Inteligencia artificial y predicción del movimiento dentario en ortodoncia: una revisión narrativa de la evidencia actual

Introducción

La ortodoncia contemporánea ha experimentado una transformación significativa impulsada por el desarrollo de tecnologías digitales avanzadas, incluyendo la tomografía computarizada de haz cónico (CBCT), los escáneres intraorales tridimensionales y los sistemas de planificación virtual de tratamiento. En este contexto, la inteligencia artificial (IA) ha emergido como una tecnología prometedora capaz de optimizar múltiples procesos clínicos y de investigación dentro de la odontología digital [1,2,3].

La inteligencia artificial comprende un conjunto de técnicas computacionales capaces de analizar grandes volúmenes de datos y generar modelos predictivos basados en patrones complejos. En odontología, los algoritmos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning) han demostrado utilidad en diversas aplicaciones, incluyendo la detección automática de lesiones dentales, la segmentación de estructuras anatómicas en imágenes radiográficas y la identificación automatizada de puntos cefalométricos [4,5,6,7]. En ortodoncia, estas tecnologías han comenzado a integrarse en sistemas digitales de diagnóstico y planificación terapéutica, permitiendo analizar grandes bases de datos clínicas e imagenológicas con el objetivo de apoyar la toma de decisiones clínicas [1,8,9].

En los últimos años, el interés científico por la aplicación de inteligencia artificial en ortodoncia ha crecido de forma exponencial. Diversas revisiones sistemáticas y revisiones de alcance han descrito el uso de IA en tareas como el diagnóstico de maloclusiones, la segmentación de estructuras dentales en CBCT, la planificación virtual del tratamiento ortodóncico y la predicción de resultados terapéuticos [2,10]. En este contexto, la posibilidad de desarrollar modelos predictivos capaces de estimar el movimiento dentario durante el tratamiento ortodóncico ha generado un interés considerable en la literatura reciente.

El movimiento dentario ortodóncico es un proceso biológico complejo que depende de la interacción entre fuerzas biomecánicas aplicadas sobre el diente y la respuesta adaptativa de los tejidos periodontales y del hueso alveolar. Este proceso involucra fenómenos celulares y moleculares relacionados con la remodelación ósea, la respuesta inflamatoria del ligamento periodontal y la actividad osteoclástica y osteoblástica. Debido a esta complejidad biológica, la predicción precisa del movimiento dentario durante el tratamiento ortodóncico continúa siendo un desafío clínico relevante [11,12].

Tradicionalmente, la planificación del movimiento dentario se basa en principios biomecánicos y en la experiencia clínica del ortodoncista. Sin embargo, la creciente disponibilidad de datos digitales tridimensionales ha permitido el desarrollo de modelos computacionales capaces de simular trayectorias de movimiento dentario mediante técnicas de inteligencia artificial. Estos modelos utilizan información derivada de escáneres intraorales, modelos digitales y CBCT para entrenar algoritmos capaces de estimar la magnitud y dirección del desplazamiento dentario durante el tratamiento ortodóncico [2,3,13].

Un área particularmente relevante es la planificación digital del tratamiento con alineadores transparentes. Los sistemas modernos de ortodoncia digital utilizan simulaciones virtuales del movimiento dentario para diseñar secuencias de alineadores que produzcan desplazamientos progresivos de los dientes. No obstante, estudios clínicos han demostrado que la predictibilidad de estos movimientos puede variar considerablemente dependiendo del tipo de movimiento dentario y de las condiciones biomecánicas del tratamiento.

En general, movimientos como la inclinación dentaria o la traslación presentan mayor predictibilidad que movimientos más complejos como rotaciones o control tridimensional de raíces [14,15,16]. No obstante, la evidencia científica disponible aún presenta limitaciones metodológicas relevantes, entre ellas conjuntos de datos reducidos y de origen unicéntrico, y una integración todavía limitada de variables biológicas propias del movimiento dentario, aspectos que se analizan en detalle más adelante en esta revisión [1,2,3,11,12,17,18].

