¿Cómo puede la saliva detectar periodontitis usando IA? Lo que dice el estudio español
Un estudio español demuestra que una muestra de saliva analizada con IA detecta periodontitis con un 92,8% de precisión (AUC), superando a otros métodos. El 7 de septiembre de 2026, el Journal of Dental Research —la revista de referencia de la International Association for Dental, Oral, and Craniofacial Research, con un factor de impacto de 6,6— publicó un estudio que merece atención pausada. El título técnico es Comparative Diagnostic Performance of Oral Microbial Habitats for Periodontitis. Los autores son investigadores del Oral Sciences Research Group de la Universidade de Santiago de Compostela, liderados por la Dra. Inmaculada Tomás y Carlos Balsa-Castro. La pregunta que el estudio intenta responder es una que el sector lleva años planteándose: ¿puede la microbiota oral servir como marcador diagnóstico no invasivo para la periodontitis? Y si puede, ¿qué tipo de muestra funciona mejor?
La respuesta que dan los datos es sorprendente: la saliva supera a la placa subgingival.
El contexto: por qué este problema importa
La periodontitis afecta a más de 1.000 millones de personas en todo el mundo y las proyecciones para 2050 indican un incremento del 44%, según el Global Burden of Disease 2021. Es una de las enfermedades crónicas más prevalentes del planeta y una de las más infradiagnosticadas, precisamente porque en sus fases iniciales es prácticamente asintomática.
El diagnóstico convencional requiere una exploración clínica completa: sondaje periodontal milímetro a milímetro, evaluación radiográfica, análisis de pérdida de inserción. Es un procedimiento que requiere un periodoncista o un higienista entrenado, instrumental especializado y tiempo. No es escalable para cribado poblacional masivo. No llega a los pacientes que no van al dentista. Y no llega antes de que la enfermedad progrese.
Si existiera un método de cribado sencillo, no invasivo y procesable con IA —una muestra de saliva analizada por machine learning— se podría identificar a pacientes con riesgo de periodontitis antes de que lleguen a la clínica, o incluso antes de que tengan síntomas. El potencial en salud pública es enorme.
El estudio: qué hicieron exactamente
El equipo de Santiago de Compostela no recogió muestras nuevas. Utilizó datos ya disponibles: 2.303 muestras de adultos procedentes de 33 proyectos de secuenciación 16S rRNA de acceso público, que cubrían los tres hábitats orales principales — placa subgingival, placa supragingival y saliva — en individuos periodontalmente sanos y con periodontitis.
Es un diseño de análisis integrado de datos existentes, no un ensayo clínico prospectivo. Eso tiene implicaciones importantes para la interpretación de los resultados, como los propios autores reconocen.
Lo que sí hicieron de forma rigurosa: aplicaron múltiples algoritmos de machine learning (modelos aditivos generalizados o GAM, modelos lineales generalizados, análisis discriminante de alta dimensión, Naïve Bayes y Random Forest), con validación cruzada repetida y evaluación en conjuntos de test independientes, siguiendo las guías TRIPOD+AI para reporte de modelos de predicción clínica con IA.
El objetivo era identificar qué combinación de hábitat oral y algoritmo proporciona el mejor rendimiento diagnóstico para periodontitis.
El resultado que sorprende: la saliva gana
La hipótesis clásica en periodontología sitúa el diagnóstico microbiológico en el surco subgingival: es donde se concentra la disbiosis, donde están los patógenos periodontales clave, donde ocurre la destrucción tisular. La placa subgingival debería ser la muestra más informativa.
Los datos dicen otra cosa.
Usando el modelo GAM — el que mostró mejor equilibrio entre discriminación y beneficio clínico —, los resultados por hábitat en el conjunto de test fueron:
Saliva: AUC = 0,928, sensibilidad = 92,4%, especificidad = 85,3%
Placa supragingival: AUC = 0,903, sensibilidad = 87,6%, especificidad = 81,7%
Placa subgingival: AUC = 0,803, sensibilidad = 78,2%, especificidad = 75,1%
La diferencia entre saliva y placa subgingival es estadísticamente significativa (p ≤ 0,001). La diferencia entre saliva y placa supragingival no alcanza significación estadística, lo que sugiere que la placa supragingival — también de recogida relativamente sencilla — podría ser una alternativa viable.
