Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Cited by Google 
Similars in
SciELO 
Similars in Google 
Permalink
Introducción
La inteligencia artificial (IA) ha emergido como una fuerza transformadora en diversos campos, y la atención médica no es una excepción 1. Desde el análisis de grandes volúmenes de datos hasta la automatización de procesos complejos, la IA ofrece herramientas poderosas para mejorar la calidad de la atención médica y optimizar los resultados en los pacientes 2)(3. La necesidad de una atención médica más precisa, personalizada y eficiente es cada vez más evidente, especialmente en un contexto global donde la demanda de servicios de salud está en constante crecimiento 4.
Los métodos tradicionales de diagnóstico y tratamiento, aunque fundamentales, presentan limitaciones inherentes que pueden afectar la calidad de la atención 5. La IA promete superar muchas de estas limitaciones al proporcionar soluciones basadas en datos que pueden conducir a diagnósticos más precisos y tratamientos más efectivos 6. Sin embargo, la integración de la IA en la atención médica plantea desafíos significativos, incluidos aspectos éticos, técnicos y regulatorios que deben abordarse para asegurar su implementación efectiva y segura 7.
La presente revisión sistemática tiene como objetivo evaluar el impacto de la IA en la precisión de los diagnósticos médicos, examinando cómo estas tecnologías han mejorado la exactitud en la detección de enfermedades y condiciones médicas. Asimismo, se busca analizar su influencia en los procesos terapéuticos en la atención médica, mediante una evaluación crítica de la literatura existente, con el fin de proporcionar una visión integral de los avances, beneficios y desafíos asociados con su aplicación en el ámbito sanitario 8.
Metodología
Criterios de inclusión y exclusión
Para garantizar la relevancia y calidad de los estudios incluidos en la revisión, se establecieron los siguientes criterios:
Criterios de inclusión:
Tipos de estudios: Se incluyeron estudios primarios, ensayos clínicos, estudios de cohortes, estudios de casos y controles y revisiones sistemáticas que aportaran evidencia directa sobre la aplicación de la IA en la atención médica 13.
Población: Pacientes de diversas especialidades médicas que recibieron diagnóstico o tratamiento asistido por IA. Se consideraron tanto estudios en poblaciones generales como en poblaciones específicas (por ejemplo, pacientes con cáncer, diabetes o enfermedades cardiovasculares) 14.
Intervenciones: Aplicaciones de IA utilizadas para el diagnóstico, tratamiento o personalización de la atención médica. Esto incluyó algoritmos de aprendizaje automático, redes neuronales profundas y sistemas de soporte a la decisión clínica 15.
Comparaciones: Estudios que compararon la eficacia de la IA con métodos tradicionales de diagnóstico y tratamiento. Se incluyeron estudios que evaluaron precisión, eficacia y resultados entre tecnologías basadas en IA y enfoques convencionales 16.
Resultados: Medidas de precisión diagnóstica, eficacia del tratamiento, impacto en los resultados clínicos y personalización de la atención. Se evaluaron tanto resultados cuantitativos (por ejemplo, tasas de precisión, reducción de síntomas) como cualitativos (por ejemplo, satisfacción del paciente) 17.
Criterios de exclusión:
Estudios no relevantes: Se excluyeron estudios que no se centraran en la aplicación de IA en el diagnóstico o tratamiento médico, o que no proporcionaran datos relevantes sobre la eficacia de estas intervenciones 18.
Idioma: Se excluyeron estudios que no estuvieran disponibles en inglés o español, debido a limitaciones en la capacidad de interpretación y análisis 19.
Datos insuficientes: Se excluyeron estudios con datos incompletos o poco claros que no permitieran una evaluación adecuada de los resultados 20.
Estrategia de búsqueda
La estrategia de búsqueda se diseñó para ser exhaustiva y sistemática, con el fin de identificar la mayor cantidad posible de estudios relevantes.
Bases de datos utilizadas: PubMed, IEEE Xplore, Scopus y Web of Science 21)(22)(23)(24.
Términos de búsqueda: Se utilizaron combinaciones de términos relevantes con operadores booleanos para refinar los resultados:
Términos generales: “artificial intelligence”, “healthcare”, “diagnosis”, “treatment”, “systematic review” 25.
Términos específicos: “machine learning”, “deep learning”, “predictive analytics”, “clinical decision support”, “personalized medicine” 26.