El objetivo de esta revisión narrativa es sintetizar la evidencia científica disponible sobre la aplicación de la inteligencia artificial en la predicción del movimiento dentario durante el tratamiento ortodóncico, analizando sus aplicaciones actuales, limitaciones metodológicas y potencial impacto en la práctica clínica futura.

Materiales y Métodos

La presente revisión narrativa fue elaborada con el objetivo de sintetizar y discutir la evidencia científica disponible sobre el uso de inteligencia artificial en la predicción del movimiento dentario en ortodoncia. Para mejorar la calidad metodológica, la revisión se desarrolló siguiendo las recomendaciones propuestas por la Scale for the Assessment of Narrative Review Articles (SANRA), una herramienta ampliamente utilizada para evaluar la transparencia, coherencia y rigor científico de revisiones narrativas en ciencias de la salud.

Estrategia de búsqueda

Se realizó una búsqueda estructurada de la literatura científica en las bases de datos PubMed/MEDLINE, Web of Science y Scopus, seleccionadas por su amplia cobertura de publicaciones biomédicas y odontológicas. La búsqueda se efectuó entre enero y abril del 2026.

Se utilizaron combinaciones de términos relacionados con inteligencia artificial y ortodoncia, empleando operadores booleanos para optimizar la recuperación de artículos relevantes. Entre los términos utilizados se incluyeron: “artificial intelligence”, “machine learning”, “deep learning”, “orthodontics”, “tooth movement prediction”, “digital orthodontics”, “orthodontic treatment planning” y “predictive models”.

Los términos se combinaron mediante los operadores AND y OR según las características de cada base de datos.

Criterios de selección de artículos

Se consideraron elegibles artículos publicados en idioma inglés y español que abordan la aplicación de inteligencia artificial en ortodoncia, con especial énfasis en aquellos estudios relacionados con la predicción del movimiento dentario, la planificación digital del tratamiento ortodóncico y el desarrollo de modelos predictivos basados en aprendizaje automático o aprendizaje profundo.

Se incluyeron diferentes tipos de publicaciones relevantes para el análisis narrativo, tales como:

• Estudios experimentales

• Estudios clínicos

• Revisiones narrativas

• Artículos metodológicos sobre inteligencia artificial aplicada a odontología

Se priorizaron artículos publicados en los últimos 5 años, con especial atención a estudios recientes (2021–2026), con el fin de reflejar el rápido desarrollo de la inteligencia artificial en el ámbito de la ortodoncia digital.

Se excluyeron publicaciones que no abordaron aplicaciones clínicas o diagnósticas en ortodoncia, artículos sin acceso a texto completo y estudios enfocados exclusivamente en otras áreas de la odontología no relacionadas con ortodoncia.

Proceso de selección y análisis de la literatura

Los artículos fueron identificados por dos investigadores de manera independiente. Inicialmente se evaluaron mediante la revisión de títulos y resúmenes para determinar su pertinencia respecto al objetivo de la revisión. Posteriormente, los artículos potencialmente relevantes fueron analizados en texto completo para confirmar su elegibilidad de acuerdo con los criterios propuestos. Cualquier desacuerdo entre revisores fue resuelto mediante una discusión o consulta a un tercer investigador.

La información extraída de los estudios seleccionados fue organizada y sintetizada en una tabla resumen, identificando las principales áreas de aplicación de la inteligencia artificial en ortodoncia, los modelos predictivos utilizados para estimar el movimiento dentario y las principales limitaciones metodológicas reportadas en la literatura.

Síntesis de la evidencia

Debido a la heterogeneidad metodológica de los estudios incluidos (que abarcan distintos algoritmos de inteligencia artificial, tipos de datos utilizados y métricas de evaluación) se realizó una síntesis narrativa de la evidencia. La información fue analizada de forma crítica respecto al estado actual del conocimiento, las aplicaciones clínicas emergentes y las brechas de investigación existentes en el campo de la inteligencia artificial aplicada a la ortodoncia.

Este enfoque permitió integrar de manera comprensiva los hallazgos disponibles en la literatura, proporcionando una visión actualizada del potencial y las limitaciones de la inteligencia artificial para la predicción del movimiento dentario y la planificación del tratamiento ortodóncico.

