IA en odontología: la brecha entre el estudio y el consultorio

Qué dice la evidencia

Estas son algunas cifras de revisiones sistemáticas recientes, cada una con su limitación principal:

• Caries. Revisión paraguas con metaanálisis de 14 revisiones sistemáticas, con 20 estudios originales en el metaanálisis y varias modalidades de imagen: sensibilidad de 0,85, especificidad de 0,90 y área bajo la curva de 0,86. La heterogeneidad superó el 95 % y hubo sesgo de publicación ^{[Referencia 1]}. Sus autores concluyen que el diagnóstico de caries con IA es preciso y que su uso clínico está justificado, y piden validarlo en condiciones reales ^{[Referencia 1]}.
• Lesiones periapicales en radiografías panorámicas. Revisión sistemática con metaanálisis de 30 estudios, 6 de ellos en el metaanálisis: sensibilidad de 0,80, con un intervalo de confianza del 95 % que va de 0,49 a 0,94, y especificidad de 0,98. La certeza de la evidencia se calificó como moderada y la heterogeneidad fue alta ^{[Referencia 2]}.
• Pérdida ósea periodontal en radiografías. Revisión sistemática con metaanálisis de 30 artículos, 10 de ellos en el metaanálisis: sensibilidad del 87 % y especificidad del 76 %. Ninguno de los artículos alcanzó la categoría de calidad muy alta ^{[Referencia 3]}.
• Puntos cefalométricos. Revisión sistemática con metaanálisis de 19 estudios: la proporción de puntos detectados dentro de un umbral de 2 mm fue de 0,799, y el riesgo de sesgo fue alto ^{[Referencia 4]}. Otra revisión sistemática, de 13 estudios, concluyó que estos algoritmos «still do not achieve the accuracy of orthodontists» ^{[Referencia 5]}.
• Planificación y decisiones diagnósticas. Revisión sistemática con metaanálisis de 27 estudios: sensibilidad de 0,85 y especificidad de 0,94, con una heterogeneidad superior al 95 %. Sus autores piden una evaluación prospectiva rigurosa antes de un uso clínico amplio ^{[Referencia 6]}.

Fuera de las imágenes

Para el dictado clínico con IA en odontología, se identificaron dos estudios de factibilidad revisados por pares, ambos con dictados preparados para la prueba. En Taiwán, tres odontólogos dictaron cinco periodontogramas diseñados para el estudio, con la mezcla de chino e inglés habitual en la consulta, a un sistema basado en GPT-4o-transcribe y GPT-4.1-mini: acertó el 67,40 % de los campos y, en la profundidad de sondaje, el 53,33 % ^{[Referencia 7]}. En Corea del Sur, en un sillón dental durante la jornada, las frases de sondaje dictadas en coreano e inglés se reconocieron completas en el 36,7 % de los casos con el servicio de Google y en el 52,5 % con el de Naver ^{[Referencia 8]}. Fuera de la odontología, un estudio de Estados Unidos evaluó cinco plataformas de escritura automática de notas (ambient digital scribes) con 14 consultas ambulatorias simuladas de varias especialidades: en promedio se omitió o se registró mal el 26,3 % de los elementos clínicos clave, y hubo en promedio 3,0 errores por caso con potencial de daño moderado a grave ^{[Referencia 9]}. Es una analogía, no una medición en odontología.

Por qué la cifra del estudio no es la de tu consulta

Una cifra agrupada resume muchos estudios en un número. Estas son cuatro razones por las que no se traslada tal cual a tu consulta.

Pocas pruebas fuera del lugar de origen

Un buen desempeño interno no indica, por sí solo, que el modelo funcione igual con otros pacientes, equipos o centros. Una revisión sistemática de 2026 dedicada a ese paso recuerda que la validación externa ha sido poco común y que muchos modelos se apoyaban en datos de un solo centro; aun entre los estudios que sí se probaron fuera, el avance hacia la práctica clínica es desigual ^{[Referencia 10]}. La revisión sobre planificación también señala diseños retrospectivos y una validación externa limitada ^{[Referencia 6]}.

