https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
243
Artículo de revisión
Inteligencia artificial en ortodoncia: un análisis bibliométrico
Artificial intelligence in orthodontics: a bibliometric analysis
Mónica Alejandra González Muñoz*
Profesional Independiente.
Riobamba-Ecuador.
mony_nena2000@hotmail.com
https://orcid.org/0000-0002-7221-6236
Félix Andrés González Muñoz
Profesional Independiente.
Riobamba-Ecuador.
andres_04@live.com
https://orcid.org/0009-0001-1366-491X
*Correspondencia:
mony_nena2000@hotmail.com
Cómo citar este artículo:
González, M., & González, F. (2025).
Inteligencia artificial en ortodoncia: un
análisis bibliométrico. Esprint Investigación,
4(1), 243-261.
https://doi.org/10.61347/ei.v4i1.108
Recibido: 8 de febrero de 2025
Aceptado: 12 de marzo de 2025
Publicado: 17 de marzo de 2025
Resumen: En los
últimos años, la inteligencia artificial (IA) ha transformado
significativamente el campo de la odontología y, en ortodoncia, las posibles aplicaciones
de IA pueden ser revolucionarias. En este contexto, el presente estudio realizó un análisis
bibliométrico para evaluar el estado actual de la investigación en IA aplicada a la
ortodoncia, identificando tendencias emergentes, trabajos influyentes y perspectivas
futuras. Se empleó una estrategia de búsqueda en la base de datos Scopus, seleccionando
artículos que abordan el uso de IA en ortodoncia. Mediante el software Bibliometrix se
examinaron 1293 estudios, analizando la evolución de la producción científica, los
autores más influyentes, las revistas de mayor impacto y las palabras clave
predominantes. Los re
sultados evidenciaron un aumento significativo en las
publicaciones desde 2018, alcanzando su punto máximo en 2024. Las investigaciones se
centraron en el diagnóstico automatizado, la planificación del tratamiento y el desarrollo
de modelos predictivos. Estudios claves han demostrado el potencial de las redes
neuronales en la segmentación de imágenes dentales y el análisis cefalométrico. China,
Estados Unidos y Corea del Sur lideran la producción científica, mientras que la
Universidad de Sichuan destaca como la institución más prolífica. Las perspectivas
futuras sugieren una mayor integración de IA en la personalización de tratamientos y la
automatización de procesos clínicos, con énfasis en modelos avanzados de aprendizaje
profundo. Este estudio proporciona una visión estructurada de la evolución y el impacto
de la IA en la ortodoncia, y puede servir como base para futuras investigaciones.
Palabras clave: Bibliometría, inteligencia artificial, ortodoncia, software Bibliometrix.
Abstract: In recent years, artificial intelligence (AI) has significantly transformed the field of
dentistry and, in orthodontics, the potential applications of AI can be revolutionary. In this
context, the present study conducts a bibliometric analysis to assess the current state of AI
research applied to orthodontics, identifying emerging trends, influential works, and future
perspectives. A search strategy was employed in the Scopus database, selecting articles that
address the use of AI in orthodontics. Using Bibliometrix software, 1293 studies were examined,
analyzing the evolution of scientific production, the most influential authors, the journals with
the highest impact and the predominant keywords. The results evidenced a significant increase in
publications since 2018, peaking in 2024. Research focused on automated diagnostics, treatment
planning and predictive model development. Key studies have demonstrated the potential of
neural networks in dental image segmentation and cephalometric analysis. China, the United
States and South Korea lead in scientific output, while Sichuan University stands out as the most
prolific institution. Prospects suggest further integration of AI in treatment personalization and
clinical process automation, with emphasis on advanced deep learning models. This study
provides a structured view of the evolution and impact of AI in orthodontics, serving as a basis
for future research.
Keywords: Artificial intelligence, bibliometrics, Bibliometrix software, orthodontics.
Copyright: Derechos de autor 2025 Mónica
Alejandra González Muñoz, Félix Andrés
González Muñoz.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 244
1. Introducción
La odontología moderna se encuentra en una etapa de transformación impulsada por la innovación
tecnológica. En este contexto, la inteligencia artificial (IA), incluyendo el aprendizaje automático (ML),
las redes neuronales (ANN) y el aprendizaje profundo (DL), emergen como una herramienta
prometedora para optimizar diversos aspectos de la práctica odontológica, al mejorar la velocidad y
precisión del diagnóstico, la planificación del tratamiento y los resultados. Por lo tanto, la IA promete
aumentar la eficiencia clínica, personalizar los tratamientos y, en consecuencia, mejorar la satisfacción
del paciente y las tasas de éxito.
En ortodoncia, las posibles aplicaciones de la IA pueden ser vastas y variadas. Desde la
automatización de los procesos de diagnóstico hasta la predicción de los resultados del tratamiento y
la personalización en el diseño de los instrumentos y aparatos, la IA posee el potencial de redefinir las
metodologías tradicionales (Monill-González et al., 2021). Con base en la información de los planes de
tratamiento, los datos de imágenes y los perfiles de los pacientes, la IA ayuda a los ortodoncistas a
diagnosticar las características ortodóncicas y predecir el resultado de los tratamientos (Mohammad-
Rahimi et al., 2021).
El uso de la IA en ortodoncia tiene varios beneficios, se ha aplicado para el análisis de imágenes
clínicas, como la detección automatizada de puntos de referencia en cefalogramas laterales, pero
también para la evaluación de exploraciones intraorales o datos fotográficos (Nordblom et al., 2024).
Además, puede apoyar a los ortodoncistas en las decisiones de tratamiento, como la creación de planes
personalizados para cada paciente en función de sus características, estructura ósea y registros
dentales. Como consecuencia, los resultados de la terapia son más consistentes y eficientes, lo que
brinda a los pacientes mejores resultados (Albalawi & Alamoud, 2022).
Diversos estudios han explorado la aplicación de la IA en la ortodoncia, abordando desde la
detección automática de anomalías dentofaciales hasta la simulación de tratamientos y la evaluación
de resultados. Por ejemplo, Liu et al. (2023) clasifican la aplicación de IA en ortodoncia en tres
dominios: (1) diagnóstico, incluido el análisis cefalométrico, el análisis dental, el análisis facial, la
determinación de la etapa de maduración esquelética y la evaluación de la obstrucción de las vías
respiratorias superiores; (2) planificación del tratamiento, incluida la toma de decisiones para
extracciones y cirugía ortognática, y la predicción de los resultados del tratamiento; y (3) la práctica
clínica, incluida la orientación de la práctica, la atención remota y la documentación clínica.
