DOI: 10.26820/reciamuc/7.(4).oct.2023.37-46
URL: https://reciamuc.com/index.php/RECIAMUC/article/view/1223
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIAMUC
ISSN: 2588-0748
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 32 Ciencias Médicas
PAGINAS: 37-46
Integración de la inteligencia articial en el diagnóstico y
tratamiento dental
Integration of artificial intelligence in dental diagnosis and treatment
Integração da inteligência artificial no diagnóstico e tratamento dentário
Laly Viviana Cedeño Sánchez
1
; Sofía Mirella Lainez Aráuz
2
; Washington Sergio Escudero Doltz
3
;
María Cristina Flor Chávez
4
RECIBIDO: 11/02/2023 ACEPTADO: 22/05/2023 PUBLICADO: 28/10/2023
1. Diploma Superior de Cuarto Nivel en Desarrollo Local y Salud; Especialista en Gerencia y Planificación Estratégica
en Salud; Magíster en Gerencia en Salud Para el Desarrollo Local; Magíster en Gerencia en Salud Para el Desarrollo
Local; Doctor en Ciencias Pedagógicas; Odontóloga;Universidad de Guayaquil; Guayaquil, Ecuador; laly.cedenosa@
ug.edu.ec; https://orcid.org/0000-0003-0869-6404
2. Especialista en Ortodoncia; Doctora en Odontología; Universidad de Guayaquil; Guayaquil, Ecuador; sofia.laine-
za@ug.edu.ec; https://orcid.org/0000-0002-2721-5808
3. Magíster en Diseño Curricular; Diplomado en Docencia Superior; Doctor en Odontología;Universidad de Guayaquil;
Guayaquil, Ecuador; washington.escuderod@ug.edu.ec; https://orcid.org/0000-0003-2426-0651
4. Diploma Superior en Preparación Multirradiculares; Magister en Odontología con Especialización en Periodoncia e Im-
plantología; Doctora en Odontología; Odontóloga; Universidad de Guayaquil; Guayaquil, Ecuador; maria.florc@ug.edu.
ec; https://orcid.org/0000-0002-1641-3083
CORRESPONDENCIA
Laly Viviana Cedeño Sánchez
laly.cedenosa@ug.edu.ec
Guayaquil, Ecuador
© RECIAMUC; Editorial Saberes del Conocimiento, 2023
RESUMEN
La inteligencia artificial (IA) esta revolucionado diversas áreas de la humanidad, sobre todo en los últimos años. En el
área de la salud esta revolución ha alcanzado todas sus áreas, incluyendo la odontología. Los avances tecnológicos en
el campo de la IA han aportado, en esta especialidad, nuevas y valiosas herramientas tanto para mejorar el diagnóstico
como el tratamiento de los pacientes. En consecuencia, el propósito de esta investigación es plasmar las generalidades
del uso de la inteligencia artificial en el diagnóstico y tratamiento dental. El enfoque metodológico de la investigación es
una revisión bibliográfico – documental, apoyado por diversas bases de datos, para la obtención de información relevante
en base al tema de estudio. De la revisión se desprende que la IA ha demostrado ser una herramienta innovadora y efec-
tiva en el diagnóstico y tratamiento dental con resultados prometedores que se evidencian con la literatura disponible y
los cuales se pueden resumir en: colaboración, apoyo, reducción de tiempo en análisis de datos y precisión en general.
lo que ha permitido agilizar los tiempos en la detección de enfermedades y afecciones odontológicas, y el diseño de la
mejor estrategia apoyando la toma de decisiones en el tratamiento.
Palabras clave: Inteligencia, Artificial, Diagnóstico, Tratamiento, Odontología.
ABSTRACT
Artificial intelligence (AI) is revolutionizing various areas of humanity, especially in recent years. In the area of health, this
revolution has reached all areas, including dentistry. Technological advances in the field of AI have provided this specialty
with new and valuable tools both to improve the diagnosis and treatment of patients. Consequently, the purpose of this
research is to capture the generalities of the use of artificial intelligence in dental diagnosis and treatment. The methodolog-
ical approach of the research is a bibliographic - documentary review, supported by various databases, to obtain relevant
information based on the topic of study. From the review it is clear that AI has proven to be an innovative and effective
tool in dental diagnosis and treatment with promising results that are evidenced by the available literature and which can
be summarized in: collaboration, support, reduction of time in analysis of data and accuracy in general. which has made
it possible to speed up the times in the detection of dental diseases and conditions, and the design of the best strategy
supporting decision-making in treatment.
Keywords: Intelligence, Artificial, Diagnosis, Treatment, Dentis.
