The Impact of Artificial Intelligence on the Accuracy of Interproximal Reduction Simulation in Clear Aligner Therapy: A Scoping Review

Resumen Técnico: El impacto de la Inteligencia Artificial en la precisión de la simulación de la Reducción Interproximal en la Terapia de Alineadores Transparentes

Planteamiento del Problema
La Terapia de Alineadores Transparentes (CAT, por sus siglas en inglés) depende en gran medida de una planificación digital precisa, donde la Reducción Interproximal (IPR) —la eliminación de cantidades microscópicas de esmalte para crear espacio— es un paso crítico e irreversible. Una prescripción de IPR inexacta puede derivar en un espacio insuficiente para el movimiento dental o, por el contrario, en destrucción del esmalte y problemas periodontales. Si bien la Inteligencia Artificial (IA) se utiliza cada vez más para automatizar la segmentación dental, la generación de la configuración virtual y la prescripción de IPR, existe una falta de evidencia sintetizada sobre la precisión de estas simulaciones impulsadas por IA en comparación con los métodos convencionales. La literatura existente aborda la IA en ortodoncia o la IPR por separado, pero ninguna revisión ha integrado la IA específicamente con la precisión de la simulación de IPR como un enfoque basado en evidencia discreto. El problema central es si las herramientas de IA mejoran, degradan o introducen errores específicos medibles en el flujo de trabajo de simulación de IPR, particularmente dado que las mediciones del ancho mesiodistal de los dientes de los modelos digitales sirven como la entrada directa para los cálculos de IPR.

Metodología
Este estudio es una revisión de alcance (scoping review) realizada de acuerdo con la metodología del Instituto Joanna Briggs (JBI) y las directrices PRISMA-ScR.

• Estrategia de Búsqueda: Se realizó una búsqueda exhaustiva en PubMed/MEDLINE, Scopus, Web of Science Core Collection y Cochrane CENTRAL desde enero de 2015 hasta junio de 2026. Se complementó la búsqueda con Google Scholar y búsquedas manuales en revistas ortodónticas clave.
• Criterios de Inclusión: Estudios primarios (cualquier diseño) que involucren pacientes de CAT, modelos digitales o conjuntos de datos donde se haya utilizado un componente identificable de IA (aprendizaje automático, aprendizaje profundo o herramientas etiquetadas por el proveedor como "impulsadas por IA") en la segmentación dental, la configuración virtual o la simulación de IPR. Los estudios debían informar al menos un resultado de precisión cuantitativo (por ejemplo, diferencia media en mm, ICC, MAE, RMSE).
• Criterios de Exclusión: Estudios centrados únicamente en aparatos fijos, funciones de IA que no sean de planificación (por ejemplo, chatbots), resultados subjetivos sin medidas cuantitativas, fuentes secundarias o modelos no dentales.
• Síntesis de Datos: Dos revisores cribaron independientemente 92 registros recuperados, lo que resultó en 19 fuentes incluidas. Debido a la heterogeneidad de las plataformas de IA, los diseños de estudio y las medidas de resultado, los datos se sintetizaron de forma narrativa y temática en lugar de mediante la agrupación cuantitativa.
• Evaluación de la Calidad: Se utilizó una lista de verificación armonizada y pragmática de cinco dominios (Selección, Detección, Atrición, Informe, Transparencia de la IA) para evaluar la base de evidencia, calificando las preocupaciones como bajas, moderadas o altas. Esto se realizó para la interpretación contextual en lugar de como un filtro de inclusión.

Contribuciones Clave
La revisión mapea la evidencia existente a través de cuatro dominios temáticos:

1. Precisión de la Segmentación Dental Impulsada por IA: Evaluación de qué tan bien los algoritmos de IA segmentan los dientes para determinar los anchos mesiodistales.
2. Precisión de la Configuración Digital Automatizada: Evaluación de la precisión de las configuraciones virtuales generadas por IA y los algoritmos de registro.
3. Predicción de Resultados de CAT por IA: Análisis del papel de la IPR como una variable en los modelos de aprendizaje automático que predicen el éxito del tratamiento o la necesidad de refinamiento.
4. Impactos de la Visualización por IA: Investigación de cómo las visualizaciones 3D generadas por IA (incluyendo estructuras óseas y radiculares) influyen en la toma de decisiones clínicas de IPR.

