Cuando la tecnología deja de impresionar y empieza a exigir criterio clínico
Introducción
Hablar hoy de inteligencia artificial (IA) aplicada a los trastornos temporomandibulares (TTM) se ha vuelto casi inevitable. No porque la IA haya resuelto el problema —no lo ha hecho—, sino porque ha puesto en evidencia algo mucho más incómodo: la fragilidad del proceso diagnóstico en una patología compleja, heterogénea y frecuentemente asociada a dolor persistente, basado en un modelo psicosocial.
En TTM, la pregunta relevante ya no es si la IA puede usarse, sino cómo evitar que su uso amplifique errores clínicos preexistentes. Y esta no es una reflexión teórica. Es una consecuencia directa de lo que la literatura reciente viene mostrando.
Una umbrella review publicada en Journal of Oral Rehabilitation en 2025 concluye que las aplicaciones de IA en TTM muestran resultados prometedores, especialmente en tareas bien delimitadas como análisis de imágenes y clasificación de cambios degenerativos. Sin embargo, el mismo trabajo advierte una heterogeneidad significativa en diseños metodológicos, poblaciones, fuentes de datos y validaciones externas, lo que limita su transferencia directa a la práctica clínica cotidiana.
Dicho de otro modo: la IA puede detectar patrones, pero no puede decidir por el clínico. Y en TTM, decidir mal tiene consecuencias clínicas, éticas y terapéuticas.
El problema no es tecnológico, es clínico
Los TTM no fallan porque falten herramientas. Fallan porque durante décadas se han intentado explicar desde modelos excesivamente simples. Se ha tratado de explicar todo con un modelo mecanicista lo cual redujo a los TTM a una respuesta causa efecto, que basados en la evidencia científica actual es inviable e impresentable. Esta limitación ya fue señalada de forma contundente por el informe de la National Academy of Medicine, que subrayó la necesidad de abandonar enfoques intervención-centrados y elevar la calidad diagnóstica como eje del cuidado (Durham, Greene & Ohrbach, 2020).
Cinco años después, esa advertencia no solo sigue vigente: se ha vuelto más urgente. Cada vez más se está esclareciendo la complejidad del dolor en la ATM y el dolor orofacial. Tenemos que entender que ese modelo causa efecto ya nos es viable y su complejidad se une a los descubriientos de la complejidad del modelo. Debe tenerse claro sus dos ejes Biologico y psicosocialy obvio debemos adicionar todo lo del entorno ambiental y social.
Los trabajos de Manfredini y colaboradores publicados en 2025 refuerzan esta idea al insistir en que los TTM no constituyen una entidad homogénea, sino un conjunto de presentaciones clínicas con mecanismos dominantes distintos, factores de riesgo variables y respuestas terapéuticas desiguales. En este contexto, aplicar cualquier herramienta —incluida la IA— sin una estratificación clínica previa no solo es clínicamente pobre, sino potencialmente.
La IA no corrige este problema. Lo expone.
Fenotipos clínicos: donde la IA puede ayudar (si el marco existe)
Uno de los avances conceptuales más relevantes de los últimos años ha sido el énfasis en fenotipos clínicos en TTM. El trabajo de Ohrbach, Slade y Fillingim publicado en Journal of Dental Research en 2025 demuestra que los perfiles clínicos —localizados, regionales, generalizados, con alta carga psicosocial o con características de dolor persistente— condicionan tanto la evolución como la respuesta al tratamiento (Ohrbach et al., 2025).
Este punto es clave para entender el papel real de la IA.
La IA no crea fenotipos. Pero puede ayudar a ordenar información, reducir variabilidad y detectar patrones repetidos, siempre que el marco diagnóstico ya exista (Ohrbach et al., 2025).
Sin ese marco, la IA no clasifica: confunde.
IA en imagen: precisión técnica no es verdad clínica
Donde la IA ha mostrado mayor consistencia es en el análisis de imágenes, particularmente en la detección de artrosis de la articulación temporomandibular. Estudios basados en deep learning y CBCT publicados en 2025 han reportado valores elevados de Área Bajo la Curva (AUC ) en los análisis estadísticos, para la identificación de cambios degenerativos, demostrando que, cuando la pregunta clínica es clara y el dato es adecuado, la IA puede funcionar como un excelente segundo lector (Zhang et al., 2025, Scientific Reports).
