Inteligência artificial na predição do surto de crescimento puberal a partir de radiografias cefalométricas e de mão e punho : uma revisão sistemática e metanálise

Abstract

Introdução: O momento ideal das intervenções ortodônticas depende da maturação esquelética, e o surto de crescimento puberal (SCP) representa o período de maior potencial terapêutico. Contudo, sua identificação precisa ainda é difícil. A inteligência artificial (IA) aplicada a radiografias cefalométricas e de mão–punho surge como alternativa promissora para melhorar a acurácia diagnóstica. Objetivo: Avaliar e comparar a acurácia de modelos de IA na predição do SCP utilizando radiografias cefalométricas e de mão–punho, bem como analisar a qualidade metodológica dos estudos. Métodos: Foi realizada uma revisão sistemática e metanálise, seguindo as diretrizes PRISMA e registrada no PROSPERO, com buscas nas bases PubMed, Embase, Web of Science e LILACS. Incluíram-se estudos com indivíduos ≤21 anos que aplicaram IA para predizer o SCP ou estágios validados (CVM, SMI). Dois revisores conduziram seleção, extração e avaliação do risco de viés (QUADAS-AI). Matrizes de confusão foram extraídas ou reconstruídas, e o melhor modelo de cada estudo integrou a síntese quantitativa. Modelos bivariados e HSROC estimaram desempenho diagnóstico, investigando-se também heterogeneidade e viés de publicação. Resultados: De 435 registros, 15 estudos foram incluídos. A acurácia agrupada foi 0,86 (IC95%: 0,78–0,92). O HSROC indicou forte discriminação (AUC ≈ 0,90). Nos 12 estudos com dados completos, a sensibilidade agrupada foi 0,82 (IC95%: 0,72–0,89; I² = 89,7%) e a especificidade, 0,93 (IC95%: 0,89–0,95; I² = 83,1%). Modelos de mão–punho apresentaram sensibilidade superior, enquanto cefalometrias foram ligeiramente mais específicas. CNNs foram predominantes, e modelos híbridos atingiram AUC até 0,97. Observou-se leve viés de pequenos estudos. O risco de viés geral foi moderado a alto, especialmente em Seleção de Pacientes e Teste-Índice, e a validação externa foi limitada. Conclusões: A IA apresenta alto desempenho diagnóstico para predição do SCP e pode auxiliar a tomada de decisão ortodôntica. Porém, fragilidades metodológicas e heterogeneidade reduzem a confiança nos resultados. Pesquisas futuras devem priorizar bases multicêntricas, transparência na definição do ground truth e na descrição dos modelos, validação externa, padronização dos estágios e uso de IA explicável para permitir tradução clínica confiável.

Background: The optimal timing of orthodontic interventions depends on skeletal maturation, and the pubertal growth spurt (PGS) represents the period of greatest therapeutic potential. However, reliably identifying this phase remains challenging. Artificial intelligence (AI) applied to cephalometric and hand–wrist radiographs has emerged as a promising approach to improve diagnostic accuracy. Objective: To evaluate and compare the accuracy of AI models in predicting the PGS using cephalometric and hand–wrist radiographs, and to assess the methodological quality of the available studies. Methods: A systematic review and meta-analysis was conducted according to PRISMA guidelines and registered in PROSPERO. Searches were performed in PubMed, Embase, Web of Science, and LILACS. Studies involving individuals ≤21 years that applied AI to predict the PGS or validated skeletal stages (CVM, SMI) were included. Two reviewers performed study selection, data extraction, and risk-of-bias assessment (QUADAS-AI). Confusion matrices were extracted or reconstructed, and the best-performing model from each study was included in the quantitative synthesis. Bivariate models and HSROC analyses were used to estimate diagnostic performance, and heterogeneity and publication bias were also examined. Results: Of 435 records, 15 studies were included. The pooled accuracy was 0.86 (95% CI: 0.78–0.92). The HSROC curve indicated strong discriminative ability (AUC ≈ 0.90). Among the 12 studies with complete data, pooled sensitivity was 0.82 (95% CI: 0.72–0.89; I² = 89.7%) and specificity was 0.93 (95% CI: 0.89–0.95; I² = 83.1%). Hand–wrist models showed higher sensitivity, whereas cephalometric models were slightly more specific. CNNs predominated, and hybrid architectures reached AUC values up to 0.97. A mild small-study effect was observed. Overall risk of bias ranged from moderate to high, particularly in Patient Selection and Index Test domains, and external validation was limited. Conclusions: AI demonstrates high diagnostic performance for predicting the PGS and may support orthodontic decision-making. However, methodological weaknesses and heterogeneity reduce the certainty of current evidence. Future studies should prioritize multicenter datasets, transparent ground-truth definition and model reporting, external validation, standardized staging, and explainable AI to enable reliable clinical translation.