Para interpretar estos números: un AUC de 0,928 significa que el modelo distingue correctamente entre un paciente con periodontitis y uno sano en el 92,8% de los casos. La sensibilidad del 92,4% significa que de cada 100 pacientes con periodontitis, el modelo detecta correctamente a 92. La especificidad del 85,3% significa que de cada 100 pacientes sanos, el modelo los clasifica correctamente como sanos en 85 casos.
Son números que, si se confirmaran en validación externa, situarían este tipo de test en un rendimiento diagnóstico comparable al de muchas pruebas clínicas establecidas.
Por qué la saliva funciona mejor de lo esperado
Los propios autores proponen una explicación para este resultado contraintuitivo: la saliva integra señales microbianas de toda la cavidad oral, no solo del surco subgingival. En la saliva confluyen bacterias de múltiples nichos ecológicos: surco gingival, mucosa, dorso lingual, placa supragingival. Esa integración puede hacer que capture mejor el estado global de disbiosis oral asociado a la periodontitis que una muestra localizada en un solo sitio.
Hay otro hallazgo del estudio que apoya esta lectura. Cuando los investigadores examinaron qué bacterias específicas identificaba el modelo como predictoras de periodontitis en cada hábitat, encontraron un patrón diferencial claro:
En la placa subgingival, la mayoría de los 14 marcadores identificados (10 de 14) estaban asociados a salud periodontal — bacterias comensales como Streptococcus oralis subsp. dentisani, Haemophilus parainfluenzae o Gemella haemolysans. El modelo detectaba periodontitis más por la ausencia de bacterias saludables que por la presencia de patógenos. Eso hace el modelo más difícil de interpretar y posiblemente más sensible a variaciones individuales.
En la placa supragingival y la saliva, los marcadores eran predominantemente patógenos periodontales reconocidos: Porphyromonas gingivalis, Filifactor alocis, Treponema denticola, Fusobacterium nucleatum. La señal es más directa, más interpretable biológicamente y probablemente más robusta frente a variaciones en la composición basal de la microbiota de cada individuo.
Además, los modelos salivares funcionaban bien con solo 6 a 12 marcadores bacterianos — un conjunto compacto que facilita la eventual traducción a un test diagnóstico de laboratorio. Cuantos menos marcadores necesita el modelo, más sencillo y económico es implementarlo en la práctica.
Lo que el estudio no puede afirmar todavía
Los autores son transparentes sobre las limitaciones, y es importante transmitirlas con la misma claridad que los resultados positivos.
Las muestras de los tres hábitats no proceden de los mismos individuos. Los 2.303 muestras vienen de 33 proyectos distintos, lo que significa que las comparaciones entre hábitats se hacen con datos de personas diferentes. Eso introduce variabilidad interindividual que no se puede controlar completamente y hace imposible comparar directamente el rendimiento de los tres tipos de muestra en el mismo paciente.
Los criterios diagnósticos no estaban completamente estandarizados. Solo un tercio de los estudios incluidos usaron los criterios de clasificación periodontal de 2017 — el estándar actual. El resto usó criterios previos con variaciones en los umbrales de diagnóstico. Eso añade heterogeneidad a los datos que el modelo tiene que manejar.
No hay validación externa. El modelo fue desarrollado y validado con datos del mismo conjunto (aunque en conjuntos de entrenamiento y test separados). Para que este tipo de resultado sea clínicamente útil, necesita demostrarse en cohortes completamente independientes, idealmente en estudios prospectivos con datos nuevos.
El rendimiento excelente en el test set no garantiza el mismo rendimiento en clínica real. Las condiciones controladas de un análisis computacional con datos públicos son distintas de la variabilidad de una práctica clínica real: diferentes equipos de recogida de muestras, diferentes laboratorios, diferentes poblaciones de pacientes.
Los propios autores lo dicen explícitamente: "A pesar de la validación interna exhaustiva, se requiere replicación externa para confirmar la generalización y evaluar la calibración del modelo, la rentabilidad y el valor incremental relativo a los predictores clínicos."
Lo que esto sí abre como posibilidad
Reconocidas las limitaciones, vale la pena quedarse también con lo que el estudio sí sugiere de forma sólida.
Que los modelos de machine learning basados en microbiota oral pueden alcanzar un rendimiento diagnóstico para periodontitis que merece atención seria. El AUC de 0,928 en saliva no es un resultado marginal — es consistente con modelos diagnósticos que se consideran clínicamente útiles en otros contextos médicos.