Resultados

El proceso de búsqueda inicial en las bases de datos seleccionadas identificó un total de 30 artículos. Tras la eliminación de 10 registros duplicados, se consolidó un conjunto de 20 artículos únicos para la fase de cribado. En la primera etapa de evaluación, se excluyeron 8 artículos tras la revisión de sus títulos y resúmenes al no cumplir con los criterios de pertinencia. Posteriormente, los 12 artículos restantes se analizaron mediante la lectura a texto completo para verificar su elegibilidad formal. De estos, se descartaron 5 artículos debido a que no abordaban directamente aplicaciones clínicas o diagnósticas en ortodoncia.

Finalmente, tras la aplicación rigurosa de los criterios de inclusión y exclusión, se seleccionaron 7 artículos científicos como base de evidencia para la presente revisión narrativa. Aunque se identificó un mayor número de publicaciones relacionadas con inteligencia artificial aplicada a ortodoncia, la mayoría abordaba diagnóstico automatizado, segmentación anatómica o planificación digital, sin centrarse específicamente en la predicción del movimiento dentario, motivo por el cual no fueron incluidas. El detalle paso a paso de este proceso se describe en el diagrama de flujo de la Figura 1.

La información obtenida fue organizada y analizada en función de los objetivos planteados, con especial atención a la inteligencia artificial y predicción del movimiento dentario en ortodoncia, así como a los aspectos métricos y funcionales relevantes en la práctica clínica.

Todos los estudios seleccionados declaran análisis del movimiento dentario en los pacientes mediante la inteligencia artificial, algunos como objetivo principal y otros como objetivo secundario, aunque con enfoques distintos.

La selección de los artículos elegidos para la revisión se detalla en la Tabla 1. Además, en dicha tabla se puede ver la información de cada uno de estos, como la muestra, resumen breve y conclusiones principales.

Aplicaciones de inteligencia artificial para la predicción del movimiento dentario

La evidencia reciente demuestra un creciente interés por el uso de inteligencia artificial (IA) para la predicción del movimiento dentario en ortodoncia, especialmente en el contexto de ortodoncia digital y tratamientos con alineadores transparentes. Los estudios incluidos muestran que los modelos basados en machine learning, redes neuronales artificiales y aprendizaje profundo han sido utilizados para estimar trayectorias de movimiento dentario, predecir resultados terapéuticos y detectar discrepancias entre el movimiento planificado y el movimiento clínicamente obtenido [13,19,20,21].

Diversos estudios han desarrollado modelos predictivos utilizando registros digitales tridimensionales, escáneres intraorales y reconstrucciones derivadas de CBCT para entrenar algoritmos capaces de reconocer patrones biomecánicos asociados al desplazamiento dentario ortodóncico. En particular, algunos sistemas de IA han demostrado capacidad para analizar movimientos secuenciales durante tratamientos con alineadores, permitiendo identificar movimientos con mayor riesgo de pérdida de predictibilidad clínica [13,20].

Además, revisiones recientes han señalado que la integración de IA en ortodoncia está evolucionando desde aplicaciones diagnósticas hacia modelos orientados al tooth movement forecasting, seguimiento dinámico del tratamiento y personalización biomecánica [21].

Inteligencia artificial y predictibilidad del movimiento dentario en alineadores transparentes

Una proporción importante de la literatura actual se centra en tratamientos con alineadores transparentes, debido a la necesidad de mejorar la predictibilidad de los movimientos dentarios programados digitalmente. Se desarrollaron modelos de machine learning orientados a predecir riesgo de refinamiento en tratamientos con alineadores utilizando una muestra de 9.942 pacientes adultos. Los modelos identificaron que ciertos movimientos dentarios, particularmente las rotaciones de incisivos mandibulares, presentaban mayor riesgo de refinamiento y menor predictibilidad clínica [13].

De manera similar, se desarrolló un modelo basado en redes neuronales convolucionales y análisis morfométrico tridimensional para predecir desviaciones tempranas de tracking (adaptación clínica del alineador respecto al movimiento programado) utilizando escaneos intraorales secuenciales. El modelo alcanzó una precisión de 85% para identificar desviaciones clínicamente significativas del movimiento dentario esperado [20].

