INTELIGENCIA ARTIFICIAL EN ENDODONCIA
¿Cómo puede apoyar el diagnóstico, la planificación y el seguimiento clínico?
Material visual del artículo
1. ¿Qué significa inteligencia artificial en odontología?
En odontología, la inteligencia artificial se refiere a sistemas informáticos capaces de analizar grandes cantidades de información, reconocer patrones y generar una predicción o una recomendación.
En endodoncia, estos sistemas pueden trabajar con radiografías periapicales, panorámicas, CBCT, fotografías, datos clínicos y registros electrónicos. Por ejemplo, pueden señalar una zona radiolúcida compatible con lesión periapical, identificar una posible fractura o sugerir la presencia de un conducto complejo.
2. ¿Cuál es la diferencia entre IA, aprendizaje automático y aprendizaje profundo?
| Concepto | Explicación sencilla |
|---|---|
| Inteligencia artificial | Nombre general para sistemas que analizan información y producen una clasificación o predicción. |
| Aprendizaje automático | El sistema aprende patrones mediante ejemplos. |
| Aprendizaje profundo | Utiliza redes con varias capas y es especialmente útil para analizar imágenes. |
| Red convolucional | Tipo de aprendizaje profundo diseñado para reconocer formas y patrones en imágenes. |
3. ¿Qué significa que una IA detecte o segmente una lesión?
Detectar significa localizar una zona sospechosa y señalar dónde se encuentra. Segmentar significa delimitar sus bordes, es decir, separar visualmente la lesión del resto de la imagen.
En endodoncia, la segmentación puede utilizarse para marcar una lesión periapical, reconstruir el sistema de conductos o identificar la forma de una cámara pulpar.
Una lesión periapical es una alteración localizada alrededor de la punta de la raíz, generalmente relacionada con inflamación o infección de origen pulpar. En una radiografía suele observarse como una zona más oscura, denominada radiolúcida. Esa imagen por sí sola no establece el diagnóstico: debe interpretarse junto con los síntomas, las pruebas pulpares y el examen clínico.
El CBCT es una tomografía tridimensional que permite observar el diente, las raíces y los tejidos que los rodean desde diferentes planos. Aporta más información espacial que una radiografía bidimensional, pero debe indicarse solo cuando el beneficio-diagnóstico justifique su uso.
4. ¿Qué significa sensibilidad, especificidad y precisión?
Para comprender los resultados basta con saber que ninguna cifra describe por sí sola toda la seguridad del sistema. Una herramienta puede detectar muchas lesiones, pero también generar falsas alarmas o pasar por alto casos verdaderos.
| Medida | Qué expresa |
|---|---|
| Sensibilidad | Capacidad para detectar correctamente los casos que sí presentan la condición. |
| Especificidad | Capacidad para reconocer correctamente los casos que no presentan la condición. |
| Precisión o exactitud | Proporción global de clasificaciones correctas dentro del conjunto evaluado. |
5. ¿Por qué una IA puede equivocarse?
Fue entrenada con pocas imágenes.
Las imágenes proceden de un solo hospital o de una población muy específica.
Las lesiones del conjunto de entrenamiento eran demasiado claras y fáciles.
Las etiquetas utilizadas para enseñar al sistema fueron inconsistentes.
Existen superposiciones, baja calidad radiográfica, restauraciones, postes, gutapercha o artefactos metálicos que pueden confundir al sistema.
El equipo, la resolución o el protocolo de imagen son diferentes.
La anatomía o la enfermedad del paciente no se parece a los ejemplos usados para entrenar el modelo.
¿Qué quiso revisar este artículo?
El artículo reunió y organizó la evidencia publicada hasta julio de 2025 sobre inteligencia artificial aplicada a la endodoncia. No evaluó una sola herramienta ni realizó una comparación clínica única. Su propósito fue mostrar en qué etapas del tratamiento la IA ya está siendo investigada, qué resultados parecen prometedores y qué obstáculos todavía impiden su uso rutinario.
Los autores organizaron las aplicaciones según el flujo clínico: diagnóstico e interpretación de imágenes, planificación, apoyo intraoperatorio, manejo de complicaciones, seguimiento y pronóstico.
1. Diagnóstico e interpretación de imágenes
Detección de caries y lesiones periapicales
Las redes neuronales pueden analizar diferencias de densidad en radiografías y CBCT para señalar áreas compatibles con caries o lesiones periapicales. Una revisión citada por los autores, que reunió 24 estudios, informó una sensibilidad combinada de 0,94 y una especificidad de 0,96 para la detección de radiolucideces periapicales.
Esto significa que, en los conjuntos evaluados, la IA identificó correctamente una alta proporción de lesiones y también reconoció adecuadamente muchas imágenes sin lesión. Sin embargo, estos valores proceden de estudios con bases de datos relativamente pequeñas y no garantizan el mismo rendimiento en todos los centros clínicos.
