Este trabalho teve como objetivo comparar o método de aprendizagem clássico de preparações dentárias com um novo método de aprendizagem, usando modelos com referenciações e guias de aprendizagem.
MétodosForam arbitrariamente selecionados 30 alunos, divididos em 2 grupos de 15 – grupo A e grupo B (controlo). Houve 2 fases no estudo (diagnóstico e aprendizagem). Conceberam‐se modelos devidamente calibrados com referenciações e guias de aprendizagem que foram preparados pelo grupo A. O grupo B preparou segundo o método clássico. Os resultados foram lidos e comparados pelo sistema PREPassistant®, segundo uma grelha de avaliação pré‐concebida.
ResultadosNão se verificaram diferenças estatisticamente significativas na fase de diagnóstico. Verificaram‐se diferenças estatisticamente significativas entre os grupos A e B na fase de aprendizagem, com melhor desempenho do grupo A.
ConclusõesOs modelos obtidos em CAD e avaliados com o PREPassistant® permitem uma evolução significativa na técnica de preparação dentária e a fase de aprendizagem pode ser mais rápida e intuitiva. Foi possível criar modelos padronizados para a técnica de preparação dentária, segundo o eixo da preparação e da margem de acabamento cervical.
This study aimed to compare the classic learning method of dental preparations with a new learning method, using templates with referrals and learning guides.
MethodsIn this study, 30 students were selected arbitrarily, divided in two groups of 15 ‐ Group A and Group B (control). There were two phases (diagnostic and learning). Conceived models were calibrated with referrals and learning guides that were prepared by group A. Group B prepared according to the classical method and results were read and compared by the PREPassistant® system according to a preconceived evaluation grid.
ResultsThere were no statistically significant differences in the diagnostic phase. In the learning stage, differences between groups A and B were statistically significant; being the group A the best performing group.
ConclusionsThe models obtained in CAD and evaluated by the PREPassistant® allow significant developments in dental preparation technique and the learning phase can be more quickly and intuitively developed. It was possible to create standardized models for the dental preparation technique according to the axis of the preparation and of the cervical margin finishing.
A capacidade de preparar e restaurar a estrutura de um dente danificado é uma competência fundamental para os médicos dentistas1–4. O treino pré‐clínico constitui, neste âmbito, uma parte importante do desenvolvimento da aprendizagem para a prática clínica5,6.
A procura do desenvolvimento de competências clínicas nos alunos tem recebido contribuições de tecnologias de simulação7, permitindo atingir metas sem que os pacientes sejam colocados em risco8, ao mesmo tempo que permite a identificação de alunos com dificuldades9. Contudo, a simulação nunca irá substituir o contexto situacional e as interações complexas adquiridas através do contacto com pacientes reais10–12.
O PREPassistant® (KaVo®, KaVo Dental Corp, Alemanha) é um instrumento de auxílio na aprendizagem pré‐clínica de Prótese Fixa na Faculdade de Medicina Dentária da Universidade do Porto (FMDUP) aplicado na avaliação de preparações dentárias, permitindo aumentar a objetividade da avaliação pré‐clínica e a eficácia das análises do trabalho realizado pelos alunos13–18.
Este sistema oferece uma análise de qualidade da preparação do dente, através da medição de posições, distâncias e ângulos. O sistema compreende uma unidade de leitura ótica, que produz imagens bidimensionais e tridimensionais, e um software (PREPassist 2.0 Alpha), que possibilita a análise das imagens, detetando erros que, de outra forma, seriam difíceis de identificar. Através da sobreposição das imagens obtidas das preparações do instrutor e do aluno, o PREPassistant® faz a medição das diferenças em pontos específicos17. Os parâmetros espaciais e respetivas ponderações são determinados previamente pelos instrutores19.
O PREPassistant® permite a utilização do desenho da preparação ideal e torna possível uma aprendizagem interativa, permitindo ao aluno a comparação da sua preparação e, assim, a avaliação quantitativa dos desvios entre as 2 preparações15,16,20–23. Alguns autores indicaram que o sistema opera com precisão e repetibilidade aceitável para fins práticos e oferece uma verdadeira simulação clínica aos utilizadores14,17.
