Développement et validation de modèles d’apprentissage automatique pour l’estimation de l’âge dentaire en présence de données manquantes à partir d’orthopantomogrammes chez l’enfant

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

L’agénésie dentaire constitue une anomalie fréquente du développement, dont l’association avec un retard de maturation dentaire est désormais bien documentée. Cependant, la plupart des méthodes d’estimation de l’âge dentaire reposent sur des données complètes, conduisant soit à exclure les patients présentant des dents absentes, soit à recourir à des stratégies d’imputation simplifiées. Les approches par apprentissage automatique offrent une alternative prometteuse, mais leurs performances restent dépendantes des algorithmes utilisés, de la taille des échantillons et de leur capacité de généralisation sur des jeux de données indépendants. Dans ce contexte, l’étude de Crosnier et al. (2025) a montré que l’agénésie non syndromique était associée à un décalage significatif entre âge dentaire et âge chronologique, et que des modèles de type random forest permettaient une estimation robuste en présence de données manquantes. Par ailleurs, les troisièmes molaires sont systématiquement exclues des analyses, sans justification biologique clairement établie, alors qu’elles pourraient constituer une source d’information pertinente sur la variabilité du développement dentaire et, potentiellement, influencer les performances des modèles d’estimation.

L’objectif principal de cette étude est d’entrainer, valider et tester des modèles d’apprentissage automatique pour l’estimation de l’âge dentaire en présence de données manquantes. L’objectif secondaire est d’examiner l’impact de l’intégration d’une variable liée à l’agénésie des troisièmes molaires sur les performances prédictives des modèles.