REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
1 | https://estudios.colincing.org/
Modelos predictivos de caries dental basados en Big Data y
aprendizaje automático: revisión narrativa
Predictive models of dental caries based on Big Data and machine
learning: a narrative review
Noelia Amaray Velastegui Almeida
I
noelia.velasteguia@ug.edu.ec
https://orcid.org/0009-0004-1745-3986
Gonzalo Paúl Rodríguez Galarza
II
gorodriguezga@uide.edu.ec
https://orcid.org/0009-0009-1449-4041
Correspondencia: noelia.velasteguia@ug.edu.ec
Artículo de Revisión
Recibido: 28 de enero del 2026 Aceptado: 11 de marzo del 2026 Publicado: 25 de marzo del 2026
I. Estudiante de la Carrera de Odontología, Universidad de Guayaquil, Guayaquil,
Ecuador.
II. Ingeniero en Electrónica y Telecomunicaciones. Posgradista, Universidad
Internacional del Ecuador, Quito, Ecuador.
Cómo citar este artículo:
Velastegui, N., & Rodríguez, G. (2026). Modelos predictivos de caries dental basados en Big Data y aprendizaje automático:
revisión narrativa. Revista Colincing de Estudios Multidisciplinarios, 2(1), e15.
https://doi.org/10.61347/rcem.v2i1.e15
Copyright:
Derechos de autor 2026 Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez
Galarza.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0 (CC BY-NC 4.0)
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
2 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Resumen: La caries dental es la enfermedad bucal más prevalente a nivel mundial, afectando
aproximadamente a 3,5 mil millones de personas y generando un impacto significativo en la
calidad de vida y en los sistemas de salud. Ante esta problemática, los modelos predictivos han
emergido como herramientas clave para la detección temprana y la prevención; sin embargo,
muchos presentan limitaciones metodológicas, como alto riesgo de sesgo y baja aplicabilidad
clínica. En este contexto, el avance del Big Data, la inteligencia artificial y el aprendizaje
automático ha impulsado el desarrollo de modelos más precisos y eficientes. La presente
revisión narrativa tuvo como objetivo analizar la evidencia científica sobre la aplicación de
estas tecnologías en la predicción del riesgo de caries dental, incluyendo estudios publicados
entre 2015 y 2025 en bases de datos como Scopus, PubMed y Web of Science. Los resultados
evidenciaron que las redes neuronales convolucionales, las máquinas de vectores de soporte y
las redes neuronales artificiales son los algoritmos más utilizados, destacando por su alto
rendimiento diagnóstico, con valores elevados de precisión y área bajo la curva. Las imágenes
radiográficas fueron el tipo de dato más empleado, seguidas de datos clínicos y modelos
mixtos. No obstante, se identificaron limitaciones importantes, como la heterogeneidad de los
datos, la falta de estandarización de métricas y la escasa validación externa. En conclusión, los
modelos basados en inteligencia artificial muestran un alto potencial para mejorar la predicción
de caries dental, aunque es necesario fortalecer el rigor metodológico y su validación clínica
para favorecer su implementación en la práctica odontológica.
Palabras clave: Aprendizaje automático, Big Data, caries dental, inteligencia artificial,
modelos predictivos.
Abstract: Dental caries is the most prevalent oral disease worldwide, affecting approximately
3.5 billion people and generating a significant impact on quality of life and healthcare systems.
In response to this challenge, predictive models have emerged as key tools for early detection
and prevention; however, many of them present methodological limitations, such as a high risk
of bias and limited clinical applicability. In this context, advances in Big Data, artificial
intelligence, and machine learning have driven the development of more accurate and efficient
models. This narrative review aimed to analyze the scientific evidence on the application of
these technologies in predicting the risk of dental caries, including studies published between
2015 and 2025 in databases such as Scopus, PubMed, and Web of Science. The results showed
that convolutional neural networks, support vector machines, and artificial neural networks
are the most used algorithms, standing out for their high diagnostic performance, with elevated
values of accuracy and area under the curve. Radiographic images were the most frequently
used type of data, followed by clinical data and mixed models. Nevertheless, important
limitations were identified, including data heterogeneity, lack of standardized metrics, and
limited external validation. In conclusion, artificial intelligence–based models show high
potential to improve the prediction of dental caries, although strengthening methodological
rigor and clinical validation is necessary to support their implementation in dental practice.
Keywords: Machine learning, Big Data, dental caries, artificial intelligence, predictive
models.
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
3 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Introducción
La caries dental es una de las enfermedades infecciosas más prevalentes a nivel mundial, afectando
aproximadamente a 3,5 mil millones de personas y constituyéndose en la afección bucal más frecuente
(Shah, 2023). Su prevalencia ha mostrado una tendencia creciente, especialmente en países en
desarrollo, como consecuencia de la adopción de dietas cariogénicas, la limitada exposición a fluoruros
y las barreras económicas que dificultan el acceso a servicios odontológicos.
Asimismo, la caries dental es considerada la enfermedad no transmisible más común a nivel global,
causada principalmente por el consumo excesivo de azúcares libres, lo que puede derivar en dolor,
dificultad para la alimentación y pérdida de piezas dentales; en consecuencia, afecta significativamente
la calidad de vida de los individuos y genera elevados costos para los sistemas de salud (World Health
Organization [WHO], 2025).
El estudio de Wang et al. (2025) destaca que la elevada prevalencia y el impacto de la caries dental
en niños y adolescentes evidencian la necesidad de implementar modelos predictivos que permitan su
detección temprana y prevención. Estos modelos resultan fundamentales para identificar a los
individuos con mayor riesgo de desarrollar la enfermedad; sin embargo, muchos de los modelos
existentes presentan un alto riesgo de sesgo, asociado principalmente al uso de métodos estadísticos
inadecuados y a la falta de transparencia en la presentación de los resultados.
