Enfoque de aprendizaje automático para estimar la edad adulta mediante características dentales en radiografías panorámicas

Por qué tus dientes pueden apuntar a tu edad

A lo largo de la vida, nuestros dientes registran de forma silenciosa nuestra historia personal de comidas, percances y visitas al dentista. Este estudio pregunta cuánto puede revelar ese registro sobre la edad de una persona en la adultez, utilizando técnicas informáticas modernas para leer patrones sutiles en imágenes dentales de rutina.

Los dientes como narradores de toda la vida

En niños y adolescentes, la edad puede estimarse razonablemente bien observando cómo crecen y se forman los dientes. En adultos, sin embargo, ese crecimiento está completo, por lo que los expertos deben recurrir a los cambios que se acumulan con el tiempo, como el desgaste de las superficies, empastes, coronas, implantes y dientes ausentes. Estas pistas son útiles en áreas como la medicina forense, donde los investigadores pueden necesitar acotar quién podría ser una persona, y en antropología, donde los científicos estudian poblaciones pasadas. Los enfoques tradicionales suelen sumar el número total de ciertos tratamientos o condiciones dentales y usar esos recuentos en una fórmula simple, pero eso puede dejar fuera muchos detalles sobre exactamente qué dientes están afectados y cómo.

Convertir un boca llena de detalles en datos utilizables

Los investigadores trabajaron con 2.415 radiografías dentales panorámicas de adultos de entre 20 y 89 años. En cada imagen, observadores entrenados etiquetaron cada diente con una de nueve categorías fáciles de reconocer, como sano, ausente, obturado, con corona o implantado. Si un diente mostraba dos características a la vez, como una endodoncia bajo una corona, ambas se registraron juntas. En lugar de colapsar toda esta información en unos pocos totales, el equipo creó un mapa digital estructurado para cada boca que registraba lo que ocurría en cada posición de la mandíbula. Ese mapa sirvió como entrada tanto para fórmulas estadísticas tradicionales como para una serie de modelos de aprendizaje automático.

Enseñar a las máquinas a leer patrones dentales

Para evaluar qué tan bien podían estimar la edad los distintos métodos, el equipo comparó la regresión lineal estándar con seis enfoques de aprendizaje automático, incluidos bosque aleatorio (random forest) y gradient boosting. Usaron una estrategia de prueba cuidadosa en la que los modelos se entrenaron y evaluaron repetidamente en diferentes subconjuntos de los datos, de modo que cada predicción se hizo con imágenes que el modelo no había visto antes. En todo el grupo de hombres y mujeres, la mejor fórmula tradicional erró por alrededor de 12 años en promedio, mientras que el mejor modelo de aprendizaje automático redujo ese error a unos 11 años y explicó algo más de la variación en la edad.

Qué aprendieron los modelos de nuestros dientes

Los investigadores también abrieron la “caja negra” de sus mejores modelos para ver qué características dentales importaban más. Encontraron que tener muchos dientes sanos y sin tocar tendía a bajar las edades predichas, mientras que un mayor número de dientes ausentes y coronas empujaba las estimaciones hacia arriba. Los molares en general aportaron más información sobre la edad que los dientes frontales, probablemente porque se usan más para masticar y con más frecuencia se restauran o extraen. Aun así, los modelos tendieron a sobreestimar la edad de adultos jóvenes y a subestimar la de adultos mayores, lo que muestra que la relación entre la historia dental y la edad sigue siendo imperfecta.

Cómo podría usarse esto en la vida real

Por ahora, estas estimaciones de edad basadas en ordenador no son lo suficientemente precisas como para usarse de forma aislada, especialmente cuando el objetivo es determinar la edad exacta de un individuo. Es mejor verlas como una evidencia más que puede complementar otros métodos, como el examen de huesos u otras medidas dentales. El trabajo muestra que conservar información detallada diente por diente mejora lo que se puede aprender de una simple radiografía, y que el aprendizaje automático puede lograr ganancias modestas sobre las fórmulas antiguas. Con conjuntos de datos más grandes y variados, y combinando características de imagen con registros clínicos, versiones futuras de este enfoque podrían convertirse en ayudas más fiables en la toma de decisiones forenses y clínicas.

Cita: Lee, D., Oh, S., Hwang, S. et al. Machine learning approach for adult age estimation using dental characteristics on panoramic radiographs. Sci Rep 16, 14401 (2026). https://doi.org/10.1038/s41598-026-45271-0

Palabras clave: estimación de la edad dental, radiografía panorámica, aprendizaje automático, odontología forense, dientes permanentes