Con un enfoque similar, Akdeniz & Tosun (2021) mencionan que la IA es una herramienta útil y
práctica para minimizar errores y mejorar la atención al paciente. En su estudio, exploran los usos de
la IA en ortodoncia, identificando aplicaciones prácticas como el diagnóstico ortodóncico, rastreo
cefalométrico automatizado, análisis de radiografías, reconocimiento facial óptimo y planificación de
tratamientos ortodóncicos. De igual manera, Wong et al. (2023) en su análisis bibliométrico destaca el
uso de la IA en ortodoncia y cirugía ortognática, particularmente en los dominios del análisis de
imágenes, el diagnóstico y la planificación del tratamiento, y la evaluación del crecimiento y el
desarrollo.
La IA ha tenido un impacto positivo en diversos aspectos de la práctica ortodóncica. Sin embargo,
dada la creciente producción científica en este ámbito, es fundamental realizar un análisis bibliométrico
que permita evaluar la literatura existente sobre IA en ortodoncia. La ausencia de una visión
estructurada sobre la producción académica y las aplicaciones actuales de la IA en este campo
representan un desafío para investigadores y profesionales que buscan comprender el impacto real de
estas tecnologías en la especialidad.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 245
Por lo tanto, el presente estudio tiene como objetivo explorar el estado actual de la investigación
sobre la aplicación de la IA en ortodoncia, destacando las tendencias de investigación actuales, los
trabajos influyentes y las perspectivas futuras. A partir de este análisis, se busca proporcionar una
visión estructurada del panorama actual y de las posibles direcciones futuras en la investigación sobre
IA aplicada a la ortodoncia.
2. Metodología
Para la recolección de datos para el presente artículo, se empleó una estrategia de búsqueda en la base
de datos en Scopus. Desde su creación, Scopus se ha convertido en una importante colección de
literatura revisada por pares, cuyo contenido principal consta de libros, revistas científicas y
documentos de conferencias (Thelwall & Sud, 2022). Además, abarca una amplia gama de temas de
investigación y funciona como una base de datos de resúmenes y citas cuidadosamente seleccionada,
con un alcance expansivo tanto a nivel mundial como regional (Baas et al., 2020).
La estrategia de búsqueda consistió en identificar estudios que combinaran dos categorías
conceptuales principales: “inteligencia artificial” y “ortodoncia”. Los criterios específicos para la
búsqueda e inclusión de los estudios se presentan en la tabla 1.
Tabla 1
Criterio de búsqueda e inclusión
Parámetro Criterio
Base de datos Scopus
Espacio de tiempo No se especifica un período de búsqueda
Fecha de consulta 12/02/2025
Campo de búsqueda Título, resumen y palabras clave
Tipo de documento Se incluyen artículos, revistas, capítulos de libros y conferencias
Cadena de búsqueda
( TITLE-ABS-KEY ( "artificial intelligence" OR "machine learning" OR "deep
learning" OR "neural networks" OR "natural language processing" OR
"computer vision" OR "computer model" OR "expert system" ) ) AND ( TITLE-
ABS-KEY ( "orthodonti*" OR "malocclusion"
OR "dental alignment" OR
"cephalometric" OR "tooth movement" OR "dentofacial orthopedist" OR
"orthodontic implant" ) )
Estudios encontrados 1293
Con el propósito de ofrecer un análisis integral de las publicaciones académicas sobre IA en
ortodoncia, el presente estudio se desarrolló utilizando métodos bibliométricos. La bibliometría es un
método invaluable para el análisis cuantitativo y cualitativo de la literatura científica, el cual ofrece un
marco organizado para evaluar un tema en específico (Ninkov et al., 2022). Este tipo de análisis suele
implicar el uso de herramientas de software especializados y evaluaciones visuales, diseñadas para
examinar sistemáticamente la base de conocimiento e identificar las tendencias evolutivas de una
disciplina determinada (Allani et al., 2024).
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 246
El conjunto de documentos considerados para el análisis se importó en un formato de texto plano
para ser analizado con Bibliometrix (Aria & Cuccurullo, 2017). Bibliometrix es un paquete de código
abierto en R que simplifica el proceso de análisis y visualización de datos estadísticos provenientes de
colecciones bibliográficas (Luo et al., 2024) y, debido a su versatilidad y compatibilidad con diferentes
bases de datos, ha demostrado ser eficaz para evaluar tendencias y guiar la investigación en el campo
de la ortodoncia, como lo demuestran los estudios realizados por Buschang & Asiri (2019); Lu et al.
(2025); Polizzi et al. (2025); Wong et al. (2023) y Zatt et al. (2024).
3. Resultados
En la figura 1 se presenta la tendencia de publicación de los artículos analizados. La producción
científica anual sobre IA en ortodoncia ha mostrado un crecimiento significativo en las últimas
décadas, especialmente a partir de 2018. Durante el periodo comprendido entre 1971 y 2017, el número
de publicaciones se mantuvo relativamente bajo, con valores que no superaban las 20 publicaciones
anuales. Sin embargo, a partir de 2018 se observa una tendencia ascendente pronunciada, reflejando
un aumento en el interés y la investigación en este campo. Este crecimiento alcanza su punto máximo
en 2024, con un total de 322 publicaciones (24.8 % del total), evidenciando un auge en la exploración
de la IA aplicada a la ortodoncia en los últimos años.
A pesar de este notable incremento en la producción científica, los datos de 2025 muestran una caída
significativa en el número de publicaciones. Este descenso puede atribuirse a la parcialidad de los
datos disponibles para el año en curso, ya que aún no ha finalizado, o bien a una estabilización en la
cantidad de investigaciones en el área. Cabe destacar que en los últimos 5 años se han publicado 1003
estudios (77.6 % del total), Este incremento puede deberse al interés de la comunidad científica de
integrar modelos de IA en ortodoncia. En cualquier caso, el análisis sugiere que la IA ha ganado
protagonismo en la ortodoncia en los últimos años, convirtiéndose en un campo de estudio dinámico
con un creciente volumen de publicaciones científicas.
Figura 1
Tendencias de publicación desde 1971 hasta 2025
En la tabla 2, el análisis de las fuentes más relevantes en la investigación sobre IA en ortodoncia
revela que Lecture Notes In Computer Science lidera en número de publicaciones (41 artículos desde
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 247
1996), seguido de cerca por Orthodontics And Craniofacial Research (40 publicaciones desde 2003).
American Journal of Orthodontics and Dentofacial Orthopedics ocupa la tercera posición con 34
publicaciones desde 1992, consolidando su relevancia histórica en el campo. Otras revistas destacadas
incluyen Diagnostics (32 publicaciones desde 2021), BMC Oral Health (29 desde 2020) y Seminars in
Orthodontics (26 desde 2001), lo que refleja una distribución de la producción científica entre revistas
especializadas en ortodoncia y aquellas con un enfoque más amplio en ciencias de la salud y tecnología.
