https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
681
Artículo de revisión
Modelos de inteligencia artificial para apoyo clínico en cirugía dental e
implantología: una revisión sistemática
Artificial intelligence models for clinical support in dental surgery and
implantology: a systematic review
Adrián Sebastián Realpe Flores*
Profesional Independiente
Quito - Ecuador
od.adrianrealpe@gmail.com
https://orcid.org/0009-0009-3862-7427
Solange Daniela Chávez Jaramillo
Profesional Independiente
Quito - Ecuador
dasolcj@outlook.com
https://orcid.org/0009-0000-4477-9659
Maritza Mishell Alarcón Mugmal
Profesional Independiente
Quito - Ecuador
mishel98@hotmail.es
https://orcid.org/0009-0002-5010-8960
Carlos Elián Coque Bastidas
Profesional Independiente
Quito - Ecuador
carloselian2110@outlook.com
https://orcid.org/0009-0008-5110-7381
*Correspondencia:
od.adrianrealpe@gmail.com
Cómo citar este artículo:
Realpe, A., Chávez, S., Alarcón, M., &
Coque, C. (2026). Modelos de inteligencia
artificial para apoyo clínico en cirugía
dental e implantología: una revisión
sistemática. Esprint Investigación, 5(1), 681-
697. https://doi.org/10.61347/ei.v5i1.278
Recibido: 27 de febrero de 2026
Aceptado: 3 de abril de 2026
Publicado: 10 de abril de 2026
Resumen: La inteligencia artificial (IA) se ha consolidado como una herramienta clave
en la medicina contemporánea, destacándose por su capacidad para optimizar el
diagnóstico, la planificación y la toma de decisiones clínicas mediante el análisis de
grandes volúmenes de datos. En cirugía dental e implantología, su aplicación ha
experimentado un crecimiento significativo, especialmente en el procesamiento de
imágenes y la predicción de resultados terapéuticos. El objetivo de la presente revisión
sistemática fue analizar de manera integral los modelos de IA utilizados como apoyo
clínico en estas áreas, así como evaluar su desempeño diagnóstico e identificar sus
principales limitaciones y desafíos de implementación. Se realizó una revisión
sistemática siguiendo las directrices de la declaración PRISMA 2020, mediante una
búsqueda estructurada en Scopus y PubMed, incluyendo estudios originales publicados
entre 2020 y 2026. Tras el proceso de selección y evaluación del riesgo de sesgo, se
incluyeron 19 estudios en la síntesis final. Los resultados evidencian un predominio de
modelos de aprendizaje profundo (deep learning), particularmente redes neuronales
convolucionales (CNN), así como modelos de detección de objetos (YOLO) y
arquitecturas híbridas, aplicados principalmente al análisis de imágenes radiográficas en
tareas como la segmentación anatómica, la clasificación de implantes, el diagnóstico
radiográfico y la planificación implantológica. Estos modelos presentan un alto
desempeño diagnóstico, con métricas superiores al 90% en múltiples tareas. No obstante,
se identificaron limitaciones relacionadas con la calidad y disponibilidad de los datos, la
generalización de los modelos y su validación en entornos clínicos reales. En conclusión,
la IA representa una herramienta prometedora de apoyo clínico en implantología; sin
embargo, su implementación efectiva requiere superar desafíos metodológicos, técnicos
y regulatorios, así como fortalecer la evidencia mediante estudios clínicos robustos.
Palabras clave: Aprendizaje automático, cirugía dental, implantología oral, inteligencia
artificial, modelos predictivos, redes neuronales convolucionales.
Abstract: Artificial intelligence (AI) has become a key tool in contemporary medicine, standing
out for its ability to optimize diagnosis, planning, and clinical decision-making through the
analysis of large volumes of data. In dental surgery and implantology, its application has
experienced significant growth, particularly in image processing and the prediction of therapeutic
outcomes. The aim of this systematic review was to comprehensively analyze AI models used as
clinical support in these areas, as well as to evaluate their diagnostic performance and identify
their main limitations and implementation challenges. A systematic review was conducted
following the PRISMA 2020 guidelines, using a structured search strategy in Scopus and
PubMed, including original studies published between 2020 and 2026. After the selection process
and risk of bias assessment, 19 studies were included in the final synthesis. The results show a
predominance of deep learning models, particularly convolutional neural networks (CNNs), as
well as object detection models (YOLO) and hybrid architectures, mainly applied to the analysis
of radiographic images in tasks such as anatomical segmentation, implant classification,
radiographic diagnosis, and implant planning. These models demonstrate high diagnostic
performance, with metrics exceeding 90% in multiple tasks. However, limitations related to data
quality and availability, model generalization, and validation in real clinical settings were
identified. In conclusion, AI represents a promising clinical support tool in implantology;
however, its effective implementation requires overcoming methodological, technical, and
regulatory challenges, as well as strengthening the evidence through robust clinical studies.
Keywords: Artificial intelligence, convolutional neural networks, dental surgery, machine
learning, oral implantology, predictive models.
Copyright: Derechos de autor 2026 Adrián
Sebastián Realpe Flores, Solange Daniela
Chávez Jaramillo, Maritza Mishell Alarcón
Mugmal, Carlos Elián Coque Bastidas.
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 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 682
1. Introducción
Este desarrollo ha sido impulsado por el crecimiento acelerado del big data y la digitalización de los
sistemas de salud, los cuales favorecen la generación, almacenamiento e integración de datos
biomédicos complejos, especialmente imágenes médicas, potenciando así el desarrollo de modelos
computacionales cada vez más precisos (Miragall et al., 2023). Además, la incorporación de técnicas
avanzadas como el aprendizaje profundo permite replicar procesos cognitivos complejos y analizar
grandes volúmenes de información con alta precisión, llegando incluso a superar, en determinados
escenarios, las capacidades humanas (Krishnan, 2022).
De este modo, la IA ha evolucionado desde aplicaciones experimentales hacia sistemas clínicamente
relevantes, capaces de identificar patrones complejos en datos heterogéneos, incluyendo imágenes
radiográficas, registros clínicos electrónicos y variables biomédicas (Revilla-León et al., 2023). Como
resultado, estas tecnologías generan un impacto significativo en la toma de decisiones clínicas, al
proporcionar herramientas que asisten en el diagnóstico, la planificación preoperatoria, la simulación
quirúrgica y el seguimiento postoperatorio, además de mejorar la seguridad del paciente y optimizar
los resultados terapéuticos (Balch et al., 2024; Gracia et al., 2025; Morris et al., 2024).
