https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
582
Artículo de revisión
Inteligencia Artificial Generativa y su aplicación en odontología:
una revisión sistemática de la literatura
Modeling of drone trajectories through mathematical interpolation for the
analysis of measurement accuracy on planar surfaces
Pablo Andrés Parra Martínez*
Universidad Nacional de Chimborazo
Riobamba - Ecuador
pabloa.parra@unach.edu.ec
https://orcid.org/0000-0002-3896-3684
David Gerardo Carrillo Vaca
Universidad Nacional de Chimborazo
Riobamba - Ecuador
david.carrillo@unach.edu.ec
https://orcid.org/0000-0002-4613-5264
Daniela Jessica Barba Flores
Gobierno Autónomo Descentralizado
Municipal del Cantón Riobamba
Riobamba - Ecuador
barbad@gadmriobamba.gob.ec
https://orcid.org/0009-0007-5160-0232
Angélica Catalina Oyervide Soto
Universidad de Cuenca
Cuenca - Ecuador
angelica.oyervide@ucuenca.edu.ec
https://orcid.org/0000-0003-3142-559X
Paola Natalí Paredes Chinizaca
Universidad Nacional de Chimborazo
Riobamba - Ecuador
pparedes@unach.edu.ec
https://orcid.org/0000-0003-0453-7019
*Correspondencia:
pabloa.parra@unach.edu.ec
Cómo citar este artículo:
Parra, P., Carrillo, D., Barba, D., Oyervide,
A., & Paredes, P. (2026). Inteligencia
Artificial Generativa y su aplicación en
odontología: una revisión sistemática de la
literatura. Esprint Investigación, 5(1), 582-595.
https://doi.org/10.61347/ei.v5i1.269
Recibido: 9 de febrero de 2026
Aceptado: 14 de marzo de 2026
Publicado: 18 de marzo de 2026
Resumen: La inteligencia artificial generativa (GenAI) ha emergido como una tecnología
con creciente potencial transformador en la odontología, impactando procesos clave como
el diagnóstico, la planificación terapéutica y la educación clínica en un contexto de
acelerada digitalización de la atención en salud bucal. El objetivo de esta revisión
sistemática fue analizar las aplicaciones de la inteligencia artificial generativa en
odontología e identificar las oportunidades, limitaciones y desafíos reportados en la
literatura científica reciente. La metodología se desarrolló siguiendo las directrices del
protocolo PRISMA, mediante una búsqueda sistemática en las bases de datos Scopus y Web
of Science, utilizando una cadena de búsqueda estructurada adaptada a cada base de datos.
Tras el proceso de identificación, cribado, elegibilidad e inclusión, se seleccionaron 18
estudios para su análisis cualitativo. Los resultados muestran que la GenAI se aplica
principalmente en educación dental, apoyo al diagnóstico y a la toma de decisiones clínicas,
planificación y simulación de tratamientos, generación de datos sintéticos y mejora de la
comunicación entre profesionales y pacientes. Asimismo, se identificaron oportunidades
para optimizar procesos formativos y clínicos, facilitar
el acceso al conocimiento
especializado y favorecer la personalización de la atención odontológica. No obstante,
también se evidencian limitaciones relevantes, como la falta de validación clínica robusta,
el riesgo de desinformación, la presencia de sesgos en los modelos y diversos desafíos éticos
y regulatorios. En conclusión, la GenAI representa una herramienta prometedora para la
odontología contemporánea; sin embargo, su adopción efectiva requiere validación
científica rigurosa, marcos regulatorios claros y una adecuada formación ética y tecnológica
de los profesionales para garantizar su integración segura en la práctica clínica y educativa.
Palabras clave: Educación odontológica, GenAI odontología, i
nteligencia artificial
generativa, revisión sistemática.
Abstract: Generative artificial intelligence (GenAI) has emerged as a technology with growing
transformative potential in dentistry, impacting key processes such as diagnosis, treatment
planning, and clinical education in a context of accelerated digitalization of oral healthcare. The
objective of this systematic review was to analyze the applications of generative artificial
intelligence in dentistry and to identify the opportunities, limitations, and challenges reported in
recent scientific literature. The methodology was developed following the guidelines of the
PRISMA protocol, through a systematic search conducted in the Scopus and Web of Science
databases using a structured search strategy adapted to each database. After the processes of
identification, screening, eligibility, and inclusion, 18 studies were selected for qualitative
analysis. The results show that GenAI is mainly applied in dental education, diagnostic support
and clinical decision-making, treatment planning and simulation, generation of synthetic data,
and improvement of communication between professionals and patients. Furthermore,
opportunities were identified to optimize educational and clinical processes, facilitate access to
specialized knowledge, and promote the personalization of dental care. However, relevant
limitations were also identified, including the lack of robust clinical validation, the risk of
misinformation, the presence of biases in the models, and various ethical and regulatory
challenges. In conclusion, GenAI represents a promising tool for contemporary dentistry;
however, its effective adoption requires rigorous scientific validation, clear regulatory
frameworks, and adequate ethical and technological training for professionals to ensure its safe
integration into clinical and educational practice.
Keywords: Dental Education, GenAI dentistry, generative artificial intelligence, systematic
review.
Copyright: Derechos de autor 2026 Pablo
Andrés Parra Martínez, David Gerardo
Carrillo Vaca, Daniela Jessica Barba Flores,
Angélica Catalina Oyervide Soto, Paola
Natalí Paredes Chinizaca.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
583
1. Introducción
La odontología moderna experimenta una transformación tecnológica sin precedentes, impulsada por
la creciente integración de métodos basados en inteligencia artificial (IA). Estas herramientas
inteligentes han demostrado superar, en determinadas tareas especializadas, algunas capacidades
humanas tradicionales, particularmente en el análisis de grandes volúmenes de datos y en la
automatización de procesos clínicos (Semerci & Yardımcı, 2024).