Quién hizo el estudio

Un comentario de 2025 que toma la odontología como caso de prueba advierte que los estudios liderados por los proveedores dominan la literatura, que a menudo reportan alta precisión sin transparencia sobre la composición de sus datos y que el mercadeo suele avanzar más rápido que la evidencia ^{[Referencia 11]}. Por eso conviene leer la declaración de conflictos de interés. En la revisión de Schwendicke y colaboradores sobre cefalometría, citada arriba, dos autores declararon ser cofundadores de una empresa emergente de análisis de imágenes dentales con aprendizaje profundo, y que el estudio se hizo de forma independiente ^{[Referencia 4]}.

Números que mezclan mucho

Cuando la heterogeneidad supera el 95 %, como en las revisiones sobre caries y sobre planificación ^{[Referencia 1] [Referencia 6]}, la cifra agrupada junta estudios muy distintos entre sí. La revisión sobre caries la explica por la diversidad de modalidades de imagen, de arquitecturas de los algoritmos y de datos de entrenamiento ^{[Referencia 1]}. Y un intervalo de 0,49 a 0,94, como el de la sensibilidad para lesiones periapicales, es compatible tanto con un desempeño modesto como con uno alto ^{[Referencia 2]}.

Pacientes distintos, resultados distintos

Una revisión sistemática de 2026 sobre explicabilidad y sesgo recoge que, en uno de los estudios incluidos —un modelo de Brasil que predecía el uso de servicios odontológicos, no uno de diagnóstico por imagen—, el desempeño varió según la edad y el género. También recuerda que estos modelos suelen verse como «black boxes» por lo opaco de sus decisiones ^{[Referencia 12]}.

La mezcla de casos también cuenta. En la revisión paraguas sobre caries, la prevalencia de caries en los estudios del metaanálisis fue del 27,3 %, notablemente menor que en la comunidad, y sus autores lo leen como un grado de sesgo de selección en las imágenes usadas para entrenar y validar los algoritmos ^{[Referencia 1]}. Tu consulta tiene su propia mezcla de pacientes, y la cifra del estudio no se calculó sobre ella.

Qué significa (y qué no) una autorización de la FDA

La FDA, la agencia sanitaria de Estados Unidos, publica una lista de dispositivos médicos con IA autorizados para comercializarse en ese país, y advierte que la lista no es exhaustiva ^{[Referencia 13]}. Entre los dispositivos odontológicos autorizados están Overjet Dental Assist, con decisión del 19 de mayo de 2021 ^{[Referencia 14]}, y Videa Dental Assist, con decisión del 15 de diciembre de 2023 ^{[Referencia 15]}.

Qué significa: que el dispositivo cumplió los requisitos previos a la comercialización que le aplican en Estados Unidos ^{[Referencia 13]}. Qué no significa: que supere al odontólogo ni que vaya a rendir igual en tu consultorio. La lista habla de autorización para comercializar, no de superioridad clínica ^{[Referencia 13]}. Y es una autorización para el mercado estadounidense, no para el colombiano.

Qué preguntar antes de adoptar una herramienta

Antes de contratar, pide el estudio en que se apoya la herramienta y revisa estas preguntas:

1. ¿Se validó con pacientes, equipos y centros distintos a los de su desarrollo ^{[Referencia 10]}? Un informe técnico de 2025 de la Asociación Dental Americana (ADA) destaca la necesidad de un conjunto de datos independiente para validar los algoritmos que analizan imágenes dentales ^{[Referencia 16]}.
2. ¿Quién hizo y quién financió el estudio? ¿Hay evaluaciones independientes ^{[Referencia 11]}?
3. ¿La cifra viene con su intervalo de confianza, su heterogeneidad y la calidad de los estudios ^{[Referencia 2] [Referencia 3]}?
4. ¿En qué población se probó? ¿Se parece a la de tu consulta en edad y género ^{[Referencia 12]}?
5. ¿Qué autorización tiene, en qué país, y cómo se clasifica frente al Decreto 4725 de 2005 ^{[Referencia 13] [Referencia 17]}?
6. ¿A dónde van las imágenes y los datos de tus pacientes, y quién puede usarlos ^{[Referencia 18]}?
7. ¿Quién revisa el resultado antes de que llegue a la historia clínica ^{[Referencia 19]}?