Estas limitaciones reducen su aplicabilidad clínica, lo que pone de manifiesto la necesidad de
fortalecer el rigor metodológico y promover validaciones externas en futuras investigaciones. De
manera similar, Havsed et al. (2023) señalan que los modelos predictivos de caries desempeñan un papel
clave en el diseño de intervenciones preventivas individualizadas y en la determinación de la
periodicidad de la atención odontológica, ya que permiten estimar la probabilidad de aparición de
nuevas lesiones a lo largo del tiempo.
No obstante, la mayoría de estos modelos presenta un rendimiento predictivo modesto y un elevado
riesgo de sesgo, debido a deficiencias metodológicas como el número insuficiente de eventos analizados
y la selección inadecuada de variables predictoras. Estas limitaciones generan estimaciones inciertas
que reducen su utilidad clínica, lo que subraya la necesidad de mejorar los estándares metodológicos e
incorporar nuevos predictores en el desarrollo de futuros modelos.
En este contexto, los avances tecnológicos han impulsado la incorporación de herramientas de
inteligencia artificial (IA) y aprendizaje automático (machine learning, ML) en el campo de la
odontología. El estudio de Ding et al. (2023) señala que la IA constituye un componente central de la
denominada cuarta revolución industrial aplicada a la odontología, cuyo desarrollo se fundamenta en la
disponibilidad de grandes volúmenes de datos (Big Data), el incremento de la capacidad computacional
y el perfeccionamiento de algoritmos avanzados.
Estas tecnologías permiten que los sistemas informáticos aprendan a partir de datos clínicos,
imágenes y otras fuentes de información, contribuyendo al diagnóstico, la planificación del tratamiento
y la toma de decisiones clínicas. En particular, su aplicación en el análisis de imágenes dentales ha
demostrado mejorar la eficiencia y la precisión diagnóstica.
De igual forma, Wang et al. (2025) destacan que el aprendizaje automático está transformando la
práctica odontológica al mejorar la precisión y eficiencia en el diagnóstico, tratamiento y gestión de
pacientes, mediante el uso de modelos avanzados como las redes neuronales artificiales (ANN), las
redes neuronales convolucionales (CNN) y las máquinas de vectores de soporte (SVM).
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
4 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Estas técnicas permiten analizar grandes volúmenes de datos clínicos y radiográficos, incluyendo
radiografías y escaneos digitales, lo que facilita diagnósticos más precisos y el desarrollo de planes de
tratamiento personalizados, superando diversas limitaciones de los métodos tradicionales de evaluación
del riesgo de caries.
En este contexto, la presente revisión bibliográfica tiene como objetivo analizar y sintetizar de
manera crítica la evidencia científica disponible sobre la aplicación de técnicas de Big Data y algoritmos
de aprendizaje automático en la predicción del riesgo de caries dental en diversas poblaciones.
Específicamente, se busca identificar los tipos de datos utilizados, los algoritmos más empleados y
las principales ventajas y limitaciones reportadas en la literatura, con el fin de proporcionar una visión
integral del estado actual del conocimiento en este campo.
Este trabajo se fundamenta en las siguientes preguntas de investigación, formuladas para orientar la
síntesis y el análisis crítico de la evidencia disponible: ¿Qué tipos de datos se utilizan para entrenar
modelos de predicción de caries dental?; ¿Qué algoritmos de aprendizaje automático han demostrado
mayor efectividad en la predicción de caries dental?; ¿Cuáles son las ventajas y limitaciones de estas
herramientas en comparación con los métodos tradicionales de evaluación del riesgo de caries?; y ¿Qué
tendencias y perspectivas existen para la implementación clínica de estas tecnologías en el ámbito
odontológico?
Esta revisión bibliográfica busca contribuir al conocimiento científico actual mediante la integración
crítica de la evidencia disponible sobre el uso de Big Data y aprendizaje automático en la predicción
del riesgo de caries dental, destacando tanto los avances metodológicos como las limitaciones existentes
en su aplicación clínica, con el propósito de orientar futuras investigaciones y promover el desarrollo
de herramientas tecnológicas que fortalezcan la prevención, el diagnóstico temprano y la toma de
decisiones en la práctica odontológica.
Metodología
La presente investigación se desarrolló mediante una revisión narrativa orientada a sintetizar la evidencia
científica disponible sobre los modelos predictivos de caries dental basados en Big Data, inteligencia
artificial y aprendizaje automático.
Este tipo de revisión permitió integrar hallazgos provenientes de estudios con diferentes diseños
metodológicos, incluyendo estudios experimentales, observacionales, revisiones sistemáticas y análisis
bibliométricos, con el propósito de ofrecer una visión amplia sobre los tipos de datos utilizados, los
algoritmos empleados y el desempeño de estas herramientas en la predicción del riesgo de caries dental.
Se consultaron bases de datos científicas de amplio reconocimiento en ciencias de la salud y tecnología,
entre ellas Scopus, PubMed, Web of Science, ScienceDirect y Google Scholar, las cuales fueron
seleccionadas por su cobertura y relevancia en la difusión de literatura científica. Asimismo, se incluyeron
artículos que abordaban la aplicación de inteligencia artificial en odontología, debido a su relevancia en
el desarrollo de modelos predictivos.
Para la búsqueda se emplearon términos en inglés relacionados con el tema, combinados mediante
operadores booleanos, tales como: “dental caries”, “tooth decay”, “machine learning”, “artificial
intelligence”, “deep learning”, “predictive model” y “big data”. Estas palabras clave fueron utilizadas
en los campos de título, resumen y palabras clave, con el objetivo de identificar estudios relevantes para
la temática.
