El papel emergente de la inteligencia artificial en la oncología oral
Resumen
La Inteligencia Artificial (IA) y su aplicación están proporcionando nuevos horizontes en la investigación y la ciencia aplicada. El objetivo de este estudio fue determinar el nivel de conocimiento, las actitudes y las perspectivas futuras sobre la IA entre los estudiantes y profesionales de odontología y su aplicación en la patología digital. Se llevó a cabo una encuesta con un cuestionario entre los estudiantes de odontología de grado y postgrado y los profesores/clínicos a través de Google Forms. Se clasificó en secciones con el objetivo de determinar los conocimientos, las actitudes y las perspectivas futuras de la IA y sus posibles aplicaciones en patología. La identidad de los encuestados se mantuvo en el anonimato. Un total de 200 personas respondieron a la encuesta, con 136 mujeres y 64 hombres con una media de 24 años. En el estudio participaron 125 estudiantes de grado, 44 de postgrado y 31 profesores/clínicos. El 73,5% sabía que la IA podría utilizarse en medicina. Según el 87,5%, debería incorporarse al plan de estudios. El 79% cree que desempeñará un papel importante en la planificación del diagnóstico y el tratamiento en el futuro. Aunque los participantes tienen un conocimiento limitado de la IA, están deseosos de aprender más sobre ella. Los participantes se mostraron optimistas y creen que la IA tendrá una influencia beneficiosa en la práctica médica en el futuro. Los enfoques y las tendencias de desarrollo de la Inteligencia Artificial se centrarán en el aprendizaje automático basado en los datos adquiridos a partir de las modalidades de diagnóstico más recientes, como la multiómica (por ejemplo, la genómica, la metabolómica) y las tecnologías de imagen, especialmente en áreas en las que faltan métodos de detección objetivos. Por último, es necesario desarrollar normas y leyes mundiales y nacionales para acelerar el uso y la difusión de la IA en la salud y la medicina. Será útil para pronosticar el pronóstico, la recurrencia y la tasa de supervivencia de los pacientes con cáncer oral y también para predecir la transformación maligna de la lesión premaligna en pacientes de alto riesgo.
Palabras clave
Texto completo:
PDF (English)Referencias
Ahuja AS. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ. 2019 Oct 4;7:e7702.
Lee SI, Celik S, Logsdon BA, Lundberg SM, Martins TJ, Oehler VG, Estey EH, Miller CP, Chien S, Dai J, Saxena A, Blau CA, Becker PS. A machine learning approach to integrate big data for precision medicine in acute myeloid leukemia. Nat Commun. 2018 Jan 3;9(1):42.
Hung K, Montalvao C, Tanaka R, Kawai T, Bornstein MM. The use and performance of artificial intelligence applications in dental and maxillofacial radiology: A systematic review. Dentomaxillofac Radiol. 2020 Jan;49(1):20190107.
Xing F, Yang L. Machine learning and its application in microscopic image analysis. In: Machine Learning and Medical Imaging. Elsevier Inc.; 2016:97-127.
Badrick T, Banfi G, Bietenbeck A, Cervinski MA, Loh TP, Sikaris K. Machine Learning for Clinical Chemists. Clin Chem. 2019;65(11):1350-1356.
Philibert A. L’intelligence artificielle, avenir de l’intelligence ou intelligence de l’avenir? [Artificial intelligence, the future of intelligence or the intelligence of the future?]. Orthod Fr. 2020 Jun 1;91(1-2):139-144. French.
Liu HC. [Artificial intelligence stomatology]. Zhonghua Kou Qiang Yi Xue Za Zhi. 2020 Dec 9;55(12):915-919.
Elsevier. Artificial Intelligence: How Knowledge Is Created, Transferred, and Used; Elsevier Artificial Intelligence Program: Amsterdam, The Netherlands, 2018.
Chang HY, Jung CK, Woo JI, et al. Artificial Intelligence in Pathology. J Pathol Transl Med. 2019;53(1):1-12.