Desde el punto de vista del impacto medido en citas, Angle Orthodontist destaca como la revista más
influyente con 1087 citas para sus 18 publicaciones desde 2003, lo que indica un alto nivel de
reconocimiento dentro de la comunidad científica. Orthodontics and Craniofacial Research y American
Journal of Orthodontics and Dentofacial Orthopedics también muestran un impacto considerable con 525
y 514 citas, respectivamente, reforzando su papel como fuentes claves en la difusión del conocimiento
en ortodoncia. Asimismo, Lecture Notes in Computer Science acumula 475, mientras que Seminars in
Orthodontics alcanza 383 citas, evidenciando la relevancia de estas publicaciones en la intersección entre
IA y ortodoncia.
Tabla 2
Principales fuentes de investigación
Nro. Citas Publicaciones Año Revista
1 475 41 1996 Lecture Notes In Computer Science
2 525 40 2003 Orthodontics And Craniofacial Research
3 514 34 1992
American Journal Of Orthodontics And Dentofacial
Orthopedics
4 183 32 2021 Diagnostics
5 291 29 2020 Bmc Oral Health
6 383 26 2001 Seminars In Orthodontics
7 298 25 2020 Applied Sciences (Switzerland)
8 65 19 2019 Journal Of The World Federation Of Orthodontists
9 1087 18 2003 Angle Orthodontist
10 193 17 2021 Journal of Clinical Medicine
Los 10 estudios relevantes por el número de citas se presentan en la tabla 3. Se destaca el de
Khanagar et al. (2021), que, con 285 citas totales, se posiciona como la referencia más influyente. Su
revisión sistemática sobre el desarrollo, aplicación y rendimiento de la IA en odontología ha servido
como un pilar para comprender el impacto de estas tecnologías en la práctica clínica. Le sigue el trabajo
de Schwendicke et al. (2019), con 269 citas, que explora el uso de redes neuronales convolucionales
para el diagnóstico en imágenes dentales, un área clave en la ortodoncia digital.
Desde la perspectiva de las citas locales, el estudio más referenciado dentro del conjunto analizado
pertenece a Kunz et al. (2020) con 83 citas, destacando su relevancia específica en la investigación sobre
IA en ortodoncia. Asimismo, el trabajo de Khanagar et al. (2021) acumula 46 citas locales, lo que
confirma su impacto tanto a nivel general como dentro de la comunidad especializada en ortodoncia.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 248
Otros estudios con alta citación local incluyen el de Park et al. (2019) con 33 citas, que compara métodos
de deep learning para la identificación automatizada de puntos cefalométricos, y el de Xu et al. (2019)
con 21 citas, que propone un enfoque basado en redes neuronales convolucionales para la
segmentación y etiquetado de dientes en 3D.
Tabla 3
Estudios destacados por el número de citas
Nro.
Citas
locales
Citas
totales
Artículo Autor
1 46 285
Developments, application, and performance of
artificial intelligence in dentistry – A systematic
review
(Khanagar et al., 2021)
2 0 269
Convolutional neural networks for dental
image diagnostics: A scoping review
(Schwendicke et al.,
2019)
3 7 215
Evaluation of the validity of tooth size and arch
width measurements using conventional and
three-dimensional virtual orthodontic models
(Zilberman et al., 2003)
4 0 200
Fully automated quantitative cephalometry
using convolutional neural networks
(Arik et al., 2017)
5 4 197
The accuracy and reliability of measurements
made on computer-based digital models
(Quimby et al., 2004)
6 0 193
The use and performance of artificial
intelligence applications in dental and
maxillofacial radiology: A systematic review
(Hung et al., 2020)
7 21 167
3D Tooth Segmentation and Labeling Using
Deep Convolutional Neural Networks
(Xu et al., 2019)
8 16 167
New approach for the diagnosis of extractions
with neural network machine learning
(Jung & Kim, 2016)
9 33 159
Automated identification of cephalometric
landmarks: Part 1 - Comparisons between the
latest deep-learning methods YOLOV3 and SSD
(Park et al., 2019)
10 83 153 Artificial intelligence in orthodontics (Kunz et al., 2020)
En la tabla 4, el análisis de los autores con mayor número de publicaciones revela que Liu Y. y Xu
T. encabezan la lista con 21 publicaciones cada uno, aunque sus contribuciones iniciaron en años
diferentes (2015 y 2006, respectivamente). Le siguen Li J. y Wang Y., ambos con 19 publicaciones, lo
que indica una presencia significativa en la literatura reciente, especialmente en el caso de Li J., quien
comenzó su producción en 2019. Otros autores destacados incluyen Allareddy V. con 18 publicaciones
desde 2019 y Zhang Y. con 17 desde 2010, lo que demuestra la diversidad temporal en la consolidación
de sus investigaciones dentro de esta disciplina.
Desde el punto de vista del impacto académico, medido a través del h-index, Liu Y. se posiciona
como el investigador con mayor influencia, con un h-index de 12 y 350 citas acumuladas, lo que indica
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 249
un alto reconocimiento en la comunidad científica. Otros autores con un impacto significativo incluyen
Baek S-H. (h-index de 7 y 183 citas), Allareddy V. (h-index de 7 y 154 citas) y Kim N. (h-index de 7 y
147 citas). En contraste, aunque Wang Y. y Zhang Y. tienen un número considerable de publicaciones
(19 y 17 respectivamente), presentan un h-index más bajo (4 y 6), lo que sugiere que sus estudios aún
no han alcanzado el mismo nivel de impacto en términos de citaciones.
Tabla 4
Autores relevantes por el número de publicaciones
Nro. Publicaciones Año Inicio Autor h-index Citaciones
1 21 2015 Liu Y. 12 350
2 21 2006 Xu T. 7 264
3 19 2019 Li J. 6 262
4 19 2012 Wang Y. 4 36
5 18 2019 Allareddy V. 7 154
6 17 2010 Zhang Y. 6 30
7 16 2021 Elnagar MH. 6 97
8 16 2017 Guo Y. 5 93
9 15 2021 Kim N. 7 147
10 14 2009 Baek S-H. 7 183
En cuanto a los países involucrados en la investigación, la tabla 5 presenta los diez más destacados
en función de sus artículos publicados. China se posiciona con la mayor producción científica (222
publicaciones), lo que refleja su liderazgo en el desarrollo y aplicación de tecnologías emergentes en
esta área. Le siguen Estados Unidos, con 157 publicaciones, y Corea del Sur, con 93, ambos con una
trayectoria consolidada en la investigación odontológica y el uso de IA en la práctica clínica. India, con
85 publicaciones, también muestra un crecimiento significativo, evidenciando su creciente interés en
la innovación tecnológica en ortodoncia.
En términos de impacto, medido a través del número total de citas, Corea del Sur destaca con 2,369
citas a pesar de contar con menos publicaciones que China y Estados Unidos, lo que indica un alto
nivel de reconocimiento e influencia de sus estudios en la comunidad científica. China, a pesar de
liderar en cantidad de publicaciones, acumula 2,405 citas, reflejando el impacto significativo de sus
investigaciones. Estados Unidos, con 1,806 citas, también muestra una sólida presencia en este ámbito.