El desempeño de la IA de DentalMonitoring, para detectar problemas de tracking en alineadores, obtuvo sensibilidad de 93,2% y especificidad de 86,2% para diferenciar alineadores correctamente adaptados versus desadaptados. Aunque estos sistemas no predicen directamente el movimiento dentario futuro, permiten detectar discrepancias entre el movimiento planificado y el movimiento clínicamente expresado, contribuyendo al monitoreo biomecánico dinámico del tratamiento ortodóncico [19].

Integración de datos tridimensionales y modelos multimodales

Los modelos actuales de IA aplicados a ortodoncia utilizan múltiples fuentes de información digital para mejorar la capacidad predictiva de los algoritmos. Entre las fuentes más utilizadas se encuentran los escáneres intraorales, imágenes CBCT, fotografías faciales tridimensionales y registros cefalométricos digitales [2,21,22,23].

La combinación de CBCT, escaneos intraorales y modelos de aprendizaje profundo permite desarrollar sistemas de seguimiento dinámico orientados a la predicción de trayectorias dentarias y detección temprana de riesgos biomecánicos, incluyendo reabsorción radicular y discrepancias en el movimiento dentario [21].

De igual manera, los sistemas de IA aplicados a alineadores transparentes han mostrado altos niveles de precisión en segmentación dentaria, integración CBCT-IOS y automatización de workflows digitales ortodóncicos. Los autores reportaron que la IA puede contribuir a mejorar la precisión y predictibilidad de la planificación terapéutica digital [22].

Asimismo, se ha demostrado que la incorporación de información tridimensional de corona, raíz y hueso modifica significativamente las decisiones clínicas en tratamientos con alineadores. Entre un 33% y 43% de los ortodoncistas cambiaron su percepción del plan terapéutico tras acceder a visualizaciones completas de las estructuras dentarias y periodontales generadas mediante software asistido por IA [23].

Limitaciones metodológicas de la evidencia disponible

Además de los hallazgos anteriores, gran parte de los estudios sobre IA en ortodoncia utiliza bases de datos unicéntricas, tamaños muestrales limitados y métricas heterogéneas de evaluación, lo que dificulta la comparación entre investigaciones y reduce la generalización clínica de los modelos predictivos [2]. Estos aspectos se analizan en detalle en la sección de Discusión.

Discusión

La presente revisión narrativa evidencia que la inteligencia artificial (IA) aplicada a la predicción del movimiento dentario en ortodoncia se encuentra en una etapa emergente, con mayor desarrollo en tratamientos con alineadores transparentes, planificación digital y seguimiento dinámico. En conjunto, la evidencia analizada sugiere que la IA puede contribuir a predecir riesgo de refinamiento, detectar pérdida de tracking, apoyar la planificación virtual y mejorar la interpretación tridimensional del movimiento dentario. Sin embargo, la evidencia actual aún no permite afirmar que estos modelos predigan con precisión completa el movimiento dentario tridimensional individual [2,13,19,20,21,22,23].

En alineadores transparentes, se demostró que modelos de machine learning pueden identificar factores asociados al riesgo de refinamiento, incluyendo variables clínicas, cooperación del paciente y tipos específicos de movimientos dentarios planificados. Este hallazgo es relevante porque sugiere que la IA puede reconocer patrones asociados a menor predictibilidad clínica, especialmente en movimientos complejos como rotaciones incisivas [13]. De manera complementaria, la IA de DentalMonitoring presentó alta sensibilidad y especificidad para detectar problemas de adaptación de alineadores, lo que permite identificar discrepancias entre el movimiento planificado y el movimiento clínicamente expresado [19].

Los modelos orientados al tracking y al análisis morfométrico tridimensional representan una aproximación más cercana al concepto de predicción dinámica del movimiento dentario. Un estudio evaluó un modelo basado en IA para anticipar desviaciones tempranas en alineadores mediante escaneos intraorales secuenciales, reportando una precisión de 85% [20]. Aunque estos resultados son prometedores, su utilidad clínica debe interpretarse con cautela, ya que la predicción temprana de desviaciones no equivale necesariamente a una predicción completa de la respuesta biomecánica y biológica individual.