Este avance representa un cambio de paradigma en la práctica odontológica, reflejando tendencias
evolutivas más amplias en la atención sanitaria, donde la tecnología desempeña un papel cada vez
más estratégico e indispensable (Ali, 2024).
La introducción de sistemas basados en IA en el ámbito odontológico ha adquirido una relevancia
creciente, al ofrecer nuevas oportunidades para optimizar procesos clínicos, como el diagnóstico por
imagen, la planificación de tratamientos y la gestión integral de la atención al paciente (Ossowska et
al., 2022).
Además, estas herramientas contribuyen a reducir la probabilidad de errores asociados a la
práctica clínica diaria (Bonny et al., 2023), lo cual resulta especialmente relevante en un campo
multidisciplinario que abarca diversas subespecialidades orientadas al estudio, prevención y
tratamiento de las enfermedades bucodentales (Universidad de Navarra, 2025).
En este contexto, la inteligencia artificial generativa (GenAI), considerada una subrama avanzada
de la IA, se caracteriza por su capacidad para generar nuevos contenidos como texto, imágenes,
audio o código mediante el aprendizaje de patrones complejos a partir de grandes conjuntos de datos
(Baxmann et al., 2025).
A diferencia de los enfoques tradicionales de IA, que se centran en tareas de clasificación,
predicción o segmentación, la GenAI puede crear nuevas representaciones de datos con alto grado
de precisión, lo que evidencia su potencial transformador en el ámbito sanitario, especialmente en
un contexto marcado por la creciente demanda de servicios médicos más eficientes, precisos y
centrados en el paciente (Ma et al., 2026).
Actualmente, herramientas basadas en modelos generativos, como ChatGPT, Claude y Bard, han
comenzado a captar una atención significativa en el ámbito académico y clínico (Preiksaitis & Rose,
2023). Diversos estudios recientes han explorado su aplicabilidad en contextos odontológicos. Por
ejemplo, Kusaka et al. (2024) demostraron que los sistemas de GenAI pueden proporcionar respuestas
confiables en el ámbito de la odontología pediátrica, lo que sugiere su posible utilización como
herramientas de apoyo clínico y educativo.
De manera similar, Chau et al. (2024) evaluaron el desempeño de ChatGPT-4.0 en 1461 preguntas
correspondientes a exámenes de licencia dental, obteniendo un 80.7 % de respuestas correctas en el
examen de Estados Unidos superando el 75 % requerido y un 62.7 % en el del Reino Unido superando
el 50 % exigido, lo que evidencia un nivel considerable de competencia en conocimiento odontológico.
Asimismo, Uribe et al. (2025) analizaron diversas directrices educativas relacionadas con el uso de
GenAI, destacando la importancia de principios como la ética, la transparencia y la integridad académica,
aunque señalan la escasez de lineamientos específicos para su aplicación en odontología, lo cual abre
nuevas oportunidades para el desarrollo de recomendaciones y marcos regulatorios responsables.
No obstante, a pesar de sus múltiples beneficios potenciales, la integración de la GenAI en
odontología aún presenta importantes vacíos en la evidencia científica disponible (Baxmann et al.,
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
584
2025). En particular, el ámbito de la salud plantea consideraciones éticas, legales y de privacidad de
los datos especialmente complejas, que requieren un análisis riguroso antes de promover su
adopción generalizada (Villena et al., 2025).
En consecuencia, la implementación de modelos generativos en la práctica odontológica implica
desafíos específicos, que no suelen presentarse con la misma intensidad en otros sectores
tecnológicos o industriales (Kumar et al., 2024).
En este contexto, el objetivo de la presente revisión sistemática es analizar y sintetizar la evidencia
científica reciente sobre las aplicaciones de la inteligencia artificial generativa en odontología, con el
fin de identificar sus principales oportunidades, limitaciones y desafíos en el ámbito clínico,
educativo y de investigación.
Para alcanzar este propósito, se plantean las siguientes preguntas de investigación: (1) ¿Cuáles
son las principales aplicaciones de la inteligencia artificial generativa en odontología?; (2) ¿Qué
oportunidades, limitaciones y desafíos se reportan en la literatura científica respecto al uso de
modelos generativos en este campo?
Al integrar y evaluar críticamente la evidencia disponible, esta revisión busca identificar tendencias
emergentes, reconocer vacíos de investigación y proporcionar un marco conceptual que oriente futuras
investigaciones y la implementación responsable de tecnologías generativas en el ámbito odontológico.
2. Metodología
La presente revisión sistemática se desarrolló siguiendo las directrices establecidas por el protocolo
PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), con el fin de garantizar la
transparencia, el rigor metodológico y la reproducibilidad en el proceso de búsqueda, selección y
síntesis de la evidencia científica (Page et al., 2021).
Criterios de elegibilidad
Los criterios de inclusión consideraron artículos científicos publicados hasta la fecha de consulta (23
de diciembre de 2025), incluyendo artículos originales, revisiones y documentos de conferencias, que
abordaran de manera explícita aplicaciones, desarrollos, validaciones o análisis de la inteligencia
artificial generativa en el ámbito odontológico.
Se incluyeron estudios relacionados con diferentes áreas clínicas y académicas de la odontología,
tales como odontología general, prostodoncia, ortodoncia, periodoncia, endodoncia y reconstrucción
dental, siempre que el enfoque principal estuviera vinculado al uso o análisis de modelos generativos.
Además, no se establecieron restricciones de idioma, con el objetivo de ampliar el alcance y la cobertura
de la búsqueda bibliográfica.
Por otro lado, se excluyeron estudios duplicados, documentos que no correspondieran a artículos
científicos revisados por pares, publicaciones que abordaran inteligencia artificial no generativa o
aplicaciones odontológicas sin relación directa con la inteligencia artificial generativa (GenAI).
