Identificação de Eventos Adversos em Dispositivos Médicos Odontológicos com Aprendizado de Máquina

• Leonardo Cardoso Santos UFSC
• Janine Kniess UFSC

DOI: https://doi.org/10.5753/sbcup.2025.8213

Resumo

A notificação de eventos adversos é parte essencial da regulamentação exigida pelos fabricantes de dispositivos médicos. A agência regulatória, Food and Drug Administration, mantém um extenso banco de dados de dispositivos médicos, incluindo dados sobre eventos adversos. Neste trabalho, com as técnicas de aprendizado de máquina, RF, LSTM e ANN, propõem-se utilizar os dados de dispositivos médicos odontológicos para identificar eventos adversos relacionados a implantes dentários. Os resultados mostraram que a maioria dos eventos adversos envolveu implantes ósseos integrais, e que esses eventos são atribuídos aos fabricantes.

Referências

Food, U. and Administration, D. (2025). Food and drug administration (fda). [link]. [online: Acesso em: 03/03/2025].

Géron, A. (2019). Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras and TensorFlow. O’Reilly Media, São Paulo.

Kang, I.-A., Ngnamsie Njimbouom, S., Lee, K.-O., and Kim, J.-D. (2022). Dcp: Prediction of dental caries using machine learning in personalized medicine. Applied Sciences, 12(6):3043.

Lee, D.-W., Kim, S.-Y., Jeong, S.-N., and Lee, J.-H. (2021). Artificial intelligence in fractured dental implant detection and classification: Evaluation using dataset from two dental hospitals. Diagnostics, 11(2):233.

Services, M. D. C. (2016). Medical device regulation. [link]. [online: Acesso em: 24 mai. 2024.].

TensorFlow (2024). Keras — tensorflow core. [link]. [online: Acesso em: 4 jun. 2024.].

UNION, E. (2017). Eur-lex - 32017r0745 - en - eur-lex. [link]. [online: Acesso em: 24 mai. 2024].

U.S. Food and Drug Administration (FDA) (2025). Manufacturer and user facility device experience (maude). [link]. [online: Acesso em: 24 mai. 2024.].

W3Schools (1998). Pandas tutorial. [link]. [online: Acesso em: 24 mai. 2024.].

Wang, Y., Xiao, Y., and Zhang, Y. (2023). A systematic comparison of machine learning algorithms to develop and validate prediction model to predict heart failure risk in middle-aged and elderly patients with periodontitis (nhanes 2009 to 2014). Medicine (Baltimore), 102(34):e34878.

Yadalam, P. K., Trivedi, S. S., Krishnamurthi, I., Anegundi, R. V., Mathew, A., Shayeb, M. A., Narayanan, J. K., Jaber, M. A., and Rajkumar, R. (2022). Machine learning predicts patient tangible outcomes after dental implant surgery. IEEE Access, 10:131481–131488.