DOI: https://doi.org/10.3389/fmed.2026.1700529
PMID: https://pubmed.ncbi.nlm.nih.gov/41709905
تاريخ النشر: 2026-02-03
المؤلف: Hongcai Li وآخرون
الموضوع الرئيسي: البحث في طب الأسنان وكوفيد-19
نظرة عامة
تستعرض المراجعة بشكل منهجي تطبيقات الذكاء الاصطناعي (AI) في إدارة صحة الفم، مع تسليط الضوء على إمكانيته في تعزيز جوانب مختلفة من تقديم الرعاية الصحية. من خلال بحث شامل في الأدبيات عبر عدة قواعد بيانات، تحدد الدراسة أدوار الذكاء الاصطناعي في التعليم الصحي الفموي، والرصد، والتشخيص، والعلاج، وإدارة البيانات. تشير النتائج إلى أن الذكاء الاصطناعي يمكن أن يحسن دقة التشخيص، ويسهل الرعاية الشخصية، ويدعم طب الأسنان عن بُعد، ويعزز تخصيص الموارد، مما يعزز في النهاية كفاءة وجودة خدمات صحة الفم.
على الرغم من هذه التقدمات، تعترف المراجعة بالتحديات الكبيرة، بما في ذلك عدم الاتساق في بيانات صحة الفم، وقيود الوصول إلى البيانات، والمخاوف بشأن موثوقية وإنصاف خوارزميات الذكاء الاصطناعي. يستنتج المؤلفون أنه بينما يحمل الذكاء الاصطناعي إمكانيات تحويلية للوقاية من صحة الفم، والتشخيص، والعلاج، فإنه لا يزال في مراحل مبكرة من التطبيق السريري. يجب أن تركز الأبحاث المستقبلية على التحقق السريري عالي الجودة، ومعالجة قيود البيانات والخوارزميات، وتوحيد مقاييس التقييم، وتطوير أطر أخلاقية وتنظيمية لدعم دمج الذكاء الاصطناعي في إدارة صحة الفم.
مقدمة
تسلط المقدمة الضوء على التحديات الكبيرة في الصحة العامة التي تطرحها الأمراض الفموية، مثل تسوس الأسنان وأمراض اللثة، والتي تؤثر على الصحة العامة وجودة الحياة. يمكن الوقاية من هذه الحالات إلى حد كبير من خلال تدابير وقائية فعالة وخدمات رعاية صحية فموية متكاملة تركز على تعزيز الصحة والعدالة في النتائج. تشمل إدارة صحة الفم مجموعة من الأنشطة، بما في ذلك الوقاية، والتشخيص، والعلاج، والتعليم، بهدف تحقيق أقصى فائدة للصحة العامة مع تقليل التكاليف.
تناقش هذه القسم أيضًا الدور التحويلي للذكاء الاصطناعي (AI) في الرعاية الصحية، وخاصة في إدارة صحة الفم. تعزز تقنيات الذكاء الاصطناعي دقة التشخيص، وتخصص العلاج، وتحسن تخصيص الموارد، وتعزز تعليم المرضى، مما يغير نماذج الرعاية الصحية التقليدية. على الرغم من كونها في مراحل مبكرة من التطوير، فإن تطبيقات الذكاء الاصطناعي في إدارة صحة الفم تظهر وعدًا في مجالات متعددة، بما في ذلك التعليم، والرصد، والفحص، وإدارة البيانات. يهدف المقال إلى تقديم نظرة شاملة على هذه التطبيقات مع معالجة التحديات الحالية وتحديد مجالات التطوير المستقبلية.
طرق البحث
في هذه الدراسة، قام المؤلفون بإجراء فحص منهجي للمقالات البحثية الأصلية المنشورة منذ عام 2019 التي تستكشف تطبيقات الذكاء الاصطناعي (AI) في إدارة صحة الفم. تم إجراء البحث عبر ثلاث قواعد بيانات إلكترونية: PubMed، Scopus، وWeb of Science. تم هيكلة أسئلة البحث باستخدام إطار عمل PCC، الذي يشمل المشاركين (P)، والمفهوم (C)، والسياق (C).
بشكل محدد، شمل معيار المشاركين دراسات تتعلق بالأشخاص البشر المرتبطين بصحة الفم أو الأمراض، بالإضافة إلى تلك التي تركز على التصوير الطبي الفموي والبيانات. استهدف معيار المفهوم الأبحاث التي تركز على تطوير أو تقييم أو تطبيق تقنيات الذكاء الاصطناعي وتعلم الآلة. أخيرًا، غطى معيار السياق مجموعة واسعة من سيناريوهات التطبيق في صحة الفم، مثل تشخيص الأمراض، وتخطيط العلاج، وتوقع النتائج، وإدارة المرضى، والصحة العامة، والتعليم الطبي. ضمنت هذه الطريقة المنظمة مراجعة شاملة للأدبيات ذات الصلة في هذا المجال.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على النتائج المهمة التي تدعم الفرضيات أو أسئلة البحث المطروحة في الدراسة. عادةً ما تكون النتائج مصحوبة ببيانات إحصائية ذات صلة، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول، وأي اتجاهات أو أنماط تم ملاحظتها خلال التحقيق.