Proceso de búsqueda:
Búsqueda inicial: Se realizó una búsqueda amplia utilizando los términos definidos 30.
Revisión de títulos y resúmenes: Se evaluaron para determinar la relevancia de los estudios 31.
Evaluación a texto completo: Los estudios seleccionados se revisaron en profundidad para verificar su cumplimiento con los criterios de inclusión y exclusión 32.
Extracción de datos: Se extrajeron datos relevantes mediante una hoja de extracción estandarizada 33.
Proceso de selección de estudios
El proceso de selección de estudios es una etapa crítica en una revisión sistemática, ya que asegura que los estudios incluidos sean relevantes y de alta calidad. Este proceso se desarrolló en varias fases para garantizar la exhaustividad y precisión en la identificación de estudios pertinentes.
Revisión inicial: Se evaluaron los títulos y resúmenes de los estudios identificados en la búsqueda bibliográfica para descartar aquellos que no cumplían con los criterios de inclusión. Se priorizaron estudios que abordaran aplicaciones de inteligencia artificial en el diagnóstico y tratamiento médico. Esta fase permitió eliminar estudios irrelevantes y enfocar el análisis en aquellos potencialmente pertinentes. La revisión fue realizada por dos revisores independientes para minimizar el sesgo de selección y reducir la probabilidad de omisión de estudios relevantes.
Lectura completa: evaluación detallada de artículos completos: Tras la revisión inicial, se procedió a una evaluación detallada de los artículos completos. Esta etapa involucró la lectura íntegra de los estudios que superaron la primera fase. Los revisores analizaron los métodos, resultados y discusiones para determinar su relevancia y calidad. Se prestó especial atención a los objetivos, diseño del estudio, población, métodos de recolección de datos y análisis estadísticos utilizados. Este proceso garantizó que solo los estudios que cumplían con los criterios de inclusión predefinidos fueran considerados. La lectura completa permitió una evaluación más profunda de la calidad y aplicabilidad de cada estudio.
Extracción de datos: uso de una plantilla estandarizada
La extracción de datos se realizó mediante una plantilla estandarizada, diseñada para recopilar la información relevante de forma sistemática y coherente. Esta incluyó variables como objetivos del estudio, diseño, características de la población, intervenciones, comparadores, resultados y métodos de análisis estadístico. Su uso facilitó la comparación entre estudios y aseguró la recolección completa de la información necesaria. Además, contribuyó a minimizar errores y omisiones, mejorando la calidad y consistencia de los datos recopilados.
Revisión por pares: selección y extracción de datos por dos revisores independientes
Para garantizar la fiabilidad del proceso, cada estudio fue evaluado y los datos fueron extraídos por dos revisores independientes. Este enfoque redujo el sesgo individual y mejoró la precisión de la evaluación. En caso de discrepancias, se resolvieron mediante consenso o con la intervención de un tercer revisor. Este procedimiento fortalece la rigurosidad y transparencia del proceso.
Evaluación de la calidad y riesgo de sesgo: La evaluación de la calidad metodológica y del riesgo de sesgo es fundamental para determinar la validez de los resultados.
Herramientas de evaluación:
Escala de Jadad (ensayos clínicos): Se utilizó para evaluar la calidad metodológica considerando aleatorización, cegamiento y descripción de pérdidas. La puntuación máxima es de 5 puntos, donde valores más altos indican mejor calidad.
Lista de verificación STROBE (estudios observacionales): Se empleó para evaluar la calidad del reporte en términos de diseño, recolección de datos, análisis y presentación de resultados.
Guía PRISMA (revisiones sistemáticas): Se utilizó para evaluar la transparencia y exhaustividad del reporte, mediante una lista de verificación de 27 ítems.
Criterios de evaluación
Diseño del estudio: Se incluyeron estudios con diseños metodológicos robustos (ensayos clínicos, estudios observacionales bien estructurados), considerando su validez interna.
Tamaño de la muestra: Se valoraron como más confiables los estudios con tamaños muestrales adecuados y justificados.
Métodos estadísticos: Se priorizaron análisis estadísticos apropiados, incluyendo manejo de datos faltantes, análisis multivariados y control de confusión.
Método de síntesis de la evidencia
Debido a la heterogeneidad de los diseños incluidos, se realizó una síntesis narrativa. Los resultados se agruparon según tipo de aplicación de inteligencia artificial (diagnóstico y tratamiento) y se analizaron comparativamente según calidad metodológica y nivel de evidencia. No se realizó metaanálisis debido a la variabilidad en poblaciones, intervenciones y desenlaces.
