Clasificación craneofacial, a través de la minería de datos, en niños de 6 a 12 años de edad

A data mining approach to classifying craniofacial characteristics in children cged 6 to 12 years

Introducción: La clasificación craneofacial es esencial para comprender las características individuales; como método ha avanzado notablemente gracias a los desarrollos tecnológicos y matemáticos. No obstante, las clasificaciones clínicas tradicionales presentan limitaciones que han llevado a buscar métodos más precisos y objetivos. La minería de datos y el análisis matemático han sido cruciales para identificar patrones, predecir el crecimiento y clasificar grupos con mayor precisión. Estos avances han mejorado la comprensión de las relaciones entre las variables craneofaciales y facilitado la identificación de subgrupos específicos. En odontología, estas herramientas han optimizado el diagnóstico y la planificación de tratamientos. Así, es posible desarrollar modelos de clasificación más precisos y objetivos al analizar grandes conjuntos de datos y utilizar algoritmos de aprendizaje automático. Este estudio, realizado en una población mestiza colombiana, tuvo como objetivo establecer una clasificación automática basada en características cefalométricas, a partir de un análisis de agrupamiento jerárquico, y entrenar un modelo computacional que permitiera asignar nuevos pacientes a los grupos identificados. Método: Se realizó un estudio observacional, transversal y retrospectivo, basado en medidas cefalométricas extraídas de radiografías laterales de 1.753 pacientes entre 6 y 12 años. Tras un proceso de limpieza, estandarización y reducción de variables, se aplicó un análisis de clúster jerárquico para identificar grupos morfológicos sin imponer categorías predefinidas. La selección del número de grupos se validó con expertos clínicos. Posteriormente, se utilizó un modelo de aprendizaje automático (Random Forest) para construir un sistema de clasificación automatizado basado en los grupos identificados. Conclusión: El análisis permitió establecer cuatro grupos craneofaciales morfológicamente diferenciados, lo que evidencia la diversidad estructural dentro de la población infantil estudiada. Esta clasificación ofrece una alternativa objetiva que puede complementar los sistemas diagnósticos tradicionales y contribuir a una mejor comprensión de las trayectorias del desarrollo craneofacial.

Introduction: Craniofacial classification is essential for understanding individual characteristics and has advanced significantly thanks to technological and mathematical developments. However, traditional clinical classifications have limitations that have led to the search for more accurate and objective methods. Data mining and mathematical analysis have been crucial for identifying patterns, predicting growth, and classifying groups with greater precision. These advancements have improved the understanding of the relationships between craniofacial variables and facilitated the identification of specific subgroups. In dentistry, these tools have optimized diagnosis and treatment planning. By analyzing large datasets and using machine learning algorithms, it is possible to develop more accurate and objective classification models, as demonstrated by this study conducted in a Colombian mestizo population, which aimed to develop an automatic classification based on craniofacial characteristics. Method: Hierarchical clustering was used to create natural groupings, proposing and evaluating different numbers of groups or categories. The groups that most coherently described the population were selected, based on the variables with the greatest influence in each group. Conclusion: This study demonstrated the utility of hierarchical clustering for craniofacial cephalometric classification in the era of Big Data. Four biologically distinct categories or groups were established based on craniofacial classifications, providing references for rapid group assignment and facilitating a systematized classification of cephalometric evaluations