Por otro lado, la integración de datos tridimensionales aparece como un elemento central para mejorar la planificación predictiva. La IA aplicada a alineadores transparentes puede participar en segmentación dentaria, registro de modelos digitales, planificación virtual y monitoreo remoto, contribuyendo a un flujo digital más eficiente [22]. De forma complementaria, la combinación de CBCT, escáneres intraorales y aprendizaje profundo podría favorecer sistemas de seguimiento dinámico, predicción de trayectorias dentarias y ajustes personalizados durante el tratamiento [21]. Además, la visualización tridimensional de corona, raíz y hueso puede modificar significativamente las decisiones clínicas en setups de alineadores, lo que refuerza que la planificación predictiva no debería basarse solo en la posición coronaria [23].

A pesar de estos avances, la investigación actual sobre IA en ortodoncia presenta limitaciones importantes, entre ellas bases de datos unicéntricas, heterogeneidad metodológica, métricas variables y escasa validación externa multicéntrica. Estas limitaciones son especialmente relevantes en la predicción del movimiento dentario, donde la respuesta clínica depende no solo de la geometría digital del diente, sino también de factores biomecánicos y biológicos difíciles de modelar [2,18]. Por ello, los hallazgos actuales deben interpretarse como evidencia preliminar, orientada principalmente al soporte clínico y al monitoreo, y no aún a la predicción autónoma del movimiento dentario. Su implementación clínica futura requerirá validación multicéntrica, bases de datos longitudinales más amplias, integración de información corona-raíz-hueso y métricas estandarizadas por tipo de movimiento dentario; mientras tanto, la IA debe entenderse como una herramienta complementaria para la toma de decisiones clínicas, y no como un sustituto del razonamiento biomecánico del ortodoncista.

Conclusión

La evidencia disponible sugiere que la inteligencia artificial constituye una herramienta prometedora para optimizar la planificación y el seguimiento del tratamiento ortodóncico, especialmente en terapias con alineadores transparentes. No obstante, la heterogeneidad metodológica, el reducido número de estudios clínicos y la limitada integración de variables biológicas impiden establecer conclusiones definitivas sobre su capacidad para predecir con precisión el movimiento dentario. Se requieren estudios prospectivos multicéntricos con metodologías estandarizadas antes de su incorporación rutinaria en la práctica clínica.