Asimismo, se excluyeron aquellos trabajos cuyo contenido, tras la revisión de títulos, resúmenes y
palabras clave, no aportara evidencia relevante para el objetivo del estudio. También fueron excluidos
artículos con restricciones de acceso al texto completo o que presentaran información insuficiente para
su adecuada evaluación metodológica y conceptual.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
585
Fuentes de información y estrategia de búsqueda
La búsqueda de información bibliográfica se realizó en las bases de datos Scopus y Web of Science,
seleccionadas debido a su amplia cobertura, calidad editorial y relevancia en la producción científica
internacional. En total, se recuperaron 42 estudios, de los cuales 24 procedieron de Scopus y 18 de Web
of Science.
Para ello, se utilizó una cadena de búsqueda estructurada a partir de dos categorías conceptuales
principales: inteligencia artificial generativa y odontología. La sintaxis de búsqueda fue adaptada a la
estructura específica de cada base de datos, centrando la estrategia en el campo de título para aumentar
la precisión de los resultados (véase tabla 1).
Tabla 1
Estrategia de búsqueda
Base de datos Cadena de búsqueda Estudios
Scopus
( TITLE ( "Generative Artificial Intelligence" OR "GenAI" ) AND TITLE ( dentistry OR dental
OR Prosthodontics OR Orthodontics OR Periodontics OR Endodontics OR "Tooth
Reconstruction" ) ) AND ( LIMIT-TO ( DOCTYPE , "ar" ) OR LIMIT-TO ( DOCTYPE , "re" )
OR LIMIT-TO ( DOCTYPE , "cp" ) )
24
Web of Science
TI=("Generative Artificial Intelligence" OR "GenAI") AND TI=(dentistry OR dental OR
Prosthodontics OR Orthodontics OR Periodontics OR Endodontics OR "Tooth Reconstruction")
18
Total 42
Proceso de selección de estudios
El proceso de selección de estudios se llevó a cabo siguiendo el diagrama de flujo PRISMA 2020. En la
fase de identificación se obtuvieron 42 registros a partir de las dos bases de datos consultadas, de los
cuales se eliminaron 18 registros duplicados antes de iniciar la evaluación.
Posteriormente, durante la fase de cribado, se examinaron 24 registros únicos mediante la revisión de
títulos, resúmenes y palabras clave. En esta etapa no se excluyeron estudios por falta de pertinencia
temática.
A continuación, se solicitaron 24 estudios para su recuperación en texto completo, de los cuales 6
no pudieron ser recuperados. Finalmente, en la fase de elegibilidad, se evaluaron 18 estudios, los cuales
cumplieron con los criterios de inclusión establecidos y fueron incorporados en la revisión sistemática.
La figura 1 muestra el proceso de selección seguido, desde la identificación inicial de los registros
hasta la inclusión final de los estudios analizados.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
586
Figura 1
Diagrama de flujo PRISMA 2020
Métodos de síntesis
Para el análisis de los estudios incluidos, se realizó una extracción sistemática de la información
relevante, centrándose en características generales de los estudios, áreas de aplicación de la inteligencia
artificial generativa en odontología, oportunidades identificadas y limitaciones o desafíos reportados.
Posteriormente, la información recopilada fue analizada mediante un enfoque cualitativo y
comparativo, lo que permitió organizar y sintetizar la evidencia disponible de manera estructurada.
Este procedimiento facilitó responder de forma coherente a las preguntas de investigación planteadas
y ofrecer una visión integral del estado actual del conocimiento sobre la aplicación de la inteligencia
artificial generativa en odontología, un campo emergente dentro de la investigación biomédica y
tecnológica.
3. Resultados
La tabla 2 presenta una síntesis comparativa de los estudios incluidos en esta revisión sistemática, los
cuales abordan diversas aplicaciones de la inteligencia artificial generativa (GenAI) en odontología. En
esta tabla se resume de manera estructurada la información correspondiente a los autores, las
aplicaciones específicas reportadas, los tipos de modelos generativos empleados, el campo odontológico
en el que se aplican y los principales temas abordados. Esta organización facilita la identificación de
patrones comunes, así como de diferencias en las aplicaciones de la GenAI entre los estudios analizados.
Registros identificados desde
:
Bases de datos (n = 2)
Scopus (n = 24)
Web of Science (n = 18)
Registros (n = 42)
Registros eliminados antes de la
evaluación:
Registros duplicados eliminados (n =
18)
Registros examinados
(n = 24)
Registros excluidos:
Registros que después de la revisión
de títulos, resumen y palabras clave
no contribuyen al estudio ni
responden a las preguntas de
investigación (n = 0)
Estudios solicitados para
recuperación
(n = 24)
Estudios no recuperados
(n = 6)
Estudios evaluados para
elegibilidad
(n = 18)
Estudios incluidos en la revisión
(n = 18)
Identificación de estudios a través de bases de datos y registros
Identificación
Cribado
Inclusión
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
587
Tabla 2
Aplicaciones de la Inteligencia Artificial Generativa en Odontología
Autor(es) Aplicaciones Tipo de GenAI Campo Temas abordados
Raj & Ravindran
(2025)
Educación del paciente y
cuidadores, apoyo preconsulta,
reducción de ansiedad, soporte
a la toma de decisiones clínicas,
plataformas FAQ supervisadas
LLMs: ChatGPT-3.5,
4º; Claude 3.5/3.7;
Gemini 2.0/2.5; Grok-3;
DeepSeek-V3
Odontología
pediátrica
Manejo de caries, traumatismos
dentales, desarrollo oral, hábitos
deletéreos, higiene oral preventiva
Hamaguchi et al.
(2025)
Asistencia clínica y académica,
consultas médicas, pruebas de
confirmación y estudio
LLMs: ChatGPT 3.5, 4o
mini, 5;
Gemini 1.5, 2.5;
Copilot; MediSearch
Odontología
general
Ética médica, diagnóstico clínico,
atención de emergencia,
prevención y promoción de la
salud
Chuang et al.