RESUMO
A inteligência artificial (IA) está a revolucionar várias áreas da humanidade, principalmente nos últimos anos. Na área da
saúde, esta revolução chegou a todas as áreas, incluindo a medicina dentária. Os avanços tecnológicos no campo da IA
têm proporcionado a esta especialidade novas e valiosas ferramentas tanto para melhorar o diagnóstico como o tratamento
dos pacientes. Consequentemente, o objetivo desta investigação é captar as generalidades da utilização da inteligência
artificial no diagnóstico e tratamento dentário. A abordagem metodológica da investigação é uma revisão bibliográfica - do-
cumental, apoiada em várias bases de dados, para obter informações relevantes com base no tema de estudo. Da revisão
efectuada conclui-se que a IA tem-se revelado uma ferramenta inovadora e eficaz no diagnóstico e tratamento dentário
com resultados promissores que são evidenciados pela literatura disponível e que se podem resumir em: colaboração,
apoio, redução de tempo na análise de dados e precisão em geral. o que tem permitido acelerar os tempos na deteção de
doenças e condições dentárias, e o desenho da melhor estratégia de apoio à tomada de decisão no tratamento.
Palavras-chave: Inteligência, Artificial, Diagnóstico, Tratamento, Dentis.
39
RECIMAUC VOL. 7 Nº 4 (2023)
Introducción
La inteligencia artificial (IA) por sus siglas
en inglés es una rama de la ciencia que se
encarga principalmente de la recolección y
análisis de datos, razonar sobre estos y en-
tonces traducirlos dentro de acciones inteli-
gentes mediante el uso de softwares y hard-
ware específicos; así mismo, la IA incluye el
razonamiento, dispensación lingüística típi-
ca y el aprendizaje automático, por lo tanto,
en el área de la medicina y la odontología
el aprendizaje automático (ML) por sus si-
glas en inglés es el más ampliamente usado
(Subramanian, Chen, Almalki, Sivamurthy, &
Kafle, 2023).
Esta hace referencia a la capacidad de un
sistema para simular a la inteligencia huma-
na o definirse como la toma de decisiones
correctas o más certeras de acuerdo con un
“Gold standard”. En tal contexto, su impacto
es cada vez más evidente, ya que, es usa-
do en diversas situaciones de la vida diaria,
como búsquedas en páginas web, filtrado
de información en redes sociales, teléfonos
inteligentes, automóviles, entre otras (Bravo,
Pulgarín, & Ramos, 2023, pág. 65).
En el área sanitaria resulta cada vez más
importante y ventajoso el uso de la IA para
contribuir a mejorar la salud de las perso-
nas. Es una aliada perfecta del médico du-
rante todo el proceso asistencial. Por una
parte, contribuye al diagnóstico y detección
temprana de enfermedades a través del
análisis de grandes cantidades de datos de
salud, como el historial médico, imágenes
médicas o resultados de pruebas clínicas.
Por otra parte, ayuda a agilizar procesos
que en el pasado suponían una carga adi-
cional para los profesionales y que servirá
para centrarse en tareas más importantes
como pasar más tiempo con sus pacientes,
mejorando a la vez la eficiencia de su traba-
jo (Galmarini, 2023).
La atención al paciente podría mejorarse
con la IA, podría ayudar al diagnóstico y re-
ducir los errores en la práctica clínica. Se
pueden utilizar las radiografías digitales, ya
INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO Y TRATAMIENTO DENTAL
que tiene un gran potencial para mejorar el
proceso de diagnóstico en radiología con la
ayuda de la IA (Cacñahuaray, Gómez, La-
mas, & Guerrero, 2021, pág. 244).
La tecnología está implicada, cada vez
más, en la odontología, aportando efica-
cia al minimizar tiempos y gestión de datos
para diagnósticos y tratamientos. La IA ha
marcado un antes y un después en los pro-
cedimientos sanitarios. La IA puede ayudar
a mejorar la atención dental, permitiendo
realizar en algunos casos una detección
temprana y un diagnóstico más preciso,
una planificación del tratamiento dental más
efectiva y sugerir la toma de decisiones clí-
nicas (Bechara, 2023).
En consecuencia, el propósito de esta in-
vestigación es plasmar las generalidades
del uso de la inteligencia artificial en el
diagnóstico y tratamiento dental.
Materiales y Métodos
El presente trabajo de investigación se de-
sarrolló enfocado en una metodología de
revisión documental bibliográfica. Para la
búsqueda de información concerniente al
tema investigado se utilizaron diversas ba-
ses de datos, entre las que figuran: SciE-
LO, ELSEVIER, Cochrane, Scopus, Scien-
ce Direct, entre otras. Se llevó a cabo una
búsqueda aleatoria y consecutiva, usando
las expresiones o descriptores siguientes:
“inteligencia articial + odontología”, “inte-
ligencia articial + odontología + diagnósti-
co”, y “inteligencia articial + odontología +
tratamiento”. Los resultados se filtraron se-
gún criterios de idioma, los cuales se con-
sideraron el español e inglés, relevancia,
correlación temática y fecha de publicación
en los cuatro últimos años.
El material bibliográfico recolectado con-
sistió en artículos científicos, en general,
guías clínicas, e-books, ensayos clínicos,
consensos, protocolos, tesis de posgrado y
doctorado, noticias científicas, boletines y/o
folletos de instituciones oficiales o privadas
de reconocida trayectoria en el ámbito cien-
40
RECIMAUC VOL. 7 Nº 4 (2023)
tificoacadémico y demás documentos e in-
formaciones, considerados de interés y con
valor de la evidencia científica a criterio del
equipo investigador.
