Detalhes do Documento

Introdução: A implantologia dentária tem evoluído significativamente com a integração da inteligência artificial (IA). A utilização de algoritmos avançados permite melhorar o diagnóstico, o planeamento cirúrgico e a previsão dos resultados clínicos. Além disso, a crescente digitalização dos fluxos de trabalho clínicos tem facilitado a integração destas tecnologias na prática diária. A IA tem sido aplicada em diferentes etapas da implantologia, incluindo a análise de imagens CBCT, o planeamento virtual de implantes e a predição de resultados clínicos. No entanto, permanece uma questão central: até que ponto a IA pode otimizar o planeamento implantológico sem comprometer a fiabilidade clínica e o controlo do profissional? Objetivo: O objetivo é comparar o planeamento implantológico com e sem IA, avaliando o seu impacto na precisão, no tempo de execução, no desempenho diagnóstico e nos resultados clínicos. Material e métodos: Realizada uma revisão sistemática integrativa, com recurso às bases de dados PubMed® e ScienceDirect® entre 2016 e 2026. Foram utilizados os seguintes Mesh-terms: artificial intelligence; deep learning; machine learning; dental implants; diagnosis; surgical procedures. Foram incluídos estudos clínicos, comparativos, retrospetivos e in vitro, que abordassem diretamente a aplicação da IA em implantologia. Após aplicação dos critérios de inclusão e exclusão, foram selecionados 14 estudos para análise. Resultados: A IA apresenta uma precisão comparável à do clínico humano. Adicionalmente, esta permite uma redução significativa do tempo de planeamento, sendo consistentemente mais rápida do que o método tradicional. Ao nível da reprodutibilidade, a IA apresenta menor variabilidade e maior consistência, ao contrário do planeamento humano, que depende da experiência do operador. No domínio do diagnóstico, a IA mostrou elevada performance na análise de imagens, nomeadamente na classificação da qualidade óssea com precisão até 86% e na segmentação de estruturas anatómicas, aumentando a segurança cirúrgica. Por outro lado, modelos preditivos demonstraram elevada capacidade de prever o sucesso ou falha dos implantes. No entanto, alguns estudos evidenciam a existência de desvios entre o planeamento virtual e a execução clínica real, reforçando a necessidade de validação clínica. Discussão: A análise dos estudos incluídos demonstra que a inteligência artificial tem potencial para transformar o planeamento implantológico, principalmente através da automatização de tarefas e da redução da variabilidade associada ao operador. Embora os resultados obtidos sejam globalmente comparáveis aos métodos convencionais, a IA parece oferecer vantagens importantes em termos de consistência, rapidez e integração de múltiplos parâmetros clínicos e imagiológicos. Contudo, a interpretação destes resultados deve ser realizada com cautela. A maioria dos estudos apresenta limitações metodológicas, nomeadamente amostras reduzidas, ausência de follow-up a longo prazo e heterogeneidade dos protocolos utilizados. Além disso, a dependência da qualidade dos dados e a necessidade de validação clínica contínua continuam a representar desafios importantes para a integração generalizada destas ferramentas na prática clínica Conclusão: A inteligência artificial melhora a eficiência mantendo uma precisão comparável, mas não substitui o clínico.

Introduction: Dental implantology has evolved significantly with the integration of artificial intelligence (AI). The use of advanced algorithms has improved diagnosis, surgical planning, and the prediction of clinical outcomes. In addition, the increasing digitalization of clinical workflows has facilitated the integration of these technologies into daily practice. AI has been applied at different stages of implantology, including CBCT image analysis, virtual implant planning, and the prediction of clinical outcomes. However, a central question remains: to what extent can AI optimize implant planning without compromising clinical reliability and professional control? Objective: The aim of this study is to compare implant planning with and without AI, evaluating its impact on accuracy, execution time, diagnostic performance, and clinical outcomes. Materials and Methods: An integrative systematic review was conducted using the PubMed® and ScienceDirect® databases between 2016 and 2026. The following MeSH terms were used: artificial intelligence; deep learning; machine learning; dental implants; diagnosis; surgical procedures. Clinical, comparative, retrospective, and in vitro studies directly addressing the application of AI in implantology were included. After applying the inclusion and exclusion criteria, 14 studies were selected for analysis. Results: AI demonstrated accuracy comparable to that of human clinicians. In addition, it enabled a significant reduction in planning time, consistently performing faster than traditional methods. Regarding reproducibility, AI showed lower variability and greater consistency, unlike human planning, which depends on the operator’s experience. In the field of diagnosis, AI demonstrated high performance in image analysis, particularly in bone quality classification with accuracy rates of up to 86%, as well as in the segmentation of anatomical structures, thereby increasing surgical safety. Furthermore, predictive models showed a strong ability to predict implant success or failure. However, some studies reported discrepancies between virtual planning and actual clinical execution, highlighting the need for continuous clinical validation. Discussion: The analysis of the included studies demonstrates that artificial intelligence has the potential to transform implant planning, mainly through task automation and the reduction of operator-related variability. Although the obtained results are globally comparable to conventional methods, AI appears to offer important advantages in terms of consistency, speed, and the integration of multiple clinical and imaging parameters. Nevertheless, these results should be interpreted with caution. Most studies present methodological limitations, including small sample sizes, lack of long-term follow-up, and heterogeneity of the protocols used. In addition, dependence on data quality and the need for ongoing clinical validation continue to represent important challenges for the widespread integration of these tools into clinical practice. Conclusion: Artificial intelligence improves efficiency while maintaining comparable accuracy, but it does not replace the clinician.