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
5 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
En la tabla 1 se detallaron los criterios de inclusión y exclusión considerados para la selección de los
estudios analizados.
Tabla 1
Criterios de inclusión y exclusión
Criterios de inclusión Criterios de exclusión
Estudios publicados entre 2015 y 2025.
Estudios que abordaron únicamente el diagnóstico sin componente
predictivo.
Investigaciones relacionadas con modelos predictivos de caries
dental.
Investigaciones no relacionadas con caries dental.
Estudios que utilizaron inteligencia artificial, aprendizaje automático
o Big Data.
Cartas al editor, editoriales, opiniones o documentos sin rigor
metodológico.
Artículos con metodología clara (estudios experimentales,
observacionales, validación de modelos, revisiones sistemáticas y
análisis bibliométricos).
Estudios duplicados o con información incompleta.
Estudios que reportaron métricas de desempeño (accuracy, AUC,
sensibilidad, especificidad).
Artículos sin acceso a texto completo.
Publicaciones en idioma inglés o español. —
La selección de la literatura se realizó mediante la revisión de títulos, resúmenes y textos completos,
seguida de un análisis cualitativo de la información. Los estudios fueron organizados en categorías
temáticas que incluyeron tipos de datos utilizados, algoritmos empleados, métricas de desempeño y
principales hallazgos, lo que permitió identificar patrones, convergencias y limitaciones en la evidencia
científica.
Los resultados fueron sistematizados en tablas que facilitaron la comparación entre estudios y la
síntesis de la información, lo que permitió estructurar el análisis en torno a los enfoques metodológicos,
el rendimiento de los modelos y su aplicabilidad clínica.
Dado que esta investigación se fundamentó exclusivamente en la revisión de literatura secundaria, no
se requirió aprobación ética. No obstante, se garantizó en todo momento la integridad científica mediante
el uso adecuado de fuentes, la correcta citación de los estudios incluidos y la presentación fiel de la
información analizada.
Resultados
La tabla 2 presenta de manera estructurada los principales hallazgos de los estudios incluidos en la
revisión narrativa. La información fue organizada en función de categorías temáticas previamente
definidas, lo que permitió una comparación homogénea entre los tipos de estudio, los datos utilizados,
los algoritmos de inteligencia artificial aplicados y las métricas de desempeño reportadas, así como la
identificación de los resultados principales y las limitaciones asociadas.
Esta sistematización facilitó el análisis transversal de la evidencia disponible e hizo posible
identificar patrones, convergencias y brechas en el uso de modelos predictivos de caries dental basados
en inteligencia artificial, en concordancia con el objetivo del estudio.
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
6 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Tabla 2
Matriz de resultados
Autor (año) Tipo de estudio Datos utilizados Algoritmo utilizado Métricas Resultado principal
Lee et al. (2018)
Estudio evaluativo
diagnóstico
3000 radiografías
periapicales clasi-
ficadas por exper-
tos
CNN (GoogLeNet
Inception v3)
Precisión, sensibilidad,
especificidad, VPP,
VPN, ROC, AUC
Alto rendimiento diag-
nóstico; precisión hasta
89% y AUC 0.917
Schwendicke et
al. (2019)
Revisión de
alcance
Imágenes dentales
(10–5166), princi-
palmente radio-
grafías
CNN (AlexNet,
VGG, ResNet, U-
Net, etc.)
Precisión, AUC,
sensibilidad,
especificidad, F1
Rendimiento variable;
precisión en caries entre
0.82–0.89; desempeño si-
milar o superior a huma-
nos
Casalegno et al.
(2019)
Desarrollo y
validación de
modelo
217 imágenes
DIAGNOcam con
segmentación ex-
perta
CNN tipo U-Net
(autoencoder)
IoU, mIoU, ROC,
AUC
mIoU 72.7%; AUC hasta
85.6% en detección de
caries
Schwendicke et
al. (2020)
Revisión narrativa
Datos clínicos, ra-
diográficos y bio-
médicos
ML, NN, Deep
Learning (CNN)
Accuracy, AUC, F1-
score
IA con alto potencial clí-
nico, limitada por calidad
de datos y estandariza-
ción
Hung et al.
(2019)
Estudio
transversal (ML
supervisado)
5135 registros
NHANES con 357
variables
SVM, Random
Forest, XGBoost,
kNN
Precisión, sensibilidad,
especificidad, AUC
SVM mejor desempeño;
AUC 0.997 y precisión
97.1%
Schwendicke et
al. (2020)
Estudio piloto in
vitro
226 imágenes
NILT de dientes
extraídos
CNN (ResNet18,
ResNext50)
AUC, sensibilidad,
especificidad, PPV,
NPV
Rendimiento aceptable
(AUC 0.74); útil como
apoyo diagnóstico
Garcia et al.
(2020)
Estudio de
precisión
diagnóstica
3686 radiografías
bitewing
CNN tipo U-Net
Accuracy,
sensibilidad,
especificidad, F1,
MCC, IoU
CNN superior a dentis-
tas; mayor sensibilidad
(0.75 vs 0.36)
Dettori et al.
(2025)
Revisión
bibliométrica
50 artículos (Pub-
Med, Scopus, Em-
base)
VOSviewer (análisis
de redes)
Análisis de clusters
IA mejora diagnóstico y
personalización; énfasis
en ética y explicabilidad
Park & Park
(2018)
Revisión
Datos clínicos,
conductuales e
imágenes
ANN, ML, redes
bayesianas
Precisión
IA mejora diagnóstico y
decisiones clínicas; pre-
cisión hasta 100% en al-
gunos modelos
Krois et al.