Resultados
Evidentemente en los últimos años se ha
evidenciado un crecimiento exponencial
de la Inteligencia Artificial (IA) en la odon-
tología, sobre todo en el diagnóstico y el
tratamiento dental. Esta tecnología es am-
pliamente usada en lesiones por medio de
variadas modalidades de imagen principal-
mente rayos X que se utilizan con la finali-
dad de determinar las condiciones de los
tejidos duros. Con el pasar del tiempo se
han incluido imágenes de radiografías pe-
riapicales, panorámicas, cefalométricas y
tomográficas. Asimismo, la IA es utilizada
en el diseño de planes de tratamiento ajus-
tados a cada paciente (Cacñahuaray, Gó-
mez, Lamas, & Guerrero, 2021).
Las principales áreas odontológicas encon-
tradas en la literatura, donde se usa con ma-
yor frecuencia la IA tanto para el diagnóstico
como para el tratamiento, son las siguientes:
Implantología oral
La Inteligencia Artificial (IA) se viene practi-
cando ampliamente en la Odontología con
resultados exitosos, ya que la toma de de-
cisiones es un aspecto imprescindible en
las diferentes especialidades, como lo es
la Implantología dental. Estas investigacio-
nes tienen la ventaja de mejorar los errores
en las diferentes técnicas empleadas por
el Odontólogo, demostrando excelentes re-
sultados. Según los estudios incluidos en el
presente artículo, los modelos de IA desa-
rrollados para reconocer el tipo de implante
mediante imágenes radiográficas periapi-
cales o panorámicas (2D) fueron los más
desarrollados en su aplicación a la IA en
la implantología, obteniendo una precisión
general de los resultados obtenidos en las
diferentes investigaciones. Los modelos de
Inteligencia Artificial tienen el potencial de
reconocer el tipo de implante, predecir el
éxito de los implantes utilizando factores de
riesgo del paciente, criterios odontológicos,
y optimizar los diseños de los implantes,
pero todavía se están desarrollando y pre-
cisando sus rangos de error, con su aplica-
ción en la colocación de implantes, la efica-
cia y la fiabilidad de los modelos de IA antes
de recomendarlos para su ejecución en la
práctica clínica. Los estudios que desarro-
llaren modelos de IA para optimizar diseños
de implantes parecen coincidir con la apli-
cabilidad de los modelos de IA que mejoran
los diseños de los implantes, minimizando
la tensión, y se obtiene precisión y determi-
na el módulo elástico de la interfaz implan-
te-hueso (Ponce, Grijalva, & Navas, 2022).
Cirugía oral
Uno de los avances más significativos en la
odontología asistida por IA es el desarrollo
de sistemas robóticos que pueden realizar
cirugías orales con una precisión increíble.
Estos robots están diseñados para ayudar a
los dentistas a realizar procedimientos com-
plejos que, de otro modo, serían difíciles o
imposibles de lograr solo con manos huma-
nas. Mediante el uso de algoritmos de IA y
técnicas de imagen avanzadas, estos siste-
mas robóticos pueden analizar la anatomía
dental de un paciente y planificar el enfo-
que quirúrgico más efectivo. El uso de la IA
en la cirugía oral robótica ofrece numerosos
beneficios tanto para los pacientes como
para los profesionales de la odontología.
Para los pacientes, la precisión de los sis-
temas robóticos puede conducir a tiempos
de recuperación más cortos, menos dolor
posoperatorio y un menor riesgo de com-
plicaciones. Además, las cirugías asistidas
por IA pueden ser menos invasivas que los
métodos tradicionales, lo que puede ayudar
a minimizar las cicatrices y promover una
curación más rápida (Frąckiewicz, 2023).
Dentro del área de cirugía bucomaxiolofa-
cial se ha reportado la utilización de la IA
en sus diferentes tipos, entre los que resal-
tan las redes neuronales convolucionales
(CNN) utilizadas tanto en radiografías pa-
CEDEÑO SÁNCHEZ, L. V., LAINEZ ARÁUZ, S. M., ESCUDERO DOLTZ, W. S., & FLOR CHÁVEZ, M. C.
41
RECIMAUC VOL. 7 Nº 4 (2023)
norámicas como en tomografías para la co-
rrecta toma de decisiones de la extracción
de un diente, mostrando así las CNN un alto
rendimiento en la toma de decisiones (Cui,
Chen, Liu, Liu, & Wen, 2020).
Asimismo, el aprendizaje automático junto
con modelos No-Bayesianos han sido usados
en la determinación de la morfometría pteri-
gomaxilar con resultados novedosos sobre la
inclinación del proceso pterigoideo en rela-
ción a la tuberosidad del maxilar (Al-Imam,
Abdul-Wahaab, Konuri, & Sahai, 2021).