Pero aquí aparece uno de los errores más frecuentes: confundir detección con diagnóstico.
Detectar cambios degenerativos no equivale a explicar el dolor del paciente. La correlación clínica sigue siendo obligatoria, y ningún algoritmo puede integrar por sí solo historia clínica, evolución, factores iniciadores, perpetuantes, modificantes, comorbilidades y contexto psicosocial. Eso sigue siendo responsabilidad del profesional, como también subraya la literatura reciente sobre IA en TTM (Umbrella review, Journal of Oral Rehabilitation, 2025).
El riesgo real: automatizar un modelo diagnóstico equivocado
La mayor amenaza de la IA en TTM no es el reemplazo del clínico. Es la automatización de un modelo diagnóstico deficiente.
Si el enfoque sigue siendo local, mecanicista o intervención-primero, la IA simplemente hará ese error más rápido y con una apariencia de objetividad. La umbrella review de 2025 es clara al advertir que, sin validación externa robusta, diversidad de datos e integración clínica, los modelos de IA pueden generar una falsa sensación de precisión (Artificial intelligence applications in temporomandibular disorders: an umbrella review, 2025).
Por eso, el verdadero diferencial profesional hoy no es “usar IA”, sino gobernar su uso desde un marco clínico sólido.
Ética clínica: lo que la IA obliga a replantear
La dimensión ética del uso de IA en TTM rara vez se aborda con profundidad. Sin embargo, es central.
Confundir precisión técnica con verdad clínica, delegar autoridad en un algoritmo, favorecer el sobre-diagnóstico o esconder la incertidumbre detrás de tecnología sofisticada no son errores técnicos: son errores éticos. Este punto conecta directamente con el llamado de la National Academy of Medicine a mejorar la coherencia diagnóstica y la toma de decisiones responsables en TTM (Durham et al., 2020).
La IA no elimina la incertidumbre. La hace más visible. El acto ético no es prometer certeza, sino sostener esa incertidumbre con honestidad, sin delegarla a un sistema ni ocultarla detrás de tecnicismos.
Conclusiones clínicas
1. La IA no sustituye el diagnóstico clínico
Puede apoyar tareas específicas, pero no reemplaza el razonamiento ni la integración clínica (Manfredini et al., 2025)., ni los fundamentos del diagnostico humano.
2. Sin estratificación clínica, la IA amplifica errores
Si no son claros los fenotipos y contexto clínico y médico cualquier implementación tecnológica (Ohrbach et al., 2025) es irrelevante e incluso peligrosa.
3. Precisión algorítmica no equivale a relevancia clínica
Detectar hallazgos estructurales no explica el dolor ni justifica por sí solo una intervención (Zhang et al., 2025). Sin embargo puestas dentro del contexto del paciente es de enorme utilidad.
4. La ética no limita la innovación, la dirige
Reconocer límites y evitar sobre-diagnóstico o infra diagnóstico es parte del ejercicio profesional responsable (Durham et al., 2020).
5. El verdadero diferencial es el criterio clínico
En un escenario de IA accesible para todos, la diferencia no la marca la herramienta, sino la calidad del razonamiento que la contiene (Umbrella review, 2025) y la capacidad y conocimiento clínico que se tenga.
Referencias
- Durham J, Greene CS, Ohrbach R. Temporomandibular Disorders: Priorities for Research and Care. National Academy of Medicine, 2020.
- Manfredini D et al. Temporomandibular disorders: an update on diagnosis, risk factors, and clinical decision-making. Journal of Oral & Facial Pain and Headache, 2025.
- Ohrbach R et al. Clinical phenotyping of temporomandibular disorders and implications for management. Journal of Dental Research, 2025.
- Artificial intelligence applications in temporomandibular disorders: an umbrella review. Journal of Oral Rehabilitation, 2025.
- Zhang Y et al. Deep learning for diagnosis of temporomandibular joint osteoarthritis using CBCT images. Scientific Reports, 2025.
Comentarios recientes