(2019)
Estudio
experimental
2001 segmentos
de radiografías pa-
norámicas
CNN profunda
Accuracy, AUC, F1,
sensibilidad,
especificidad
Rendimiento similar a
dentistas; precisión ~0.81
Khanagar et al.
(2020)
Revisión
sistemática
43 estudios de
múltiples bases de
datos
CNN, ANN, redes
bayesianas
Accuracy, AUC, ROC,
sensibilidad,
especificidad
IA con rendimiento exce-
lente; en algunos casos
superior a especialistas
En relación con los algoritmos empleados, como se muestra en la tabla 3, los más utilizados en los
estudios analizados correspondieron principalmente a las redes neuronales convolucionales (CNN)
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
7 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
dentro del enfoque de aprendizaje profundo, aplicadas predominantemente al análisis de imágenes
radiográficas dentales.
Estos modelos evidenciaron un alto desempeño diagnóstico, con valores de precisión entre 0.80 y
0.89 y AUC entre 0.74 y 0.92, alcanzando en varios casos un rendimiento comparable o superior al de
los profesionales odontológicos.
Asimismo, las variantes de CNN orientadas a la segmentación de imágenes, como las arquitecturas
tipo U-Net, mostraron resultados igualmente elevados, destacándose en la detección y localización de
lesiones, con valores de mIoU cercanos al 72.7% y AUC entre 0.83 y 0.85.
Por otra parte, los modelos de aprendizaje automático supervisado, como la máquina de soporte
vectorial (SVM), presentaron el mayor desempeño reportado, con una precisión del 97.1% y un AUC
de 0.997, seguidos por algoritmos como Random Forest, XGBoost, kNN y regresión logística, que
también mostraron altos niveles de rendimiento predictivo.
En cuanto a las redes neuronales artificiales (ANN) y los modelos híbridos que combinan diferentes
enfoques de inteligencia artificial, se observó un desempeño igualmente elevado, aunque con
variabilidad en función del tipo de datos y del diseño metodológico de los estudios.
Finalmente, los estudios de tipo revisión evidenciaron un alto potencial de la inteligencia artificial
en odontología, aunque carecieron de validación experimental directa, lo que limita la interpretación de
sus resultados. En conjunto, los hallazgos reflejan una tendencia creciente hacia el uso de modelos de
aprendizaje profundo, especialmente en tareas basadas en imágenes, con resultados prometedores en el
diagnóstico automatizado y la predicción del riesgo de caries dental.
Tabla 3
Síntesis de algoritmos y desempeño en los estudios incluidos
Algoritmo
Tipo de
aprendizaje
Estudios que lo utilizan Tipo de datos
Métrica
promedio
Desempeño general
CNN (Redes
Neuronales
Convolucionales: U-
Net, ResNet,
GoogLeNet, VGG)
Aprendizaje
profundo
(Deep
Learning)
Lee et al., 2018;
Schwendicke et al., 2019;
Casalegno et al., 2019;
Schwendicke et al., 2020
(in vitro); Garcia et al.,
2020; Krois et al., 2019;
Khanagar et al., 2020
Imágenes
radiográficas
(periapicales,
bitewing,
panorámicas),
NILT,
DIAGNOcam
Accuracy: 0.80–
0.89 / AUC:
0.74–0.92
Alto (rendimiento si-
milar o superior a
dentistas en varios es-
tudios)
CNN + variantes
(autoencoder,
segmentación tipo U-
Net)
Aprendizaje
profundo
Casalegno et al., 2019;
Garcia et al., 2020
Imágenes con
segmentación
(pixel a pixel)
mIoU: ~72.7% /
AUC: 0.83–0.85
Alto (buena detección
y localización de le-
siones)
SVM (Support Vector
Machine)
Aprendizaje
automático
supervisado
Hung et al., 2019
Datos clínicos y
epidemiológicos
(NHANES)
Accuracy: 97.1%
/ AUC: 0.997
Muy alto (mejor mo-
delo del estudio)
Random Forest,
XGBoost, kNN,
Regresión Logística
Aprendizaje
automático
supervisado
Hung et al., 2019
Datos clínicos
estructurados
Accuracy: >90%
Alto (ligeramente in-
ferior a SVM)
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
8 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Redes neuronales
artificiales (ANN)
Aprendizaje
automático /
profundo
Park & Park, 2018;
Khanagar et al., 2020
Datos clínicos,
imágenes,
registros
digitales
Accuracy: 80%–
100%
Alto (especialmente
en modelos entrena-
dos)
Modelos múltiples
(CNN, ANN, BN,
PNN)
Mixto (ML +
DL)
Khanagar et al., 2020
Datos clínicos e
imágenes
Variable según
estudio
Alto (rendimiento
comparable a exper-
tos)
IA sin
implementación
directa (revisiones)
No aplica
Schwendicke et al., 2020
(revisión narrativa); Dettori
et al., 2025
Datos
conceptuales,
clínicos y
bibliométricos
No reporta
métricas directas
Evidencia potencial
alta, sin validación
experimental directa
En relación con los tipos de datos, la tabla 4 muestra que predominaron las imágenes radiográficas
dentales como principal fuente de información, siendo utilizadas en más de la mitad de los estudios
analizados. Esto se explica por su alta utilidad en el diagnóstico automatizado, especialmente en la
detección de caries y pérdida ósea periodontal.
En menor proporción, se emplearon datos clínicos estructurados y datos mixtos, los cuales
contribuyen a fortalecer la capacidad predictiva de los modelos al integrar múltiples variables clínicas
y contextuales.
Por otra parte, los datos de imagen avanzados, como los obtenidos mediante tecnologías de
transiluminación o sistemas especializados, mostraron una mayor precisión en la localización de
lesiones; sin embargo, su uso se vio limitado por la disponibilidad de los equipos y el tamaño reducido
de las muestras.