Por su parte, Kwak et al., (2020) acerca de
la red neuronal profunda (DNN), manifiestan
que también ha sido ampliamente utilizada
en la localización del conducto dentario in-
ferior, sabiendo que la lesión de este nervio
es una de las complicaciones más frecuen-
tes en la extracción de terceros molares in-
feriores, ya que podría generar parestesia.
Particularmente en odontología, por diver-
sas razones, la detección automatizada del
canal mandibular se ha muy frecuente. La
posición del nervio alveolar inferior (IAN),
que es una de las estructuras principales de
la mandíbula, es crucial para prevenir lesio-
nes nerviosas durante los procedimientos
quirúrgicos. No obstante, la segmentación
automática mediante tomografía computari-
zada de haz cónico (CBCT) plantea ciertas
dificultades, como la apariencia compleja
del cráneo humano, un número limitado de
conjuntos de datos, bordes poco claros e
imágenes ruidosas. Los autores, utilizando
software de automatización en proceso,
realizaron experimentos con modelos basa-
dos en 2D SegNet, 2D y 3D U-Nets como in-
vestigación preliminar para una herramienta
de automatización de segmentación dental.
El U-Net 2D con imágenes adyacentes de-
muestra una mayor precisión global de 0,82
que las variantes ingenuas de U-Net. 2D
SegNet mostró la segunda precisión glo-
bal más alta de 0,96, y 3D U-Net mostró la
mejor precisión global de 0,99. El sistema
automatizado de detección de canales me-
diante aprendizaje profundo contribuirá sig-
nificativamente a una planificación eficiente
del tratamiento y a reducir la fatiga de los
pacientes. malestar por un dentista.
Periodoncia
Como se mostrará en el aparte acerca del
uso de la IA en diagnóstico, carielogía y en-
dodoncia, esta se ha implementado en la
detección de caries, fracturas radiculares
y lesiones apicales, sin embargo, la investi-
gación en el campo de la Periodoncia es un
poco más limitada.
Los sistemas de aprendizaje automático
(Deep Learning) son usados cada vez más
en el diagnóstico de enfermedades perio-
dontales. Estos sistemas se utilizan para
identificar objetos. en imágenes, transcribe
el discurso en texto, coincide con noticias,
publicaciones o productos con los intereses
de los usuarios y seleccione resultados rele-
vantes de búsqueda. Cada vez más, estas
aplicaciones hacen uso de una clase de téc-
nicas llamadas aprendizaje profundo (deep
learning). En el enfoque Deep Learning se
usan estructuras lógicas que se asemejan
en mayor medida a la organización del sis-
tema nervioso de los mamíferos, teniendo
capas de unidades de proceso (neuronas
artificiales) que se especializan en detectar
determinadas características existentes en
los objetos percibidos. Las redes neurona-
les de tipo Deep Learning no solo permiten
ingresar la imagen en bruto sin importar su
distribución de histograma, tamaño especi-
fico, contraste, etc., sino también permiten
construir características robustas como la
capacidad de detectar un diente a partir de
operación sencillas como la derivada de un
operador Sobel que nos permiten detectar
los bordes en una imagen. En consecuen-
cia, se obtiene una ventaja de esta increí-
ble capacidad de construir filtros a partir de
filtros más básicos usando la convolución
como método de aplicación en los datos
de manera matricial. Deep Learning permi-
te ingresar la imagen en bruto y enfocarnos
mayoritariamente en la calidad y grueso de
la información pues la investigación ha de-
INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO Y TRATAMIENTO DENTAL
42
RECIMAUC VOL. 7 Nº 4 (2023)
mostrado que aplicaciones complejas de
manera general para la inteligencia artificial
requieren de cantidades grandes de datos,
cantidades que un ser humano le tomaría
años aprender y revisar, pero una red de tipo
Deep Learning la revisa, aprende, corrige y
repite el ciclo una y otra vez hasta aprender
acorde a la calidad de la información en ho-
ras (Galvis, Amaris, & Galeano, 2020).
En este sentido, Cacñahuaray, Gómez, La-
mas, & Guerrero, (2021) acerca de este tipo
de IA para evaluar dientes comprometidos
periodontalmente, pérdida ósea periodontal
y nivel de periodontitis, menciona los siguien-
tes: Hibrid Framework: Deep learning archi-
tecture y CAD (computer aided diagnoses),
R-CNN (faster regional convolutional neural
network), CNN self. trained network y deep
CNN architecture and a self-trained network,
así también el support vector machine (SVM)
empleando el examen clínico y radiográfico
para diagnosticar la enfermedad periodon-
tal evidenciando una alta precisión diagnós-
tica que va de 0,76 a 0,88, disminuyendo el
tiempo que se requiere en la ejecución del
examen periodontal. (p. 249)
Medicina y patología oral
La revisión de Cacñahuaray, Gómez, La-
mas, & Guerrero, (2021) encontró que den-
tro del área de patología oral se han repor-
tado diferentes tipos de IA con diferentes
usos desde el diagnóstico de lesiones quís-
ticas odontológicas por medio del análisis
panorámico y tomográfico utilizando Deep
CNN architecture y YOLOv2, predicciones
en la positividad de márgenes tumorales
como indicativo de la calidad de la atención
a través del análisis de registros, prediccio-
nes de supervivencia del cáncer oral con
algoritmos de aprendizaje profundo Deep-
surv; utilizando algoritmos como Linear re-
gression, DT,RF y XGBoost; así como tam-
bién basándose en el análisis de imágenes
fotográficas con el uso de redes convolu-
cionales. (p. 250)
Ortodoncia
La IA puede ayudar a los ortodoncistas a
diagnosticar y planificar tratamientos me-
diante el análisis de los datos de pacientes.
