El estudio tuvo como objetivo evaluar la efectividad del aprendizaje automático en predecir si los pacientes de ortodoncia requerirían tratamiento con extracción o sin extracción utilizando datos de dos conjuntos de datos universitarios. Un total de 1135 pacientes, con 297 de la Universidad 1 y 838 de la Universidad 2, fueron incluidos durante períodos de inscripción consecutivos. El estudio identificó 20 entradas que incluían 9 características clínicas y 11 medidas cefalométricas basadas en investigaciones previas. Se utilizaron modelos de bosques aleatorios (RF) para hacer predicciones para ambas instituciones. El rendimiento de cada modelo fue evaluado utilizando sensibilidad (SEN), especificidad (SPE), precisión (ACC) y clasificación de características. El modelo entrenado en los datos combinados de las dos universidades demostró el mayor rendimiento, logrando un 50% de sensibilidad, un 97% de especificidad y un 85% de precisión. Al realizar predicciones cruzadas, donde el modelo de la Universidad 1 (U1) se aplicó a los datos de la Universidad 2 (U2) y viceversa, hubo una ligera disminución en las métricas de rendimiento (que van desde el 0% al 20%). El hacinamiento maxilar y mandibular fueron identificados como las características más significativas que influyen en las decisiones de extracción en ambas instituciones. Este estudio es uno de los primeros en utilizar conjuntos de datos de dos instituciones de los Estados Unidos, marcando un progreso hacia el desarrollo de un modelo de inteligencia artificial para apoyar a los ortodoncistas en la práctica clínica.