Finalmente, los estudios basados en datos bibliométricos aportaron una visión general sobre las
tendencias de investigación en inteligencia artificial en odontología, aunque no proporcionaron
evidencia clínica directa sobre el desempeño diagnóstico.
Tabla 4
Tipos de datos utilizados en los estudios incluidos
Tipo de datos Estudios que lo utilizan
Frecuencia de uso
(%)
Ventajas Limitaciones
Imágenes radiográficas
dentales (periapicales,
bitewing, panorámicas,
CBCT)
Lee et al., 2018;
Schwendicke et al.,
2019; Schwendicke et
al., 2020 (in vitro);
Garcia et al., 2020; Krois
et al., 2019; Khanagar et
al., 2020
~55%
Alta precisión diagnós-
tica; permiten automati-
zar detección de caries y
pérdida ósea; amplia-
mente disponibles
Requieren grandes volúme-
nes de datos; variabilidad en
calidad de imagen; dependen-
cia de anotación experta
Imágenes avanzadas y
segmentadas
(DIAGNOcam, NILT)
Casalegno et al., 2019;
Schwendicke et al., 2020
(in vitro)
~18%
Permiten análisis más
detallado (pixel a pixel);
mejor localización de le-
siones
Tamaño de muestra reducido;
menor disponibilidad clínica;
mayor complejidad técnica
Datos clínicos y
epidemiológicos
estructurados
Hung et al., 2019; Park
& Park, 2018
~18%
Alta precisión predic-
tiva; fáciles de procesar
con ML; útiles para pre-
dicción de riesgo
No capturan información vi-
sual; dependen de calidad del
registro clínico
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
9 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Datos mixtos (imágenes
+ clínicos + registros
digitales)
Schwendicke et al., 2020
(revisión); Khanagar et
al., 2020
~18%
Enfoque integral; mayor
capacidad predictiva y
personalización
Integración compleja; proble-
mas de estandarización y ac-
ceso a datos
Datos bibliométricos y
metadatos
Dettori et al., 2025 ~9%
Permiten analizar ten-
dencias y evolución cien-
tífica; identifican áreas
de investigación
No aportan evidencia clínica
directa; no evalúan desem-
peño diagnóstico
En cuanto a las métricas de evaluación, como se observa en la tabla 5, las más empleadas fueron la
precisión (accuracy), sensibilidad, especificidad y el área bajo la curva (AUC), lo que evidencia un
enfoque predominante en la evaluación del rendimiento diagnóstico de los modelos. El AUC se
consolidó como uno de los indicadores más robustos, con valores que oscilaron entre 0.74 y 0.997, lo
que refleja una elevada capacidad discriminativa en diversos estudios.
Asimismo, métricas como el Intersection over Union (IoU) y el coeficiente Dice fueron utilizadas
principalmente en tareas de segmentación de imágenes, mientras que el F1-score y el coeficiente de
correlación de Matthews (MCC) resultaron especialmente útiles en contextos con datos desbalanceados.
En conjunto, se evidenció una alta heterogeneidad en las métricas reportadas, lo que dificulta la
comparación directa entre los estudios analizados.
Tabla 5
Métricas de desempeño y resultados
Métrica Estudios que la reportan
Rango de
valores
Interpretación
Accuracy
(Precisión)
Lee et al., 2018; Schwendicke et al., 2019; Hung et
al., 2019; Garcia et al., 2020; Krois et al., 2019; Park
& Park, 2018; Khanagar et al., 2020
0.77 – 0.97
Indica el rendimiento global del
modelo; valores altos reflejan buena
capacidad diagnóstica
AUC (Área bajo
la curva ROC)
Lee et al., 2018; Schwendicke et al., 2019; Casalegno
et al., 2019; Hung et al., 2019; Schwendicke et al.,
2020 (in vitro); Khanagar et al., 2020
0.74 – 0.997
Mide la capacidad discriminativa;
valores cercanos a 1 indican excelente
desempeño
Sensibilidad
(Sensitivity)
Lee et al., 2018; Schwendicke et al., 2019; Hung et
al., 2019; Schwendicke et al., 2020 (in vitro); Garcia
et al., 2020; Krois et al., 2019; Khanagar et al., 2020
0.59 – 0.996
Evalúa la capacidad de detectar
correctamente casos positivos (caries)
Especificidad
(Specificity)
Lee et al., 2018; Schwendicke et al., 2019; Hung et
al., 2019; Schwendicke et al., 2020 (in vitro); Garcia
et al., 2020; Krois et al., 2019; Khanagar et al., 2020
0.63 – 0.94
Mide la capacidad de identificar
correctamente casos negativos
VPP / PPV
Lee et al., 2018; Hung et al., 2019; Schwendicke et
al., 2020 (in vitro); Garcia et al., 2020; Krois et al.,
2019; Khanagar et al., 2020
0.63 – 0.95
Probabilidad de que un resultado
positivo sea correcto
VPN / NPV
Lee et al., 2018; Schwendicke et al., 2020 (in vitro);
Garcia et al., 2020; Krois et al., 2019; Khanagar et
al., 2020
0.73 – 0.80
Probabilidad de que un resultado
negativo sea correcto
IoU / mIoU Casalegno et al., 2019; Garcia et al., 2020 0.49 – 0.72
Evalúa la precisión en segmentación de
imágenes (nivel píxel)
F1-score
Schwendicke et al., 2019; Garcia et al., 2020; Krois
et al., 2019
No homogéneo
Balance entre precisión y sensibilidad;
útil en datos desbalanceados
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
10 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
MCC (Coeficiente
de correlación de
Matthews)
Garcia et al., 2020
No reportado
en rango
común
Métrica robusta para clasificación
binaria, incluso con clases
desbalanceadas
Dice coefficient Schwendicke et al., 2019 No homogéneo
Evalúa similitud en segmentación de
imágenes
ICC (Coeficiente
de correlación
intraclase)
Khanagar et al., 2020 No homogéneo
Mide concordancia entre evaluadores o
modelos
Finalmente, como se sintetiza en la tabla 6, las principales limitaciones identificadas incluyeron el
tamaño reducido de las muestras, la heterogeneidad en los datos y la falta de estandarización en las
métricas, las cuales se presentaron con alta frecuencia y afectaron la comparabilidad entre estudios.