Alemania y Japón, con 894 y 532 citas, respectivamente, superan en impacto a países con mayor
número de publicaciones, lo que sugiere que sus estudios son ampliamente referenciados.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 250
Tabla 5
Países con mayor producción científica
Nro. Publicaciones Total citas País
1 222 2405 China
2 157 1806 Estados Unidos
3 93 2369 Corea del Sur
4 85 282 India
5 43 441 Turquía
6 42 411 Italia
7 37 532 Japón
8 31 316 Brasil
9 31 894 Alemania
10 31 428 Reino Unido
La figura 2 muestra la participación de las instituciones con relación al número de publicaciones. La
Universidad de Sichuan lidera la producción científica en IA aplicada a la ortodoncia con un total de
181 publicaciones, consolidándose como una de las instituciones más influyentes en esta área de
investigación. Le sigue la Universidad Nacional de Seúl con 90 artículos, lo que refleja el fuerte
compromiso de Corea del Sur con la innovación en este campo. La Universidad de Míchigan (79
publicaciones) y la Universidad de Pekín (75) también destacan por su significativa contribución al
avance del conocimiento.
Figura 2
Instituciones destacadas por número de publicaciones
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 251
Otras instituciones con una participación relevante incluyen la Universidad de Hong Kong y la
Universidad de Ulsan College of Medicine, ambas con 63 publicaciones, así como la Universidad de
Illinois en Chicago con 60. Por su parte, la Universidad Comenius en Bratislava (51 artículos), la
Universidad Estatal de Ohio (44) y la Escuela de Medicina de la Universidad Jiao Tong de Shanghái
(42) completan el grupo de las diez instituciones con mayor producción científica, evidenciando la
distribución geográfica de la investigación en esta disciplina y la relevancia de Asia y Norteamérica en
su desarrollo.
La figura 3 se presenta una red de co-ocurrencia, destacándose las palabras más recurrentes y sus
relaciones. Por lo tanto, se evidencia que "artificial intelligence" es el nodo central y más relevante
dentro del análisis bibliométrico, reflejando su alta frecuencia de aparición y su papel predominante
en la intersección entre IA y ortodoncia. En estrecha relación con este término, se destacan "deep
learning" y "machine learning", tecnologías claves que han impulsado avances en el diagnóstico,
planificación y tratamiento ortodóntico.
Asimismo, el nodo "orthodontics" ocupa una posición relevante, conectándose con términos como
"cephalometry", "tooth segmentation" y "treatment planning", lo que indica la aplicación de la IA en la
evaluación de estructuras dentofaciales y la optimización de planes de tratamiento. La presencia de
términos como "neural networks", "radiology" y "digital dentistry" sugiere el uso de modelos
computacionales avanzados para la interpretación de imágenes diagnósticas y la automatización de
procesos clínicos.
Figura 3
Red de co-ocurrencia
El análisis de frecuencia en las palabras clave de investigación en un determinado campo de estudio
en varios momentos permite identificar qué términos son comúnmente mencionados en los estudios
por los autores durante dichos periodos. En la figura 4 se muestran los principales términos con
frecuencias altas. "Artificial intelligence" se posiciona como el término más frecuente en los últimos
años, con su punto máximo en 2023, reflejando el creciente interés en su aplicación dentro del campo
ortodóncico. De manera similar, "deep learning" y "orthodontics" han mostrado un aumento
significativo en los últimos años, consolidándose como conceptos claves en el ámbito de la
investigación.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 252
Tecnologías específicas como "convolutional neural networks" y "artificial neural network" han
mantenido una presencia destacada, evidenciando su relevancia en el análisis de imágenes y el
diagnóstico automatizado. Además, términos relacionados con la planificación del tratamiento, como
"treatment planning" y "tooth movement" indican el interés en la personalización de los
procedimientos ortodóncicos mediante IA. La reciente aparición de "ChatGPT" en 2024 sugiere la
exploración de modelos de lenguaje para asistencia clínica, lo que abre nuevas posibilidades en la toma
de decisiones y la educación en ortodoncia.
Figura 4
Palabras clave más frecuentes a lo largo de los años
Se obtuvieron 4 conglomerados diferentes a partir de las palabras clave de los estudios. Para
agruparlos, se aplicó el algoritmo de Leiden cuyo propósito es identificar los diversos temas cubiertos
por un dominio definido. Leiden, es un algoritmo de detección de comunidades que produce
soluciones de calidad al garantizar que los conglomerados identificados estén bien conectados (Traag
et al., 2019).
El mapa temático de la figura 5 describe los temas y su evolución en la investigación a lo largo de
los años. Cada círculo en la red es un clúster mientras que los nombres que aparecen son los términos
de alta ocurrencia (Vătămănescu et al., 2024). Además, el mapa temático presenta la distribución de los
temas basado en la relevancia (centralidad) y el grado de desarrollo (densidad), identificándose cuatro
áreas temáticas.
En el cuadrante de temas básicos, se encuentra el grupo conformado por "artificial intelligence",
"deep learning" y "orthodontics", lo que indica que estos conceptos son fundamentales en el campo y
poseen una alta centralidad, sirviendo como base para investigaciones posteriores. Estos términos
reflejan el papel creciente de la IA en la ortodoncia, con un énfasis en el aprendizaje profundo como
tecnología clave para la automatización y optimización de diagnósticos y tratamientos. Su ubicación
sugiere que son ampliamente estudiados y que constituyen un área de conocimiento consolidada
dentro del ámbito odontológico.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 253
Por otro lado, en el cuadrante de temas motores, se identifican conceptos como "artificial intelligence
(AI)", "segmentation" y "classification", los cuales presentan un alto grado de desarrollo y una elevada
centralidad en el campo de estudio. Esto implica que estas líneas de investigación están bien
estructuradas y juegan un papel crucial en la evolución del uso de la IA en ortodoncia, especialmente
en la segmentación y clasificación de imágenes médicas. En contraste, en la zona de temas emergentes
o en declive, se encuentran "landmark detection", "tooth segmentation" y "landmark localization", los
cuales poseen una baja centralidad y densidad, lo que sugiere que pueden representar áreas en
desarrollo con potencial de crecimiento o bien temáticas en desuso.
Finalmente, en el cuadrante de temas nicho, se ubican "tooth movement", "image segmentation" y
"cone beam computed tomography", los cuales, a pesar de su menor centralidad, presentan un grado
de desarrollo relativamente alto, indicando que son líneas de investigación especializadas con
aplicaciones específicas dentro del campo de la ortodoncia asistida por IA.