En el campo de la implantología dental, la IA demuestra un potencial considerable al permitir el
análisis integrado de antecedentes médicos, imágenes diagnósticas y resultados clínicos, lo que
contribuye a una comprensión más completa del paciente (Saeed et al., 2023). Estas aplicaciones
incluyen el reconocimiento automatizado del tipo de implante, la predicción de su éxito clínico y la
optimización de su diseño, alcanzando altos niveles de precisión y favoreciendo una práctica clínica
más eficiente y basada en evidencia (Gómez-Polo et al., 2024).
Asimismo, los modelos basados en aprendizaje automático han facilitado la identificación temprana
de pacientes que requieren implantes dentales, así como la predicción de resultados terapéuticos y la
planificación de tratamientos personalizados (Alharbi & Almutiq, 2022). De manera complementaria,
los sistemas basados en aprendizaje profundo han ampliado estas capacidades, particularmente en el
análisis de imágenes, permitiendo la clasificación automatizada de implantes dentales con alta
precisión y niveles comparables a los de especialistas (Lubbad et al., 2024).
En el ámbito diagnóstico, estos avances también han posibilitado la detección automatizada de
regiones de dientes ausentes en radiografías panorámicas, optimizando la precisión diagnóstica y
reduciendo la carga de trabajo del clínico (Park et al., 2022). Por lo tanto, estas aplicaciones evidencian
que la inteligencia artificial no solo optimiza el diagnóstico, sino que también fortalece la predicción
de resultados y la planificación terapéutica, consolidándose como una herramienta de apoyo clave en
la toma de decisiones clínicas (Morris et al., 2024; Sitaras et al., 2025).
A pesar del progreso, la implementación de la IA en la práctica clínica aún presenta limitaciones
importantes. Existe una falta de estandarización en la recopilación y procesamiento de datos, así como
una alta heterogeneidad metodológica, lo que dificulta la comparación entre estudios y limita la
reproducibilidad (Revilla-León et al., 2023). Además, la variabilidad en los datos radiográficos afecta
la consistencia y la capacidad de generalización de los modelos. A ello se suman limitaciones
metodológicas comunes, como la omisión de variables clínicas relevantes, tamaños muestrales
reducidos o el uso de datos de un solo centro, lo que restringe la generalización de los resultados.
En consecuencia, aunque algunos modelos logran alta precisión en tareas específicas, como el
reconocimiento de implantes, su desempeño en la predicción del éxito clínico presenta una
variabilidad considerable, lo que subraya la necesidad de mejorar la calidad, consistencia y validez de
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 683
la evidencia disponible. Esta brecha en el conocimiento, relacionada con la integración, estandarización
y validación de modelos de inteligencia artificial en implantología dental, limita su adopción
generalizada en la práctica clínica.
En este contexto, el objetivo de la presente revisión sistemática es analizar y sintetizar la evidencia
científica sobre los modelos de inteligencia artificial como herramientas de apoyo clínico en cirugía
dental e implantología. En particular, se busca responder a las siguientes preguntas de investigación:
(1) ¿Qué tipos de modelos de inteligencia artificial se utilizan en cirugía dental e implantología y cuáles
son sus principales aplicaciones clínicas? (2) ¿Cuál es el desempeño diagnóstico de estos modelos? y
(3) ¿Cuáles son las principales limitaciones y desafíos para su implementación en la práctica clínica?
2. Metodología
La presente revisión sistemática se llevó a cabo siguiendo las directrices establecidas por la declaración
PRISMA 2020, con el propósito de garantizar la transparencia, reproducibilidad y rigor metodológico
del proceso de identificación, selección, evaluación y síntesis de la evidencia científica disponible (Page
et al., 2021).
Criterios de elegibilidad
Se incluyeron estudios originales publicados entre los años 2020 y 2026, hasta la fecha de consulta (27
de marzo de 2026), que abordaron el desarrollo, implementación o evaluación de modelos de
inteligencia artificial aplicados en contextos de cirugía dental o implantología oral. No se estableció
restricción de idioma, siempre que reportaran resultados cuantitativos o cualitativos relacionados con
el desempeño de los modelos.
Se excluyeron revisiones de la literatura, editoriales, cartas al editor, resúmenes de conferencias,
opiniones, artículos retractados, libros, estudios duplicados, así como aquellos trabajos que no
abordaron directamente aplicaciones clínicas en cirugía dental o implantología, o que no presentaron
resultados evaluables del rendimiento de modelos de inteligencia artificial. Asimismo, se excluyeron
estudios cuyo texto completo no estuvo disponible o que no cumplieron con criterios metodológicos
mínimos de calidad.
Fuentes de información y estrategia de búsqueda
La búsqueda sistemática de la literatura se realizó en las bases de datos Scopus y PubMed,
seleccionadas por su amplia cobertura de literatura biomédica y científica de alto impacto. Ambas
bases de datos fueron consultadas de manera independiente, asegurando la recuperación exhaustiva
de estudios relevantes en el área de interés.
La estrategia de búsqueda se estructuró a partir de dos categorías conceptuales principales: (1)
inteligencia artificial y (2) cirugía dental o implantología. La búsqueda se restringió al campo de título
(title), con el fin de aumentar la especificidad de los resultados, y se adaptó a las particularidades
sintácticas de cada base de datos. La cadena de búsqueda empleada y el número de estudios
recuperados se muestran en la tabla 1.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 684
Tabla 1
Estrategia de búsqueda
Base de datos Cadena de búsqueda Estudios
Scopus
(TITLE ("artificial intelligence" OR "machine learning" OR "deep learning") AND
TITLE ("dental surgery" OR "oral implantology" OR "maxillofacial surgery" OR
"oral surgery" OR "dental implant*" OR "implant dentistry")) AND PUBYEAR >
2019 AND PUBYEAR < 2027 AND (LIMIT-TO (DOCTYPE, "ar"))
90
PubMed
("artificial intelligence"[Title] OR "machine learning"[Title] OR "deep
learning"[Title]) AND ("dental surgery"[Title] OR "oral implantology"[Title] OR
"maxillofacial surgery"[Title] OR "oral surgery"[Title] OR "dental implant*"[Title]
OR "implant dentistry"[Title])
140
Total 230
Proceso de selección de estudios
Dos revisores evaluaron de manera independiente los registros recuperados mediante la lectura de
títulos y resúmenes, aplicando los criterios de inclusión y exclusión previamente definidos.