(2025)
Generación de notas clínicas
sintéticas para EHRs, mejora
del entrenamiento de NLP
LLM (GPT-4) Periodoncia
Notas clínicas sintéticas, extracción
de entidades clínicas, diagnóstico
periodontal
Or et al. (2025)
Simulación de pacientes
virtuales para entrenamiento
en historia clínica
LLM (GPT-4 Turbo)
Odontología
general
Historia clínica, condiciones
médicas, medicamentos, hábitos y
dieta
Abuabara et al.
(2025)
Estimación de edad dental,
soporte diagnóstico y
planificación del tratamiento
LLMs: GPT-4-turbo,
Gemini 2.0 Flash,
DeepSeek-V3
Odontología
pediátrica y
ortodoncia
Estimación de edad dental,
mediciones cefalométricas
Dermata et al.
(2025)
Diagnóstico asistido por
imágenes, planificación del
tratamiento, educación y
comunicación clínica
LLMs: ChatGPT-
3.5/4/4o, Gemini,
Copilot
Odontología
pediátrica,
ortodoncia,
periodoncia,
endodoncia
Caries temprana, trauma dental,
orientación conductual,
planificación terapéutica
Makrygiannakis et
al. (2024)
Consultor científico clínico,
apoyo a decisiones basadas en
evidencia
LLMs: ChatGPT-3.5/4,
Gemini, Bing Chat
Ortodoncia
Diagnóstico ortodóncico,
decisiones clínicas cotidianas
Larrea & Bustillos,
(2025)
Tutorías virtuales,
simulaciones clínicas,
generación de contenido
educativo, apoyo diagnóstico
LLMs: ChatGPT,
Gemini, Claude.
Modelos generativos
de imagen: DALL-E 2,
Midjourney
Educación
odontológica
Periodoncia, endodoncia,
anatomía, odontología basada en
evidencia
Soliman et al.
(2025)
Diseño protésico
automatizado, regeneración
ósea guiada, planificación de
implantes
Dental GENI: GenAI y
Aprendizaje por
Refuerzo
Implantología
Modelos 3D, pérdida ósea,
colocación de implantes
Villena et al. (2025)
Educación dental, diagnóstico
clínico, planificación del
tratamiento, investigación
GANs, modelos
generativos visuales y
LLMs
Prótesis,
ortodoncia,
diagnóstico
Anatomía dental, trauma facial,
planificación terapéutica
Ma et al. (2026)
Diseño protésico,
reconstrucción 3D, ortodoncia
automatizada, radiología
avanzada
GANs, modelos de
difusión, LLMs, VAEs
Prostodoncia,
ortodoncia,
radiología
Restauración dental, alineación,
CBCT, imagenología oral
Umer & Adnan
(2024)
Generación de datos sintéticos
para entrenamiento y
educación
VAEs, GANs, modelos
de difusión, LLMs
Odontología
general
Imágenes intraorales, radiografías,
morfología dental
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
588
Autor(es) Aplicaciones Tipo de GenAI Campo Temas abordados
Dawa et al. (2025)
Diagnóstico preciso,
planificación personalizada,
simulación de tratamientos
GenAI (enfoque
general)
Odontología
general
Diagnóstico, planificación,
procedimientos, educación
Tokgöz (2025)
Soporte clínico, educación
profesional, información al
paciente
LLMs: ScholarGPT,
ChatGPT-3.5/4,
Gemini
Odontología
pediátrica
Avulsión dental, trauma dental
Chau et al. (2024)
Educación, redacción
científica, soporte clínico y al
paciente
LLMs: ChatGPT-3.5/4
Odontología
general y
especialidades
Diagnóstico oral, endodoncia,
periodoncia, farmacología
Anand &
Vaderhobli (2025)
Guía clínica inmediata,
estandarización de la atención,
mejora de resultados
LLMs: ChatGPT, Med-
PaLM
Educación
odontológica
Conocimiento odontológico
especializado
Baxmann et al.
(2025)
Tutoría virtual, simulación
clínica, evaluación, diagnóstico
asistido
LLMs: ChatGPT-
4 y
modelos previos GPT-
2, GPT-3 y GPT-3.5;
Google Bard
Educación
odontológica y
ortodoncia
Análisis cefalométrico,
planificación del tratamiento
Kusaka et al.
(2024)
Diagnóstico pediátrico,
consultas a pacientes, apoyo a
cuidadores
LLMs: ChatGPT-3.5,
Copilot, Gemini
Odontología
pediátrica
Caries, anomalías dentales,
enfermedades sistémicas
Los resultados indican que la GenAI se aplica de manera amplia y heterogénea en distintos ámbitos
de la odontología, con un predominio de enfoques basados en grandes modelos de lenguaje (LLMs),
aunque también se observa una presencia creciente de modelos generativos visuales y
tridimensionales, como redes generativas adversariales (GANs), modelos de difusión y autoencoders
variacionales (VAEs).
De manera general, las aplicaciones identificadas pueden agruparse en cinco dominios principales,
que responden directamente al objetivo de la presente revisión:
1. Educación y formación odontológica.
2. Apoyo al diagnóstico y a la toma de decisiones clínicas.
3. Planificación y simulación del tratamiento.
4. Generación de datos sintéticos.
5. Mejora de la comunicación clínica y con los pacientes.
En el ámbito educativo, la GenAI está transformando los procesos de enseñanza y aprendizaje en
odontología, al permitir la personalización de rutas de aprendizaje, la generación de casos clínicos
simulados y el desarrollo de pacientes virtuales interactivos.
