: Gradient Boosting Survival (GBS), Random Survival Forests (RSF) y Survival Support Vector Machine (SSVM). El rendimiento se evaluó mediante AUC dependiente del tiempo, C-index, IPCW C-index y puntuación de Brier. Resultados: Se incluyeron 115.522 restauraciones de 23.561 individuos. En el conjunto de prueba no se observaron diferencias relevantes entre los modelos. SVM alcanzó AUC=0,75 (IC95%:0,72–0,77), C-index=0,74 e IPCW C-index=0,74. RSF obtuvo AUC=0,75 (IC95%:0,72–0,77), C-index=0,74, IPCW C-index=0,73 y Brier=0,02. GBS alcanzó AUC=0,71 (IC95%:0,68–0,74), C-index=0,71, IPCW C-index=0,69 y Brier=0,02. El análisis de equidad mostró desempeño similar entre sexos y niveles socioeconómicos, sugiriendo sesgo algorítmico limitado. SHAP identificó el molar, el estado general de salud, la edad y el uso de prótesis como los predictores más influyentes. Conclusiones: Los modelos de aprendizaje automático para supervivencia mostraron buen rendimiento predictivo y comportamiento equitativo.