Diagnóstico de dientes fisurados y fracturas radiculares verticales
Un diente fisurado presenta una grieta que suele comenzar en la corona y puede avanzar hacia la raíz. Una fractura radicular vertical es una línea de fractura que recorre longitudinalmente la raíz y puede comunicar el conducto con los tejidos periodontales. Su diagnóstico es difícil porque puede producir signos parecidos a otras enfermedades, como dolor al masticar, sondaje periodontal localizado o pérdida ósea.
Los dientes fisurados y las fracturas radiculares verticales son difíciles de diagnosticar porque sus signos pueden ser inespecíficos. El artículo describe modelos capaces de analizar fotografías, radiografías panorámicas, periapicales y CBCT para señalar patrones compatibles con estas alteraciones.
En un estudio con imágenes ópticas de grietas coronarias, un modelo alcanzó una exactitud media de 90,39 %. Para fractura radicular vertical, diferentes sistemas informaron valores de exactitud, sensibilidad y especificidad superiores al 90 % en conjuntos seleccionados.
Uno de los modelos evaluados en CBCT obtuvo 91,4 % de exactitud, 92,1 % de sensibilidad y 90,7 % de especificidad, superando a radiólogos con dos años de experiencia dentro de ese estudio.
2. Planificación del tratamiento y navegación del conducto
Identificación de la anatomía del sistema de conductos
Un conducto en C es una configuración anatómica en la que varios espacios del sistema de conductos se encuentran comunicados y forman, en determinados cortes, una figura semejante a la letra C. Es frecuente en segundos molares inferiores y puede contener istmos, ramificaciones y zonas difíciles de limpiar.
El dens invaginatus es una alteración del desarrollo en la que una parte del tejido dental se pliega hacia el interior del diente, creando una anatomía compleja que puede favorecer la contaminación pulpar y dificultar el tratamiento.
Los modelos de aprendizaje profundo pueden segmentar dientes, cámaras pulpares y conductos en CBCT. Su objetivo es identificar número de conductos, curvaturas, bifurcaciones, fusiones, conductos accesorios y configuraciones complejas.
Estas herramientas pueden ser especialmente útiles en segundos molares mandibulares con conductos en C, dens invaginatus y conductos calcificados. En conductos en C, diferentes arquitecturas lograron identificar y clasificar la anatomía, aunque el rendimiento todavía fue imperfecto.
Planificación de accesos guiados
La IA puede contribuir a segmentar estructuras y proponer trayectorias de acceso a partir de CBCT y escaneos intraorales. Estas trayectorias pueden utilizarse en endodoncia guiada estática, mediante una plantilla impresa, o en navegación dinámica, donde la posición de la fresa se controla en tiempo real.
La revisión cita estudios de endodoncia guiada estática y navegación digital en los que el error de localización fue aproximadamente de 0,77 ± 0,37 mm. En los estudios citados, los sistemas guiados lograron localizar el conducto en aproximadamente el 97,9 % de los casos evaluados. En uno de esos trabajos, la navegación dinámica se relacionó con una pérdida de estructura dentaria cercana a 9,43 ± 9,02 mm³.
Estas cifras describen el rendimiento global de sistemas que combinan CBCT, escaneo, software, plantillas o navegación, calibración y ejecución clínica. No permiten atribuir toda la precisión exclusivamente a la inteligencia artificial.
3. Apoyo durante el procedimiento
Determinación de la longitud de trabajo
La longitud de trabajo es la distancia utilizada como referencia para preparar y obturar el conducto sin sobrepasar innecesariamente la zona apical. Determinarla correctamente ayuda a evitar una preparación demasiado corta o una instrumentación excesiva más allá de la raíz. La irrigación debe alcanzar de forma segura la zona preparada, pero la aguja se coloca generalmente a una distancia corta de la longitud de trabajo y nunca debe quedar bloqueada.
En modelos cadavéricos, las mediciones realizadas por redes neuronales se acercaron a los valores de referencia obtenidos bajo microscopio. Otro sistema experimental basado en impedancia multifrecuencia y redes neuronales informó una exactitud cercana al 95 % para localizar la zona apical y estimar la longitud. Este resultado no representa la precisión general de todos los localizadores apicales ni corresponde a una herramienta ampliamente disponible.
Detección de calcificaciones pulpares
La calcificación pulpar puede presentarse de dos formas principales. Los cálculos pulpares son masas mineralizadas localizadas dentro de la cámara o del conducto. La calcificación difusa u obliteración produce un estrechamiento más generalizado que puede ocultar parcialmente el trayecto del conducto.