Con esta tecnología se puede lograr mayor
eficiencia en la atención al paciente, anali-
zando grandes cantidades de datos para to-
mar decisiones de tratamiento más rápidas
y precisas. Estos algoritmos pueden ayudar
también a los ortodoncistas a diseñar apa-
ratos de personalizados y más precisos,
como dispositivos de alineación de dientes
invisibles. Una vez diseñados, se utilizan im-
presoras 3D o equipos de termoformación
para fabricar los alineadores en una serie
de férulas transparentes. El paciente utiliza
cada alineador durante un período de tiem-
po determinado antes de pasar al siguiente,
lo que permite una alineación gradual de
los dientes programada en la computadora.
También se puede monitorear la progresión
del tratamiento de ortodoncia, lo que incluye
el seguimiento del movimiento de los dien-
tes y la mandíbula a lo largo del tiempo y el
ajuste del tratamiento para lograr resultados
óptimos (Bechara, 2023).
Según los fundamentos de Cacñahuaray,
Gómez, Lamas, & Guerrero, (2021) en or-
todoncia el uso de la IA se aprecia en el
impacto del tratamiento de ortodoncia
evaluando el atractivo facial y apariencia
de edad con el uso de fotografías y redes
convolucionales; en la predicción de ubica-
ción y angulaciones de terceras molares en
radiografías panorámicas con red neuronal
convolucional con Resnet-101; variaciones
de la estructura maxilar por la impactación
de caninos en tomografías con algoritmo de
aprendizaje LINKS. (p. 249)
El uso de la IA en el proceso de cefalome-
tría tiene como objetico hacer que el profe-
sional trabaje de una forma más precisa y
exacta, su uso en Ortodoncia se ha incre-
mentado significativamente como una he-
rramienta confiable y que ahorra tiempo, la
cefalometría manual toma un tiempo entre
15 a 20 minutos, mientras que una realizada
CEDEÑO SÁNCHEZ, L. V., LAINEZ ARÁUZ, S. M., ESCUDERO DOLTZ, W. S., & FLOR CHÁVEZ, M. C.
43
RECIMAUC VOL. 7 Nº 4 (2023)
mediante IA puede tomar incluso 40 segun-
dos (Subramanian, Chen, Almalki, Sivamur-
thy, & Kafle, 2023).
Desde la década pasada, la tomografía
computarizada de haz cónico (CBCT, del
inglés cone-beam computed tomography)
se ha usado incrementalmente para situa-
ciones complejas en la región oral y maxi-
lofacial. A través de IA basada en RF, se ha
desarrollado un análisis tridimensional (3D)
que segmenta automáticamente imágenes
de CBCT y luego realiza un análisis volumé-
trico automático por conteo de voxels para
dientes no erupcionados. Una de las técni-
cas actuales para localización automática
de dientes no erupcionados en 3D, consiste
en extraer la información del archivo y trans-
formarlo en imágenes en dos dimensiones,
lo que reduce los costos computacionales.
La IA en análisis 3D ha sido validada, mos-
trando resultados precisos al compararse
con la misma evaluación, pero hecha por
humanos (Morales, Pisón, Hidalgo, & Pal-
ma, 2022, pág. 159).
Dallora, Kvist, Mendes, Diaz, & Sanmartin,
(2019) manifiestan que la determinación ra-
diográfica del grado de maduración y edad
ósea, la cual permite apoyar el diagnósti-
co y tratamiento en ortodoncia, pues por sí
sola, la edad cronológica no refleja comple-
tamente la etapa de crecimiento de un indi-
viduo. Igualmente, explican que el examen
más usado para la determinación del grado
de maduración y edad ósea es la radiografía
convencional, por sobre la tomografía com-
putarizada y la resonancia magnética. Los
métodos para determinación de edad ósea
más usados se hacen con radiografía de
mano y muñeca y estos son Greulich-Pyle
(GP) y Tanner-Whitehouse (TW).
Por último, en decisiones terapéuticas en
ortodoncia, se han elaborado sistemas exi-
tosos en base a variables como sobremor-
dida, clase esqueletal y apiñamiento entre
otras, que mostraron un alto grado de con-
cordancia con ortodoncistas. Según las ba-
ses del estudio de Morales, Pisón, Hidalgo,
& Palma, (2022) con respecto a las anterio-
res variables, también han sido exitosos sis-
temas de ANN para predecir necesidad de
exodoncias, identificación de dientes a ex-
traer y necesidad de anclaje, con un 93%,
84% y 92% de precisión, respectivamente.
