Predicción de los resultados del tratamiento de camuflaje en maloclusión esquelética Clase III mediante aprendizaje automático

Por qué esto importa para las sonrisas cotidianas

Muchos adultos conviven con una mordida inversa, en la que los dientes inferiores quedan por delante de los superiores. Corregirla puede requerir cirugía maxilofacial o una planificación cuidadosa con brackets que "camuflan" la desalineación mandibular mediante el movimiento dental. Elegir la vía equivocada puede suponer años de tratamiento desperdiciados y aún así dejar una oclusión insatisfactoria. Este estudio explora si las técnicas modernas de aprendizaje automático pueden ayudar a los ortodoncistas a predecir, antes de iniciar el tratamiento, qué pacientes probablemente obtendrán buenos resultados solo con camuflaje y cuáles podrían necesitar realmente cirugía.

Comprender el problema de la mordida inversa

La maloclusión esquelética Clase III es el término técnico para una mandíbula inferior prominente o adelantada respecto a la superior. Es especialmente común en muchas poblaciones asiáticas y puede afectar tanto la apariencia como la función masticatoria. Los adultos con esta condición suelen enfrentarse a dos opciones principales: cirugía para reposicionar los huesos o tratamiento de camuflaje que se basa únicamente en el movimiento dental. Tradicionalmente, los ortodoncistas se han guiado por la experiencia y un puñado de medidas en radiografías para decidir. Sin embargo, aun con pautas, algunos casos de camuflaje no logran una mordida estable y cómoda.

Incorporando predicción inteligente en la clínica

Para abordar este desafío, los investigadores examinaron historiales de 100 adultos en Corea del Sur que habían sido tratados con camuflaje ortodóntico por mordida inversa. Usando mediciones detalladas de radiografías laterales de cabeza tomadas antes y después del tratamiento, etiquetaron cada caso como éxito o fracaso según criterios de oclusión, como la superposición de los incisivos superiores e inferiores y el encaje de los molares. Después entrenaron cuatro modelos de aprendizaje automático diferentes —algoritmos modernos que aprenden patrones a partir de datos— para predecir, usando solo medidas previas al tratamiento, si un nuevo paciente tendría probabilidad de obtener un resultado de camuflaje satisfactorio.

Lo que descubrieron los algoritmos

De los cuatro enfoques probados, un método llamado XGBoost mostró las predicciones más consistentes y precisas. Aunque el estudio analizó 87 mediciones distintas, dos destacaron como especialmente importantes. La primera fue cuán adelantados estaban los dientes incisivos inferiores en la mandíbula (una distancia horizontal llamada L1_x). La segunda fue la longitud del maxilar superior a lo largo del paladar (Longitud palatal), que refleja cuánto hueso hay disponible para alojar los dientes superiores. En términos sencillos, el camuflaje funcionó mejor cuando los incisivos inferiores no estaban ya demasiado adelantados y cuando el maxilar superior no era demasiado corto en sentido anteroposterior.

Un árbol de decisión simple para uso en la práctica

Para convertir estos hallazgos en una herramienta que el clínico pueda usar en la silla, el equipo construyó un árbol de decisión —un modelo tipo diagrama de flujo. Mostró que si los incisivos inferiores superaban cierto límite hacia adelante, el tratamiento de camuflaje casi siempre fracasaba, lo que sugiere que la cirugía u otro enfoque sería más seguro. Si los incisivos inferiores estaban dentro de ese límite, el modelo evaluaba a continuación la longitud del maxilar superior. Cuando el maxilar superior era lo bastante largo, se predecía el éxito del camuflaje casi siempre. Pero si era más corto, la probabilidad de éxito caía en picado, especialmente cuando los incisivos inferiores también estaban cerca de su límite adelantado. Los investigadores ilustraron esto aplicando el árbol a dos pacientes que a primera vista parecían similares; el modelo anticipó correctamente que uno terminaría con una buena oclusión y el otro no.

Qué significa esto para pacientes y profesionales

Este trabajo sugiere que el aprendizaje automático puede convertir mediciones complejas de radiografías en orientaciones prácticas y claras para decisiones ortodóncicas. Para los pacientes, eso puede traducirse en una conversación más honesta desde el inicio sobre si solo con brackets es probable alcanzar el resultado deseado, reduciendo el riesgo de años de tratamiento que acaben en decepción. Para los clínicos, el estudio resalta dos características fáciles de comprobar —la posición adelantada de los incisivos inferiores y la longitud efectiva del maxilar superior— como señales de advertencia cruciales al considerar el camuflaje en una mordida inversa. Aunque el modelo se desarrolló a partir de los casos de un único clínico y aún necesita validación más amplia, apunta hacia un futuro en el que herramientas personalizadas y basadas en datos ayuden a ajustar cada paciente al tratamiento que realmente se adapta a su anatomía y objetivos.

Cita: Koh, J., Kim, Y.H., Kim, N. et al. Predicting camouflage treatment outcomes in skeletal class III malocclusion using machine learning. Sci Rep 16, 9297 (2026). https://doi.org/10.1038/s41598-026-40107-3

Palabras clave: mandíbula prognática, camuflaje ortodóntico, aprendizaje automático, planificación del tratamiento, alineación mandibular