Posteriormente, los revisores discutieron los estudios potencialmente elegibles para su inclusión
definitiva. En caso de discrepancias, un tercer evaluador intervino para resolver los desacuerdos y
garantizar la objetividad en el proceso de selección.
Evaluación de riesgo de sesgo
La evaluación del riesgo de sesgo se llevó a cabo en función del diseño metodológico de los estudios
incluidos, utilizando herramientas validadas específicas para cada tipo de estudio. En los estudios de
desarrollo y evaluación diagnóstica se aplicó QUADAS-2, identificándose 4 estudios con bajo riesgo, 9
con riesgo moderado y 21 con alto riesgo de sesgo.
Para los estudios de tipo transversal se utilizó la herramienta JBI, identificándose 5 estudios con bajo
riesgo de sesgo. En los estudios de predicción o modelos predictivos se empleó PROBAST,
identificándose 4 estudios con alto riesgo de sesgo. Los estudios experimentales in vitro fueron evaluados
mediante la guía CRIS, evidenciándose 2 estudios con alto riesgo de sesgo. Finalmente, en los ensayos
clínicos aleatorizados se utilizó la herramienta RoB 2, identificándose un estudio con bajo riesgo de sesgo
y otro con alto riesgo. La figura 1 mostró los resultados del riesgo de sesgo por tipo de estudio.
Figura 1
Riesgo de sesgo identificado por tipo de estudio
4
5
1
9 21
4
2
1
0 5 10 15 20 25 30 35 40
Desarrollo y evaluación diagnóstica (QUADAS-2)
Transversal (JBI Cross Sectional Studies)
Predicción (PROBAST)
Experimental in vitro (CRIS)
Ensayos clínicos aleatorizados (RoB 2)
Bajo riesgo Riesgo moderado Alto riesgo
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 685
Extracción y síntesis de datos
La extracción de datos se realizó de manera sistemática mediante una matriz estructurada que permitió
recopilar información relevante de cada estudio incluido. Las variables extraídas incluyeron: tipo de
estudio, país de realización, modelo de inteligencia artificial utilizado, aplicaciones clínicas del modelo,
métricas de evaluación y valores de desempeño reportados, así como las principales limitaciones y
desafíos identificados.
Posteriormente, se llevó a cabo una síntesis narrativa de los hallazgos, en la cual los datos fueron
analizados e interpretados de forma cualitativa, permitiendo identificar patrones, establecer relaciones
entre los resultados y formular conclusiones fundamentadas en la evidencia disponible.
3. Resultados
Selección de estudios
El proceso de selección de estudios se llevó a cabo conforme a las directrices PRISMA 2020, siguiendo
las fases de identificación, cribado e inclusión. En la fase de identificación, se recuperaron un total de
230 registros provenientes de dos bases de datos: 90 de Scopus y 140 de PubMed. Posteriormente, se
eliminaron 77 registros duplicados, obteniéndose 153 estudios únicos para la fase de cribado.
Durante esta etapa, tras la revisión de títulos, resúmenes y palabras clave, se excluyeron 79 registros
por no cumplir con los criterios de elegibilidad o por no responder a las preguntas de investigación. En
consecuencia, se solicitaron 74 artículos para revisión a texto completo, de los cuales 27 no pudieron ser
recuperados. Finalmente, 47 estudios fueron evaluados en su totalidad para determinar su elegibilidad.
Tras la evaluación metodológica, se excluyeron 28 estudios debido a un alto riesgo de sesgo,
resultando en un total de 19 estudios incluidos en la síntesis final de la revisión sistemática. La Figura
2 presenta el proceso realizado.
Figura 2
Diagrama de flujo PRISMA 2020
Registros identificados desde:
Bases de datos (n = 2)
Scopus (n = 90)
PubMed (n = 140)
Registros (n = 230)
Registros eliminados antes de la
evaluación:
Registros duplicados eliminados
(n =
77)
Registros examinados
(n = 153)
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 = 79)
Estudios solicitados para
recuperación
(n = 74)
Estudios no recuperados
(n = 27)
Estudios evaluados para
elegibilidad
(n = 47)
Estudios excluidos:
Registros con alto riesgo de sesgo
(n = 28)
Estudios incluidos en la revisión
(n = 19)
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 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 686
Modelos de IA, aplicaciones clínicas y desempeño
La tabla 2 presenta una síntesis estructurada de los 19 estudios incluidos en esta revisión, integrando
de manera comparativa los principales modelos de inteligencia artificial empleados en cirugía dental
e implantología, sus aplicaciones clínicas y el desempeño reportado. En particular, se detallan las
arquitecturas utilizadas, las áreas de aplicación, así como las métricas de evaluación empleadas junto
con los valores de desempeño alcanzados.
Esta sistematización permite identificar patrones consistentes en el uso y rendimiento de los
modelos de IA, facilitando una visión integral y comparativa de su aplicabilidad clínica y su potencial
en la práctica odontológica contemporánea.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 687
Tabla 2
Modelos de inteligencia artificial en cirugía dental e implantología
Autor Tipo de estudio Modelo de IA Aplicaciones clínicas Métricas y desempeño
Kurt Bayrakdar et al.