Figura 5
Mapa temático de palabras clave
Con base en la distribución basada en el mapa temático, en la tabla 6 se describen los clústeres
identificados y las principales palabras clave recurrentes. Además, se empleó el indicador PageRank
para seleccionar los documentos seminales de cada clúster. PageRank es una métrica empleada para
establecer relaciones entre documentes e identificar los trabajos representativos de un grupo basándose
en las citaciones que recibe cada documento por parte de otros bastante citados (Duque & Oliva, 2022).
La identificación de estos clústeres no solo permite comprender el estado actual de la investigación,
sino que también ofrece una base sólida para definir perspectivas futuras, destacando la necesidad de
explorar enfoques innovadores y aplicaciones avanzadas de IA en ortodoncia.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 254
Tabla 6
Agrupación de palabras clave según clústeres y temas
Área temática Clúster Palabras clave recurrentes Documentos seminales
Temas básicos
(Basic themes)
Artificial
intelligence
artificial intelligence, deep learning,
orthodontics, machine learning,
cephalometry, dentistry,
convolutional neural networks,
cephalometric analysis, convolutional
neural network, orthognathic surgery,
cbct, diagnosis, cone-beam computed
tomography, malocclusion,
orthodontic treatment, artificial neural
network computer vision
cephalometric landmarks digital
dentistry neural networks.
Kunz et al. (2023)
Albalawi & Alamoud (2022)
Butul & Sharab (2024)
Dipalma et al. (2023)
Albalawi et al. (2025)
Liu et al. (2023)
Bajjad et al. (2024)
Muraev et al. (2020)
Hussein (2022)
Kazimierczak et al. (2024)
Temas
Especializados
(Niche themes)
Tooth
Movement
tooth movement, image segmentation,
cone beam computed tomography,
finite element method, tooth, digital
orthodontics, panoramic radiography
Akdeniz & Tosun (2021)
Mureșanu et al. (2024)
Kim et al. (2022)
Thurzo et al. (2024)
Sinard et al. (2025)
Chen et al. (2019)
Kolokitha & Tsolakis (2024)
Nogueira-Reis et al. (2023)
Bahrami & Bahrami (2023)
Arqub et al. (2023)
Temas motores
(Motor themes)
Artificial
intelligence
artificial intelligence, segmentation,
classification, lateral cephalogram,
image processing, cnn, orthodontic,
landmarks, cervical vertebrae,
instance segmentation, sella turcica,
teeth segmentation, x-ray,
cephalometric landmark, cone-beam
computed tomog
raphy, lateral
cephalograms, registration.
Polizzi et al. (2025)
Priya et al. (2024)
Radwan et al. (2023)
Lingyun et al. (2023)
Moran et al. (2022)
Wang et al. (2023)
Juneja et al. (2021)
Amasya et al. (2020)
Ankitha et al. (2024)
Kim & Park (2023)
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 255
Temas emergentes
o en declive
landmark
detection
landmark detection, tooth
segmentation, landmark localization,
orthodontic treatment planning,
heatmap regression
Cao et al. (2022)
Zhou et al. (2023)
Elnagar et al. (2023)
Joham et al. (2024)
Kang et al. (2021)
Trehan et al. (2023)
Rashmi et al. (2022)
Rashmi & Ashok (2021)
Wang et al. (2022)
Lee et al. (2017)
4. Conclusiones
Los resultados del análisis bibliométrico reflejan que las tendencias de investigación actuales en IA
aplicada a la ortodoncia se centran en la automatización del diagnóstico, la planificación del
tratamiento y la predicción de resultados clínicos. Se ha observado un incremento exponencial en la
producción científica desde 2018, con un especial énfasis en el uso de redes neuronales, aprendizaje
profundo y visión por computadora para mejorar la precisión en la detección de anomalías
dentofaciales y la segmentación de imágenes médicas. Además, los estudios recientes han explorado
la integración de modelos de IA en la personalización de tratamientos, lo que optimiza el proceso de
toma de decisiones clínicas. Estas tendencias reflejan un avance significativo en la incorporación de
herramientas digitales en la ortodoncia, consolidando a la IA como un pilar en la modernización de la
especialidad.
En cuanto a los trabajos, instituciones y países más influyentes en esta área de estudio, China,
Estados Unidos y Corea del Sur lideran la producción científica, al concentrar la mayor cantidad de
publicaciones y citaciones en los últimos años. La Universidad de Sichuan destaca como la institución
con más contribuciones, seguida por la Universidad Nacional de Seúl y la Universidad de Míchigan,
evidenciando el protagonismo de Asia y Norteamérica en este campo. En términos de impacto, revistas
como Angle Orthodontist y Orthodontics and Craniofacial Research han acumulado un alto número de
citaciones, consolidándose como fuentes esnciales para la difusión del conocimiento en IA aplicada a
la ortodoncia. Asimismo, estudios como los de Khanagar et al. (2021) y Schwendicke et al. (2019) han
marcado un precedente en la investigación, al proporcionar revisiones sistemáticas sobre el uso de IA
en la odontología y su aplicabilidad en el diagnóstico clínico.
Las perspectivas futuras indican una evolución continua en la integración de IA en la ortodoncia,
con un enfoque en la validación clínica de las tecnologías emergentes y su implementación en entornos
de práctica profesional. Se espera que el desarrollo de modelos más sofisticados, basados en
aprendizaje profundo y procesamiento del lenguaje natural, permita mejorar la precisión diagnóstica
y la personalización del tratamiento. Además, la reciente incursión de herramientas de IA generativa,
como ChatGPT, sugiere un potencial uso en la educación ortodóncica y en la asistencia clínica, lo que
podría redefinir la relación entre profesionales y pacientes.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 256
Limitaciones y trabajos a futuro
Este estudio presenta ciertas limitaciones inherentes al enfoque bibliométrico. En primer lugar, la
búsqueda de documentos se restringió a la base de datos Scopus, lo que podría excluir publicaciones
relevantes indexadas en otras fuentes como Web of Science o PubMed. Además, la inclusión de
estudios se basó en términos específicos relacionados con IA y ortodoncia, lo que podría haber dejado
fuera investigaciones con descriptores alternativos o interdisciplinarios. Otra limitación es que el
análisis se centra en métricas cuantitativas como número de publicaciones, citas y redes de co-
ocurrencia de palabras clave, sin profundizar en la calidad metodológica o el impacto clínico de los
estudios analizados.
Para trabajos futuros, se recomienda ampliar el análisis bibliométrico incorporando otras bases de
datos científicas y explorando metodologías complementarias, como revisiones sistemáticas y estudios
de metaanálisis, que permitan evaluar la efectividad clínica de las aplicaciones de IA en ortodoncia.
Además, futuras investigaciones podrían centrarse en los desafíos éticos y regulatorios asociados con
la implementación de IA en la ortodoncia, asegurando que su integración en la práctica clínica cumpla
con estándares de seguridad, privacidad y equidad en el acceso a estas tecnologías.