Resultados
De los 92 registros recuperados, 19 fuentes publicadas entre 2022 y 2026 cumplieron con los criterios de inclusión.

• Precisión de la Segmentación: La evidencia indica una propensión de la segmentación por IA a sobreestimar el ancho mesiodistal. Un estudio encontró que la segmentación de DentOne AI se desviaba de 0.84 a 0.87 mm en dientes posteriores en comparación con las mediciones manuales, aproximadamente el doble de la desviación de ClinCheck (0.47–0.56 mm). Aunque algunos modelos de aprendizaje profundo lograron puntuaciones de Intersección sobre Unión (IoU) elevadas (por ejemplo, >92%), la alta superposición volumétrica no garantizó la identificación precisa de los puntos de contacto necesarios para una IPR precisa.
• Precisión de la Configuración y el Registro: Las configuraciones automatizadas mostraron una precisión variable dependiendo del software y el tipo de movimiento. Los errores lineales oscilaron entre 0.39 y 1.40 mm, y los errores angulares entre 3.25 y 7.80 grados. Los algoritmos de registro deterministas utilizados para medir estos resultados también variaron; por ejemplo, OrthoAnalyzer mostró un acuerdo pobre (ICC < 0.5) para el torque mandibular en comparación con Geomagic y Compare (ICC > 0.90).
• Modelado Predictivo: En análisis retrospectivos de miles de pacientes, la IPR fue identificada como un predictor significativo del riesgo de refinamiento y de las aberturas de las embraduras gingivales. Los modelos de aprendizaje automático (por ejemplo, XGBoost, Redes Convolucionales de Grafos) alcanzaron niveles de precisión variables (por ejemplo, AUC 0.880 para predecir la apertura de la embradura gingival cuando la IPR se incluyó como predictor).
• Toma de Decisiones Clínicas: La visualización 3D por IA alteró significamente el comportamiento del clínico. En una encuesta, entre el 33 % y el 43 % de los ortodoncistas cambiaron sus planes de tratamiento, incluyendo las decisiones de IPR, tras visualizar los datos óseos y radiculares 3D generados por IA. Sin embargo, estas predicciones óseas no fueron verificadas contra estándares clínicos o radiográficos en los estudios incluidos.
• Evaluación de la Calidad: 14 de los 19 estudios fueron calificados con una preocupación baja. Se observaron preocupaciones moderadas con respecto a los tamaños de muestra pequeños y la notificación incompleta de la metodología de IA. Se identificaron preocupaciones altas en estudios con bajas tasas de respuesta de encuestas y muestras piloto pequeñas.

Significancia y Reclamaciones
El artículo concluye que las herramientas de IA afectan mensurablemente cada etapa del flujo de trabajo de simulación de IPR en la Terapia de Alineadores Transparentes, pero la evidencia actual no respalda la afirmación de que la IA sea inherentemente más precisa que la planificación digital convencional.

• Limitaciones Actuales: Ninguna de las fuentes incluidas fue diseñada con el objetivo principal de comparar la precisión de la IPR simulada por IA frente a la IPR convencional. Por consiguiente, se requiere una comparación prospectiva dedicada para cerrar esta brecha de evidencia.
• Implicaciones Clínicas: Los clínicos no pueden excluir de forma segura la supervisión humana. Específicamente, las prescripciones de IPR posterior generadas por la segmentación de IA no deben utilizarse sin confirmar las medidas mesiodistales debido a los riesgos de sobreestimación. Además, las visualizaciones 3D generadas por IA deben tratarse como herramientas de apoyo a la decisión en lugar de datos diagnósticos definitivos, ya que las predicciones óseas no han sido validadas frente a estándares de referencia.
• Direcciones Futuras: Los autores abogan por un estudio prospectivo con un endpoint primario de precisión de la prescripción, utilizando algoritmos de registro estandarizados y muestras diversas (incluyendo apiñamiento severo e IPR posterior) para determinar si la IA puede realmente mejorar o degradar la precisión de la IPR en comparación con los métodos tradicionales.

La revisión enfatiza que, si bien la IA ofrece automatización, la naturaleza de "caja negra" de los algoritmos comerciales y la variabilidad en la precisión de la segmentación y el registro requieren actualmente la verificación del clínico en lugar de la sustitución de las prescripciones generadas por IA.