(2021)
Desarrollo y evaluación diagnóstica
DCNN (3D U-Net
modificado)
Segmentación anatómica en CBCT,
planificación de implantes, detección de
estructuras críticas
Detección: conducto mandibular 72.2%, senos 66.4%,
dientes ausentes 95.3%; ICC: 0.995–0.996; diferencias
no significativas en altura ósea (p>0.05), significativas
en grosor (p<0.001)
Lee et al. (2020) Desarrollo y evaluación diagnóstica
DCNN automatizada
(Neuro-T)
Clasificación de sistemas de implantes
dentales (DIS), apoyo diagnóstico
AUC: 0.954; Youden: 0.808; Sens: 0.955; Esp: 0.853;
AUC por implante hasta 0.981
Eschert et al. (2022) Observacional transversal CNN
Diagnóstico asistido, planificación, predicción
de supervivencia, CAD/CAM
Desempeño reportado cualitativamente, destacando
valores altos
Benakatti et al.(2025) Desarrollo y evaluación diagnóstica
DETR (CNN +
Transformer)
Identificación de implantes, odontología
forense, seguimiento clínico
Precision: 0.83; Recall: 0.89; F1: 0.82; AUC-PR: 0.96
Khairkar et al. (2025) Desarrollo y evaluación diagnóstica
YOLOv8, YOLOv9,
YOLOv10
Clasificación automática de implantes,
planificación y seguimiento
YOLOv10: Accuracy 97.1%, Precision 96.5%, Recall
95.9%, F1 96.2%, AUC 0.98
Binaljadm et al. (2025) Observacional transversal
LLMs (GPT-3.5,
Gemini, Copilot)
Educación del paciente, soporte clínico,
acceso a información
Validez: 80% (GPT/Copilot); α: 0.859–1.00;
variabilidad en calidad y errores
Khan et al. (2025) Desarrollo y evaluación diagnóstica CNN
Clasificación de implantes, detección de
periimplantitis
Accuracy: 97.2%; Sens: 96.3%; Esp: 98.0%; AUC: 0.94
Şişman & Acar (2025) Observacional transversal ChatGPT 3.5, Claude Soporte clínico, triage, educación médica
Precisión: 92–95%; calidad de la respuesta: hasta 89%;
completitud: 86–95%
Balel et al. (2025) Desarrollo y evaluación diagnóstica CNN + YOLOv8 Detección y numeración de implantes
Precision: 91.4%; Recall: 90.5%; F1: 93.1%; mAP50:
0.943
Park et al. (2023) Desarrollo y evaluación diagnóstica CNN
Clasificación de implantes, diagnóstico
radiográfico
Accuracy: 88.53%; Precision: 85.7%; Recall: 82.3%;
AUC: 0.885
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 688
Autor Tipo de estudio Modelo de IA Aplicaciones clínicas Métricas y desempeño
Hassan et al. (2023) Desarrollo y evaluación diagnóstica YOLOv8m-seg Identificación de implantes en radiografías Precision: 0.919; Recall: 0.98; F1: 0.95; mAP: 0.972
Alotaibi et al. (2025) Desarrollo y evaluación diagnóstica
CNN + YOLOv11 (2
etapas)
Planificación automática de implantes en
CBCT
F1: 0.59; mAP50: 0.56; MAE: 11.9–15.9 px; Accuracy
hasta 76%
Akpınar (2025) Observacional transversal
LLMs (ChatGPT,
MediSearch,
OpenEvidence)
Diagnóstico, educación, planificación
Precisión: >90% identificación; oseointegración: 62.4–
80.5%
Neychev et al. (2024) Ensayo clínico Aleatorizado ANN Predicción de dolor postoperatorio Accuracy: 92.6%; Loss: 5.6e-03 (train), 0.23 (val)
Kibcak et al. (2025) Desarrollo y evaluación diagnóstica U-Net + AlexNet Segmentación y detección de periimplantitis U-Net: Accuracy 0.999, Dice 0.986; AlexNet: F1 0.835
Nambiar &
Nanjundegowda
(2025)
Desarrollo y evaluación diagnóstica
Mask R-CNN +
ResNet-101
Segmentación y numeración dental
Precision: 0.9566; Recall: 0.9635; mAP: 0.9241; Dice:
0.92
Terzi et al. (2025) Observacional transversal ChatGPT Educación al paciente, soporte informativo
DISCERN aprox. 43–47; GQS: 3.15–3.25 (calidad
moderada)
Degidi et al. (2025) Desarrollo y evaluación diagnóstica CNN Evaluación de carga inmediata, diagnóstico Sens: 90.49%; Esp: 96.26%; AUC: 0.934
Ariji et al. (2025) Desarrollo y evaluación diagnóstica
YOLOv7 +
EfficientNet
Detección y clasificación de implantes
Recall: 1.000; Precision: 0.979; F1: 0.989; AUC hasta
1.000
Nota. DCNN: Deep Convolutional Neural Network; CNN: Convolutional Neural Network; ANN: Artificial Neural Network; YOLO: You Only Look Once; DETR: DEtection
TRansformer; LLM: Large Language Model; CBCT: Cone Beam Computed Tomography; AUC: Area Under the Curve; ICC: Intraclass Correlation Coefficient; mAP: mean Average
Precision; IoU: Intersection over Union; F1-score: Media armónica entre precisión y recall; MAE: Mean Absolute Error; PPV / NPV: Valor predictivo positivo / negativo; DISCERN /
GQS: escalas de calidad de información en salud
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 689
Los hallazgos evidencian un predominio de los modelos de aprendizaje profundo basados en
imágenes, particularmente redes neuronales convolucionales (CNN) y sus variantes, los cuales son
ampliamente utilizados para tareas de segmentación, clasificación y diagnóstico en imágenes
radiográficas como CBCT y panorámicas. Estas arquitecturas constituyen el núcleo de aplicaciones
clínicas relacionadas con la planificación implantológica, la detección de patologías y la
automatización del análisis radiográfico.
Asimismo, los modelos de detección de objetos (YOLO) y arquitecturas híbridas como DETR han
sido aplicados para la identificación y clasificación automatizada de implantes dentales, destacándose
por su capacidad para procesar múltiples objetos simultáneamente y mejorar la eficiencia clínica.
Además, los modelos de lenguaje (LLMs) representan una línea emergente con aplicaciones
principalmente orientadas a la interacción clínica, la educación del paciente y el soporte en la toma de
decisiones. Aunque su uso en tareas diagnósticas directas es aún complementario, su integración en
flujos clínicos sugiere un potencial creciente en la práctica odontológica.
Limitaciones de los modelos de IA
a) Limitaciones relacionadas con los datos
La insuficiencia y falta de diversidad de los conjuntos de datos comprometen la capacidad de
generalización de los modelos. Tamaños muestrales reducidos, datos provenientes de un solo centro y
una representación limitada de tipos de implantes o condiciones clínicas restringen la aplicabilidad
real (Alotaibi et al., 2025; Balel et al., 2025; Hassan et al., 2023; Lee et al., 2020; Neychev et al., 2024; W.
Park et al., 2023). Además, la distribución desigual de clases y la escasez de datos para implantes menos
frecuentes influyen en el rendimiento de los modelos (Ariji et al., 2025; W. Park et al., 2023). La
dependencia de conjuntos de datos (datasets) privados o de acceso restringido limita la
reproducibilidad y validación externa, dificultando su adopción clínica (Khairkar et al., 2025).
b) Limitaciones técnicas y de desempeño
Los modelos exhiben errores en tareas críticas como segmentación, detección y clasificación,
particularmente en condiciones complejas o con variabilidad anatómica, como discrepancias
significativas en mediciones óseas (Kurt Bayrakdar et al., 2021). Asimismo, la presencia de artefactos,
superposición anatómica y variabilidad en la calidad de las imágenes radiográficas aumenta la
probabilidad de falsos positivos o negativos (Ariji et al., 2025; Khan et al., 2025; Kibcak et al., 2025).