Referencias
Akdeniz, S., & Tosun, M. E. (2021). A review of the use of artificial intelligence in orthodontics. Journal
of Experimental and Clinical Medicine, 38(3). https://acortar.link/Oo57Ex
Albalawi, F., & Alamoud, K. A. (2022). Trends and Application of Artificial Intelligence Technology in
Orthodontic Diagnosis and Treatment Planning—A Review. Applied Sciences, 12(22).
https://doi.org/10.3390/app122211864
Albalawi, F., Khanagar, S. B., Iyer, K., Alhazmi, N., Alayyash, A., Alhazmi, A. S., Awawdeh, M., &
Singh, O. G. (2025). Evaluating the Performance of Artificial Intelligence-Based Large Language
Models in Orthodontics—A Systematic Review and Meta-Analysis. Applied Sciences, 15(2).
https://doi.org/10.3390/app15020893
Allani, H., Santos, A. T., & Ribeiro-Vidal, H. (2024). Multidisciplinary Applications of AI in Dentistry:
Bibliometric Review. Applied Sciences, 14(17). https://doi.org/10.3390/app14177624
Amasya, H., Yildirim, D., Aydogan, T., Kemaloglu, N., & Orhan, K. (2020). Cervical vertebral
maturation assessment on lateral cephalometric radiographs using artificial intelligence:
Comparison of machine learning classifier models. Dentomaxillofacial Radiology, 49(5), 20190441.
https://doi.org/10.1259/dmfr.20190441
Ankitha, A. N., Venugopala, P. S., Ashwini, B., & Padmashree, G. (18 al 19 de octubre de 2024). A Study
on AI Applications for Orthodontics and Malocclusion Detection Approaches. 2024 IEEE International
Conference on Distributed Computing, VLSI, Electrical Circuits and Robotics (DISCOVER). P.
A. College of Engineering, Mangaluru, India.
https://doi.org/10.1109/DISCOVER62353.2024.10750579
Aria, M., & Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis.
Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
Arik, S. Ö., Ibragimov, B., & Xing, L. (2017). Fully automated quantitative cephalometry using
convolutional neural networks. Journal of Medical Imaging, 4(1), 014501.
https://doi.org/10.1117/1.JMI.4.1.014501
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 257
Arqub, S. A., Nedjat-Haiem, M., Einbinder, M., Azami, N., Kuo, C. L., Hariharan, A., & Uribe, F. (2023).
Characterizing orthodontic tooth movement in real time using dental monitoring scans: A pilot
study. Orthodontics & Craniofacial Research, 26(1), 82-91. https://doi.org/10.1111/ocr.12717
Baas, J., Schotten, M., Plume, A., Côté, G., & Karimi, R. (2020). Scopus as a curated, high-quality
bibliometric data source for academic research in quantitative science studies. Quantitative
Science Studies, 1(1), 377-386. https://doi.org/10.1162/qss_a_00019
Bahrami, R., & Bahrami, R. (2023). A new model for managing tooth movement: Smart orthodontic
brackets in the Internet of Dental Things (IoDT). Medical Hypotheses, 179, 111168.
https://doi.org/10.1016/j.mehy.2023.111168
Bajjad, A. A., Gupta, S., Agarwal, S., Pawar, R. A., Kothawade, M. U., & Singh, G. (2024). Use of artificial
intelligence in determination of bone age of the healthy individuals: A scoping review. Journal
of the World Federation of Orthodontists, 13(2), 95-102. https://doi.org/10.1016/j.ejwf.2023.10.001
Buschang, P. H., & Asiri, S. N. (2019). The present, past and future of orthodontic research. Seminars in
Orthodontics, 25(4), 326-338. https://doi.org/10.1053/j.sodo.2019.10.008
Butul, B., & Sharab, L. (2024). Obstacles behind the innovation- a peek into Artificial intelligence in the
field of orthodontics – A Literature review. The Saudi Dental Journal, 36(6), 830-834.
https://doi.org/10.1016/j.sdentj.2024.03.008
Cao, L., He, H., & Hua, F. (2022). Deep learning algorithms have high accuracy for automated
landmark detection on 2D lateral cephalograms. Journal of Evidence-Based Dental Practice, 22(4),
101798. https://doi.org/10.1016/j.jebdp.2022.101798
Chen, S., Wang, L., Li, G., Wu, T. H., Diachina, S., Tejera, B., Kwon, J. J., Lin, F. C., Lee, Y. T., Xu, T.,
Shen, D., & Ko, C. C. (2019). Machine Learning in Orthodontics: Introducing a 3d Auto-
segmentation and Auto-landmark Finder of Cbct Images to Assess Maxillary Constriction in
Unilateral Impacted Canine patients. The Angle Orthodontist, 90(1), 77-84.
https://doi.org/10.2319/012919-59.1
Dipalma, G., Inchingolo, A. D., Inchingolo, A. M., Piras, F., Carpentiere, V., Garofoli, G., Azzollini, D.,
Campanelli, M., Paduanelli, G., Palermo, A., & Inchingolo, F. (2023). Artificial Intelligence and
Its Clinical Applications in Orthodontics: A Systematic Review. Diagnostics, 13(24).
https://doi.org/10.3390/diagnostics13243677
Duque, P., & Oliva, E. J. D. (2022). Tendencias emergentes en la literatura sobre el compromiso del
cliente: Un análisis bibliométrico. Estudios Gerenciales, 38(162), 120-132.
https://doi.org/10.18046/j.estger.2022.162.4528
Elnagar, M. H., Gajendrareddy, P., Lee, M. K., & Allareddy, V. (2023). Artificial Intelligence and
Orthodontic Practice. En Integrated Clinical Orthodontics (pp. 565-575). John Wiley & Sons, Ltd.
https://doi.org/10.1002/9781119870081.ch25
Hung, K., Montalvao, C., Tanaka, R., Kawai, T., & Bornstein, M. M. (2020). The use and performance
of artificial intelligence applications in dental and maxillofacial radiology: A systematic review.