Estas aplicaciones abarcan diversas subáreas, como periodoncia, endodoncia, ortodoncia y
anatomía dental, mejorando la accesibilidad al conocimiento, la retroalimentación inmediata y la
comprensión de conceptos complejos. Asimismo, estas herramientas favorecen la comunicación entre
profesionales, pacientes y cuidadores, mediante asistentes de preconsulta, plataformas de preguntas
frecuentes y recursos educativos diseñados para reducir la ansiedad del paciente, especialmente en el
contexto de la odontología pediátrica.
En la práctica clínica, la GenAI se utiliza como herramienta de apoyo para el diagnóstico y la
planificación terapéutica, a través de aplicaciones como la interpretación asistida de radiografías, la
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
589
detección temprana de caries, la estimación de la edad dental y la generación de notas clínicas sintéticas
para el entrenamiento de modelos de procesamiento del lenguaje natural.
Asimismo, destaca su utilidad en la planificación del tratamiento, incluyendo el diseño de prótesis,
la ortodoncia automatizada, las reconstrucciones tridimensionales y la simulación de procedimientos
implantológicos.
De manera transversal, la generación de datos sintéticos constituye una de las aplicaciones
emergentes más relevantes de la GenAI en odontología. En este contexto, los modelos generativos
permiten producir imágenes intraorales, radiografías y textos clínicos sintéticos, mediante el uso de
GANs, modelos de difusión y autoencoders, lo que contribuye a abordar problemas relacionados con
la escasez de datos clínicos, la protección de la privacidad de los pacientes y el entrenamiento de
modelos de inteligencia artificial para investigación y desarrollo tecnológico.
La tabla 3 sintetiza de manera integrada las oportunidades, limitaciones y desafíos asociados al uso
de la inteligencia artificial generativa en odontología. En ella se presentan los principales beneficios
identificados en la literatura, junto con las restricciones técnicas, clínicas y conceptuales que
condicionan su aplicación, así como los desafíos futuros que deben abordarse para garantizar una
adopción segura y efectiva de estas tecnologías. Esta síntesis facilita una comprensión crítica y
equilibrada del estado actual del conocimiento en este campo emergente.
Tabla 3
Oportunidades, limitaciones y desafíos de la IA generativa en odontología
Autor(es) Oportunidades Limitaciones Desafíos
Anand & Vaderhobli
(2025); Baxmann et al.
(2025); Larrea & Bustillos
(2025); Villena et al. (2025)
Mejora de la educación en
odontología, aprendizaje
personalizado, tutorías
virtuales, simulaciones
clínicas y feedback en tiempo
real
Riesgo de desinformación,
inconsistencias en las respuestas,
limitaciones en el razonamiento
crítico y dependencia tecnológica
Adaptación curricular, integridad
académica, alfabetización en IA,
regulación ética y prevención del
plagio
Dermata et al. (2025;
Kusaka et al. (2024);
Makrygiannakis et al.
(2024); Raj & Ravindran
(2025)
Apoyo a la toma de decisiones
clínicas y a la odontología
basada en evidencia
Incapacidad para sustituir el
juicio clínico, respuestas
incompletas o parcialmente
incorrectas
Garantizar supervisión clínica, definir
responsabilidades legales y evitar la
sobredependencia
Chau et al. (2024); Kusaka
et al. (2024); Raj &
Ravindran (2025)
Mejora en la comunicación
entre pacientes y cuidadores,
reducción de ansiedad por
desinformación
Variabilidad en la calidad del
contenido, imprecisiones
factuales y falta de
personalización
Asegurar claridad, fiabilidad y
comprensión adecuada por parte del
usuario
Abuabara et al. (2025);
Chuang et al. (2025);
Dawa et al. (2025); Ma et
al. (2026)
Optimización del diagnóstico,
planificación del tratamiento
y generación de datos clínicos
sintéticos
Falta de validación clínica
robusta, modelos no entrenados
específicamente en odontología,
sesgos y pobre ajuste a datos
reales
Validación prospectiva,
estandarización metodológica e
integración en flujos clínicos reales
Ma et al. (2026); Soliman
et al. (2025)
Automatización de procesos
complejos como diseño
protésico, regeneración ósea
guiada e implantología
Dependencia de la calidad de los
datos, procesos que aún son
altamente dependientes del
experto
Integración anatómica completa,
interoperabilidad y adopción clínica
segura
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
590
Autor(es) Oportunidades Limitaciones Desafíos
Umer & Adnan (2024);
Villena et al. (2025)
Generación de datos sintéticos
para investigación, educación
y entrenamiento de modelos
Riesgo de deepfakes,
reidentificación del paciente y
ausencia de métricas de
“sinteticidad”
Gobernanza de la IA, métricas
estandarizadas y protección de la
privacidad
Anand & Vaderhobli,
(2025); Chau et al. (2024);
Tokgöz (2025)
Acceso rápido a información
científica actualizada y
soporte en emergencias
clínicas
Incertidumbre sobre las fuentes
de datos, alucinaciones y
problemas de derechos de autor
Transparencia, trazabilidad de la
información y validación científica
Hamaguchi et al. (2025);
Kusaka et al. (2024)
Evolución rápida y mejora
continua del rendimiento de
los modelos GenAI
Variabilidad entre versiones,
limitaciones técnicas en análisis
multimodal
Actualización constante, evaluación
comparativa y adaptación a
estándares profesionales
La inteligencia artificial generativa ofrece un amplio conjunto de oportunidades para la
odontología, particularmente en los ámbitos educativo, clínico y de investigación. En el ámbito
educativo, destaca su capacidad para transformar la formación dental mediante el aprendizaje
personalizado, la tutoría virtual y la generación de simulaciones clínicas realistas.
La literatura revisada coincide en que los modelos generativos pueden facilitar el acceso al
conocimiento, proporcionar retroalimentación inmediata y apoyar la formación continua de
estudiantes y profesionales, especialmente en contextos con recursos docentes limitados. Asimismo, se
reconoce su potencial para fortalecer la alfabetización científica y promover la práctica de la
odontología basada en la evidencia.
