Palabras clave
Implantes dentales
Reabsorción ósea
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Comparar el uso de modelos de inteligencia artificial (IA) para detectar la reabsorción ósea y la periimplantitis en pacientes portadores de implantes dentales mediante exámenes de imagen. Métodos: Se siguió un protocolo PRISMA con búsqueda en bases de datos indexadas (Scopus, Web of Science, PubMed/MEDLINE, SciELO, Google Académico e IEEE Xplore) durante los últimos 10 años. Se realizó la eliminación de duplicados y la selección por títulos, resúmenes y lectura íntegra de los artículos encontrados. Resultados: Dieciséis estudios cumplieron los criterios; la mayoría utilizó redes neuronales convolucionales (CNN) para la segmentación automática de implantes y la medición de la pérdida ósea, con una precisión entre el 70 % y el 97 %. Los modelos de aprendizaje automático con datos clínicos o radiológicos presentaron un rendimiento variable. Consideraciones finales: Las técnicas de IA demuestran alta precisión en la detección de reabsorción ósea periimplantaria, aunque su generalización se ve limitada por el tamaño de las bases de datos, la heterogeneidad metodológica y la necesidad de estandarización de protocolos.
Referencias
ALGHAIHAB A, et al. Automatic detection of radiographic alveolar bone loss in bitewing and periapical intraoral radiographs using deep learning technology: a preliminary evaluation. Diagnostics (Basel), 2025; 15(5): 576.
CANULLO L, et al. Distinguishing predictive profiles for patient-based risk assessment and diagnostics of plaque-induced, surgically and prosthetically triggered peri-implantitis. Clinical Oral Implants Research, 2016; 27(9): 1098-1105.
CHA J-Y, et al. Peri-implant bone-loss measurement using a region-based convolutional neural network on dental periapical radiographs. Journal of Clinical Medicine, 2021; 10(5): 1009.
DASHTI M, et al. Advancement and application of deep learning on detection of peri-implantitis: a narrative review. Advances in Artificial Intelligence and Machine Learning, 2024; 4(2): 2290-2301.
DUJIC H, et al. Automatized detection of periodontal bone loss on periapical radiographs by vision transformer networks. Diagnostics (Basel), 2023; 13(23): 3562.
ELGARBA BM, et al. Deep learning-based segmentation of dental implants on cone-beam computed-tomography images: a validation study. Journal of Dentistry, 2023; 137: 104639.
GAO X, et al. Risk factors and prediction model of peri-implantitis in postoperative periodontitis patients. American Journal of Translational Research, 2024; 16(9): 4741-4750.
HA S-R, et al. A pilot study using machine-learning methods about factors influencing prognosis of dental implants. The Journal of Advanced Prosthodontics, 2018; 10(6): 395-400.
KANG I, et al. Impact of considering bone remodelling in risk assessment of mandibular implant-supported bridges. Journal of Computational Design and Engineering, 2025; 12(2): 14-26.
KHUBRANI YH, et al. Detection of periodontal bone loss and periodontitis from 2D dental radiographs via machine learning and deep learning: systematic review employing APPRAISE-AI and meta-analysis. Dentomaxillofacial Radiology, 2025; 54(2): 89-108.
KIBCAK E, et al. Deep learning-driven segmentation of dental implants and peri-implantitis detection in orthopantomographs: a novel diagnostic tool. The Journal of Evidence-Based Dental Practice, 2025; 25: 102058.
KIM J, et al. DeNTNet: deep neural transfer network for the detection of periodontal bone loss using panoramic dental radiographs. Scientific Reports, 2019; 9: 17615.
KURT-BAYRAKDAR D, et al. Deep-learning detection of periodontal bone-loss patterns and furcation defects in panoramic radiographs. BMC Oral Health, 2024; 24: 217.
LEE J-H, et al. Performance of artificial-intelligence-based diagnosis and classification of peri-implantitis compared with periodontal-surgeon assessment: a pilot study of panoramic radiograph analysis. Journal of Periodontal & Implant Science, 2025; 55(3): e18.
LEE W-F, et al. Establishing a novel deep-learning model for detecting peri-implantitis. Journal of Dental Sciences, 2024; 19(2): 1165-1173.
LIU M, et al. A pilot study of a deep-learning approach to detect marginal bone loss around implants. BMC Oral Health, 2022; 22(1): 11.
MAMENO T, et al. Predictive modeling for peri-implantitis by using machine-learning techniques. Scientific Reports, 2021; 11(1): 11090.
MUGRI MH, et al. Accuracy of artificial-intelligence models in detecting peri-implant bone loss: a systematic review. Diagnostics (Basel), 2025; 15(6): 655.
PAGE MJ, et al. The PRISMA statement: an updated guideline for reporting systematic reviews. BMJ, [s.d.].
PAPANTONOPOULOS, G. et al. Prediction of individual implant bone levels and the existence of implant “phenotypes”. Clinical Oral Implants Research, 2016; 27(11): e144-e153.
SOTTO-MAIOR BS, et al. Evaluation of bone remodeling around single dental implants of different lengths: a mechanobiological numerical simulation and validation using clinical data. Computer Methods in Biomechanics and Biomedical Engineering, 2015; 18(15): 1629-1635.
TROIANO G, et al. Can radiomic features extracted from intra-oral radiographs predict physiological bone remodelling around dental implants? A hypothesis-generating study. Journal of Clinical Periodontology, 2023; 50(7): 932-941.
VERA M, et al. Artificial-intelligence techniques for automatic detection of peri-implant marginal bone remodeling in intraoral radiographs. Journal of Digital Imaging, 2023; 36(5): 2259-2277.
ZHANG C, et al. Deep-learning-based dental-implant failure prediction from periapical and panoramic films. Quantitative Imaging in Medicine and Surgery, 2023; 13(2): 935-945.