En el área de cirugía ortognática, usando
ANN se han clasificado con éxito pacientes
de acuerdo con la necesidad y tipo de ciru-
gía, así como en cuanto a la necesidad de
exodoncias. La ANN obtuvo un 96% y 91%
de éxito en la decisión de necesidad de ci-
rugía y el tipo de cirugía respectivamente,
tanto en clases II como clases III, en com-
paración con un ortodoncista con 10 años
de experiencia, considerado como gold
standard. En cuanto a la necesidad de exo-
doncias, la ANN obtuvo cerca de un 90% de
éxito. En el pronóstico de tratamientos orto-
pédicos y ortodónticos de pacientes clase
III, se ha encontrado que el uso del método
de FC es efectivo para predecir el éxito del
tratamiento. Este método agrupa diferentes
variables clínicas y exámenes complemen-
tarios para agrupar los pacientes en tres
grupos: con longitud mandibular aumenta-
da, hiperdivergentes y balanceados.
Diagnóstico, carielogía y endodoncia
Es fundamental para la profesión odonto-
lógica realizar un diagnóstico temprano
de la caries dental evitando aplicar trata-
mientos invasivos en nuestros pacientes
(Cacñahuaray, Gómez, Lamas, & Guerrero,
2021, pág. 250).
En este sentido, el uso de la IA ha colabo-
rado en gran medida a lograr estos diag-
nósticos de manera temprana y precisa. Al
respecto, Schwendicke et al., (2021) aplica-
ron la IA en el diagnóstico de caries inter-
proximal, utilizando CNN con la arquitectura
U-Net en radiografías de aleta de mordida,
teniendo como resultado una mayor renta-
bilidad en la detección temprana. En par-
ticular, esta rentabilidad requiere que los
dentistas manejen las lesiones tempranas
detectadas de manera no restaurativa.
INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO Y TRATAMIENTO DENTAL
44
RECIMAUC VOL. 7 Nº 4 (2023)
Otro aporte que favorece el uso de IA para
la intervención temprana de la caries radi-
cular fue realizado por Hung et al., (2019)
quienes utilizaron en su estudio métodos
de aprendizaje automático en inteligen-
cia artificial para seleccionar las variables
más relevantes para clasificar la presencia
y ausencia de caries radicular y evaluar el
desempeño del modelo. Los autores con-
cluyeron que los algoritmos de aprendizaje
automático desarrollados en este estudio
funcionan bien y permiten la implementa-
ción y utilización clínica por parte de profe-
sionales dentales y no dentales. Asimismo,
recomiendan a los médicos adoptar los al-
goritmos de este estudio para la interven-
ción y el tratamiento tempranos de la caries
radicular en la población que envejece en
los Estados Unidos y para lograr una medi-
cina dental de precisión.
Clasicar, archivar y monitorizar imágenes
Una de las principales obligaciones en un
tratamiento de Ortodoncia es la adquisición
continua de imágenes, sin embargo, el sis-
tema convencional de registro que incluye
la selección manual esta acción consume
algo tiempo útil en otros procedimientos y
se puede cometer errores por la fatiga del
operador. Un sistema como el “DeppID”
es un sistema de DL tiene la capacidad
de clasificar automáticamente los archivos
fotográficos y radiográficos, la evaluación
de este software se realizó evaluando una
base de datos de más de 14.000 imágenes
abarcando 14 categorías de imágenes or-
todónticas, diferentes fotos intraorales la-
teral derecha, izquierda, oclusal de frente,
oclusal superior e inferior, overjet diferentes
fotos extraorales, frontal y frontal con son-
risa, oblicua y oblicua con sonrisa, perfil y
perfil con sonrisa y 2 radiografías, cefálica
lateral y panorámica. Las imágenes deben
ser redimensionadas a 300 x 450 o 450 x
300 pixeles. Las imágenes ya editadas orto-
dónticas las clasifica con una exactitud de
0.994 en un tiempo de 0.08 minutos siendo
este 236 veces más rápido que un humano
experto requiriendo para su clasificación de
aproximadamente 18.09 minutos, sin em-
bargo, hay que tener en cuenta que para
el procesado del sistema de IA se necesi-
ta un PC con tarjeta gráfica al menos una
“NVIDIA RTX 2080Ti”. Por lo tanto, se puede
decir que el DL mejora la precisión veloci-
dad y eficacia en la clasificación, registro
y monitoreo de imágenes ortodónticas (Li,
Guo, Lin, & Ying, 2022).
Conclusión
Según la revisión, la IA ha demostrado ser una
herramienta innovadora y efectiva en el diag-
nóstico y tratamiento dental, lo que ha permi-
tido agilizar los tiempos en la detección de
enfermedades y afecciones odontológicas, y
el diseño de la mejor estrategia apoyando la
toma de decisiones en el tratamiento.