Riesgo de sesgo
El riesgo de sesgo se evaluó mediante herramientas específicas según el tipo de estudio. En ensayos clínicos se consideraron la aleatorización, el cegamiento y las pérdidas. En estudios observacionales se evaluaron sesgos de selección, información y confusión. Esta evaluación permitió identificar limitaciones que pudieran afectar la interpretación de los resultados.
Síntesis final del proceso metodológico
El proceso de selección, extracción y evaluación de la calidad se realizó de manera rigurosa y sistemática, garantizando la inclusión de estudios relevantes y de alta calidad. Este enfoque permite sustentar las conclusiones del estudio sobre el impacto de la inteligencia artificial en la precisión diagnóstica y la personalización del tratamiento en la atención médica.
3. Resultados
Características de los estudios incluidos
La búsqueda bibliográfica identificó 320 registros en bases de datos electrónicas. Tras la eliminación de 40 duplicados, se evaluaron 280 registros por título y resumen, de los cuales 200 fueron excluidos por no cumplir los criterios de inclusión. Posteriormente, 80 artículos fueron revisados en texto completo, de los cuales 65 fueron excluidos por razones metodológicas o de pertinencia temática. Finalmente, 15 estudios cumplieron los criterios establecidos e ingresaron en la revisión sistemática.
Fuente: Elaboración propia
La revisión sistemática incluyó un total de 15 estudios que abordaron diversas aplicaciones de inteligencia artificial en el ámbito sanitario, incluyendo algoritmos diagnósticos, sistemas de apoyo a la decisión clínica y modelos predictivos. Las muestras analizadas fueron heterogéneas, oscilando desde estudios con más de 10.000 pacientes hasta revisiones de literatura que evaluaron entre 10 y 230 investigaciones previas 34. Con el fin de sintetizar de manera estructurada las características metodológicas y los principales hallazgos de los estudios incluidos, se elaboró la Tabla 1.
Como se observa en la Tabla 1, existe heterogeneidad en los diseños metodológicos y en las especialidades médicas abordadas; sin embargo, se identifica una tendencia consistente hacia mejoras en la precisión diagnóstica mediante herramientas de inteligencia artificial.
Los estudios seleccionados presentaron variabilidad en su diseño metodológico y en la especialidad médica abordada. Aproximadamente el 60% correspondió a revisiones sistemáticas y a revisiones de alcance (scoping reviews), mientras que el 40% incluyó estudios clínicos, experimentales o de desarrollo tecnológico. Esta diversidad metodológica permitió una evaluación integral del impacto de la inteligencia artificial (IA) en distintos contextos clínicos 35.
Las áreas médicas más representadas fueron oncología, cardiología, neurología, radiología y medicina interna. Las aplicaciones de IA incluyeron detección temprana de enfermedades, clasificación de imágenes médicas, predicción de resultados clínicos y personalización de tratamientos.
Impacto de la IA en el diagnóstico
La aplicación de la IA ha demostrado mejoras significativas en la precisión diagnóstica en diversas especialidades médicas 36. Los sistemas de IA, especialmente aquellos basados en algoritmos de aprendizaje profundo, han superado a los métodos tradicionales en términos de exactitud y rapidez en la detección de enfermedades 37.
Por ejemplo, los algoritmos de aprendizaje profundo han mostrado una alta precisión en la detección temprana de cáncer y enfermedades cardiovasculares. Un estudio específico demostró que un algoritmo de IA podía detectar el cáncer de mama con una precisión del 95%, superando el 85% de precisión logrado por radiólogos experimentados. De manera similar, en cardiología, los sistemas de IA han sido capaces de predecir eventos cardíacos adversos con una mayor exactitud que los modelos tradicionales basados en factores de riesgo clínicos 38.
Además de la detección temprana, la IA ha sido instrumental en la clasificación y el diagnóstico diferencial de enfermedades complejas. En neurología, por ejemplo, los algoritmos de IA han mejorado la precisión en el diagnóstico de trastornos neurodegenerativos, como la enfermedad de Alzheimer y la enfermedad de Parkinson, a partir de imágenes de resonancia magnética y datos clínicos. Estos avances no solo aumentan la precisión diagnóstica, sino que también permiten intervenciones más tempranas y mejor dirigidas.