Na literatura podem, no entanto, ser encontrados estudos que revelam desvantagens associadas ao sistema PREPassistant®, designadamente, custos de implementação e manutenção elevados, obrigatoriedade de utilização de dentes KaVo®, baixa concordância entre este e outros métodos de avaliação, incapacidade em avaliar todos os fatores necessários a uma preparação aceitável, como a localização e a rugosidade de acabamento – o que remete para a problemática da subjetividade – e ainda o limitado número de estudos de análise e caracterização da reprodutibilidade deste sistema17,18,22,24.
Refira‐se ainda que um dos principais problemas colocados no ensino da preparação dentária para Prótese Fixa é a dificuldade de explicar aos estudantes a necessidade de transformar a forma da coroa dentária numa forma troncocónica, com especificidades várias, numa visão tridimensional. Habitualmente, a preparação é feita de forma completa e sem faseamento, o que dificulta a compreensão.
O presente estudo teve como objetivo comparar o método de aprendizagem clássico de preparações dentárias com um novo método de aprendizagem, por etapas e usando modelos com referenciações e guias de aprendizagem e avaliação informatizada.
Materiais e métodosForam arbitrariamente selecionados 30 alunos do 3.° ano que concluíram a unidade curricular de Prótese Fixa, exclusivamente teórica, com sucesso e que nunca contactaram com o treino da preparação dentária em prótese fixa. O referido estudo foi realizado em condições de exame na sala dos fantomas da FMDUP.
Os 30 alunos foram divididos em 2 grupos de 15 alunos, designados por grupo A e grupo B (controlo).
Foram idealizados e desenhados 4 tipos de modelos de aprendizagem (modelo original) e respetivos calibradores (modelo instrutor) utilizando o software de CAD (computer‐aided design) Solidworks (Solidworks, MA, EUA):
- •
Modelo tipo 1 (fig. 1) – correspondente ao dente 15 com norma de referenciação no eixo da preparação e na margem de acabamento cervical; com respetivo calibrador.
- •
Modelo tipo 2 (fig. 2) – modelo de treino da margem de acabamento cervical, da parede axial e conicidade, com cilindro de orientação oclusal de eixo da preparação dentária e marcação referenciada de controlo de desgaste e conicidade na parede axial; com respetivo calibrador.
- •
Modelo tipo 3 (fig. 3) – modelo de treino do desgaste da face oclusal e do bisel da cúspide funcional, com sulcos de profundidade de controlo de desgaste oclusal e marcações axiais ideais de limite de desgaste oclusal e do bisel da cúspide funcional; com respetivo calibrador.
- •
Modelo tipo 4 (fig. 4) – modelo de treino da margem de acabamento cervical, da parede axial, da conicidade da parede axial, do desgaste da face oclusal e do bisel da cúspide funcional; com respetivo calibrador.
Os modelos originais foram referenciados com marcação da margem externa da linha de acabamento cervical e marcação vertical do eixo de inserção nos sentidos vestibulo‐lingual (V‐L) e mesio‐distal (M‐D).
Para ultrapassar o problema associado à preparação dentária do instrutor do sistema PREPassistant®, que é obtida manualmente (não se conseguindo, por isso, 2 preparações iguais), o modelo instrutor foi desenhado em CAD, baseado na forma e no sistema de referenciação do modelo original. Assim, foi obtida uma preparação final referenciada e calibrada.
Os modelos foram idealizados para o treino da preparação dentária nos critérios:
- •
margem de acabamento cervical: controlo de espessura (espessura na margem [EM]) e da posição da linha de acabamento (posição cervical [PC]);
- •
parede axial: da angulação (angulação axial [AA]) e do desgaste (espessura axial [EA]);
- •
face oclusal: da espessura (espessura oclusal [EO]), da angulação das vertentes vestibular e lingual (angulação das vertentes [AV]) e do bisel da cúspide funcional (CP).