Awareness On Application Of Artificial Intelligence In Medicine Among Dental Students - A Survey. Journal of Contemporary Issues in Business and Government, 2021; 27(2): 3130-3142.
Sur J, Bose S, Khan F, Dewangan D, Sawriya E, Roul A. Knowledge, attitudes, and perceptions regarding the future of artificial intelligence in oral radiology in India: A survey. Imaging Sci Dent. 2020 Sep;50(3):193-198.
Pinto Dos Santos D, Giese D, Brodehl S, Chon SH, Staab W, Kleinert R, Maintz D, Baeßler B. Medical students' attitude towards artificial intelligence: a multicentre survey. Eur Radiol. 2019 Apr;29(4):1640-1646.
Musulin J, Štifanic D, Zulijani A, Cabov T, Dekanic A, Car Z. An Enhanced Histopathology Analysis: An AI-Based System for Multiclass Grading of Oral Squamous Cell Carcinoma and Segmenting of Epithelial and Stromal Tissue. Cancers (Basel). 2021 Apr 8;13(8):1784.
Yüzbasioglu, E. Attitudes and perceptions of dental students towards artificial intelligence. J Dent Educ. 2021; 85: 60– 68.
Veta M, Heng YJ, Stathonikos N, et al. Predicting breast tumor proliferation from whole-slide images: The TUPAC16 challenge. Med Image Anal. 2019;54:111-121.
Dong F, Irshad H, Oh EY, et al. Computational pathology to discriminate benign from malignant intraductal proliferations of the breast. PLoS One. 2014;9(12):e114885.
Karadaghy OA, Shew M, New J, Bur AM. Development and Assessment of a Machine Learning Model to Help Predict Survival Among Patients With Oral Squamous Cell Carcinoma. JAMA Otolaryngol Head Neck Surg. 2019.
Bur AM, Holcomb A, Goodwin S, et al. Machine learning to predict occult nodal metastasis in early oral squamous cell carcinoma. Oral Oncol. 2019;92:20-25.
Alabi RO, Elmusrati M, Sawazaki-Calone I, et al. Machine learning application for prediction of locoregional recurrences in early oral tongue cancer: a Web-based prognostic tool. Virchows Arch. 2019;475(4):489-497.
Arora A, Husain N, Bansal A, et al. Development of a New Outcome Prediction Model in Early-stage Squamous Cell Carcinoma of the Oral Cavity Based on Histopathologic Parameters With Multivariate Analysis: The Aditi-Nuzhat Lymph-node Prediction Score (ANLPS) System. Am J Surg Pathol. 2017;41(7):950-960.
Ilhan B, Lin K, Guneri P, Wilder-Smith P. Improving Oral Cancer Outcomes with Imaging and Artificial Intelligence. J Dent Res. 2020 Mar;99(3):241-248.)
Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. 2018. Potential biases in machine learning algorithms using electronic health record data. JAMA Intern Med. 178(11):1544–1547.
England JR, Cheng PM. 2019. Artificial intelligence for medical image analysis: a guide for authors and reviewers. AJR Am J Roentgenol. 212(3):513–519.
Walsh T. 2018. Fuzzy gold standards: approaches to handling an imperfect reference standard. J Dent. 74 Suppl 1:S47–S49.
Maddox TM, Rumsfeld JS, Payne PRO. 2019. Questions for artificial intelligence in health care. JAMA. 321(1):31–32.
Shan T, Tay FR, Gu L. Application of Artificial Intelligence in Dentistry. J Dent Res. 2021 Mar;100(3):232-244.
DOI: https://www.doi.org/10.53766/AcBio/Se encuentra actualmente indizada en: | |||
Todos los documentos publicados en esta revista se distribuyen bajo una
Licencia Creative Commons Atribución -No Comercial- Compartir Igual 4.0 Internacional.
Por lo que el envío, procesamiento y publicación de artículos en la revista es totalmente gratuito.