Asimismo, la limitada validación externa y el uso predominante de datos retrospectivos restringieron la
generalización de los hallazgos.
Otras limitaciones relevantes fueron el desbalance de datos, la variabilidad en la anotación de
expertos y la falta de replicabilidad de los modelos, factores que afectan directamente su aplicabilidad
clínica. En conjunto, estas limitaciones evidencian la necesidad de desarrollar estudios más robustos,
con metodologías estandarizadas y validación en entornos clínicos reales, en línea con los objetivos
planteados en esta revisión.
Tabla 6
Limitaciones comunes
Tipo de limitación Frecuencia Impacto en resultados
Tamaño de muestra reducido Alta
Limita la generalización de los modelos y
puede generar sobreajuste, reduciendo la
validez externa.
Heterogeneidad en los datos (tipo de
imágenes, fuentes, variables clínicas)
Alta
Dificulta la comparación entre estudios y
afecta la consistencia de los resultados.
Falta de estandarización en métricas Alta
Impide la comparación directa del
rendimiento entre modelos y estudios.
Uso de datos retrospectivos o secundarios Moderada
Puede introducir sesgos y limitar la calidad
de la evidencia.
Limitada validación externa Alta
Reduce la aplicabilidad clínica en diferentes
poblaciones o contextos.
Desbalance en los datos Moderada
Afecta la precisión de métricas como
accuracy, favoreciendo clases mayoritarias.
Dependencia de imágenes 2D (radiografías) Alta
Puede limitar la detección precisa frente a
métodos más avanzados como CBCT o
NILT.
Variabilidad en la anotación por expertos Moderada
Introduce sesgos en el entrenamiento y
evaluación de los modelos.
Falta de transparencia y replicabilidad de los
modelos (IA)
Moderada
Dificulta la interpretación clínica y la
adopción en la práctica odontológica.
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
11 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Limitaciones tecnológicas y de acceso a datos Moderada
Restringe el desarrollo y entrenamiento de
modelos más robustos.
Diseños de estudio in vitro o piloto Baja–Moderada
Reduce la aplicabilidad en escenarios
clínicos reales.
Ausencia de comparación con estándar clínico
sólido
Moderada
Limita la validez de los resultados frente a
la práctica real.
Discusión
Los hallazgos de la presente revisión evidenciaron que la aplicación de técnicas de inteligencia artificial
y aprendizaje automático en la predicción de caries dental ha alcanzado niveles elevados de desempeño,
particularmente en modelos basados en imágenes y algoritmos de aprendizaje profundo.
En este contexto, las métricas de evaluación reportadas (tabla 5) permitieron analizar de manera
crítica tanto la capacidad diagnóstica y predictiva de estos modelos como sus principales limitaciones
metodológicas, aportando evidencia relevante en relación con el objetivo del estudio.
En primer lugar, el área bajo la curva (AUC) se posicionó como uno de los indicadores más robustos
para evaluar el rendimiento de los modelos, con valores que oscilaron entre 0.74 y 0.997 (tabla 5). Estos
resultados sugieren una elevada capacidad discriminativa en la mayoría de los estudios, especialmente
en aquellos que emplearon algoritmos como SVM y redes neuronales convolucionales, como reportaron
Hung et al. (2019) y Lee et al. (2018).
Este hallazgo es consistente con lo señalado por Schwendicke et al. (2019), quienes destacan el AUC
como un indicador clave en la evaluación de modelos diagnósticos en odontología, lo que refuerza la
validez de los resultados obtenidos.
Asimismo, la precisión (accuracy), que varió entre 0.77 y 0.97 (tabla 5), indicó un alto rendimiento
global en la clasificación de casos con y sin caries. Estudios como los de Garcia et al. (2020) y Krois et
al. (2019) reportaron niveles de precisión comparables a los de profesionales odontológicos, lo que
sugiere el potencial de estas herramientas como sistemas de apoyo clínico.
Sin embargo, esta métrica debe interpretarse con cautela, ya que puede verse afectada por el
desbalance en los datos, tal como advierten Hung et al. (2019). En este sentido, métricas
complementarias como el F1-score y el coeficiente de correlación de Matthews (MCC), reportadas por
Garcia et al. (2020), adquieren mayor relevancia al proporcionar una evaluación más equilibrada del
rendimiento en contextos con clases desiguales.
Por otra parte, la sensibilidad y la especificidad, con rangos de 0.59 a 0.996 y 0.63 a 0.94
respectivamente (tabla 5), reflejaron la capacidad de los modelos para identificar correctamente tanto
casos positivos como negativos. La alta sensibilidad observada en estudios como Lee et al. (2018) y
Khanagar et al. (2020) resulta especialmente relevante desde el punto de vista clínico, ya que favorece
la detección temprana de lesiones cariosas, un aspecto clave en la prevención.
No obstante, la variabilidad en estos valores, también señalada por Schwendicke et al. (2019), indica
que el desempeño de los modelos depende en gran medida del tipo de datos utilizados, la calidad de
estos y el algoritmo implementado, lo que limita su generalización. En relación con las tareas de
segmentación de imágenes, métricas como el Intersection over Union (IoU) y el coeficiente Dice
demostraron ser fundamentales para evaluar la precisión a nivel de píxel (tabla 5).