Que la saliva es un hábitat diagnósticamente valioso, posiblemente más de lo que se asumía. Eso tiene implicaciones prácticas: la recogida de saliva es más sencilla, menos invasiva y más escalable que la toma de muestras subgingivales. Si la saliva funciona bien para screening, el camino hacia un test de cribado masivo es técnicamente más viable.
Tercero: que existe un conjunto de marcadores microbianos — pathobionts como Porphyromonas gingivalis, Tannerella forsythia y Fusobacterium nucleatum subsp. vincentii — que aparecen de forma consistente como predictores en todos los hábitats, sugiriendo que capturan algo real y estable sobre la biología de la periodontitis.
La conexión con SMARTeeth++ y el futuro del diagnóstico periodontal
Este estudio no existe en el vacío. Como hemos contado en nuestra pieza sobre SMARTeeth++, la Universidad de Rochester acaba de recibir 3,1 millones de dólares del NIH para desarrollar una plataforma de IA que detecte caries y periodontitis fuera del entorno clínico.
Ambas líneas de investigación apuntan en la misma dirección: el diagnóstico periodontal puede volverse más sencillo, más accesible y más temprano. La convergencia de métodos de recogida no invasivos (saliva en lugar de sondaje), algoritmos de machine learning con buen rendimiento y plataformas portátiles de diagnóstico es la combinación que haría posible ese futuro.
Falta recorrido. Falta validación. Falta implementación. Pero la dirección de la investigación es cada vez más consistente.
Para el sector dental en España — donde la periodontitis sigue siendo infradiagnosticada y donde la prevención todavía ocurre mayoritariamente en la clínica — las implicaciones a largo plazo son significativas. El higienista dental que entiende estas tendencias y está preparado para trabajar con herramientas de screening ampliado tiene un perfil profesional que el sector va a necesitar cada vez más.
Este artículo forma parte del contenido sobre innovación y tendencias en el sector dental de EmpleoDental.es, el portal de empleo 100% especializado en odontología en España. Si trabajas en el sector o buscas profesionales para tu clínica, crea tu perfil gratuito o publica tu vacante.
Preguntas frecuentes
¿Qué ha demostrado el estudio de la USC sobre saliva y periodontitis? El estudio, publicado el 7 de septiembre de 2026 en el Journal of Dental Research, muestra que modelos de machine learning entrenados con la microbiota salivar de 2.303 muestras procedentes de 33 proyectos internacionales pueden detectar periodontitis con un AUC de 0,928, sensibilidad del 92,4% y especificidad del 85,3%. El resultado más llamativo es que la saliva supera en rendimiento diagnóstico a la placa subgingival, el hábitat tradicionalmente considerado más informativo para el diagnóstico microbiológico de periodontitis.
¿Significa esto que ya se puede diagnosticar periodontitis con un análisis de saliva? No todavía. El estudio analiza datos retrospectivos de proyectos existentes y requiere validación externa prospectiva antes de poder trasladarse a la práctica clínica. Los propios autores señalan explícitamente la necesidad de replicación externa para confirmar la generalización del modelo. Los resultados son prometedores pero no son aún un test diagnóstico validado.
¿Qué es el AUC y cómo interpretar el 0,928 de este estudio? El AUC (Area Under the ROC Curve) mide la capacidad de un modelo diagnóstico para distinguir entre casos positivos y negativos. Un AUC de 1,0 sería un modelo perfecto; 0,5 equivale a azar. En medicina, un AUC superior a 0,9 se considera diagnósticamente excelente. El 0,928 obtenido en saliva significa que el modelo discrimina correctamente entre pacientes con y sin periodontitis en el 92,8% de los casos.
¿Por qué la saliva funciona mejor que la placa subgingival para este tipo de diagnóstico? Los autores proponen que la saliva integra señales microbianas de toda la cavidad oral, capturando una imagen más completa del estado de disbiosis global que una muestra localizada en el surco subgingival. Además, los marcadores identificados en saliva son predominantemente patógenos periodontales reconocidos, mientras que en placa subgingival los modelos funcionaban más por la ausencia de bacterias saludables que por la presencia de patógenos, una señal menos robusta.
¿Qué implicaciones tiene este estudio para los higienistas dentales? Si en el futuro se desarrolla un test de cribado periodontal basado en saliva y machine learning, los higienistas dentales podrían tener un papel central en su aplicación, tanto en clínicas dentales como en entornos médicos no dentales. Un higienista que entiende las bases de este tipo de diagnóstico y sus aplicaciones potenciales tiene un perfil más completo para trabajar en el sector dental de los próximos años.