En el entorno clínico, la GenAI se perfila como una herramienta prometedora para apoyar la toma
de decisiones, optimizar la planificación del tratamiento y mejorar la comunicación entre profesionales
y pacientes. Los estudios revisados destacan oportunidades relacionadas con la interpretación asistida
de información clínica, la síntesis de evidencia científica relevante y la generación de contenidos
explicativos, lo que contribuye a reducir la ansiedad del paciente y a fortalecer un enfoque de atención
centrado en la persona.
Asimismo, la generación de datos sintéticos y la automatización de procesos complejos, como el
diseño protésico y la planificación de implantes, se identifican como avances relevantes para la
investigación y el desarrollo de soluciones clínicas más eficientes.
No obstante, la literatura también subraya diversas limitaciones que condicionan la implementación
de modelos generativos en odontología. Entre las más relevantes se encuentran la falta de validación
clínica robusta, la posibilidad de generar información inexacta o inconsistente y la incapacidad de los
modelos para sustituir el juicio clínico experto.
Además, se identifican preocupaciones relacionadas con la calidad y representatividad de los datos
de entrenamiento, la presencia de sesgos algorítmicos y la limitada especificidad de los modelos
generalistas para contextos odontológicos. Asimismo, se advierte sobre el riesgo de dependencia
excesiva de estas herramientas en la práctica profesional.
Por lo tanto, el principal desafío para la adopción segura y efectiva de la GenAI en odontología
radica en la necesidad de establecer marcos éticos, regulatorios y metodológicos sólidos. La integración
de estas tecnologías en la práctica clínica requiere procesos de validación prospectiva, estandarización
de métricas de desempeño, transparencia en las fuentes de datos y una definición clara de las
responsabilidades legales.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
591
Además, la literatura identifica como desafíos prioritarios la alfabetización en inteligencia artificial
de estudiantes y profesionales, la adaptación de los planes de estudio, la protección de la privacidad
del paciente y la mitigación de riesgos asociados a la desinformación o al uso indebido de contenidos
generados.
4. Discusión
Las aplicaciones de la inteligencia artificial generativa (GenAI) en odontología se concentran
principalmente en cinco dominios: educación, diagnóstico asistido, planificación terapéutica,
generación de datos sintéticos y mejora de la comunicación entre paciente y profesional. Estos
resultados evidencian el carácter transversal de la GenAI dentro de la práctica odontológica
contemporánea, al ofrecer oportunidades significativas para fortalecer la formación clínica, optimizar
la precisión diagnóstica y mejorar la gestión del conocimiento en entornos asistenciales y académicos.
No obstante, la literatura también pone de manifiesto limitaciones importantes, entre las que
destacan la falta de validación clínica robusta, el riesgo de desinformación generada por los modelos,
los dilemas éticos asociados al uso de datos y los desafíos relacionados con la gobernanza de la
información, la alfabetización en inteligencia artificial y la regulación profesional.
Los hallazgos de esta revisión son consistentes con investigaciones previas sobre el uso de
inteligencia artificial en odontología, las cuales destacan su potencial transformador en los procesos
diagnósticos, educativos y clínicos. En este sentido, Paisano-Serrano (2025) reporta mejoras en la
precisión diagnóstica y en la planificación del tratamiento mediante herramientas basadas en IA,
aunque señala limitaciones relacionadas con la estandarización de los datos y la necesidad de fortalecer
la capacitación tecnológica de los profesionales de la salud.
De manera similar, Alharbi et al. (2024) evidencian el papel relevante de las redes neuronales en la
detección de patologías mediante imágenes odontológicas, lo cual coincide con las aplicaciones de
diagnóstico asistido identificadas en esta revisión, aunque su análisis se centra en enfoques de
inteligencia artificial no generativa.
Asimismo, Uribe et al. (2025) destacan que la integración de la GenAI en la educación odontológica
puede favorecer la retención del conocimiento y mejorar los procesos de aprendizaje, aunque persisten
barreras estructurales, como la resistencia de algunos docentes al uso de tecnologías emergentes y la
necesidad de contar con infraestructura tecnológica adecuada en las instituciones educativas.
En este contexto, la integración de modelos generativos en odontología puede contribuir
significativamente a la formación continua de los profesionales, además de mejorar la precisión de los
diagnósticos y la planificación de los tratamientos, lo que potencialmente podría traducirse en mejores
resultados clínicos y en una mayor eficiencia en la atención al paciente.
Sin embargo, la incorporación de estas herramientas tecnológicas también implica la necesidad de
desarrollar nuevas competencias profesionales, particularmente en la interpretación crítica de la
información generada por los modelos, la supervisión de los resultados y el uso responsable de las
herramientas de inteligencia artificial. Esto resulta fundamental para evitar una dependencia excesiva
de los sistemas automatizados y prevenir errores derivados del juicio clínico automatizado,
garantizando que las tecnologías generativas se utilicen como herramientas de apoyo y no como
sustitutos del razonamiento clínico profesional.
Desde una perspectiva de investigación, los resultados de esta revisión sugieren diversas líneas
prioritarias para estudios futuros. En particular, se requiere el desarrollo de investigaciones
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
592
prospectivas que evalúen la eficacia y la seguridad de las aplicaciones de GenAI en contextos clínicos
reales, así como estudios comparativos que analicen el desempeño de distintos modelos generativos
en términos de precisión diagnóstica, utilidad clínica y confiabilidad. De igual manera, resulta
necesario avanzar en la construcción de estándares metodológicos, técnicos y éticos que orienten la
integración responsable de la inteligencia artificial generativa en la práctica odontológica.
En este sentido, la implementación segura de la GenAI en odontología dependerá en gran medida
del establecimiento de marcos regulatorios claros, del desarrollo de métricas estandarizadas para
evaluar el desempeño clínico de los modelos y de la adopción de estrategias educativas orientadas a
fortalecer la alfabetización digital y la competencia en inteligencia artificial entre estudiantes y
profesionales de la salud. Abordar estos desafíos permitirá aprovechar de manera más efectiva el
potencial de la inteligencia artificial generativa, al tiempo que se minimizan los riesgos asociados a su
uso en entornos clínicos y educativos.