Persisten problemas de sobreajuste, baja generalización y disminución del rendimiento en escenarios
con múltiples clases o diferencias morfológicas sutiles, incluso en modelos avanzados (Ariji et al., 2025;
Benakatti et al., 2025; Khairkar et al., 2025).
c) Limitaciones clínicas y de aplicabilidad
Muchos modelos no han sido validados en entornos clínicos reales, lo que limita su implementación
(Alotaibi et al., 2025; Nambiar & Nanjundegowda, 2025). Además, el enfoque exclusivamente en datos
radiográficos de varios modelos ignora variables clínicas relevantes, lo que restringe la capacidad de
realizar diagnósticos holísticos (Khan et al., 2025). La IA no sustituye el juicio clínico, sino que actúa
como herramienta complementaria; sin embargo, la dependencia de evaluaciones subjetivas humanas
para el entrenamiento también introduce sesgos potenciales en los modelos (Degidi et al., 2025; Khan
et al., 2025).
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 690
d) Limitaciones específicas de modelos de lenguaje (LLMs)
Se reportó la generación de respuestas inexactas, incompletas o no verificables en consultas clínicas
complejas (Binaljadm et al., 2025; Akpınar, 2025). La variabilidad en las respuestas y la falta de
consistencia entre interacciones afectan la confiabilidad para uso clínico (Şişman & Acar, 2025; Terzi
et al., 2025). Además, la ausencia de referencias verificables y la limitada capacidad para adaptarse a
contextos clínicos individuales también restringen su utilidad en la toma de decisiones médicas
(Binaljadm et al., 2025).
Desafíos en la implementación de modelos de IA
a) Disponibilidad, calidad y estandarización de datos
Se reportó la generación de respuestas inexactas, incompletas o no verificables en consultas clínicas
complejas (Binaljadm et al., 2025; Akpınar, 2025). La variabilidad en las respuestas y la falta de
consistencia entre interacciones afectan la confiabilidad para uso clínico (Şişman & Acar, 2025; Terzi et
al., 2025). Además, la ausencia de referencias verificables y la limitada capacidad para adaptarse a
contextos clínicos individuales también restringen su utilidad en la toma de decisiones médicas
(Binaljadm et al., 2025).
b) Generalización y robustez del modelo
La alta variabilidad anatómica, clínica y radiográfica dificulta la adaptación a diferentes poblaciones y
escenarios clínicos (Alotaibi et al., 2025; Khan et al., 2025). La identificación precisa de múltiples
implantes y estructuras con características similares, así como la validación multicéntrica en
condiciones reales, constituyen retos significativos (Ariji et al., 2025; Hassan et al., 2023; Degidi et al.,
2025; Nambiar & Nanjundegowda, 2025).
c) Integración en la práctica clínica
La incorporación de la IA en entornos clínicos requiere superar barreras relacionadas con la
interoperabilidad con sistemas existentes, la adaptación de los flujos de trabajo y la usabilidad para los
profesionales (Balel et al., 2025; Kurt Bayrakdar et al., 2021; Kibcak et al., 2025). Además, los modelos
deben equilibrar precisión y eficiencia computacional para no afectar la carga de trabajo clínica ni los
tiempos de atención (Hassan et al., 2023; Khairkar et al., 2025).
d) Interpretabilidad, confianza y adopción
La falta de transparencia de los modelos (black box) dificulta la interpretación de los resultados y limita
la confianza de los profesionales en su uso clínico (Neychev et al., 2024). La resistencia al cambio, la
falta de formación y las percepciones erróneas sobre la IA constituyen barreras importantes para su
adopción (Eschert et al., 2022). Por tanto, es necesario capacitar y promover una integración
colaborativa entre humanos y sistemas inteligentes (Degidi et al., 2025).
e) Aspectos éticos, legales y regulatorios
Los desafíos relacionados con la privacidad, la responsabilidad legal y la regulación (Akpınar, 2025;
Eschert et al., 2022) evidencian la necesidad de establecer marcos éticos claros, que definan la
responsabilidad ante errores y garanticen la protección del paciente (Binaljadm et al., 2025).
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 691
f) Desafíos computacionales y técnicos
Los modelos de IA requieren altos recursos computacionales, optimización de hiperparámetros y
arquitecturas complejas, lo cual dificulta su adopción en entornos clínicos con recursos restringidos
(Benakatti et al., 2025; Kibcak et al., 2025). El equilibrio entre precisión, velocidad y eficiencia continúa
siendo un desafío clave para garantizar su aplicabilidad en la práctica diaria (Hassan et al., 2023).
4. Discusión
El presente estudio analizó de manera sistemática la evidencia disponible sobre los modelos de
inteligencia artificial aplicados en cirugía dental e implantología, con el fin de identificar sus
principales aplicaciones clínicas, evaluar su desempeño diagnóstico y examinar críticamente sus
limitaciones y desafíos de implementación.
Los estudios incluidos coinciden en destacar el alto potencial de los modelos basados en aprendizaje
profundo (deep learning) para mejorar la precisión diagnóstica y la eficiencia clínica. En particular,
modelos como DCNN y CNN han demostrado ser herramientas efectivas para la segmentación
anatómica y la planificación implantológica, facilitando la identificación de estructuras críticas y
optimizando el proceso clínico (Kurt Bayrakdar et al., 2021; Khan et al., 2025). Asimismo, diversos
autores concluyen que estos modelos pueden igualar o incluso superar el rendimiento de profesionales
humanos en tareas específicas, como la clasificación de sistemas de implantes dentales, lo que refuerza
su valor como herramientas de apoyo clínico (Lee et al., 2020; Park et al., 2023).
En relación con modelos más avanzados, como YOLO y arquitecturas híbridas, se observa un
consenso en cuanto a su alta precisión y capacidad para automatizar tareas complejas en tiempo
reducido. Estas arquitecturas permiten una identificación rápida y precisa de implantes, reduciendo la
carga de trabajo clínico y mejorando la toma de decisiones (Balel et al., 2025; Hassan et al., 2023;
Khairkar et al., 2025). No obstante, estos resultados deben interpretarse con cautela, ya que la mayoría
de los estudios se desarrollaron en entornos controlados, lo que limita la extrapolación de sus
resultados a la práctica clínica real. En este sentido, los autores coinciden en la necesidad de ampliar
los conjuntos de datos y validar los modelos en escenarios clínicos reales para garantizar su robustez.
