Una de las preguntas más frecuentes antes de una cirugía ortognática es simple y difícil a la vez: ¿cómo voy a quedar? Predecir el cambio de los tejidos blandos del rostro al mover los maxilares es un problema técnico complejo, y la inteligencia artificial lo está resolviendo cada vez mejor. Una revisión narrativa reciente compara los métodos tradicionales con los de IA y deja cifras claras.

El punto de partida: los métodos tradicionales

Durante años la predicción se hizo en 2D con programas como Dolphin Imaging, donde el labio inferior es la zona menos precisa. El salto al 3D trajo modelos biomecánicos:

  • Modelos de elementos finitos (FEM): errores promedio de 1 a 1,5 mm en sentido coronal.
  • Regresión múltiple: errores de 1,04 a 1,51 mm en la posición horizontal del labio.

En clínica se considera significativa una diferencia superior a 2 mm, así que estos métodos ya rondaban lo aceptable, pero eran lentos y con errores que se acumulan.

Lo que aporta el deep learning

Los modelos de aprendizaje profundo que trabajan directamente sobre nubes de puntos 3D han mejorado tanto la precisión como la velocidad:

  • Redes neuronales profundas (DNN) combinadas con morfometría geométrica: error de sistema promedio por debajo de 1 mm.
  • PointNet++: precisión comparable a los modelos FEM, pero mucho más rápido.
  • PointConv: mejora notable de la precisión frente a PointNet++.
  • Transformers: errores absolutos mejores que los modelos de regresión clásicos.

La gran ventaja es la velocidad: respuestas prácticamente en tiempo real, lo que permite mostrar al paciente distintos escenarios en consulta. Líneas de investigación de 2026, como los modelos que incorporan física del tejido ("physics-informed"), buscan justamente que la predicción sea realista y no solo estéticamente plausible.

Dónde sigue fallando

La honestidad es parte del valor de estas herramientas. Los propios autores señalan que:

  • El labio inferior y el mentón siguen siendo las zonas más difíciles de predecir.
  • La precisión aún es insuficiente en deformidades severas.
  • Hace falta más investigación en pacientes clase II frente a los clase III.
  • Persisten problemas de bases de datos pequeñas, sobreajuste y falta de interpretabilidad.

La propuesta más sensata de la revisión es híbrida: usar deep learning para la predicción global del rostro y apoyar la zona del labio con modelos biomecánicos.

Qué significa para el paciente y el cirujano

Para el paciente, esto se traduce en una conversación más clara y realista sobre su resultado. Para el cirujano, en una herramienta de comunicación y planificación, no en un veredicto. La predicción es una guía cada vez más fina, pero el resultado real depende de la técnica, la biología de cada persona y el criterio del equipo. Es, otra vez, IA como copiloto.

Fuentes: Predicción de tejidos blandos tras cirugía ortognática: revisión narrativa y análisis integral de IA en cirugía maxilofacial. Contenido informativo; no reemplaza la evaluación de un profesional.