Desempenho diagnóstico da inteligência artificial na detecção de carcinoma de células escamosas orais: síntese de evidências de alta ordem através de revisão de guarda-chuva e meta-análise
OtorrinolaringologiaO que aconteceu
A integração da IA no diagnóstico de carcinoma espinocelular oral (OSCC) é um marco importante para a odontologia digital e patologia computacional, permitindo detecção mais rápida e altamente precisa. Embora numerosas revisões sistemáticas tenham tentado sintetizar essa evidência crescente, suas conclusões permanecem discordantes e a qualidade metodológica varia substancialmente. Esta revisão-quadro empreende uma síntese rigorosa de evidências de revisão sistemática para estabelecer métricas de precisão definitivas, avaliar robustez metodológica, quantificar redundância de evidências e delinear barreiras de implementação crítica. Uma pesquisa abrangente foi realizada em MEDLINE/PubMed, Embase, Scopus, Web of Science, e Cochrane CENTRAL desde o início até 30 de setembro de 2025, seguindo as diretrizes PRISMA e um protocolo a priori registrado pelo PROSPERO (CRD420251157762). Foram incluídas revisões sistemáticas avaliando IA para diagnóstico de CCE. A qualidade metodológica foi avaliada utilizando o AMSTAR-2, enquanto a sobreposição do estudo primário foi quantificada através da área coberta corrigida (ACC). Uma meta-análise empregando estimativa robusta de variância foi realizada para agrupar medidas de acurácia diagnóstica, responsáveis pela dependência estatística. PROSPERO [CRD420251157762].
O que encontraram
Foram incluídas 15 revisões sistemáticas sintetizando 341 estudos primários. A avaliação do AMSTAR-2 revelou distribuição preocupante: apenas 3 revisões (20%) obtiveram alta confiança, enquanto 3 (20%) foram criticamente baixas. Foi evidente uma sobreposição moderada do estudo primário (CCA = 9,06%). A meta-análise, incorporando dados de seis revisões, obteve sensibilidade agrupada de 0,90 (IC 95%: 0,81-0,99; I2 = 85%; τ 2 = 0,032). O intervalo de confiança de 95% sugeriu que o desempenho diagnóstico de IA pode variar substancialmente em futuras revisões comparáveis, refletindo diferenças nos modelos de IA, modalidades de imagem, populações de estudo e abordagens metodológicas. Embora a estimativa agrupada indique alta sensibilidade global, os amplos intervalos de confiança e predição indicam incerteza quanto à magnitude e consistência do efeito, sugerindo que o desempenho da IA pode não ser uniformemente reprodutível em diferentes cenários clínicos.
Por que isso importa
A IA demonstrou acurácia diagnóstica convincente para CCEOS, particularmente quando aplicada em espécimes histopatológicos. Entretanto, a base de evidências é comprometida pela heterogeneidade significativa, inconsistência metodológica e déficit crítico na pesquisa de implementação. Essa síntese forneceu uma base de evidência autorizada e um roteiro estratégico para pesquisadores, clínicos e formuladores de políticas que navegam pela evolução da paisagem da IA em oncologia oral. A integração da IA na prática clínica de rotina pode auxiliar os clínicos na identificação de lesões suspeitas em estágios mais precoces, melhorando a consistência diagnóstica, reduzindo a variabilidade interobservadores e apoiando decisões oportunas de encaminhamento e tratamento. Além disso, as ferramentas orientadas por IA podem facilitar programas de triagem em larga escala, particularmente em configurações restritas aos recursos, onde o acesso a especialistas pode ser limitado. Apesar de promissora, a implementação clínica bem sucedida requer validação rigorosa, padronização de algoritmos, transparência nos processos de tomada de decisão e avaliação da efetividade do mundo real para garantir cuidados seguros, confiáveis e equitativos aos pacientes.
Tradução automática do resumo original, publicado em Frontiers in dental medicine sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Diagnostic performance of artificial intelligence in oral squamous cell carcinoma detection: a higher-order evidence synthesis through umbrella review and meta-meta-analysis
Praveen Jodalli, Vineet Vinay, Mahesh Chavan, Ramya Shenoy, Utkarsha Deshpande, Sam Thomas Kuriadom, Apurva Mishra, Raghavendra M Shetty