قد يناقش القسم أيضًا تداعيات هذه النتائج بالنسبة للأدبيات الحالية، مع التأكيد على كيفية مساهمتها في الفهم الأوسع للموضوع. بالإضافة إلى ذلك، يتم الاعتراف بأي قيود تم مواجهتها خلال الدراسة وتأثيرها المحتمل على النتائج، مما يوفر رؤية شاملة لنتائج البحث.
المناقشة
ت outlines قسم المناقشة في ورقة البحث نهجًا منهجيًا لاستكشاف دمج الذكاء الاصطناعي (AI) في إدارة صحة الفم. أسفرت استراتيجية البحث الشاملة عن 2,948 سجلًا فريدًا، تم اختيار 65 مقالة بحثية أصلية منها بناءً على معايير شاملة صارمة للإدراج والاستبعاد. تسلط هذه الدراسات الضوء بشكل جماعي على التطبيقات المتنوعة للذكاء الاصطناعي في صحة الفم، بما في ذلك التعليم، والتشخيص، والعلاج، والتدخلات المجتمعية. لقد أظهرت تقنيات الذكاء الاصطناعي، مثل المساعدين الافتراضيين ووحدات التعلم الم gamified، أنها تعزز المشاركة العامة في التعليم الصحي الفموي، وتحسن ممارسات الإدارة الذاتية، وتسهّل تجارب التعلم الشخصية المخصصة لاحتياجات الأفراد.
علاوة على ذلك، تؤكد الورقة على دور الذكاء الاصطناعي في الكشف المبكر وتشخيص الأمراض الفموية، مستفيدة من التعلم العميق والشبكات العصبية التلافيفية لتحسين دقة وكفاءة التشخيص. تتيح قدرة الذكاء الاصطناعي على تحليل مجموعات بيانات واسعة تطوير خطط علاج شخصية، مما يحسن نتائج المرضى من خلال تدخلات مخصصة. إن دمج الذكاء الاصطناعي في سير العمل السريري، مثل جدولة المواعيد والإرشادات الطبية، لا يسهل العمليات فحسب، بل يعزز أيضًا تجارب المرضى من خلال تقديم رعاية فعالة وفي الوقت المناسب. بشكل عام، تؤكد النتائج على الإمكانات التحويلية للذكاء الاصطناعي في تعزيز إدارة صحة الفم وتحسين نتائج الصحة العامة.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قوة نتائجها. أولاً، كان البحث في الأدبيات مقصورًا على المنشورات من عام 2019 فصاعدًا، مما يضمن، على الرغم من ذلك، تضمين الأدلة الحديثة والتقدم التكنولوجي، احتمال إغفال الأعمال الأساسية المنشورة قبل هذا الإطار الزمني. ثانيًا، فإن غياب تقييم نقدي رسمي أو تقييم موثوقية للدراسات المضمنة – مثل استخدام أداة Cochrane Risk of Bias أو مقياس Newcastle-Ottawa – يعني أن التركيب يعتمد على الصرامة المنهجية للمصادر الأصلية. هذه الاعتماد يقدم تباينًا في جودة الدراسة، مما قد يؤثر على قوة وعمومية الاستنتاجات.
بالإضافة إلى ذلك، تسلط التحليل الموضوعي الذي تم إجراؤه الضوء على مخاوف إحصائية متكررة، بما في ذلك القضايا المتعلقة بحجم العينة، والتحقق، والتقارير، والتي تم تحديدها كأحد التحديات الكبيرة للدراسات الأولية المستقبلية. لتعزيز قاعدة الأدلة، يجب أن تأخذ الأبحاث المستقبلية في الاعتبار نطاقًا زمنيًا أوسع وتنفيذ تقييمات جودة منهجية، مما يوفر تحققًا أكثر شمولاً وسياقًا للنتائج.
DOI: https://doi.org/10.3389/fmed.2026.1700529
PMID: https://pubmed.ncbi.nlm.nih.gov/41709905
Publication Date: 2026-02-03
Author(s): Hongcai Li et al.