Optimización del tratamiento
La IA también ha contribuido de manera significativa a la optimización de los tratamientos, personalizando las estrategias terapéuticas en función de los datos individuales de los pacientes 39. Esta personalización del tratamiento basada en IA ha llevado a una mejora en los resultados clínicos y a una mayor eficiencia en la administración de terapias.
En oncología, por ejemplo, los modelos de IA han sido utilizados para predecir la respuesta a tratamientos específicos, permitiendo a los médicos seleccionar las terapias más efectivas para cada paciente. Esto no solo mejora los resultados clínicos, sino que también reduce los efectos secundarios al evitar tratamientos ineficaces. Un estudio mostró que el uso de IA para personalizar el tratamiento del cáncer de pulmón llevó a una mejora del 30% en la tasa de supervivencia a cinco años.
Además, la IA ha sido utilizada para optimizar el manejo de enfermedades crónicas, como la diabetes y la hipertensión. Los sistemas de IA pueden analizar grandes volúmenes de datos de pacientes, incluyendo historia clínica, datos de laboratorio y registros de monitoreo continuo, para identificar patrones y predecir exacerbaciones. Esto permite intervenciones más proactivas y ajustadas, mejorando así el control de la enfermedad y la calidad de vida del paciente.
Evaluación de la calidad y el sesgo
La evaluación de la calidad y el riesgo de sesgo es crucial para asegurar la validez de los hallazgos de una revisión sistemática. En esta revisión se empleó una combinación de herramientas metodológicas, incluyendo la escala de Jadad para ensayos clínicos y el checklist STROBE para estudios observacionales.
La mayoría de los estudios incluidos presentaron metodologías adecuadas y un riesgo de sesgo bajo a moderado. La escala de Jadad permitió identificar niveles aceptables de calidad en los ensayos clínicos, particularmente en aspectos relacionados con la aleatorización y la descripción de pérdidas durante el seguimiento. Los estudios con puntuaciones metodológicas inferiores fueron analizados de manera crítica y sus limitaciones consideradas en la interpretación de los resultados.
Para los estudios observacionales, el checklist STROBE facilitó la evaluación de la calidad del reporte y la coherencia metodológica, abarcando elementos como el diseño del estudio, la recolección de datos y la interpretación de los hallazgos. En términos generales, se observó un adecuado cumplimiento de los criterios de reporte científico.
No obstante, se identificaron algunas fuentes potenciales de sesgo, principalmente relacionadas con la selección de muestras, la ausencia de cegamiento en ciertos estudios y la limitada validación externa de algunos modelos de inteligencia artificial. Estas limitaciones metodológicas deben considerarse al interpretar los resultados globales de la revisión.
Los resultados obtenidos fueron consistentes con la metodología previamente establecida, evidenciando coherencia entre los criterios de inclusión, el proceso de selección de estudios y la síntesis de la evidencia presentada. El número final de estudios incluidos coincide con la matriz de análisis y el diagrama PRISMA, garantizando la trazabilidad del proceso de revisión.
4. Discusión
Los hallazgos de esta revisión evidencian el potencial de la inteligencia artificial (IA) para transformar la atención médica, particularmente en la mejora de la precisión diagnóstica y la optimización de los tratamientos. La incorporación de algoritmos avanzados, especialmente aquellos basados en aprendizaje profundo, permite a los profesionales de la salud tomar decisiones más informadas y basadas en datos, lo que repercute en una mejora de la calidad de la atención. En este sentido, múltiples estudios han demostrado que estos sistemas pueden superar a los métodos tradicionales en la detección temprana de enfermedades como el cáncer y las patologías cardiovasculares.
Estos resultados son consistentes con la literatura previa. Se ha reportado una alta precisión en la detección de cáncer de mama mediante sistemas de IA, superior a la alcanzada por radiólogos 40. De manera similar, se ha evidenciado una reducción significativa de los errores diagnósticos en el ámbito de la cardiología 41. No obstante, también se han identificado limitaciones, como las dificultades en el diagnóstico de enfermedades raras, atribuibles a la escasez de datos disponibles para el entrenamiento de los algoritmos 42. Estas coincidencias y discrepancias resaltan la necesidad de interpretar los resultados con cautela.