Los algoritmos de aprendizaje automático son
una de las principales y más útiles herramien-
tas de la IA en la odontología. Estos sistemas
permiten analizar grandes cantidades de
datos de la historia clínica y datos radiográ-
ficos con la finalidad de identificar patrones
y características precisas. Lo que conlleva a
diagnósticos más precisos y las indicaciones
de tratamientos de forma oportuna.
Algunos de sus usos incluyen la detección
temprana de caries, anormalidades en la
estructura ósea y/o enfermedades perio-
dontales. Asimismo, el uso de algoritmos
con imágenes en 3D se extiendo al apoyo
en la planificación de implantes dentales,
con grandes beneficios que se observan en
la precisión de la colocación más precisa y,
por ende, la mejora del pronóstico.
En el campo de la cirugía oral los sistemas
de IA pueden aportar información en tiem-
po real mientras se realiza la operación,
lo que repercute en la precisión de movi-
mientos del cirujano y disminuye el margen
de error. El uso de robots autónomos que
pueden colaborar con los cirujanos duran-
te las intervenciones mejora la eficiencia y
la precisión.
CEDEÑO SÁNCHEZ, L. V., LAINEZ ARÁUZ, S. M., ESCUDERO DOLTZ, W. S., & FLOR CHÁVEZ, M. C.
45
RECIMAUC VOL. 7 Nº 4 (2023)
En fin, la IA se viene usando cada vez más
en la Odontología con resultados promete-
dores ya que se ha evidenciado con una
amplia literatura en la mayoría de las dife-
rentes especialidades, en términos de co-
laboración, apoyo, reducción de tiempo en
análisis de datos y precisión en general.
Bibliografía
Al-Imam, A., Abdul-Wahaab, I. T., Konuri, V. K.,
& Sahai, A. (2021). Conciliación de inteligen-
cia artificial y modelos no bayesianos para mor-
fometría pterigomaxilar. Folia Morphol , 1-33.
Recuperado el 26 de noviembre de 2023, de
https://www.researchgate.net/profile/Ahmed-Al-
Imam/publication/348461900_Reconciling_Ar-
tificial_Intelligence_and_Non-Bayesian_Mo-
dels_for_Pterygomaxillary_Morphometrics/
links/614c1b39a595d06017e4da6f/Reconci-
ling-Artificial-Intelligence-and-Non-Bayesian-Mod
Bechara, E. J. (22 de mayo de 2023). El impacto
de la Inteligencia Artificial en la Odontología. Tri-
buna Dental. Recuperado el 25 de noviembre de
2023, de https://la.dental-tribune.com/news/el-im-
pacto-de-la-inteligencia-artificial-en-la-odontolo-
gia/#:~:text=La%20IA%20puede%20ayudar%20
a,tratamiento%20m%C3%A1s%20r%C3%A1pi-
das%20y%20precisas.
Bravo, P., Pulgarín, C., & Ramos, R. (2023). Inteli-
gencia artificial en diagnóstico, pronóstico y pla-
nificación del tratamiento de alteraciones de la
región cráneo-cérvico maxilofacial en ortodon-
cia. Revisión de la literatura. Anatomía Digital,
6(1), 3–84. Recuperado el 15 de noviembre de
2023, de https://cienciadigital.org/revistaciencia-
digital2/index.php/AnatomiaDigital/article/down-
load/2515/6107/
Cacñahuaray, G., Gómez, D., Lamas, V., & Guerrero,
M. E. (2021). Aplicación de la inteligencia artificial en
Odontología: revisión de la literatura. Odontol. San-
marquina, 24(3), 243-254. Recuperado el 21 de no-
viembre de 2023, de https://www.researchgate.net/
publication/353254244_Aplicacion_de_la_inteli-
gencia_artificial_en_Odontologia_Revision_de_la_
literatura/link/616717173851f95994fccae2/down-
load?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI-
6InB1YmxpY2F0aW9uIiwicGFnZSI6InB1YmxpY-
2F0aW9uIn1
Cui, Q., Chen, Q., Liu, P., Liu, D., & Wen, Z. (2020).
Modelo de apoyo a la decisión clínica para la te-
rapia de extracción dental derivado de registros
dentales electrónicos. J Prosthet Dent, 126(1), 83-
90. doi:10.1016/j.prosdent.2020.04.010.
Dallora, A. A., Kvist, O., Mendes, E., Diaz, S., &
Sanmartin, J. (2019). Evaluación de la edad ósea
con diversas técnicas de aprendizaje automáti-
co: una revisión sistemática de la literatura y un
metanálisis. PLoS ONE, 14(7), 1-22. Recupera-
do el 25 de noviembre de 2023, de https://www.
ncbi.nlm.nih.gov/pmc/articles/PMC6657881/pdf/
pone.0220242.pdf
Frąckiewicz, M. (25 de junio de 2023). CS2. Recupe-
rado el 28 de noviembre de 2023, de https://ts2.
space/es/ia-en-cirugia-bucal-robotica/#gsc.tab=0
Galmarini, C. M. (13 de marzo de 2023). openMind
BBVA. Recuperado el 05 de noviembre de 2023, de
https://www.bbvaopenmind.com/tecnologia/inteli-
gencia-artificial/inteligencia-artificial-aliada-salud/
Galvis, L. M., Amaris, L. D., & Galeano, L. A. (2020).