Primary Topic: Dental Research and COVID-19
Overview
The review systematically examines the applications of artificial intelligence (AI) in oral health management, highlighting its potential to enhance various aspects of healthcare delivery. Through a comprehensive literature search across multiple databases, the study identifies AI’s roles in oral health education, monitoring, diagnosis, treatment, and data management. The findings suggest that AI can improve diagnostic accuracy, facilitate personalized care, support tele-dentistry, and optimize resource allocation, ultimately enhancing the efficiency and quality of oral health services.
Despite these advancements, the review acknowledges significant challenges, including inconsistencies in oral health data, limited data accessibility, and concerns regarding the reliability and fairness of AI algorithms. The authors conclude that while AI holds transformative potential for oral health prevention, diagnosis, and treatment, it remains in the nascent stages of clinical application. Future research should focus on high-quality clinical validation, addressing data and algorithmic limitations, standardizing evaluation metrics, and developing ethical and regulatory frameworks to support the integration of AI in oral health management.
Introduction
The introduction highlights the significant public health challenges posed by oral diseases, such as dental caries and periodontal disease, which affect overall health and quality of life. These conditions are largely preventable through effective preventive measures and integrated oral healthcare services that emphasize health promotion and equity in outcomes. Oral health management encompasses a range of activities, including prevention, diagnosis, treatment, and education, aimed at maximizing public health benefits while minimizing costs.
The section further discusses the transformative role of artificial intelligence (AI) in healthcare, particularly in oral health management. AI technologies enhance diagnostic accuracy, personalize treatment, optimize resource allocation, and improve patient education, thereby revolutionizing traditional healthcare paradigms. Despite being in the early stages of development, AI applications in oral health management show promise in various areas, including education, monitoring, screening, and data management. The article aims to provide a comprehensive overview of these applications while addressing existing challenges and identifying areas for future development.
Methods
In this study, the authors conducted a systematic screening of original research articles published since 2019 that explore the applications of artificial intelligence (AI) in oral health management. The search was performed across three electronic databases: PubMed, Scopus, and Web of Science. The research questions were structured using the PCC framework, which encompasses Participants (P), Concept (C), and Context (C).
Specifically, the Participants criterion included studies involving human subjects related to oral health or diseases, as well as those focused on oral medical imaging and data. The Concept criterion targeted research centered on the development, evaluation, or application of AI and machine learning technologies. Lastly, the Context criterion covered a broad range of application scenarios in oral health, such as disease diagnosis, treatment planning, prognosis prediction, patient management, public health, and medical education. This structured approach ensured a comprehensive review of the relevant literature in the field.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or research questions posed in the study. The results are typically accompanied by relevant statistical data, visual representations such as graphs or tables, and any observed trends or patterns that emerged during the investigation.
The section may also discuss the implications of these findings in relation to existing literature, emphasizing how they contribute to the broader understanding of the topic. Additionally, any limitations encountered during the study and their potential impact on the results are acknowledged, providing a comprehensive view of the research outcomes.
Discussion
The discussion section of the research paper outlines a systematic approach to exploring the integration of artificial intelligence (AI) in oral health management. A comprehensive search strategy yielded 2,948 unique records, from which 65 original research articles were selected based on strict inclusion and exclusion criteria. These studies collectively highlight the diverse applications of AI in oral health, including education, diagnosis, treatment, and community interventions. AI technologies, such as virtual assistants and gamified learning modules, have been shown to enhance public engagement in oral health education, improve self-management practices, and facilitate personalized learning experiences tailored to individual needs.
Furthermore, the paper emphasizes the role of AI in early detection and diagnosis of oral diseases, leveraging deep learning and convolutional neural networks to improve diagnostic accuracy and efficiency. AI’s capability to analyze extensive datasets allows for the development of personalized treatment plans, optimizing patient outcomes through tailored interventions. The integration of AI in clinical workflows, such as appointment scheduling and medical guidance, not only streamlines processes but also enhances patient experiences by providing timely and efficient care. Overall, the findings underscore the transformative potential of AI in advancing oral health management and improving public health outcomes.
Limitations
The study presents several limitations that may affect the robustness of its findings. Firstly, the literature search was confined to publications from 2019 onwards, which, while ensuring the inclusion of recent evidence and technological advancements, potentially omits seminal works published before this timeframe. Secondly, the absence of a formal critical appraisal or reliability assessment of the included studies—such as utilizing the Cochrane Risk of Bias tool or the Newcastle-Ottawa Scale—means that the synthesis is contingent on the methodological rigor of the original sources. This reliance introduces variability in study quality, which could impact the strength and generalizability of the conclusions.
Additionally, the thematic analysis conducted highlights recurring statistical concerns, including issues related to sample size, validation, and reporting, which are identified as significant challenges for future primary studies. To enhance the evidence base, future research should consider a broader temporal scope and implement systematic quality assessments, thereby providing a more comprehensive validation and contextualization of the findings.