“EVALUACIÓN DEL DESEMPEÑO DIAGNÓSTICO DE MODELOS DE INTELIGENCIA ARTIFICIAL UNI Y MULTIMODALES, ENTRENADOS CON DATOS CLÍNICOS, RADIOGRÁFICOS Y MOLECULARES, PARA LA IDENTIFICACIÓN DE ESTADIOS PULPARES, COMPARADOS CON ENDODONCISTAS CALIBRADOS, EN DIENTES PERMANENTES MADUROS: ESTUDIO TRANSVERSAL DE PRECISIÓN DIAGNÓSTICA”

Pregunta: ¿Cuál es el desempeño diagnóstico de modelos de inteligencia artificial uni y multimodales entrenados con datos clínicos, radiográficos y moleculares en la identificación de estadios pulpares (pulpa normal, pulpitis leve/moderada/severa) en dientes permanentes maduros, en comparación con el diagnóstico de endodoncistas calibrados y entre sus modalidades diagnósticas?
Hipótesis: Los modelos de inteligencia artificial uni y multimodales entrenados, alcanzarán un desempeño diagnóstico superior o igual a un área bajo la curva característica operativa del receptor (AUC/ROC) de 0.80, al compararlos con el diagnóstico de referencia (endodoncistas calibrados) y, además, los modelos multimodales tendrán un desempeño diagnóstico superior al compararlos con los unimodales.
Objetivo general:Determinar el desempeño diagnóstico de modelos de inteligencia artificial uni y multimodales entrenados con datos clínicos, radiográficos y moleculares, para la identificación de estadios pulpares (pulpa normal, pulpitis leve/moderada/severa) en dientes permanentes maduros, comparandolos con endodoncistas calibrados y entre sus modalidades diagnósticas.

Objetivos Específicos
1. Validar, mediante cuantificación inmunológica (ELISA) en fluido dentinario, los biomarcadores del estado pulpar identificados por análisis proteómico (LC-MS/MS), en función de su utilidad diagnóstica para la diferenciación de los distintos estadios pulpares, previo a su integración en modelos de inteligencia artificial.
2. Entrenar y validar modelos de inteligencia artificial unimodales basados en datos clínicos o radiográficos o moleculares, con comparación de su desempeño diagnóstico respecto de la referencia diagnóstica, utilizando métricas como AUC/ROC, sensibilidad, precisión, exactitud y valor-F1.
3. Entrenar y validar modelos de inteligencia artificial multimodales que integren datos clínicos, radiográficos y moleculares, con comparación de su desempeño diagnóstico respecto de los modelos unimodales y la referencia diagnóstica, utilizando AUC/ROC, sensibilidad, precisión, exactitud y valor-F1.
4. Determinar, mediante análisis de importancia de atributos y Grad-CAM, la contribución relativa de las variables clínicas, radiográficas y moleculares en el desempeño de los modelos, para la identificación de los factores de mayor relevancia en la toma de decisiones diagnósticas.