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
12 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Casalegno et al. (2019) y Garcia et al. (2020) reportaron valores de IoU entre 0.49 y 0.72, lo que
sugiere un desempeño adecuado, aunque todavía limitado en la delimitación precisa de las lesiones.
Este resultado coincide con lo descrito por Schwendicke et al. (2020), quienes señalan que la
segmentación exacta continúa siendo un desafío técnico relevante para la implementación clínica de la
inteligencia artificial.
A pesar de estos resultados prometedores, la alta heterogeneidad en las métricas reportadas (tabla 5)
constituye una limitación crítica en la literatura actual. Diferentes estudios, como los de Khanagar et al.
(2020) y Dettori et al. (2025), destacan la ausencia de estandarización en los métodos de evaluación, lo
que dificulta la comparación directa entre modelos y limita la reproducibilidad y generalización de los
hallazgos.
Esta variabilidad metodológica evidencia la necesidad de establecer criterios unificados para la
evaluación del desempeño de modelos predictivos en odontología. Además, aunque los modelos
presentan un alto rendimiento en términos métricos, su aplicabilidad clínica permanece condicionada
por múltiples factores estructurales y metodológicos.
Entre ellos, destacan la falta de validación externa y el uso predominante de datos retrospectivos, tal
como señalan Schwendicke et al. (2020) y Park & Park (2018), lo que reduce la validez externa y la
transferibilidad de los modelos a contextos clínicos reales. Asimismo, la limitada interpretabilidad de
los modelos, destacada por Dettori et al. (2025), representa una barrera significativa para su adopción
en la práctica clínica, donde la transparencia en la toma de decisiones es un requisito fundamental.
En conjunto, los resultados analizados indican que las herramientas basadas en inteligencia artificial
poseen un alto potencial para mejorar la predicción y el diagnóstico de caries dental, en concordancia
con lo planteado por Wang et al. (2025) y Ding et al. (2023). No obstante, para lograr su implementación
efectiva en la práctica clínica, es imprescindible fortalecer el rigor metodológico, estandarizar las
métricas de evaluación y promover el desarrollo de estudios con diseños prospectivos y validación
externa.
Finalmente, estos avances deben ir acompañados de estrategias orientadas a mejorar la calidad y
disponibilidad de los datos, así como a incrementar la explicabilidad de los modelos, con el fin de
facilitar su integración en la toma de decisiones clínicas. De este modo, será posible avanzar hacia una
odontología más predictiva, personalizada y basada en evidencia, alineada con las tendencias actuales
de la salud digital.
Conclusiones
La evidencia sintetizada en esta revisión permite concluir que la aplicación de técnicas de Big Data,
inteligencia artificial y aprendizaje automático en la predicción del riesgo de caries dental constituye
una herramienta eficaz, con alto potencial clínico para mejorar la detección temprana y optimizar la
toma de decisiones en odontología.
De manera consistente, los modelos basados en redes neuronales convolucionales (CNN), máquinas
de vectores de soporte (SVM) y redes neuronales artificiales (ANN) demostraron un elevado
rendimiento diagnóstico, con valores altos de precisión, sensibilidad y AUC (tabla 5), lo que respalda
su utilidad como herramientas complementarias e incluso superiores en determinados contextos frente
a los métodos tradicionales de evaluación del riesgo de caries.
Asimismo, el uso predominante de imágenes radiográficas y la integración de datos clínicos han
contribuido de manera significativa a fortalecer la capacidad predictiva de estos modelos, consolidando
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
13 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
el papel de la inteligencia artificial como una herramienta innovadora y en expansión dentro de la
odontología contemporánea.
En relación con los factores que condicionan el desempeño de estos modelos, se identificó que su
efectividad está determinada por múltiples variables metodológicas, técnicas y contextuales, las cuales
impactan directamente en la validez y generalización de los resultados.
Aspectos como el tamaño de la muestra, la calidad y heterogeneidad de los datos, el desbalance en
las clases, la variabilidad en la anotación de expertos y la falta de estandarización en las métricas de
evaluación (tabla 5) emergieron como limitaciones críticas.
Asimismo, la dependencia de datos retrospectivos y la limitada validación externa reducen la
aplicabilidad clínica de los modelos en diferentes poblaciones. Estos hallazgos sugieren que el
rendimiento de los modelos no depende exclusivamente del algoritmo empleado, sino de la calidad del
diseño metodológico, la representatividad de los datos y la adecuación del modelo al contexto clínico,
lo que resalta la necesidad de desarrollar enfoques más robustos, estandarizados y adaptados a
escenarios reales.
Respecto a la implementación clínica, se identificaron oportunidades relevantes para integrar estas
tecnologías en la práctica odontológica, especialmente en el apoyo al diagnóstico, la predicción del
riesgo y la planificación de tratamientos personalizados.
Sin embargo, persisten barreras significativas, entre ellas la falta de replicabilidad de los modelos,
las limitaciones tecnológicas, el acceso restringido a grandes volúmenes de datos de calidad y la
ausencia de protocolos estandarizados para su uso clínico.
En este sentido, resulta fundamental promover el desarrollo de modelos más interpretables, realizar
validaciones externas en entornos clínicos reales e incentivar la integración de datos multimodales, con
el fin de mejorar la precisión, confiabilidad y aplicabilidad de estos sistemas.
En conjunto, estos avances podrían facilitar la adopción progresiva de la inteligencia artificial en
odontología, contribuyendo a la transición hacia una práctica más preventiva, personalizada y basada
en evidencia, en consonancia con los principios de la salud digital y la medicina de precisión.
