Modelos predictivos de caries dental basados en Big Data y aprendizaje automático: revisión narrativa

• Velastegui Almeida, Noelia Amaray ^[1] ; Rodríguez Galarza, Gonzalo Paúl ^[2]
  1. [1] Universidad de Guayaquil

     Universidad de Guayaquil

     Guayaquil, Ecuador

     
  2. [2] Universidad Internacional del Ecuador

     Universidad Internacional del Ecuador

     Quito, Ecuador

     
• Localización: Revista Colincing de Estudios Multidisciplinarios, ISSN-e 3103-1498, Vol. 2, Nº. 1, 2026 (Ejemplar dedicado a: Enero-Junio 2026)
• Idioma: español
• Títulos paralelos:
  • Predictive models of dental caries based on Big Data and machine learning: a narrative review
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    La caries dental es la enfermedad bucal más prevalente a nivel mundial, afectando aproximadamente a 3,5 mil millones de personas y generando un impacto significativo en la calidad de vida y en los sistemas de salud. Ante esta problemática, los modelos predictivos han emergido como herramientas clave para la detección temprana y la prevención; sin embargo, muchos presentan limitaciones metodológicas, como alto riesgo de sesgo y baja aplicabilidad clínica. En este contexto, el avance del Big Data, la inteligencia artificial y el aprendizaje automático ha impulsado el desarrollo de modelos más precisos y eficientes. La presente revisión narrativa tuvo como objetivo analizar la evidencia científica sobre la aplicación de estas tecnologías en la predicción del riesgo de caries dental, incluyendo estudios publicados entre 2015 y 2025 en bases de datos como Scopus, PubMed y Web of Science. Los resultados evidenciaron que las redes neuronales convolucionales, las máquinas de vectores de soporte y las redes neuronales artificiales son los algoritmos más utilizados, destacando por su alto rendimiento diagnóstico, con valores elevados de precisión y área bajo la curva. Las imágenes radiográficas fueron el tipo de dato más empleado, seguidas de datos clínicos y modelos mixtos. No obstante, se identificaron limitaciones importantes, como la heterogeneidad de los datos, la falta de estandarización de métricas y la escasa validación externa. En conclusión, los modelos basados en inteligencia artificial muestran un alto potencial para mejorar la predicción de caries dental, aunque es necesario fortalecer el rigor metodológico y su validación clínica para favorecer su implementación en la práctica odontológica.

  • English

    Dental caries is the most prevalent oral disease worldwide, affecting approximately 3.5 billion people and generating a significant impact on quality of life and healthcare systems. In response to this challenge, predictive models have emerged as key tools for early detection and prevention; however, many of them present methodological limitations, such as a high risk of bias and limited clinical applicability. In this context, advances in Big Data, artificial intelligence, and machine learning have driven the development of more accurate and efficient models. This narrative review aimed to analyze the scientific evidence on the application of these technologies in predicting the risk of dental caries, including studies published between 2015 and 2025 in databases such as Scopus, PubMed, and Web of Science. The results showed that convolutional neural networks, support vector machines, and artificial neural networks are the most used algorithms, standing out for their high diagnostic performance, with elevated values of accuracy and area under the curve. Radiographic images were the most frequently used type of data, followed by clinical data and mixed models. Nevertheless, important limitations were identified, including data heterogeneity, lack of standardized metrics, and limited external validation. In conclusion, artificial intelligence–based models show high potential to improve the prediction of dental caries, although strengthening methodological rigor and clinical validation is necessary to support their implementation in dental practice.