Referencias

1. Schwendicke F, Samek W, Krois J. Artificial intelligence in dentistry: Chances and challenges. J Dent Res. 2020;99(7):769-774. doi:10.1177/0022034520915714
2. Nordblom NF, Büttner M, Schwendicke F. Artificial intelligence in orthodontics: Critical review. J Dent Res. 2024;103(6):577-584. doi:10.1177/00220345241235606
3. Liu J, Zhang C, Shan Z. Application of artificial intelligence in orthodontics: Current state and future perspectives. Healthcare. 2023;11(20):2760. doi:10.3390/healthcare11202760
4. Khanagar SB, Al-Ehaideb A, Vishwanathaiah S, Maganur PC, Patil S, Naik S, et al. Scope and performance of artificial intelligence technology in orthodontic diagnosis, treatment planning, and clinical decision-making - A systematic review. J Dent Sci. 2021;16(1):482-492. doi:10.1016/j.jds.2020.05.022
5. Park JH, Hwang HW, Moon JH, Yu Y, Kim H, Her SB, et al. Automated identification of cephalometric landmarks: Part 1—Comparisons between the latest deep-learning methods YOLOV3 and SSD. Angle Orthod. 2019;89(6):903-909. doi:10.2319/022019-127.1
6. Hwang JJ, Jung YH, Cho BH, Heo MS. An overview of deep learning in the field of dentistry. Imaging Sci Dent. 2019;49(1):1-7. doi:10.5624/isd.2019.49.1.1
7. Lee JH, Kim DH, Jeong SN, Choi SH. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018;77:106-111. doi:10.1016/j.jdent.2018.07.015
8. Monill-González A, Rovira-Calatayud L, d'Oliveira NG, Ustrell-Torrent JM. Artificial intelligence in orthodontics: Where are we now? A scoping review. Orthod Craniofac Res. 2021;24(Suppl 1):6-15. doi:10.1111/ocr.12517
9. Schwendicke F, Golla T, Dreher M, Krois J. Convolutional neural networks for dental image diagnostics: A scoping review. J Dent. 2019;91:103226. doi:10.1016/j.jdent.2019.103226
10. Gracea RS, Winderickx N, Vanheers M, Hendrickx J, Preda F, Shujaat S, et al. Artificial intelligence for orthodontic diagnosis and treatment planning: A scoping review. J Dent. 2025;153:105442. doi:10.1016/j.jdent.2024.105442
11. Li Y, Jacox LA, Little SH, Ko CC. Orthodontic tooth movement: The biology and clinical implications. Kaohsiung J Med Sci. 2018;34(4):207-214. doi:10.1016/j.kjms.2018.01.007
12. Meikle MC. Remodeling the dentofacial skeleton: The biological basis of orthodontics and dentofacial orthopedics. J Dent Res. 2007;86(1):12-24. doi:10.1177/154405910708600103
13. Wolf D, Farrag G, Flügge T, Timm LH. Predicting outcome in clear aligner treatment: A machine learning analysis. J Clin Med. 2024;13(13):3672. doi:10.3390/jcm13133672
14. Simon M, Keilig L, Schwarze J, Jung BA, Bourauel C. Treatment outcome and efficacy of an aligner technique - regarding incisor torque, premolar derotation and molar distalization. BMC Oral Health. 2014;14:68. doi:10.1186/1472-6831-14-68
15. Kravitz ND, Kusnoto B, BeGole E, Obrez A, Agran B. How well does Invisalign work? A prospective clinical study evaluating the efficacy of tooth movement with Invisalign. Am J Orthod Dentofacial Orthop. 2009;135(1):27-35. doi:10.1016/j.ajodo.2007.05.018
16. Grünheid T, Loh C, Larson BE. How accurate is Invisalign in nonextraction cases? Are predicted tooth positions achieved? Angle Orthod. 2017;87(6):809-815. doi:10.2319/022717-147.1
17. Norgeot B, Quer G, Beaulieu-Jones BK, Torkamani A, Dias R, Gianfrancesco M, et al. Minimum information about clinical artificial intelligence modeling: the MI-CLAIM checklist. Nat Med. 2020;26(9):1320-1324. doi:10.1038/s41591-020-1041-y
18. Maltha JC, Kuijpers-Jagtman AM. Mechanobiology of orthodontic tooth movement: An update. J World Fed Orthod. 2023;12(4):156-160. doi:10.1016/j.ejwf.2023.05.001
19. McCray JF, Dabney W, Handlin D, Smith L, Zhu J, Trinidad MRR, et al. Accuracy of DentalMonitoring's artificial intelligence in detecting aligner tracking issues: A retrospective multi-centric study. BMC Oral Health. 2026;26:7. doi:10.1186/s12903-025-07580-0
20. Khurana R, Kumar AA, Shah B, Ali F, Ahmed P, Hussain CD. AI-enhanced 3D tooth movement forecasting in clear aligner therapy using deep morphometric modelling: A prospective validation study. Bioinformation. 2025;21(12):4753-4755. doi:10.6026/973206300214753
21. Guo X, Shao Y. AI-driven dynamic orthodontic treatment management: Personalized progress tracking and adjustments—a narrative review. Front Dent Med. 2025;6:1612441. doi:10.3389/fdmed.2025.1612441
22. Ruiz DC, Mureșanu S, Du X, Elgarba BM, Fontenele RC, Jacobs R. Unveiling the role of artificial intelligence applied to clear aligner therapy: A scoping review. J Dent. 2025;154:105564. doi:10.1016/j.jdent.2025.105564
23. Tüfekçi E, Carrico CK, Gordon CB, Lindauer SJ. Does crown, root, and bone visualization in a clear aligner virtual setup impact treatment decisions? Am J Orthod Dentofacial Orthop. 2024;165(6):671-679. doi:10.1016/j.ajodo.2024.01.014