Os modelos virtuais acima descritos foram convertidos em modelos reais por prototipagem por estereolitografia (Estereolitografia Viper SI2, 3D Systems, Rock Hill, SC, EUA), com resina epoxídica (Ref. SL7810, 3D Systems, Rock Hill, SC, EUA) de consistência similar à do dente natural.
A ambos os grupos de estudantes foi ministrada uma aula prévia de 10 minutos sobre os princípios das preparações dentárias. O grupo A recebeu uma explicação do objetivo da preparação dos modelos 2 e 3, que visam a aprendizagem com referências e por etapas. Ao grupo B foi explicada a técnica para a preparação do modelo 4, que simula a aprendizagem como um todo, tal como é feita classicamente.
O estudo foi constituído por 2 fases (fig. 5): uma primeira, fase de avaliação diagnóstica, que visou a avaliação inicial da destreza dos alunos em cada grupo; e uma segunda, fase de aprendizagem, que consistiu na execução das preparações dos modelos respeitantes a cada grupo.
Na fase de avaliação diagnóstica foram executadas 30 preparações dentárias e na fase de aprendizagem 90, contabilizando um total de 120 preparações. As preparações dentárias foram sequencialmente numeradas e a sua correspondência com o operador não foi revelada.
Na FMDUP a avaliação das preparações dentárias é efetuada tendo em consideração os seguintes grupos de parâmetros, apresentados na figura 6:
- 1.
Avaliação na margem cervical com ponderação de 35%;
- 2.
Avaliação na parede axial com ponderação de 35%;
- 3.
Avaliação na face oclusal com ponderação de 20%;
- 4.
Acabamento da preparação dentária com ponderação de 10%.
As preparações foram previamente pulverizadas com um spray (CEREC® OptiSpray, Sirona Dental System, LLC, Alemanha), para permitir melhor leitura pelo scanner 3D, e posteriormente analisadas no sistema PREPassistant®. O scanner 3D digitaliza as preparações dentárias com uma definição de 20μm, permitindo examinar detalhes e compará‐los com os da preparação do instrutor.
O encontro de posições para a sobreposição das 2 amostras é realizado pela técnica best fit da área não preparada, ou seja, pela sobreposição da nuvem de pontos coincidente. Desta forma, conseguiu‐se uma combinação fixa entre amostras original‐instrutor e consequentemente, criar a grelha de avaliação. Este procedimento foi realizado para os 4 tipos de modelos de amostras. Simultaneamente, foi montada e bloqueada a grelha de avaliação nos diferentes planos, garantindo igual procedimento no processamento das amostras.
Para criar uma grelha de avaliação no sistema PREPassistant® foi necessário emparelhar a amostra ORIGINAL com a INSTRUTOR. Deste modo, foi obtido um sistema completamente calibrado.
Depois da amostra orientada tridimensionalmente e a coincidir com os planos de referenciação, construiu‐se uma grelha de avaliação personalizada utilizando planos nos sentidos V‐L e M‐D ou em corte axial.
Devido ao número e aos critérios de análise das amostras no grupo A e no grupo B serem diferentes, estas foram agrupadas para análise por emparelhamento. Na etapa 1, correspondente à fase diagnóstica, emparelharam‐se as amostras A1 (grupo A) e B1 (grupo B). Nas etapas 2 e 3, correspondentes à fase de aprendizagem, agruparam‐se os critérios de análise das amostras A2 e A4 (grupo A) com B2 (grupo B) e A3 e A5 (grupo A) com B3 (grupo B) como ilustrado na figura 7.
Atendendo à natureza das variáveis, no estudo descritivo dos dados foram usadas médias, medianas, máximos e mínimos.
A escala de avaliação é de 1 a 5 valores, pelo que na comparação entre os 2 métodos de ensino (Grupo A e Grupo B), em cada etapa, executou‐se o teste não paramétrico de Wilcoxon‐Mann‐Whitney.
