El presente estudio tiene como objetivo el desarrollo y la validación de un prototipo para el análisis automático de imágenes intraorales, orientado a la detección temprana de enfermedades periodontales, en particular la gingivitis y la periodontitis. Las periodontopatías presentan una alta prevalencia a nivel global, no solo afectan la salud bucodental, sino que constituyen una de las principales causas de pérdida dental en adultos. La iniciativa surge como respuesta a las limitaciones de los métodos diagnósticos convencionales, los cuales dependen en gran medida de la pericia clínica y pueden generar resultados variables o tardíos. Este desarrollo busca ofrecer una herramienta más precisa, rápida y menos invasiva, que facilite al profesional la emisión de diagnósticos certeros y la planificación de tratamientos personalizados. El proyecto fue desarrollado bajo un enfoque experimental y transversal, permitiendo analizar diversos parámetros visuales como coloración e inflamación, para establecer vínculos entre los signos visibles y la presencia de enfermedad. Se utilizó un conjunto de 1600 imágenes clínicas clasificadas en tres categorías: sano, gingivitis y periodontitis. Estas imágenes sirvieron para entrenar un modelo de red neuronal convolucional basado en la arquitectura EfficientNet-B2, ajustado mediante técnicas de transferencia de aprendizaje y entrenamiento especializado. Para validar su desempeño, las imágenes seleccionadas automáticamente por la red neuronal a partir del conjunto de prueba, las cuales ya contaban con diagnóstico previo emitido por especialistas. En el conjunto de prueba, la matriz de confusión mostró un alto número de aciertos en las tres clases: sano (51/65), gingivitis (191/202) y periodontitis (44/44), alcanzando una exactitud global superior al 93%. Los errores se concentraron mayoritariamente en la confusión entre los casos de sano y gingivitis, mientras que la clase de periodontitis fue clasificada sin errores. El análisis de las áreas bajo la curva (AUC) confirmó este desempeño, con valores de AUC de 1.00 para periodontitis y 0.98 para gingivitis y sano, evidenciando una capacidad discriminativa elevada y balanceada entre clases. Este patrón refleja un rendimiento óptimo del modelo, con una diferenciación especialmente precisa de los casos de periodontitis. Adicionalmente, se llevó a cabo una validación externa mediante la cuantificación salival de la metaloproteinasa-8 (MMP-8), biomarcador asociado a la inflamación periodontal en 14 pacientes con diagnóstico clínico. Aunque no se encontraron diferencias estadísticamente significativas entre el grupo de gingivitis y el de periodontitis, los niveles más altos de MMP-8 se registraron en los pacientes con periodontitis, respaldando así las predicciones del prototipo. A la par, se realizó una comparación directa entre el diagnóstico clínico y el generado por el sistema Inflamperiodont-IA en los mismos 14 pacientes, obteniéndose una concordancia del 78.6% (11/14). Los desaciertos observados se concentraron en casos clínicamente diagnosticados como gingivitis que fueron clasificados por la IA como "sano", lo cual sugiere una leve subestimación en casos leves de inflamación. No obstante, estos resultados refuerzan la aplicabilidad clínica del sistema al mostrar una alineación sustancial con el juicio profesional. Finalmente, se desarrolló una interfaz gráfica intuitiva que permite al profesional cargar imágenes fácilmente y recibir un diagnóstico preliminar en tiempo real. Esta propuesta representa un avance significativo en la odontología digital, al ofrecer una solución no invasiva, eficiente y accesible para mejorar la detección oportuna y la atención de las enfermedades periodontales.