Los modelos con los porcentajes descritos en el artículo fueron evaluados principalmente para detectar cálculos pulpares en radiografías bitewing o panorámicas. La evidencia para identificar automáticamente conductos con calcificación difusa u obliteración sigue siendo mucho más limitada.
La calcificación puede dificultar la localización de la cámara y la negociación del conducto, pero no todos los tipos de calcificación fueron estudiados con la misma profundidad.
| Tipo de imagen | Qué se investigó | Resultado general |
|---|---|---|
| Radiografías bitewing | Detección de cálculos pulpares | Los modelos mostraron valores elevados en algunos indicadores, aproximadamente entre 85 % y 97 %. |
| Radiografías panorámicas | Detección de cálculos pulpares | La sensibilidad informada fue cercana al 80 %. |
Los estudios utilizaron medidas distintas, por lo que no es correcto afirmar que un sistema fue definitivamente mejor que otro. Además, estos resultados se refieren principalmente a cálculos pulpares y no a todos los tipos de calcificación del conducto.
Detección de instrumentos separados
Un instrumento separado es un fragmento de una lima endodóntica que se fractura y permanece dentro del conducto. Su presencia no significa automáticamente que el tratamiento vaya a fracasar, pero puede dificultar la limpieza de la zona situada más allá del fragmento.
La IA también se ha investigado para detectar y localizar instrumentos separados o fracturados dentro del conducto en radiografías panorámicas y periapicales. En panorámicas, un modelo con filtrado Gabor y red convolucional alcanzó una exactitud aproximada de 84,37 %.
Las radiografías periapicales pueden ofrecer mejores condiciones por su mayor resolución y menor superposición. Sin embargo, la gutapercha, el sellador y el fragmento metálico pueden presentar densidades similares, especialmente en conductos ya obturados.
4. Pronóstico y seguimiento
Los modelos de pronóstico intentan combinar datos radiográficos y clínicos para estimar la probabilidad de éxito, fracaso o complicaciones futuras.
Pronóstico del diente tratado
El modelo PRESSAN-17 fue desarrollado con 598 premolares unirradiculares tratados o retratados y con seguimiento de tres años. Analizó características como restauración de cobertura total, presencia de dientes adyacentes y defectos coronarios para estimar el pronóstico.
Como fue desarrollado con premolares unirradiculares, no puede asumirse que mantendrá el mismo rendimiento en molares, dientes multirradiculares, anatomías complejas o poblaciones diferentes.
El artículo considera que estos sistemas pueden apoyar el seguimiento, pero la predicción todavía depende de qué variables fueron incluidas y de la calidad de los registros.
Pronóstico de la microcirugía endodóntica
La microcirugía endodóntica se realiza cuando persiste una enfermedad alrededor de la raíz y el problema no puede resolverse adecuadamente mediante el acceso convencional. Generalmente implica acceder quirúrgicamente a la zona apical, eliminar el tejido enfermo, resecar una pequeña porción de la raíz y sellar el extremo radicular.
En 234 dientes tratados mediante microcirugía endodóntica, los modelos analizaron factores como edad, tipo de diente, tamaño de la lesión y forma del defecto óseo. El modelo con mejor rendimiento mostró una buena capacidad para diferenciar casos con resultados radiográficos favorables y desfavorables al año.
Este resultado describe el comportamiento del modelo dentro de esa base de datos y no garantiza la curación de un paciente individual.
Estos modelos son prometedores, pero el artículo señala que deberían incorporar historia médica, calidad de la restauración coronaria y otras variables clínicas para mejorar su utilidad.
Predicción de fractura radicular vertical
En una base de 145 casos, una red neuronal profunda alcanzó 80,7 % de exactitud para predecir fractura radicular vertical, frente a 71,7 % de una máquina de vectores de soporte.
5. Educación y entrenamiento endodóntico
La IA también puede incorporarse a simuladores de acceso e instrumentación para ofrecer retroalimentación inmediata y señalar errores. Estos sistemas pueden complementar la enseñanza, pero no sustituyen la supervisión docente, la sensación táctil clínica ni el desarrollo del razonamiento profesional.
6. ¿Qué impide que la IA se use de forma rutinaria?
| Problema principal | Consecuencia clínica |
|---|---|
| Datos escasos o poco diversos | La herramienta puede funcionar bien en una clínica y fallar en otra población, equipo o protocolo de imagen. |
| Falta de explicación y validación | El odontólogo puede recibir una respuesta sin conocer su fundamento ni saber si funciona fuera del lugar donde se creó. |
| Privacidad y sesgo | Las imágenes pueden identificar al paciente y una base poco representativa puede reducir la precisión en determinados grupos. |
| Costo, integración y responsabilidad | Se necesitan equipos, capacitación, mantenimiento y reglas claras sobre quién responde ante un error. |
La importancia de una IA explicable
Las herramientas explicables pueden mostrar mapas de calor o regiones que influyeron en la predicción. Esto permite al odontólogo comprobar si el sistema se centró en la lesión, la raíz o una zona irrelevante.