A análise estatística descritiva e inferencial foi efetuada com o software SPSS (v. 19; SPSS Inc., Chicago, Illinois, EUA). Considerou‐se um índice de confiança de 95% (p≤0,05).
ResultadosCada uma das amostras preparadas pelos alunos foi analisada individualmente com a grelha de avaliação correspondente, sendo os resultados por grupo de parâmetros apresentados na tabela 1.
Estatísticas das classificações médias de cada grupo de parâmetros por etapa
| Grupo Parâmetros | Grupo A | Grupo B | p | |||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Me. | Méd | Mín | Máx | Me. | Méd | Mín | Máx | |||
| EC | Etapa 1 Etapa 2 Etapa 3 | 4,00 4,00 4,00 | 4,00 3,73 3,66 | 2,00 2,00 1,00 | 5,00 5,00 5,00 | 4,00 4,00 2,00 | 3,80 3,13 2,73 | 2,00 1,00 1,00 | 5,00 5,00 5,00 | 0,472 0,314 0,070 |
| PC | Etapa 1 Etapa 2 Etapa 3 | 3,00 4,00 5,00 | 3,40 3,80 3,66 | 2,00 2,00 1,00 | 5,00 5,00 5,00 | 3,00 5,00 5,00 | 3,66 3,86 4,00 | 2,00 1,00 1,00 | 5,00 5,00 5,00 | 0,500 0,772 0,612 |
| AA | Etapa 1 Etapa 2 Etapa 3 | 2,00 3,00 3,00 | 1,73 3,33 3,06 | 1,00 1,00 1,00 | 3,00 5,00 4,00 | 2,00 2,00 2,00 | 1,93 2,06 2,00 | 1,00 1,00 1,00 | 3,00 3,00 4,00 | 0,440 0,005* 0,006* |
| EA | Etapa 1 Etapa 2 Etapa 3 | 4,00 5,00 4,00 | 3,66 4,40 4,06 | 2,00 1,00 1,00 | 4,00 5,00 5,00 | 3,00 3,00 2,00 | 3,40 2,40 2,13 | 2,00 1,00 1,00 | 5,00 5,00 5,00 | 0,178 <0,001* <0,001* |
| EO | Etapa 1 Etapa 2 Etapa 3 | 3,00 5,00 4,00 | 23,13 4,40 3,66 | 1,00 2,00 2,00 | 4,00 5,00 5,00 | 3,00 3,00 4,00 | 2,86 2,66 3,06 | 2,00 1,00 1,00 | 4,00 5,00 4,00 | 0,393 0,002* 0,233 |
| AV | Etapa 1 Etapa 2 Etapa 3 | 3,00 4,00 4,00 | 2,86 4,26 4,00 | 1,00 3,00 1,00 | 5,00 5,00 5,00 | 4,00 3,00 4,00 | 3,13 3,53 3,9 | 1,00 1,00 1,00 | 5,00 5,00 5,00 | 0,547 0,049* 0,768 |
| CP | Etapa 1 Etapa 2 Etapa 3 | 2,00 4,00 5,00 | 2,53 4,00 4,06 | 1,00 1,00 1,00 | 5,00 5,00 5,00 | 3,00 4,00 4,00 | 2,86 3,33 3,06 | 1,00 1,00 1,00 | 5,00 5,00 5,00 | 0,605 0,196 0,053 |
Me: mediana; Méd: média; Min: mínimo; Max: máximo. GP: grupo de parâmetros
* Diferenças estatisticamente significativas entre os grupos A e B para α=0,05.
De acordo com análise estatística inferencial, por grupo de parâmetros, não se observaram diferenças estatisticamente significativas, na etapa 1 (diagnóstica), entre os grupos A e B (p>0,05), existindo, porém, diferenças estatisticamente significativas:
- •
Na etapa 2 – nos grupos de parâmetros AA, EA, EO e AV.
- •
Na etapa 3 – nos grupos de parâmetros AA, EA e EO.