Dentomaxillofacial Radiology, 49(1), 20190107. https://doi.org/10.1259/dmfr.20190107
Hussein, N. (2022). Artificial intelligence in dentistry: Current issues and perspectives. En A. Saxena &
N. Brault (Eds.), Artificial Intelligence and Computational Dynamics for Biomedical Research (pp.
229-248). De Gruyter. https://doi.org/10.1515/9783110762044-013
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 258
Joham, S. J., Hadzic, A., & Urschler, M. (2024). Implicit Is Not Enough: Explicitly Enforcing Anatomical
Priors inside Landmark Localization Models. Bioengineering, 11(9).
https://doi.org/10.3390/bioengineering11090932
Juneja, M., Garg, P., Kaur, R., Manocha, P., Prateek, Batra, S., Singh, P., Singh, S., & Jindal, P. (2021). A
review on cephalometric landmark detection techniques. Biomedical Signal Processing and
Control, 66, 102486. https://doi.org/10.1016/j.bspc.2021.102486
Jung, S. K., & Kim, T. W. (2016). New approach for the diagnosis of extractions with neural network
machine learning. American Journal of Orthodontics and Dentofacial Orthopedics, 149(1), 127-133.
https://doi.org/10.1016/j.ajodo.2015.07.030
Kang, J., Oh, K., & Oh, I. S. (2021). Accurate Landmark Localization for Medical Images Using
Perturbations. Applied Sciences, 11(21). https://doi.org/10.3390/app112110277
Kazimierczak, N., Kazimierczak, W., Serafin, Z., Nowicki, P., Nożewski, J., & Janiszewska-Olszowska,
J. (2024). AI in Orthodontics: Revolutionizing Diagnostics and Treatment Planning—A
Comprehensive Review. Journal of Clinical Medicine, 13(2). https://doi.org/10.3390/jcm13020344
Khanagar, S. B., Al-ehaideb, A., Maganur, P. C., Vishwanathaiah, S., Patil, S., Baeshen, H. A., Sarode,
S. C., & 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
Kim, T., & Park, J. (2023). Teeth Segmentation for Orthodontics based on Deep Learning. The
Transactions of the Korean Institute of Electrical Engineers, 72(3), 440-446.
https://doi.org/10.5370/KIEE.2023.72.3.440
Kim, Y. H., Ha, E. G., Jeon, K. J., Lee, C., & Han, S. S. (2022). A fully automated method of human
identification based on dental panoramic radiographs using a convolutional neural network.
Dentomaxillofacial Radiology, 51(4), 20210383. https://doi.org/10.1259/dmfr.20210383
Kolokitha, O. E., & Tsolakis, I. A. (2024). Digital Orthodontic Systems. En A. Delantoni & K. Orhan
(Eds.), Digital Dentistry: An Overview and Future Prospects (pp. 103-116). Springer International
Publishing. https://doi.org/10.1007/978-3-031-52826-2_8
Kunz, F., Stellzig-Eisenhauer, A., & Boldt, J. (2023). Applications of Artificial Intelligence in
Orthodontics—An Overview and Perspective Based on the Current State of the Art. Applied
Sciences, 13(6). https://doi.org/10.3390/app13063850
Kunz, F., Stellzig-Eisenhauer, A., Zeman, F., & Boldt, J. (2020). Artificial intelligence in orthodontics.
Journal of Orofacial Orthopedics, 81(1), 52-68. https://doi.org/10.1007/s00056-019-00203-8
Lee, H., Park, M., & Kim, J. (2017). Cephalometric landmark detection in dental x-ray images using
convolutional neural networks. Medical Imaging 2017: Computer-Aided Diagnosis, 10134, 494-499.
https://doi.org/10.1117/12.2255870
Lingyun, C. O., Jiarong, Y. N., Bojun, T., Tingting, Z., Fang, H. U. A., & Hong, H. E. (2023). Research
progress on the application of deep learning in cephalometric analysis. Journal Prevention and
Treatment for Stomatological Diseases, 31(1), 58-62. https://acortar.link/U75Vd6
Liu, J., Zhang, C., & Shan, Z. (2023). Application of Artificial Intelligence in Orthodontics: Current State
and Future Perspectives. Healthcare, 11(20). https://doi.org/10.3390/healthcare11202760
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 259
Lu, W., Yu, X., Li, Y., Cao, Y., Chen, Y., & Hua, F. (2025). Artificial Intelligence–Related Dental
Research: Bibliometric and Altmetric Analysis. International Dental Journal, 75(1), 166-175.
https://doi.org/10.1016/j.identj.2024.08.004
Luo, L., Xu, C., Liu, P., Li, Q., & Chen, S. (2024). A bibliometric analysis of the status, trends, and
frontiers of design thinking research based on the web of science core collection (2011–2022).
Thinking Skills and Creativity, 53, 101570. https://doi.org/10.1016/j.tsc.2024.101570
Mohammad-Rahimi, H., Nadimi, M., Rohban, M. H., Shamsoddin, E., Lee, V. Y., & Motamedian, S. R.
(2021). Machine learning and orthodontics, current trends and the future opportunities: A
scoping review. American Journal of Orthodontics and Dentofacial Orthopedics, 160(2), 170-192.
https://doi.org/10.1016/j.ajodo.2021.02.013
Monill-González, A., Rovira-Calatayud, L., d’Oliveira, N. G., & Ustrell-Torrent, J. M. (2021). Artificial
intelligence in orthodontics: Where are we now? A scoping review. Orthodontics & Craniofacial
Research, 24(2), 6-15. https://doi.org/10.1111/ocr.12517
Moran, M. B. H., Faria, M. D. B., Bastos, L. F., Giraldi, G. A., & Conci, A. (2022). Combining Image
Processing and Artificial Intelligence for Dental Image Analysis: Trends, Challenges, and
Applications. En P. Johri, M. J. Diván, R. Khanam, M. Marciszack, & A. Will (Eds.), Trends and
Advancements of Image Processing and Its Applications (pp. 75-105). Springer International
Publishing. https://doi.org/10.1007/978-3-030-75945-2_4
Muraev, A., Guseynov, N., Tsay, P. A., Kibardin, I. A., Burenchev, D. V., Ivanov, S. S., Oborotistov, N.
Y., Matuta, M. A., Grachev, N. S., & Larin, S. S. (2020). Artificial neural networks in dental and
maxillofacial radiology: A review. Clinical Dentistry, 72-80. https://lc.cx/b4UPJP
Mureșanu, S., Hedeșiu, M., Iacob, L., Eftimie, R., Olariu, E., Dinu, C., Jacobs, R., & on behalf of Team
Project Group. (2024). Automating Dental Condition Detection on Panoramic Radiographs:
Challenges, Pitfalls, and Opportunities. Diagnostics, 14(20).
https://doi.org/10.3390/diagnostics14202336
Ninkov, A., Frank, J. R., & Maggio, L. A. (2022). Bibliometrics: Methods for studying academic
publishing. Perspectives on Medical Education, 11(3), 173-176. https://doi.org/10.1007/s40037-021-
00695-4
Nogueira-Reis, F., Morgan, N., Nomidis, S., Van Gerven, A., Oliveira-Santos, N., Jacobs, R., &
Tabchoury, C. P. M. (2023). Three-dimensional maxillary virtual patient creation by
convolutional neural network-based segmentation on cone-beam computed tomography
images. Clinical Oral Investigations, 27(3), 1133-1141. https://doi.org/10.1007/s00784-022-04708-2
Nordblom, N. F., Büttner, M., & Schwendicke, F. (2024). Artificial Intelligence in Orthodontics: Critical
Review. Journal of Dental Research, 103(6), 577-584. https://doi.org/10.1177/00220345241235606
Park, J. H., Hwang, H. W., Moon, J. H., Yu, Y., Kim, H., Her, S. B., Srinivasan, G., Aljanabi, M. N. A.,
Donatelli, R. E., & Lee, S. J. (2019). Automated identification of cephalometric landmarks: Part
1—Comparisons between the latest deep-learning methods YOLOV3 and SSD. The Angle
Orthodontist, 89(6), 903-909. https://doi.org/10.2319/022019-127.1
Polizzi, A., Boato, M., Serra, S., D’Antò, V., & Leonardi, R. (2025). Applications of artificial intelligence
in orthodontics: A bibliometric and visual analysis. Clinical Oral Investigations, 29(1), 65.