Aun así, una imagen resaltada no garantiza que el razonamiento del modelo sea clínicamente correcto. La explicación debe utilizarse como apoyo para revisar la predicción, no como prueba definitiva.
7. Futuro de la IA en endodoncia
Navegación dinámica con corrección de trayectoria en tiempo real.
Robótica para localizar conductos calcificados y ejecutar procedimientos muy precisos.
Realidad aumentada para retirar instrumentos o planificar accesos complejos.
Planificación individualizada mediante la integración de imágenes y datos clínicos.
Apoyo remoto o teleconsulta para centros con menor acceso a especialistas.
También se investiga la integración de datos clínicos, radiográficos y biológicos para personalizar el diagnóstico y el pronóstico, aunque estas aplicaciones permanecen en etapas tempranas.
¿Qué significa todo esto para la práctica clínica?
La principal enseñanza del artículo es que la IA puede ampliar la capacidad del odontólogo para analizar información compleja, pero no reemplaza la integración clínica.
Puede actuar como segunda lectura de radiografías y CBCT.
Puede ayudar a reconocer anatomías que podrían pasar inadvertidas.
Puede apoyar la planificación de accesos y procedimientos guiados.
Puede ayudar a estimar longitud de trabajo o localizar complicaciones.
Puede contribuir al seguimiento y a la comunicación del pronóstico.
Debe utilizarse junto con examen clínico, pruebas diagnósticas y experiencia profesional.
Una recomendación automática debe revisarse antes de cambiar una conducta clínica.
Limitaciones del artículo
Es una revisión narrativa y no una comparación cuantitativa de todas las tecnologías.
Incluyó estudios muy diferentes en diseño, imágenes, poblaciones, modelos y métricas.
Muchos trabajos procedían de una sola institución.
Varias bases de datos fueron pequeñas o poco representativas.
Algunos resultados se obtuvieron con imágenes claras o seleccionadas, alejadas de la complejidad clínica habitual.
No todas las herramientas fueron validadas externamente.
Algunas aplicaciones se basan en modelos cadavéricos, estudios retrospectivos o reportes de casos.
Los porcentajes de rendimiento no son comparables entre estudios cuando las métricas y los conjuntos de datos son distintos.
El artículo describe potencial clínico, pero no demuestra que la IA mejore por sí sola la supervivencia dental o el éxito endodóntico a largo plazo.
La implementación real depende de regulación, privacidad, costo, interoperabilidad y aceptación de pacientes y profesionales.
Entonces, ¿la inteligencia artificial ya revolucionó la endodoncia?
Todavía no de forma completa. La IA ya demuestra capacidad para analizar imágenes y apoyar tareas específicas, pero su integración cotidiana continúa siendo limitada.
La evidencia más desarrollada se concentra en análisis de imágenes.
La detección de lesiones, fracturas, calcificaciones y anatomías complejas muestra resultados prometedores.
La planificación guiada y el pronóstico están avanzando, pero requieren mayor validación.
La robótica y la navegación inteligente continúan en etapas tempranas.
No existe una herramienta única capaz de realizar de forma segura todo el flujo endodóntico.
Conclusión final
Aprendizaje práctico
La IA reconoce patrones; no reemplaza el razonamiento clínico.
Un porcentaje alto de exactitud no garantiza el mismo resultado en otra clínica.
La IA puede ser especialmente útil como segunda lectura de imágenes.
Los mapas y segmentaciones deben confirmarse con anatomía y pruebas clínicas.
Las herramientas guiadas pueden reducir errores, pero dependen de una planificación y ejecución correctas.
El pronóstico automático es una estimación, no una certeza.
Privacidad, sesgo, costo y responsabilidad legal son parte del problema clínico.
La mejor aplicación actual es la colaboración entre odontólogo e IA.
Bibliografía del artículo
Formato Vancouver
Huang X, Xu Z, Chen H, Guo X, Yang X, Zhao Y. Revolutionizing endodontics: the impact and innovations of artificial intelligence. BMC Oral Health. 2026;26:321. doi:10.1186/s12903-025-07632-5.
Formato APA 7
Huang, X., Xu, Z., Chen, H., Guo, X., Yang, X., & Zhao, Y. (2026). Revolutionizing endodontics: The impact and innovations of artificial intelligence. BMC Oral Health, 26, 321. https://doi.org/10.1186/s12903-025-07632-5
DOI: 10.1186/s12903-025-07632-5
Enlace directo de ingreso al artículo: https://doi.org/10.1186/s12903-025-07632-5