Quién responde y con los datos de quién

La Federación Dental Internacional (FDI) es explícita en su declaración de política de 2024: la responsabilidad por los diagnósticos o tratamientos que se deriven de la asistencia de la IA sigue en manos de quienes la usan, «responsibility … remains with human users» ^{[Referencia 19]}. La Organización Mundial de la Salud (OMS), en su guía de 2024 sobre modelos multimodales grandes, advierte además que el uso creciente de la IA en la práctica clínica puede erosionar a largo plazo las competencias de los profesionales ^{[Referencia 18]}.

Los datos de tus pacientes

La misma guía de la OMS advierte que los datos compartidos con estos modelos no necesariamente desaparecen, porque las empresas pueden usarlos para mejorar sus modelos, y que la información médica identificable que se introduce en ellos podría llegar a terceros ^{[Referencia 18]}.

En Colombia, los datos relativos a la salud son datos sensibles ^{[Referencia 20]}, y su tratamiento está prohibido salvo excepciones, empezando por la autorización explícita del titular ^{[Referencia 20]}. Por eso, no introduzcas nombres, números de documento, fotografías, radiografías ni ningún otro dato que identifique a un paciente en una herramienta de IA de propósito general, como los asistentes de chat abiertos al público.

Una herramienta de IA puede sugerir; la responsabilidad por el diagnóstico y el tratamiento sigue siendo del profesional ^{[Referencia 19]}.

El marco colombiano

En Colombia no se identificó una norma del INVIMA específica para la inteligencia artificial. El marco general es el Decreto 4725 de 2005, que incluye el software en su definición de dispositivo médico y clasifica los dispositivos en las clases I, IIa, IIb y III ^{[Referencia 17]}. En el plano de la política pública, el documento CONPES 4144, del 14 de febrero de 2025, contiene la Política Nacional de Inteligencia Artificial, organizada en seis ejes estratégicos ^{[Referencia 21]}. Si quieres revisar qué le pide la norma colombiana a la historia clínica misma, puedes leer Lo que la norma le pide a tu historia clínica odontológica.

