ROLE OF AI IN PREDICTING CARDIOVASCULAR RISK USING ROUTINE DENTAL IMAGING: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Cardiovascular disease (CVD) remains the leading global cause of mortality, often progressing asymptomatically until advanced stages. Routine dental imaging, particularly panoramic radiographs, may incidentally capture vascular calcifications indicative of subclinical atherosclerosis. While artificial intelligence (AI) has shown potential in automating such detections, current evidence is fragmented, and no prior systematic review has synthesized its diagnostic value in this context. Objective: This systematic review aimed to evaluate the accuracy and clinical utility of AI algorithms in identifying early cardiovascular risk indicators from routine dental radiographs in adult populations. Methods: Following PRISMA guidelines, a systematic review was conducted using PubMed, Scopus, Web of Science, and the Cochrane Library to identify relevant studies published between 2019 and 2024. Eligible studies included cross-sectional and retrospective designs using AI models to detect cardiovascular risk markers via dental imaging. Data were extracted on study characteristics, AI model performance, and risk of bias, which was assessed using the Newcastle-Ottawa Scale. A narrative synthesis was conducted due to heterogeneity in model types and outcome measures. Results: Eight studies comprising 788 to 3,200 participants were included. All employed deep learning-based AI algorithms, primarily convolutional neural networks, to detect markers such as carotid artery calcifications. Reported accuracies ranged from 82.5% to 95.3%, with AUC values up to 0.91. Most studies demonstrated moderate-to-high methodological quality. However, variability in model training and limited external validation restricted meta-analytic pooling. Conclusion: AI algorithms show strong potential in identifying early cardiovascular risk using dental radiographs, offering a novel, non-invasive screening opportunity within dental care. Despite promising results, further prospective studies with standardized methodologies and external validation are essential to support clinical integration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».