Por otro lado, los LLMs muestran un enfoque distinto, centrado en la interacción clínica y la
educación del paciente. Si bien estos modelos presentan un desempeño adecuado en términos de
generación de información, los autores destacan que su uso debe ser supervisado debido a limitaciones
en precisión, consistencia y profundidad clínica (Akpınar, 2025; Binaljadm et al., 2025; Şişman & Acar,
2025; Terzi et al., 2025). En este contexto, su rol actual se orienta principalmente al apoyo informativo
más que a la toma de decisiones clínicas directas, lo que delimita su aplicabilidad en entornos clínicos
complejos. En general, existe acuerdo en que la IA debe ser considerada como una herramienta
complementaria y no sustitutiva del juicio clínico, destacando la necesidad de regulación, validación
y formación profesional para su adecuada integración (Degidi et al., 2025; Eschert et al., 2022).
Los hallazgos de este estudio son consistentes con revisiones sistemáticas recientes que reportan un
uso predominante de algoritmos de aprendizaje profundo en implantología, especialmente en tareas de
diagnóstico, planificación y predicción de resultados clínicos (Vázquez-Sebrango et al., 2025). Asimismo,
se ha documentado que estos modelos pueden alcanzar altos niveles de precisión y mejorar la eficiencia
clínica, lo cual coincide con la evidencia sintetizada en la presente revisión (Sowmiya et al., 2025).
En términos de desempeño diagnóstico, Zhu et al. (2023) reportaron que los modelos de IA alcanzan
niveles comparables o incluso superiores a los de expertos humanos en la interpretación de imágenes
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 692
dentales, con valores de AUC superiores al 96% y mejoras significativas en sensibilidad diagnóstica.
Estos hallazgos respaldan los resultados obtenidos en este estudio, donde múltiples modelos
alcanzaron métricas elevadas en tareas específicas.
Sin embargo, la literatura también coincide en señalar importantes limitaciones relacionadas con la
calidad de los datos, la falta de estandarización y la necesidad de validación clínica. A pesar de su alto
desempeño, los modelos actuales no deben considerarse herramientas autónomas, debido a
limitaciones en tareas como la medición de estructuras óseas y la predicción de resultados clínicos
(Emami & Shirani, 2025). Esta observación es coherente con los resultados de la presente revisión, en
los cuales se identificaron limitaciones similares en la precisión de ciertas mediciones y en la capacidad
de generalización de los modelos.
Finalmente, se enfatiza la necesidad de avanzar hacia enfoques multimodales que integren datos
clínicos e imágenes para mejorar la precisión diagnóstica y la toma de decisiones clínicas (Mohammadi
et al., 2025). Asimismo, se ha evidenciado que la complejidad de las imágenes dentales y la variabilidad
anatómica representan desafíos importantes para los modelos actuales, lo que refuerza la necesidad
de desarrollar modelos más robustos, interpretables y clínicamente validados, en concordancia con las
limitaciones identificadas en esta revisión (Panetta et al., 2022).
Limitaciones y trabajo a futuro
Este estudio presenta algunas limitaciones que deben ser consideradas. La heterogeneidad
metodológica de los estudios incluidos, particularmente en términos de métricas de evaluación y
diseños experimentales, dificultó la comparación directa entre modelos. Asimismo, la ausencia de
estudios comparativos con métodos clínicos tradicionales limitó la posibilidad de establecer
conclusiones definitivas sobre la superioridad de la IA. Finalmente, la dependencia de datos
reportados en estudios individuales podría introducir sesgos asociados a la calidad y
representatividad de los conjuntos de datos utilizados.
En cuanto a futuras investigaciones, se destaca la necesidad de desarrollar estudios multicéntricos
con conjuntos de datos más amplios y diversos, así como avanzar hacia modelos multimodales que
integren información clínica y radiográfica. Asimismo, resulta fundamental establecer estándares de
validación, regulación y transparencia algorítmica, que permitan garantizar la seguridad,
confiabilidad y aplicabilidad de estas tecnologías en la práctica clínica real.
5. Conclusiones
Los modelos de inteligencia artificial más utilizados en cirugía dental e implantología corresponden
principalmente a arquitecturas de aprendizaje profundo (deep learning), destacando las redes
neuronales convolucionales y sus variantes, así como modelos de detección de objetos como YOLO y
enfoques híbridos como DETR. Estos modelos se aplican predominantemente en el análisis de
imágenes radiográficas, con aplicaciones clínicas centradas en la segmentación anatómica, la
clasificación de sistemas de implantes, la detección de patologías periimplantarias y la planificación
implantológica. Adicionalmente, los modelos de lenguaje de gran escala (LLMs) emergen como
herramientas complementarias, orientadas a la educación del paciente, el soporte en la toma de
decisiones y la optimización del flujo de trabajo clínico.
En términos de desempeño, estos modelos muestran altos niveles de precisión diagnóstica,
evidenciados mediante métricas como accuracy, precision, recall, F1-score y AUC, que en la mayoría de
los estudios alcanzan o superan valores del 90%, especialmente en tareas de clasificación, detección y
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 693
segmentación de estructuras e implantes dentales. En este sentido, la inteligencia artificial puede
igualar o incluso superar el rendimiento de los profesionales clínicos en tareas específicas,
contribuyendo a mejorar la precisión diagnóstica y a reducir la variabilidad interobservador.
No obstante, la evidencia analizada pone de manifiesto limitaciones relevantes relacionadas con la
disponibilidad, calidad y representatividad de los datos, así como con restricciones técnicas en el
desempeño de los modelos, particularmente en condiciones clínicas complejas. Asimismo, persiste una
limitada validación en entornos clínicos reales, junto con la falta de integración de variables clínicas y
la necesidad de supervisión profesional, lo que restringe su adopción como herramientas autónomas.
En cuanto a los desafíos, se identifica la necesidad de avanzar hacia el desarrollo de conjuntos de
datos multicéntricos, estandarizados y de alta calidad, mejorar la capacidad de generalización y
robustez de los modelos, facilitar su integración en los flujos de trabajo clínicos y establecer marcos
éticos, legales y regulatorios claros que garanticen un uso seguro y responsable de la inteligencia
artificial en la práctica odontológica.
