Predecir el riesgo de fracturas radiculares después de la terapia de conducto radicular requiere el diagnóstico de la historia dental y el estado de los pacientes. Sin embargo, la historia dental es un tipo de datos categóricos que no es fácil de combinar con datos numéricos para obtener un buen rendimiento en el aprendizaje profundo. La precisión de la máquina de vectores de soporte (SVM) y las redes neuronales artificiales (ANNs) es del 71.7% y 73.1%, respectivamente. En este estudio, se propone una red neuronal de fusión de tres etapas (TSFNN) para mejorar los múltiples tipos de datos clínicos en el campo dental basados en ANNs. Los datos clínicos se obtuvieron de 145 dientes, que comprendían 97 dientes fracturados y 48 dientes no fracturados. Cada conjunto de datos contenía 17 elementos, que se dividieron en 10 elementos categóricos y 7 elementos numéricos. TSFNN combina NN numéricos y categóricos con técnicas de normalización de lotes y capas de incrustación y puede producir una precisión del 82.1% y una mejora del 19.1% en la puntuación F1. Muestra un rendimiento impresionante en la predicción del riesgo de fractura radicular. Además, debido a la cantidad limitada de datos clínicos, se cree que este estudio piloto puede mejorar efectivamente los resultados cuando la cantidad de datos clínicos es insuficiente.