Validación y Comparación de un Nuevo Método para Predecir el Ancho Mesiodistal de Caninos y Premolares no Erupcionados en una Población Chilena de la Región de Valparaíso, Chile

Uno de los principales problemas durante la dentición mixta es la determinación de la futura discrepancia entre tamaño dentario y el espacio disponible. Para predecir el ancho mesiodistal de los dientes permanentes no erupcionados se han introducido diferentes métodos de análisis. Objetivo: El propósito de este estudio fue comparar el método Tanaka-Johnston con una nueva ecuación de regresión para predecir el ancho mesiodistal de caninos y premolares permanentes no erupcionados en una población de la región de Valparaíso, Chile. Material y método: Este estudio fue realizado en la Facultad de Odontología de la Universidad de Valparaíso, desde octubre de 2022 a junio de 2023 (8 meses), la muestra estuvo compuesta por 202 modelos de estudio del departamento de ortodoncia (91 hombres y 111 mujeres) en el rango de edad de 11 -20 años. Resultados: Se demostró que el método elaborado por Lara-Sandoval presenta mayor fiabilidad respecto a las medidas mesiodistales reales de los pacientes (ICC 0,773 para maxilar y 0,762 para mandíbula), en comparación con el método de Tanaka-Johnston (ICC 0,665 para maxilar y 0,623 para mandíbula). No existen diferencias significativas entre los valores reales y el método de Lara-Sandoval. Conclusión: El método de Lara-Sandoval es mejor que el propuesto por Tanaka-Johnston para determinar el ancho mesiodistal de caninos y premolares para esta muestra. Es necesario validar este método en otras regiones del país para ser utilizado con mayor seguridad que el ya existente como método estándar nacional.

One of the main orthodontic problems in mixed dentition is the determination of future tooth and size arch discrepancy. In order to predict the mesiodistal widths of unerupted permanent teeth different methods of analyses have been introduced. The aim of this study is to compare the Tanaka-Johnston analysis with a new regressive equation to predict the mesiodistal width of unerupted permanent canines and premolars in a Chilean population sample, from Valparaíso region. This study was conducted at the Universidad de Valparaíso Dental Faculty, from october 2022 to june 2023 (8 months), and the sample comprised historical dental casts from 202 patients (91 boys and 111 girls) in the age range of 11-20 from the orthodontics department. All the patients are from the Valparaíso region, Chile. The results show that the predictions of the new regressive equation method are closer to the actual mesiodistal measurements of the patients (ICC 0,773 for maxilla and 0,762 for mandible), compared to the Tanaka- Johnston method (ICC 0,665 for maxilla and 0,623 for mandible). There are no significant differences between the real values and the Lara-Sandoval method. Lara-Sandoval method is better than the one proposed by Tanaka-Johnston to determine the mesiodistal width of canines and premolars in this sample population. It is necessary to validate this method in other regions of the country to be used with greater security than the ones that already exists as a national standard method.

Modelo de inteligencia artificial para la detección temprana de diabetes

Introducción. La diabetes es una enfermedad crónica que se caracteriza por el aumento de la concentración de la glucosa en sangre. Puede generar complicaciones que afectan la calidad de vida y aumentan los costos de la atención en salud. En los últimos años, las tasas de prevalencia y mortalidad han aumentado en todo el mundo. El desarrollo de modelos con gran desempeño predictivo puede ayudar en la identificación temprana de la enfermedad. Objetivo. Desarrollar un modelo basado en la inteligencia artificial para apoyar la toma de decisiones clínicas en la detección temprana de la diabetes. Materiales y métodos. Se llevó a cabo un estudio de corte transversal, utilizando un conjunto de datos que incluía edad, signos y síntomas de pacientes con diabetes y de individuos sanos. Se utilizaron técnicas de preprocesamiento para los datos. Posteriormente, se construyó el modelo basado en mapas cognitivos difusos. El rendimiento se evaluó mediante tres parámetros: exactitud, especificidad y sensibilidad. Resultados. El modelo desarrollado obtuvo un excelente desempeño predictivo, con una exactitud del 95 %. Además, permitió identificar el comportamiento de las variables involucradas usando iteraciones simuladas, lo que proporcionó información valiosa sobre la dinámica de los factores de riesgo asociados con la diabetes. Conclusiones. Los mapas cognitivos difusos demostraron ser de gran valor para la identificación temprana de la enfermedad y en la toma de decisiones clínicas. Los resultados sugieren el potencial de estos enfoques en aplicaciones clínicas relacionadas con la diabetes y respaldan su utilidad en la práctica médica para mejorar los resultados de los pacientes.

Introduction. Diabetes is a chronic disease characterized by a high blood glucose level. It can lead to complications that affect the quality of life and increase the costs of healthcare. In recent years, prevalence and mortality rates have increased worldwide. The development of models with high predictive performance can help in the early identification of the disease. Objective. To develope a model based on artificial intelligence to support clinical decision-making in the early detection of diabetes. Materials and methods. We conducted a cross-sectional study, using a dataset that contained age, signs, and symptoms of patients with diabetes and of healthy individuals. Pre-processing techniques were applied to the data. Subsequently, we built the model based on fuzzy cognitive maps. Performance was evaluated with three metrics: accuracy, specificity, and sensitivity. Results. The developed model obtained an excellent predictive performance with an accuracy of 95%. In addition, it allowed to identify the behavior of the variables involved using simulated iterations, which provided valuable information about the dynamics of the risk factors associated with diabetes. Conclusions. Fuzzy cognitive maps demonstrated a high value for the early identification of the disease and in clinical decision-making. The results suggest the potential of these approaches in clinical applications related to diabetes and support their usefulness in medical practice to improve patient outcomes.