Sistema de Apoyo Diagnóstico Periodontal con
Deep Learning para las Clínicas Odontológicas
de la Universidad Santo Tomas, 2020: Fase I - In-
sumos y Criterios Radiográficos. Tesis de grado,
Universidad Santo Tomás,, División de Ciencias
de la Salud, Bucaramanga. Recuperado el 30 de
noviembre de 2023, de https://repository.usta.edu.
co/bitstream/handle/11634/29327/2020GalvisLau-
ra%20.pdf?sequence=15&isAllowed=y
Hung, M., Voss, M., Rosales, M., Li, W., Su, W., Xu,
J., & Bounsanga, J. (2019). Aplicación del apren-
dizaje automático para la predicción diagnóstica
de caries radicular. Gerodonntología, 36(4), 397-
404. Recuperado el 21 de noviembre de 2023,
de https://www.ncbi.nlm.nih.gov/pmc/articles/
PMC6874707/pdf/nihms-1034451.pdf
Kwak, G. H., Kwak, E. J., Song, J. M., Park, H. R.,
Jung, Y. H., & Cho, B. H. (2020). Detección au-
tomática del canal mandibular mediante una red
neuronal convolucional profunda. Representan-
te de ciencia, 1-8. Recuperado el 30 de noviem-
bre de 2023, de https://www.ncbi.nlm.nih.gov/
pmc/articles/PMC7109125/pdf/41598_2020_Arti-
cle_62586.pdf
Li, S., Guo, Z., Lin, J., & Ying, S. (2022). Inteligen-
cia artificial para clasificar y archivar imágenes
de ortodoncia. Biomed Res Int, 1-11. Recupera-
do el 10 de noviembre de 2023, de https://down-
loads.hindawi.com/journals/bmri/2022/1473977.
pdf?_gl=1*187iygb*_ga*MTE5NDkxNTUzLjE2OT-
M5OTY4MzQ.*_ga_NF5QFMJT5V*MTcwMjkz-
Mzg4My4zLjEuMTcwMjkzNTAyMS42MC4wL-
jA.&_ga=2.150808566.1348127873.1702933881-
119491553.1693996834
INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO Y TRATAMIENTO DENTAL
46
RECIMAUC VOL. 7 Nº 4 (2023)
Morales, R., Pisón, L., Hidalgo, A., & Palma, E. (2022).
Estado del arte de inteligencia artificial en orto-
doncia. Revisión narrativa. Avances en odontoes-
tomatología, 38(4), 153-163. Recuperado el 27 de
noviembre de 2023, de https://scielo.isciii.es/pdf/
odonto/v38n4/0213-1285-odonto-38-4-156.pdf
Ponce, N., Grijalva, M., & Navas, P. (2022). Una re-
visión sistemática de la aplicación de la inteligen-
cia artificial en la implantología. Revista Dilemas
Contemporáneos: Educación, Política y Valores,
Edición especial(7), 1-17. Recuperado el 28 de
noviembre de 2023, de https://dilemascontempo-
raneoseducacionpoliticayvalores.com/index.php/
dilemas/article/download/3394/3360/
Schwendicke, F., Rossi, J., Göstemeyer, G., Elhennawy,
K., Cantu, A., Schwendicke, f., . . . Cantu, A. (2021).
Rentabilidad de la inteligencia artificial para la detec-
ción de caries proximal. J Dent Res, 100(4), 369-376.
Recuperado el 22 de noviembre de 2023, de https://
www.ncbi.nlm.nih.gov/pmc/articles/PMC7985854/
pdf/10.1177_0022034520972335.pdf
Subramanian, A. K., Chen, Y., Almalki, A., Sivamur-
thy, G., & Kafle, D. (2023). Análisis cefalométri-
co en ortodoncia mediante inteligencia artificial:
una revisión completa. BioMed Research Inter-
nationa, 1-9. Recuperado el 20 de noviembre de
2023, de https://downloads.hindawi.com/journals/
bmri/2022/1880113.pdf
CITAR ESTE ARTICULO:
Cedeño Sánchez, L. V., Lainez Aráuz, S. M., Escudero Doltz, W. S., &
Flor Chávez, M. C. (2023). Integración de la inteligencia artificial en el
diagnóstico y tratamiento dental. RECIAMUC, 7(4), 37-46. https://doi.
org/10.26820/reciamuc/7.(4).oct.2023.37-46
CEDEÑO SÁNCHEZ, L. V., LAINEZ ARÁUZ, S. M., ESCUDERO DOLTZ, W. S., & FLOR CHÁVEZ, M. C.