Na tabela 2 estão apresentados os resultados e as estatísticas das classificações totais por etapa. Verifica‐se que não existem diferenças estatisticamente significativas (p=0,835) na etapa 1 (diagnóstica) entre os grupos A e B. No entanto, verificaram‐se diferenças estatisticamente significativas entre os 2 grupos nas etapas 2 (p=0,001) e 3 (p=0,007).
Estatísticas das classificações médias totais de parâmetros por etapa
| Grupo A | Grupo B | p | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Me. | Méd | Mín | Máx | Me. | Méd | Mín | Máx | |||
| TP | Etapa 1 Etapa 2 Etapa 3 | 2.95 3.27 3.11 | 3.01 3.25 3.10 | 2.60 2.58 2.10 | 3.48 3.75 3.56 | 2.99 2.82 2.57 | 3.01 2.65 2.59 | 2.67 1.57 1.50 | 3.58 3.54 3.42 | 0.835 0.001* 0.007* |
Me: mediana; Méd: média; Min: mínimo; Max: máximo. TP: total de parâmetros
* Diferenças estatisticamente significativas entre os grupos A e B para α=0,05.
Em relação à evolução da aprendizagem dos alunos, foi possível verificar que na fase diagnóstica não se observaram diferenças estatisticamente significativas de valores totais por grupo de parâmetros entre os grupos A e B. Na fase de aprendizagem observaram‐se diferenças estatisticamente significativas, com melhores resultados no grupo A – na etapa 2 nos grupos de parâmetros AA, EA, EO e AV e na etapa 3 nos grupos de parâmetros AA e EA.
Da análise de valor médio por total de grupos de parâmetros apenas se verificaram diferenças com significância estatística nas etapas 2 e 3, com melhor desempenho no grupo A.
No presente estudo foi possível verificar que os modelos de treino foram eficazes na fase de aprendizagem (etapas 2 e 3), no que respeita a preparações dentárias para prótese fixa. As diferenças observadas na evolução da aprendizagem com auxílio dos modelos idealizados prendem‐se sobretudo com o desgaste da parede axial (AA e EA) e da face oclusal (EO e AV). Em relação ao desgaste oclusal, a existência de sulcos de desgaste oclusais no modelo 3 contribuiu de forma significativa para a melhoria dos resultados. Estes resultados estão de acordo com estudos de diversos autores4,11,12 que recomendam a execução de sulcos de marcação de profundidade como método de controlo de desgaste.
Uma das limitações deste estudo prende‐se com o tipo de material das amostras obtidas para as preparações dos alunos, que não consegue simular exatamente as caraterísticas físicas dos tecidos dentários, o que dificulta a preparação. Também alguns critérios clínicos – como o estado do dente, a orientação do dente na arcada dentária e sua relação com dentes vizinhos, a retenção da preparação, oclusão e outros aspetos funcionais, bem como a ansiedade do paciente – não foram considerados.
ConclusõesNas condições desta investigação, onde se estudou a progressão da aprendizagem de preparações dentárias para coroas cerâmicas em alunos finalistas do 3.° ano da FMDUP, conclui‐se que os modelos originais, por nós concebidos e desenhados em CAD, e avaliados no sistema PREPassistant®, permitem uma evolução significativa na técnica de preparação dentária e que a fase de aprendizagem pode ser mais rápida e intuitiva.
Este estudo permitiu a criação de modelos padronizados para a técnica de preparação dentária segundo o eixo da preparação e da margem de acabamento cervical, e o modelo instrutor, indispensável na calibração do sistema PREPassistant®.
Esta investigação abre horizontes ao desenho em CAD, de modelos de aprendizagem especificamente orientados para determinados parâmetros.
Responsabilidades éticasProteção de pessoas e animaisOs autores declaram que para esta investigação não se realizaram experiências em seres humanos e/ou animais.
Confidencialidade dos dadosOs autores declaram que não aparecem dados de pacientes neste artigo.
Direito à privacidade e consentimento escritoOs autores declaram que não aparecem dados de pacientes neste artigo.
Conflito de interessesOs autores declaram não haver conflito de interesses.