Kieferwachstum mit KI vorhersagen: Ergebnisse für die Praxis noch unzureichend

Zwölf Studien, sehr unterschiedliche Vorhersagen

Die Forschenden durchsuchten neun Datenbanken bis zum 12. August 2026 und ergänzten die Suche anschließend manuell. Sechs Studien untersuchten das gesamte kraniofaziale Wachstum und sechs die Entwicklung der Mandibula, also des Unterkiefers.

Die Teilnehmerzahlen reichten von 33 bis 639. Die Vorhersagezeiträume lagen zwischen eineinhalb Jahren oder weniger und etwa zehn Jahren. Diese Unterschiede sind bedeutsam: Eine kurzfristige Entwicklung vorherzusagen und mehrere Jahre Wachstum abzuschätzen, sind nicht dieselbe Aufgabe.

Die Genauigkeit variierte je nach anatomischer Region und eingesetzter Methode. Die herangezogene Zusammenfassung enthält keine quantitativen Angaben, anhand derer sich diese Leistungen in eine für einzelne Patienten nutzbare Fehlerspanne übersetzen ließen.

Das größte Hindernis ist die Validierung

Die methodische Bewertung mit dem Instrument PROBAST stuft sieben Studien insgesamt als Studien mit hohem Verzerrungsrisiko und fünf als Studien mit unklarem Risiko ein. Die Probleme betreffen hauptsächlich die Analysen und eine unzureichende Validierung der Modelle.

Auch die untersuchten Populationen und die verwendeten Daten unterscheiden sich stark, ebenso die Vorhersagezeiträume, die gemessenen Ergebnisse und die KI-Ansätze. Diese Heterogenität schränkt das Vertrauen in die berichteten Leistungen und deren Vergleichbarkeit ein.

Das Geschlecht und die Art der Zahn- und Kieferfehlstellung dienten häufig dazu, die untersuchten Populationen zu definieren, wurden aber nicht systematisch als Vorhersagevariablen einbezogen. Ethnische Herkunft und Skelettreife wurden selten berücksichtigt. Die Übersichtsarbeit zeigt damit Lücken bei der Abbildung von Unterschieden zwischen Patienten auf.

Ein Ansatz für die Kieferorthopädie, noch kein Routineinstrument

Der potenzielle Nutzen liegt darin, die kieferorthopädische Diagnostik und die zeitliche Behandlungsplanung stärker zu individualisieren. Eine vielversprechende Vorhersageleistung reicht jedoch nicht aus, um zu zeigen, dass ein Modell besser abschneidet als eine traditionelle statistische Methode.

Die Autoren fordern vor einer klinischen Einführung standardisierte multizentrische Datensätze und eine unabhängige externe Validierung. Dabei geht es darum zu prüfen, ob die Vorhersagen auch mit anderen Daten als den zur Modellentwicklung verwendeten zuverlässig bleiben.

Was wir daraus mitnehmen können

KI könnte helfen, das kraniofaziale Wachstum vorherzusagen. Diese Übersichtsarbeit rechtfertigt jedoch weder die Annahme einer Überlegenheit gegenüber klassischen Methoden noch einen routinemäßigen klinischen Einsatz.