Referencias

1. Examining the diagnostic accuracy of artificial intelligence for detecting dental caries across a range of imaging modalities: an umbrella review with meta-analysis (se abre en otra pestaña). Arzani S, et al. PLOS ONE. 2025. Consultado el 23 de septiembre de 2026. Volver al texto (cita 1)
2. Deep learning models for detection of periapical radiolucent lesions on panoramic radiographs: a systematic review and meta-analysis (se abre en otra pestaña). Ahmad IA, et al. International Endodontic Journal. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 2)
3. Detection of periodontal bone loss and periodontitis from 2D dental radiographs via machine learning and deep learning: systematic review employing APPRAISE-AI and meta-analysis (se abre en otra pestaña). Khubrani YH, et al. Dentomaxillofacial Radiology. 2025. Consultado el 23 de septiembre de 2026. Volver al texto (cita 3)
4. Deep learning for cephalometric landmark detection: systematic review and meta-analysis (se abre en otra pestaña). Schwendicke F, et al. Clinical Oral Investigations. 2021. Consultado el 23 de septiembre de 2026. Volver al texto (cita 4)
5. The accuracy of algorithms used by artificial intelligence in cephalometric points detection: a systematic review (se abre en otra pestaña). Ribas-Sabartés J, et al. Bioengineering. 2024. Consultado el 23 de septiembre de 2026. Volver al texto (cita 5)
6. Artificial intelligence in dental treatment planning and diagnostic decision-making: a systematic review and meta-analysis (se abre en otra pestaña). Alabdulkareem M, et al. Clinical and Experimental Dental Research. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 6)
7. Evaluation of the performance of an artificial intelligence model in recognizing the habitual mixed language in Taiwan for generating periodontal charting text reports (se abre en otra pestaña). Lo YJ, et al. Journal of Dental Sciences. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 7)
8. Voice recognition for periodontal probing medical records under Korean–English bilingual conditions: a feasibility study (se abre en otra pestaña). Kim YW, et al. Healthcare Informatics Research. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 8)
9. Evaluating the quality and safety of ambient digital scribe platforms using simulated ambulatory encounters (se abre en otra pestaña). Anderson TN, et al. Mayo Clinic Proceedings: Digital Health. 2025. Consultado el 23 de septiembre de 2026. Volver al texto (cita 9)
10. From algorithmic performance to clinical translation: translational readiness of imaging-based artificial intelligence in dentistry. A systematic review (se abre en otra pestaña). Ardila CM, Vivares-Builes AM, Pineda-Vélez E. Healthcare. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 10)
11. Dentistry as a test case for responsible artificial intelligence in healthcare: why external validation matters more than marketing (se abre en otra pestaña). Farooqi OA. Mayo Clinic Proceedings: Digital Health. 2025. Consultado el 23 de septiembre de 2026. Volver al texto (cita 11)
12. Explainability, bias and generalizability of AI models in dentistry: a systematic review of model interpretability and equity (se abre en otra pestaña). Mehta V, et al. Clinical and Experimental Dental Research. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 12)
13. List of Artificial Intelligence-Enabled Medical Devices (se abre en otra pestaña). U.S. Food and Drug Administration. 2026. Consultado el 23 de septiembre de 2026. Volver al texto (cita 13)
14. Notificación previa a la comercialización K210187: Overjet Dental Assist (se abre en otra pestaña). U.S. Food and Drug Administration. 2021. Consultado el 23 de septiembre de 2026. Volver al texto (cita 14)
15. Notificación previa a la comercialización K232384: Videa Dental Assist (se abre en otra pestaña). U.S. Food and Drug Administration. 2023. Consultado el 23 de septiembre de 2026. Volver al texto (cita 15)
16. Artificial intelligence in dentistry: estándar ANSI/ADA 1110-1:2025 e informe técnico ADA 1109:2025 (se abre en otra pestaña). American Dental Association. 2025. Consultado el 23 de septiembre de 2026. Volver al texto (cita 16)
17. Decreto 4725 de 2005, por el cual se reglamenta el régimen de registros sanitarios, permiso de comercialización y vigilancia sanitaria de los dispositivos médicos para uso humano (se abre en otra pestaña). Presidencia de la República (texto publicado por el INVIMA). 2005. Consultado el 23 de septiembre de 2026. Volver al texto (cita 17)
18. Ethics and governance of artificial intelligence for health: guidance on large multi-modal models (se abre en otra pestaña). Organización Mundial de la Salud. 2024. Consultado el 23 de septiembre de 2026. Volver al texto (cita 18)
19. Artificial intelligence in dentistry (declaración de política) (se abre en otra pestaña). FDI World Dental Federation. 2024. Consultado el 23 de septiembre de 2026. Volver al texto (cita 19)
20. Ley Estatutaria 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales (se abre en otra pestaña). Congreso de la República (compilación SISJUR, Alcaldía Mayor de Bogotá). 2012. Consultado el 23 de septiembre de 2026. Volver al texto (cita 20)
21. Documento CONPES 4144: Política Nacional de Inteligencia Artificial (se abre en otra pestaña). Consejo Nacional de Política Económica y Social, Departamento Nacional de Planeación. 2025. Consultado el 23 de septiembre de 2026. Volver al texto (cita 21)