Introdução: A tomada de decisão para planejar corretamente o tratamento de um paciente ortodôntico está diretamente relacionada a fatores diagnósticos, como análise facial, oclusal e cefalométrica. Um dos maiores desafios está no diagnóstico de pacientes limítrofes (aqueles que podem ser tratados pela compensação dentária ou pela descompensação cirúrgica). Nestes casos, a experiência clínica passa a ser fator importante na tomada de decisão. Hoje, com o alto volume de exames e dados é possível utilizar modelos de aprendizado de máquina e inteligência artificial para um diagnóstico e planejamento preciso. Objetivos: O objetivo deste estudo foi testar diferentes modelos de inteligência artificial para classificar se um paciente necessita ou não de cirurgia ortognática, a partir dos valores obtidos de telerradiografias laterais avaliando tanto tecido duro como mole, e avaliar sua precisão. Material e método: Foram utilizadas 148 telerradiografias laterais de pacientes classe II e III, previamente tratados com ortodontia convencional ou associada a cirurgia ortognática que foram divididos nos seguintes grupos: cirúrgicos (n=73) e não cirúrgicos (n=75). Foi realizada análise cefalométrica utilizando 32 medidas nas telerradiografias prévias ao início do tratamento ortodôntico. Os dados foram avaliados no software Weka, por meios dos algoritmos: “J48”; “Random Forest” e “Naive Bayes” utilizando 80% da amostra como training-set e 20% como testing-set. Resultados: Os algortimos J48, Random Forest e Naive Bayes foram capazes de classificar corretamente 70%, 66% e 73% da amostra, com uma curva característica de operação do receptor (curva ROC) de 0.71, 0.82 e 0.76 e precisão de 0.72, 0.73 e 0.76 respectivamente. Conclusão: Nossos resultados mostraram que diferentes algortimos utilizados em inteligência artificial obtiveram diferentes desempenhos na classificação, sendo que o Naive Bayes obteve a melhor precisão de 0.76.