Referencias
Casalegno, F., Newton, T., Daher, R., Abdelaziz, M., Lodi-Rizzini, A., Schürmann, F., Krejci, I., &
Markram, H. (2019). Caries detection with near-infrared transillumination using deep learning.
Journal of Dental Research, 98(11), 1227–1233. https://doi.org/10.1177/0022034519871884
Dettori, M., Lamloum, D., Lingström, P., & Campus, G. (2025). Artificial intelligence and innovation
in oral health care sciences: A conceptual review. Healthcare, 13(24), 3327.
https://doi.org/10.3390/healthcare13243327
Ding, H., Wu, J., Zhao, W., Matinlinna, J., Burrow, M., & Tsoi, J. (2023). Artificial intelligence in
dentistry—A review. Frontiers in Dental Medicine, 4, 1085251.
https://doi.org/10.3389/fdmed.2023.1085251
Garcia, A., Gehrung, S., Krois, J., Chaurasia, A., Rossi, J., Gaudin, R., Elhennawy, K., & Schwendicke,
F. (2020). Detecting caries lesions of different radiographic extension on bitewings using deep
learning. Journal of Dentistry, 100, 103425. https://doi.org/10.1016/j.jdent.2020.103425
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
14 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Havsed, K., Hänsel, G., Isberg, P., Pigg, M., Svensäter, G., Foresight Research Consortium, & Rohlin,
M. (2023). Multivariable prediction models of caries increment: A systematic review and
critical appraisal. Systematic Reviews, 12, 202. https://doi.org/10.1186/s13643-023-02298-y
Hung, M., Voss, M., Rosales, M., Li, W., Su, W., Xu, J., Bounsanga, J., Ruiz-Negrón, B., Lauren, E.,
& Licari, F. (2019). Application of machine learning for diagnostic prediction of root caries.
Gerodontology, 36(4), 395–404. https://doi.org/10.1111/ger.12432
Khanagar, S., Al-Ehaideb, A., Maganur, P., Vishwanathaiah, S., Patil, S., Baeshen, H., Sarode, S., &
Bhandi, S. (2021). Developments, application, and performance of artificial intelligence in
dentistry – A systematic review. Journal of Dental Sciences, 16(1), 508–522.
https://doi.org/10.1016/j.jds.2020.06.019
Krois, J., Ekert, T., Meinhold, L., Golla, T., Kharbot, B., Wittemeier, A., Dörfer, C, & Schwendicke
(2019). Deep learning for the radiographic detection of periodontal bone loss. Scientific
Reports, 9, 8495. https://doi.org/10.1038/s41598-019-44839-3
Lee, J., Kim, D., Jeong, S., & Choi, S. (2018). Detection and diagnosis of dental caries using a deep
learning-based convolutional neural network algorithm. Journal of Dentistry, 77, 106–111.
https://doi.org/10.1016/j.jdent.2018.07.015
Park, W., & Park, J. (2018). History and application of artificial neural networks in dentistry. European
Journal of Dentistry, 12(4), 594–601. https://doi.org/10.4103/ejd.ejd_325_18
Schwendicke, F., Elhennawy, K., Paris, S., Friebertshäuser, P., & Krois, J. (2020). Deep learning for
caries lesion detection in near-infrared light transillumination images: A pilot study. Journal of
Dentistry, 92, 103260. https://doi.org/10.1016/j.jdent.2019.103260
Schwendicke, F., Golla, T., Dreher, M., & Krois, J. (2019). Convolutional neural networks for dental
image diagnostics: A scoping review. Journal of Dentistry, 91, 103226.
https://doi.org/10.1016/j.jdent.2019.103226
Schwendicke, F., Samek, W., & Krois, J. (2020). Artificial intelligence in dentistry: Chances and
challenges. Journal of Dental Research, 99(7), 769–774.
https://doi.org/10.1177/0022034520915714
Shah, S. (2023). Caries and public health. Journal of Khyber College of Dentistry, 12(3).
https://doi.org/10.33279/jkcd.v12i03.74
Wang, L., Xu, Y., Wang, W., & Lu, Y. (2025). Application of machine learning in dentistry: Insights,
prospects and challenges. Applied Oral Sciences, 84, 145–154.
Wang, X., Zhang, P., Lu, H., Luo, D., Yang, D., Li, K., Qiu, S., Zeng, H., & Zeng, X. (2025). Risk
prediction models for dental caries in children and adolescents: A systematic review and meta-
analysis. BMJ Open, 15(3), e088253. https://doi.org/10.1136/bmjopen-2024-088253
World Health Organization. (2025). Sugars and dental caries. https://www.who.int/news-room/fact-
sheets/detail/sugars-and-dental-caries
REVISTA COLINCING | ISSN: 3103-1498
Vol. 2 Nº 1, enero-junio 2026, pp. e15
DOI:
15 | Noelia Amaray Velastegui Almeida, Gonzalo Paúl Rodríguez Galarza
Declaraciones éticas
Conflicto de interés
La autora declara que no existe ningún tipo de conflicto de interés relacionado con la presente
investigación.
Fuente de financiamiento
La investigación fue financiada en su totalidad por la propia autora.
Contribución de autoría
Noelia Amaray Velastegui Almeida: Conceptualización, metodología, análisis formal, investigación,
gestión de datos, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, administración del proyecto, recursos, supervisión.
Gonzalo Paúl Rodríguez Galarza: Conceptualización, metodología, software, validación, análisis
formal, investigación, gestión de datos, visualización, redacción - preparación del borrador original,
redacción - revisión y edición, financiamiento, recursos.
Los autores intervinieron de manera activa en el análisis de los resultados, así como en la revisión crítica
y la aprobación de la versión final del manuscrito para su publicación.