En conjunto, los hallazgos de esta revisión confirman que la inteligencia artificial representa una
herramienta prometedora para la optimización del diagnóstico y la planificación en implantología
dental; sin embargo, su implementación clínica efectiva dependerá del fortalecimiento de la evidencia,
la validación en escenarios reales y la integración adecuada con el juicio clínico profesional.
Referencias
Akpınar, H. (2025). Comparison of responses from different artificial intelligence-powered chatbots
regarding the All-on-four dental implant concept. BMC Oral Health, 25, 922.
https://doi.org/10.1186/s12903-025-06294-7
Alharbi, M., & Almutiq, M. (2022). Prediction of dental implants using machine learning algorithms.
Journal of Healthcare Engineering, 2022(1), 7307675. https://doi.org/10.1155/2022/7307675
Alotaibi, S., Alsomali, M., Alghamdi, S., Alfadda, S., Alturaiki, I., Al-Ekrish, A., & Altwaijry, N. (2025).
Automatic placement of simulated dental implants within CBCT images in optimum positions:
A deep learning model. Medical & Biological Engineering & Computing, 63(8), 2325–2339.
https://doi.org/10.1007/s11517-025-03327-9
Ariji, Y., Kusano, K., Fukuda, M., Wakata, Y., Nozawa, M., Kotaki, S., Ariji, E., & Baba, S. (2025). Two-
step deep learning models for detection and identification of the manufacturers and types of
dental implants on panoramic radiographs. Odontology, 113(2), 788–798.
https://doi.org/10.1007/s10266-024-00989-z
Balch, J., Shickel, B., Bihorac, A., Upchurch, G., & Loftus, T. (2024). Integration of AI in surgical decision
support: Improving clinical judgment. Global Surgical Education - Journal of the Association for
Surgical Education, 3(1), 56. https://doi.org/10.1007/s44186-024-00257-2
Balel, Y., Sağtaş, K., Teke, F., & Kurt, M. (2025). Artificial intelligence-based detection and numbering
of dental implants on panoramic radiographs. Clinical Implant Dentistry and Related Research,
27(1), e70000. https://doi.org/10.1111/cid.70000
Kurt Bayrakdar, S., Orhan, K., Bayrakdar, I., Bilgir, E., Ezhov, M., Gusarev, M., & Shumilov, E. (2021).
A deep learning approach for dental implant planning in cone-beam computed tomography
images. BMC Medical Imaging, 21, 86. https://doi.org/10.1186/s12880-021-00618-z
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 694
Benakatti, V., Nayakar, R., Anandhalli, M., & Sukhasare, R. (2025). Advanced deep learning techniques
for recognition of dental implants. Journal of Oral Biology and Craniofacial Research, 15(2), 215–
220. https://doi.org/10.1016/j.jobcr.2025.01.016
Binaljadm, T., Alqutaibi, A., Halboub, E., Zafar, M., & Saker, S. (2025). Artificial intelligence chatbots
as sources of implant dentistry information for the public: Validity and reliability assessment.
European Journal of Dentistry. https://doi.org/10.1055/s-0045-1809155
Degidi, M., Daprile, G., Battelli, F., Caselli, E., Cisternino, L., Greco, A., Palumbo, D., Quasso, F., Rossi,
F., Tavelli, C., & Zaccheroni, Z. (2025). The use of an artificial intelligence-driven novel tool for
the evaluation of dental implants primary stability and immediate loading feasibility: A
multicenter retrospective study. Journal of Clinical Medicine, 14(6), 2011.
https://doi.org/10.3390/jcm14062011
Emami, M., & Shirani, M. (2025). Application and performance of artificial intelligence in implant
dentistry: An umbrella review. Dentistry Review, 5(3), 100159.
https://doi.org/10.1016/j.dentre.2025.100159
Eschert, T., Schwendicke, F., Krois, J., Bohner, L., Vinayahalingam, S., & Hanisch, M. (2022). A survey
on the use of artificial intelligence by clinicians in dentistry and oral and maxillofacial surgery.
Medicina, 58(8), 1059. https://doi.org/10.3390/medicina58081059
Gómez-Polo, M., Sallorenzo, A., Ortega, R., Barmak, A., Att, W., & Revilla-León, M. (2024). Influence
of implant angulation and clinical implant scan body height on the accuracy of complete arch
intraoral digital scans. The Journal of Prosthetic Dentistry, 131(1), 119–127.
https://doi.org/10.1016/j.prosdent.2021.11.018
Gracia, J., Pfang, B., Morales, M., Caramés, C., del Olmo, M., Villegas, M., Short, J., Arcos, J., Álvaro, J.,
Manzano, F., & Muñoz, L. (2025). Implementing a closed loop clinical decision support system
for sustainable preoperative care. NPJ Digital Medicine, 8(1), 6. https://doi.org/10.1038/s41746-
024-01371-7
Hassan, N., Kamel, A., Omran, A., Gad, M., Muhammad, N., Ahmed, O., & Abdel-Fattah, M. (2023).
Automated identification of dental implants: A new, fast and accurate artificial intelligence
system. The European Journal of Prosthodontics and Restorative Dentistry, 32.
https://doi.org/10.1922/EJPRD_2620Hassan06
Khairkar, A., Kadam, S., Kadam, P., & Deshpande, S. (2025). Advancing dental implant classification
through YOLO-based deep learning models. International Journal of Information Technology.
https://doi.org/10.1007/s41870-025-02885-3
Khan, G., Aaliyah, S., Pal, S., Tiwari, R., Smitha M., Dixit, H., Prashant M., & Ali, T. (2025). Artificial
intelligence for dental implant classification and peri-implant disease detection: A clinical
study. Bioinformation, 21(8), 2361–2364. https://doi.org/10.6026/973206300212361
Kibcak, E., Buhara, O., Temelci, A., Akkaya, N., Ünsal, G., & Minervini, G. (2025). Deep learning-driven
segmentation of dental implants and peri-implantitis detection in orthopantomographs: A
novel diagnostic tool. Journal of Evidence-Based Dental Practice, 25(1), 102058.
https://doi.org/10.1016/j.jebdp.2024.102058
Krishnan, D. (2022). Artificial intelligence in oral and maxillofacial surgery education. Oral and
Maxillofacial Surgery Clinics of North America, 34(4), 585–591.