https://doi.org/10.1007/s00784-025-06158-y
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 260
Priya, J., Raja, S. K. S., & Kiruthika, S. U. (2024). State-of-art technologies, challenges, and emerging
trends of computer vision in dental images. Computers in Biology and Medicine, 178, 108800.
https://doi.org/10.1016/j.compbiomed.2024.108800
Quimby, M. L., Vig, K. W. L., Rashid, R. G., & Firestone, A. R. (2004). The accuracy and reliability of
measurements made on computer-based digital models. The Angle Orthodontist, 74(3), 298-303.
https://doi.org/10.1043/0003-3219(2004)074<0298:TAAROM>2.0.CO;2
Radwan, M. T., Sin, Ç., Akkaya, N., & Vahdettin, L. (2023). Artificial intelligence-based algorithm for
cervical vertebrae maturation stage assessment. Orthodontics & Craniofacial Research, 26(3), 349-
355. https://doi.org/10.1111/ocr.12615
Rashmi, S., & Ashok, V. (2021). A Novel Method for Cephalometric Landmark Regression Using
Convolutional Neural Networks and Local Binary Pattern. En S. K. Singh, P. Roy, B. Raman, &
P. Nagabhushan (Eds.), Computer Vision and Image Processing (pp. 315-326). Springer.
https://doi.org/10.1007/978-981-16-1086-8_28
Rashmi, S., Murthy, P., Ashok, V., & Srinath, S. (2022). Cephalometric Skeletal Structure Classification
Using Convolutional Neural Networks and Heatmap Regression. SN Computer Science, 3(5),
336. https://doi.org/10.1007/s42979-022-01230-w
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
Sinard, E., Gajny, L., de La Dure-Molla, M., Felizardo, R., & Dot, G. (2025). Automated Cone Beam
Computed Tomography Segmentation of Multiple Impacted Teeth with or without Association
to Rare Diseases: Evaluation of Four Deep Learning-Based Methods. Orthodontics & Craniofacial
Research. https://doi.org/10.1111/ocr.12890
Thelwall, M., & Sud, P. (2022). Scopus 1900–2020: Growth in articles, abstracts, countries, fields, and
journals. Quantitative Science Studies, 3(1), 37-50. https://doi.org/10.1162/qss_a_00177
Thurzo, A., Jungová, P., & Danišovič, Ľ. (1 al 2 de febrero de 2024). AI-Powered Segmentation
Revolutionizes Scaffold Design in Regenerative Dentistry. 2024 International Conference on
Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA). Mahe, Seychelles.
https://doi.org/10.1109/ACDSA59508.2024.10467382
Traag, V. A., Waltman, L., & Van Eck, N. J. (2019). From Louvain to Leiden: Guaranteeing well-
connected communities. Scientific Reports, 9(1), 5233. https://doi.org/10.1038/s41598-019-41695-
z
Trehan, M., Bhanotia, D., Shaikh, T. A., Sharma, S., & Sharma, S. (2023). Artificial intelligence-based
automated model for prediction of extraction using neural network machine learning: A scope
and performance analysis. Journal of Contemporary Orthodontics, 7(4), 281-286.
https://doi.org/10.18231/j.jco.2023.048
Vătămănescu, E. M., Dominici, G., Ciuciuc, V. E., Vițelar, A., & Anghel, F. G. (2024). Connecting smart
mobility and car sharing using a systematic literature review. An outlook using Bibliometrix.
Journal of Cleaner Production, 485, 144333. https://doi.org/10.1016/j.jclepro.2024.144333
Wang, S. F., Xie, X. J., Zhang, L., Chang, S., Zuo, F. F., Wang, Y. J., & Bai, Y. X. (2023). Research on
multi-class orthodontic image recognition system based on deep learning network model.
Chinese Journal of Stomatology, 58(6), 561-568. https://doi.org/10.3760/cma.j.cn112144-20230305-
00070
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 1, enero-junio 2025 (243-261)
Esprint Investigación
Mónica Alejandra González Muñoz, Félix Andrés González Muñoz 261
Wang, X., Rigall, E., Chen, Q., Zhang, S., & Dong, J. (2022). Efficient and Stable Cephalometric
Landmark Localization Using Two-Stage Heatmaps’ Regression. IEEE Transactions on
Instrumentation and Measurement, 71, 1-16. https://doi.org/10.1109/TIM.2022.3206762
Wong, K. F., Lam, X. Y., Jiang, Y., Yeung, A. W. K., & Lin, Y. (2023). Artificial intelligence in
orthodontics and orthognathic surgery: A bibliometric analysis of the 100 most-cited articles.
Head & Face Medicine, 19(1), 38. https://doi.org/10.1186/s13005-023-00383-0
Xu, X., Liu, C., & Zheng, Y. (2019). 3D Tooth Segmentation and Labeling Using Deep Convolutional
Neural Networks. IEEE Transactions on Visualization and Computer Graphics, 25(7), 2336-2348.
https://doi.org/10.1109/TVCG.2018.2839685
Zatt, F. P., Rocha, A. de O., Anjos, L. M. dos, Caldas, R. A., Cardoso, M., & Rabelo, G. D. (2024).
Artificial intelligence applications in dentistry: A bibliometric review with an emphasis on
computational research trends within the field. The Journal of the American Dental Association,
155(9), 755-764. https://doi.org/10.1016/j.adaj.2024.05.013
Zhou, Y., Yuwen, T. N., Xiang, X., Chaoran, X. U. E., & Hui, X. U. (2023). Research progress on deep
learning algorithms to assist 3D tooth segmentation of digital dental models. Journal of
Prevention and Treatment for Stomatological Diseases, 31(9), 673-678. https://lc.cx/184mBV
Zilberman, O., Huggare, J. A. V., & Parikakis, K. A. (2003). Evaluation of the validity of tooth size and
arch width measurements using conventional and three-dimensional virtual orthodontic
models. The Angle Orthodontist, 73(3), 301-306. https://doi.org/10.1043/0003-
3219(2003)073<0301:EOTVOT>2.0.CO;2
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Mónica Alejandra González Muñoz: Conceptualización, metodología, software, validación, análisis
formal, investigación, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, administración del proyecto, recursos, supervisión.
Félix Andrés González Muñoz: Conceptualización, metodología, software, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, recursos, supervisión.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