5. Conclusiones
Esta revisión sistemática evidencia que la inteligencia artificial generativa (GenAI) se ha consolidado
como una tecnología emergente con un potencial transformador en el campo de la odontología, con
aplicaciones transversales en los ámbitos educativo, clínico y de investigación. En particular, los
resultados muestran que sus principales aplicaciones se concentran en el apoyo a la educación dental,
la asistencia al diagnóstico y a la toma de decisiones clínicas, la planificación y simulación de
tratamientos, la generación de datos sintéticos y la mejora de la comunicación entre profesionales y
pacientes.
Asimismo, los estudios analizados identifican oportunidades relevantes para optimizar los procesos
formativos y clínicos, facilitar el acceso al conocimiento científico y favorecer la personalización de la
atención odontológica. Sin embargo, estos beneficios coexisten con limitaciones importantes, entre las
que destacan la falta de validación clínica robusta, el riesgo de generación de información inexacta o
desinformación, la presencia de sesgos en los modelos y la limitada capacidad de estas herramientas
para sustituir el juicio clínico experto. A ello se suman desafíos significativos relacionados con la
gobernanza ética de los datos, la regulación tecnológica, la protección de la información sensible de los
pacientes y la necesidad de fortalecer la alfabetización en inteligencia artificial entre los profesionales
de la salud.
En este contexto, la evidencia disponible sugiere que las tecnologías basadas en GenAI deben
concebirse como herramientas complementarias destinadas a potenciar y no reemplazar la experiencia
y el criterio clínico del profesional odontológico. Su impacto real en la práctica clínica y educativa
dependerá en gran medida de una integración responsable y críticamente supervisada, sustentada en
marcos regulatorios claros, estándares metodológicos rigurosos y procesos de validación clínica
sólidos.
Finalmente, se destaca la necesidad de impulsar futuras investigaciones orientadas al desarrollo de
estudios prospectivos y comparativos que evalúen el desempeño, la confiabilidad y la seguridad de
estas tecnologías en escenarios clínicos reales. De igual manera, resulta fundamental avanzar en la
creación de estándares técnicos, éticos y educativos que permitan maximizar el potencial de la
inteligencia artificial generativa en odontología, garantizando al mismo tiempo la calidad de la
atención, la seguridad del paciente y la integridad de la práctica profesional.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
593
Referencias
Abuabara, A., do Nascimento, T., Trentini, S., Costa, A., Hueb, M., Madalena, I., Beisel-Memmert, S.,
Kirschneck, C., Antunes, L., Miranda, C., Baratto-Filho, F., & Küchler, E. (2025). Evaluating
the accuracy of generative artificial intelligence models in dental age estimation based on the
Demirjian’s method. Frontiers in Dental Medicine, 6.
https://doi.org/10.3389/fdmed.2025.1634006
Alharbi, S., & Alhasson, H. (2024). Exploring the applications of artificial intelligence in dental image
detection: A systematic review. Diagnostics, 14(21). https://doi.org/10.3390/diagnostics14212442
Ali, M. (2024). The role of artificial intelligence in modern dentistry: Applications, challenges, and
future directions. Future Dental Research, 2(2), 39–49.
https://doi.org/10.57238/fdr.2024.152576.1012
Anand, S., & Vaderhobli, R. (2025). The ethical boundaries of chairside generative artificial intelligence
in dental education. Journal of Dental Education. https://doi.org/10.1002/jdd.70048
Baxmann, M., Kárpáti, K., & Baráth, Z. (2025). The potentials and challenges of integrating generative
artificial intelligence (AI) in dental and orthodontic education: A systematic review. BMC Oral
Health, 25(1), 905. https://doi.org/10.1186/s12903-025-06070-7
Bonny, T., Al Nassan, W., Obaideen, K., Al Mallahi, M., Mohammad, Y., & El-Damanhoury, H. (2023).
Contemporary role and applications of artificial intelligence in dentistry. F1000Research, 12,
1179. https://doi.org/10.12688/f1000research.140204.1
Chau, R., Thu, K., Yu, O., Hsung, R., Lo, E., & Lam, W. (2024). Performance of generative artificial
intelligence in dental licensing examinations. International Dental Journal, 74(3), 616–621.
https://doi.org/10.1016/j.identj.2023.12.007
Chuang, Y., Lee, C., Lin, G., Brandon, R., Jiang, X., Walji, M., & Tokede, O. (2025). Cross-institutional
dental electronic health record entity extraction via generative artificial intelligence and
synthetic notes. JAMIA Open, 8(3), ooaf061. https://doi.org/10.1093/jamiaopen/ooaf061
Dawa, H., Cortes, A., Ribeiro, C., Neves, J., & Vicente, H. (2025). Integrating generative artificial
intelligence in clinical dentistry: Enhancing diagnosis, treatment planning, and procedural
precision through advanced knowledge representation and reasoning. Digital, 5(3), 44.
https://doi.org/10.3390/digital5030044
Dermata, A., Arhakis, A., Makrygiannakis, M., Giannakopoulos, K., & Kaklamanos, E. (2025).