https://doi.org/10.1016/j.coms.2022.03.006
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 695
Lee, J., Kim, Y., Lee, J., & Jeong, S. (2020). A performance comparison between automated deep
learning and dental professionals in classification of dental implant systems from dental
imaging: A multi-center study. Diagnostics, 10(11), 910.
https://doi.org/10.3390/diagnostics10110910
Lubbad, M., Kurtulus, I., Karaboga, D., Kilic, K., Basturk, A., Akay, B., Nalbantoglu, O., Yilmaz, O.,
Ayata, M., Yilmaz, S., & Pacal, I. (2024). A comparative analysis of deep learning-based
approaches for classifying dental implants decision support system. Journal of Imaging
Informatics in Medicine, 37(5), 2559–2580. https://doi.org/10.1007/s10278-024-01086-x
Miragall, M., Knoedler, S., Kauke-Navarro, M., Saadoun, R., Grabenhorst, A., Grill, F., Ritschl, L.,
Fichter, A., Safi, A., & Knoedler, L. (2023). Face the future—Artificial intelligence in oral and
maxillofacial surgery. Journal of Clinical Medicine, 12(21). https://doi.org/10.3390/jcm12216843
Mohammadi, H., Soleymanpourshamsi, T., & Amirfarhangi, S. (2025). Artificial intelligence in dental
implant prognosis: A narrative review of predictive models, performance, and clinical
potential. Open Access Research Journal of Biology and Pharmacy, 15(1), 48–54.
https://doi.org/10.53022/oarjbp.2025.15.1.0043
Morris, M., Fiocco, D., Caneva, T., Yiapanis, P., & Orgill, D. (2024). Current and future applications of
artificial intelligence in surgery: Implications for clinical practice and research. Frontiers in
Surgery, 11. https://doi.org/10.3389/fsurg.2024.1393898
Nambiar, R., & Nanjundegowda, R. (2025). Detection of missing tooth regions using deep learning in
panoramic radiographs for dental implant planning. Engineering, Technology & Applied Science
Research, 15(5), 28071–28076. https://doi.org/10.48084/etasr.13101
Neychev, D., Raycheva, R., & Kafadarova, N. (2024). Deep learning in oral surgery for third molar
extraction: Empirical evidence and original model. Biotechnology & Biotechnological Equipment,
38(1), 2349564. https://doi.org/10.1080/13102818.2024.2349564
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., Shamseer, L., Tetzlaff, J. M.,
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
Panetta, K., Rajendran, R., Ramesh, A., Rao, S., & Agaian, S. (2022). Tufts dental database: A
multimodal panoramic X-ray dataset for benchmarking diagnostic systems. IEEE Journal of
Biomedical and Health Informatics, 26(4), 1650–1659. https://doi.org/10.1109/JBHI.2021.3117575
Park, J., Lee, J., Moon, S., & Lee, K. (2022). Deep learning-based detection of missing tooth regions for
dental implant planning in panoramic radiographic images. Applied Sciences, 12(3).
https://doi.org/10.3390/app12031595
Park, W., Huh, J., & Lee, J. (2023). Automated deep learning for classification of dental implant
radiographs using a large multi-center dataset. Scientific Reports, 13(1), 4862.
https://doi.org/10.1038/s41598-023-32118-1
Revilla-León, M., Gómez-Polo, M., Vyas, S., Barmak, B., Galluci, G., Att, W., & Krishnamurthy, V.
(2023). Artificial intelligence applications in implant dentistry: A systematic review. The Journal
of Prosthetic Dentistry, 129(2), 293–300. https://doi.org/10.1016/j.prosdent.2021.05.008
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 696
Saeed, A., Alkhurays, M., AlMutlaqah, M., AlAzbah, M., & Alajlan, S. A. (2023). Future of using robotic
and artificial intelligence in implant dentistry. Cureus, 15(8), e43209.
https://doi.org/10.7759/cureus.43209
Şişman, A., & Acar, A. (2025). Artificial intelligence-based chatbot assistance in clinical decision-
making for medically complex patients in oral surgery: A comparative study. BMC Oral Health,
25(1), 351. https://doi.org/10.1186/s12903-025-05732-w
Sitaras, S., Tsolakis, I., Gelsini, M., Tsolakis, A., Schwendicke, F., Wolf, T., & Perlea, P. (2025).
Applications of artificial intelligence in dental medicine: A critical review. International Dental
Journal, 75(2), 474–486. https://doi.org/10.1016/j.identj.2024.11.009
Sowmiya, S., Sridharan, R., Indirajith, S. S., Jeyakumar, E., & Leoney, A. (2025). Artificial intelligence–
driven advancements in dental implants: A narrative review. International Journal of Dental
Materials, 7(4), 120–124. https://doi.org/10.37983/IJDM.2025.7403
Terzi, M., Yavuz, M., Bicer, T., & Buyuk, S. K. (2025). Evaluation of artificial intelligence robot’s
knowledge and reliability on dental implants and peri-implant phenotype. Scientific Reports,
15(1), 9519. https://doi.org/10.1038/s41598-025-94576-z
Vázquez-Sebrango, G., Anitua, E., Macía, I., & Arganda-Carreras, I. (2025). The role of artificial
intelligence in implant dentistry: A systematic review. International Journal of Oral and
Maxillofacial Surgery, 54(11), 1098–1122. https://doi.org/10.1016/j.ijom.2025.04.005
Zhu, J., Chen, Z., Zhao, J., Yu, Y., Li, X., Shi, K., Zhang, F., Yu, F., Shi, K., Sun, Z., Lin, N., & Zheng, Y.
(2023). Artificial intelligence in the diagnosis of dental diseases on panoramic radiographs: A
preliminary study. BMC Oral Health, 23(1), 358. https://doi.org/10.1186/s12903-023-03027-6
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (681-697)
ISSN: 2960-8317
Adrián Sebastián Realpe Flores, Solange Daniela Chávez Jaramillo, Maritza Mishell Alarcón Mugmal, Carlos Elián Coque Bastidas 697
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
Adrián Sebastián Realpe Flores: Conceptualización, software, validación, análisis formal,
investigación, gestión de datos, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, recursos, supervisión.
Solange Daniela Chávez Jaramillo: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, recursos, supervisión.
Maritza Mishell Alarcón Mugmal: Conceptualización, metodología, software, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, recursos.
Carlos Elián Coque Bastidas: Conceptualización, análisis formal, investigación, visualización,
redacción - preparación del borrador original, redacción - revisión y edición, financiamiento, recursos.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