Evaluating the evidence-based potential of six large language models in paediatric dentistry: A
comparative study on generative artificial intelligence. European Archives of Paediatric Dentistry,
26, 527–535. https://doi.org/10.1007/s40368-025-01012-x
Larrea, J., & Bustillos, W. (2025). La inteligencia artificial generativa en la educación odontológica: Una
revisión narrativa de aplicaciones y desafíos. Revista de la Asociación Odontológica Argentina,
113(3), e1131252. https://doi.org/10.52979/raoa.1131252.1306
Hamaguchi, S., Hamada, M., Ikeda, S., Kusaka, S., Akitomo, T., & Nomura, R. (2025). Comparison of
the performances of different updated generative artificial intelligence models on the
Japanese national dental examination. Journal of Dental Sciences.
https://doi.org/10.1016/j.jds.2025.10.003
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
594
Tokgöz, T. (2025). New generative artificial intelligence model: ScholarGPT’s performance on dental
avulsion. International Journal of Medical Informatics, 204, 106080.
https://doi.org/10.1016/j.ijmedinf.2025.106080
Kumar, G., Singh, R., Arya, V., & Mishra, S. (2024). Analyzing barriers in adoption of artificial
intelligence for resilient health care services to society. Global Journal of Flexible Systems
Management, 25(1), 179–197. https://doi.org/10.1007/s40171-024-00373-4
Kusaka, S., Akitomo, T., Hamada, M., Asao, Y., Iwamoto, Y., Tachikake, M., Mitsuhata, C., & Nomura,
R. (2024). Usefulness of generative artificial intelligence (AI) tools in pediatric dentistry.
Diagnostics, 14(24), 2818. https://doi.org/10.3390/diagnostics14242818
Ma, Z., Du, C., Lao, Q., & Xie, X. (2026). Generative artificial intelligence: Applications and future
prospects in dentistry. International Dental Journal, 76(1), 108276.
https://doi.org/10.1016/j.identj.2025.108276
Makrygiannakis, M., Giannakopoulos, K., & Kaklamanos, E. (2024). Evidence-based potential of
generative artificial intelligence large language models in orthodontics: A comparative study
of ChatGPT, Google Bard, and Microsoft Bing. European Journal of Orthodontics, 48(1).
https://doi.org/10.1093/ejo/cjae017
Or, A., Sukumar, S., Ma, A., Ang, D., Liu, M., Ritchie, H. E., & Sarrafpour, B. (2025). Enhancing dental
students’ history-taking skills with a generative artificial intelligence chatbot. Journal of Dental
Education, e13952. https://doi.org/10.1002/jdd.13952
Ossowska, A., Kusiak, A., & Świetlik, D. (2022). Artificial intelligence in dentistry—Narrative review.
International Journal of Environmental Research and Public Health, 19(6), 3449.
https://doi.org/10.3390/ijerph19063449
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., Shamseer, L., Tetzlaff, J.,
Akl, E., Brennan, S., Chou, R., Glanville, J., Grimshaw, J., Hróbjartsson, A., Lalu, M., Li, T.,
Loder, E., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement:
An updated guideline for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Paisano-Serrano, J. (2025). Inteligencia artificial en ortodoncia y odontología: Revisión sistemática.
Cuaderno de Odontología. Revista Científica, 3(1), 1–7. https://doi.org/10.62574/cnkgbh29
Preiksaitis, C., & Rose, C. (2023). Opportunities, challenges, and future directions of generative
artificial intelligence in medical education: Scoping review. JMIR Medical Education, 9(1),
e48785. https://doi.org/10.2196/48785
Raj, M., & Ravindran, V. (2025). A comparative study on generative artificial intelligence by evaluating
multiple large language models for guidance to parents toward pediatric dentistry: A
multimodal comparative LLM study. Journal of International Oral Health, 17(5), 378-387.
https://doi.org/10.4103/jioh.jioh_143_25
Semerci, Z., & Yardımcı, S. (2024). Empowering modern dentistry: The impact of artificial intelligence
on patient care and clinical decision making. Diagnostics, 14(12), 1260.
https://doi.org/10.3390/diagnostics14121260
Soliman, A., Lundgren, L., Tabejamaat, M., & Anderud, J. (2025). Generative artificial intelligence in
dental implants. Intelligent health systems – From technology to data and knowledge, 327, 235–236.
https://doi.org/10.3233/SHTI250315
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (582-595)
ISSN: 2960-8317
Pablo Andrés Parra Martínez, David Gerardo Carrillo Vaca, Daniela Jessica Barba Flores, Angélica Catalina Oyervide Soto, Paola Natalí Paredes Chinizaca
595
Umer, F., & Adnan, N. (2024). Generative artificial intelligence: Synthetic datasets in dentistry. BDJ
Open, 10(1), 13. https://doi.org/10.1038/s41405-024-00198-4
Universidad de Navarra. (2025). ¿Qué es la odontología? Diccionario médico. Clínica Universidad de
Navarra. https://www.cun.es/diccionario-medico/terminos/odontologia
Uribe, S., Maldupa, I., & Schwendicke, F. (2025). Integrating generative AI in dental education: A
scoping review of current practices and recommendations. European Journal of Dental Education,
29(2), 341–355. https://doi.org/10.1111/eje.13074
Villena, F., Véliz, C., García-Huidobro, R., & Aguayo, S. (2025). Generative artificial intelligence in
dentistry: A narrative review of current approaches and future challenges. Dentistry Review,
5(4), 100160. https://doi.org/10.1016/j.dentre.2025.100160
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Pablo Andrés Parra Martínez: Conceptualización, metodología, software, análisis formal,
investigación, gestión de datos, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, recursos, supervisión.
David Gerardo Carrillo Vaca: Conceptualización, análisis formal, investigación, visualización,
redacción - preparación del borrador original, redacción - revisión y edición, financiamiento,
administración del proyecto, recursos, supervisión.
Daniela Jessica Barba Flores: Validación, análisis formal, investigación, gestión de datos, redacción -
preparación del borrador original, redacción - revisión y edición, financiamiento, recursos,
supervisión.
Angélica Catalina Oyervide Soto: Metodología, validación, análisis formal, investigación, gestión de
datos, redacción - preparación del borrador original, redacción - revisión y edición, financiamiento.
Paola Natalí Paredes Chinizaca: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - revisión y edición, financiamiento.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