A pesar de los avances observados, es importante considerar ciertas limitaciones metodológicas. Muchos de los estudios incluidos utilizaron conjuntos de datos amplios y bien estructurados, lo que podría no reflejar las condiciones reales de todos los entornos clínicos. Asimismo, la falta de transparencia en algunos modelos plantea desafíos en su interpretación y aplicabilidad, lo que ha impulsado la necesidad de desarrollar algoritmos explicables que faciliten su integración en la práctica clínica 43)(44.
En cuanto a la aplicabilidad de los hallazgos, si bien la evidencia abarca diversas especialidades médicas y contextos clínicos, su generalización debe realizarse con precaución. La implementación de tecnologías basadas en IA requiere infraestructura adecuada, capacitación del personal y una integración eficiente con los sistemas de salud existentes, condiciones que no siempre están disponibles, especialmente en entornos con recursos limitados 45)(46.
La revisión también confirma el papel de la IA en la personalización de los tratamientos. Los algoritmos permiten analizar grandes volúmenes de datos clínicos para identificar patrones y recomendar intervenciones adaptadas a las características individuales de los pacientes, lo que puede traducirse en mejores resultados clínicos y reducción de efectos adversos. Sin embargo, la variabilidad en los resultados reportados sugiere la influencia de factores como la heterogeneidad de las poblaciones y las diferencias metodológicas entre estudios, lo que subraya la necesidad de continuar investigando en este campo.
Por otra parte, se identificaron desafíos relevantes para la implementación de la IA en la práctica clínica. Entre ellos, destacan la privacidad y seguridad de los datos, la falta de transparencia en los algoritmos y las desigualdades en el acceso a estas tecnologías. La protección de la información del paciente es fundamental para garantizar la confianza en estos sistemas, mientras que la explicabilidad de los modelos es clave para su aceptación por parte de profesionales y pacientes. Asimismo, es necesario evitar que la adopción de estas tecnologías amplíe las brechas existentes en el acceso a la atención en salud.
Desde el punto de vista ético y regulatorio, resulta imprescindible el desarrollo de marcos normativos sólidos que orienten el uso seguro y responsable de la IA. Esto incluye la implementación de protocolos de ciberseguridad, el fortalecimiento del consentimiento informado y la definición de responsabilidades en el uso de estas herramientas. Un enfoque multidisciplinario es esencial para garantizar un desarrollo equilibrado de estas tecnologías.
Finalmente, esta revisión presenta algunas limitaciones que deben ser consideradas. La heterogeneidad de los estudios incluidos dificulta la comparación directa de resultados, mientras que la exclusión de literatura no publicada o en otros idiomas puede haber introducido sesgo de publicación. Además, aunque se emplearon herramientas como la escala de Jadad y el checklist STROBE, estas no abarcan todos los aspectos de la calidad metodológica.
En términos de investigación futura, se destaca la necesidad de estudios longitudinales que evalúen el impacto a largo plazo de la IA en la atención médica, así como el desarrollo de directrices éticas claras y el fortalecimiento de la investigación en personalización del tratamiento. Estas líneas permitirán consolidar la evidencia existente y optimizar la implementación de la IA en diferentes contextos clínicos.
Conclusiones
La inteligencia artificial está transformando la atención médica, mostrando un impacto positivo en la precisión diagnóstica y la personalización de los tratamientos. La evidencia derivada de esta revisión sistemática resalta sus beneficios en la mejora de la calidad de la atención, al tiempo que pone de manifiesto la necesidad de abordar los desafíos y barreras para su implementación efectiva.
La integración de la inteligencia artificial en la práctica clínica requiere un enfoque centrado en la transparencia y la explicabilidad de los algoritmos, de modo que los profesionales de la salud comprendan cómo se generan las decisiones y puedan confiar en su uso. La falta de interpretabilidad puede limitar la adopción de estas tecnologías y generar desconfianza tanto en médicos como en pacientes.
Asimismo, se identifican desafíos relacionados con la equidad en el acceso a estas herramientas. Es fundamental que el desarrollo e implementación de la inteligencia artificial se realicen bajo principios de inclusión, garantizando que sus beneficios alcancen a diversas poblaciones, independientemente de su ubicación geográfica o condición socioeconómica.
Se requiere investigación continua para optimizar el uso de la inteligencia artificial en la atención médica, incluyendo el desarrollo de modelos más explicables y la evaluación de la efectividad a largo plazo de las intervenciones basadas en estas tecnologías. De igual forma, es necesario fortalecer los marcos éticos y los protocolos de seguridad para proteger la privacidad de los pacientes.
Finalmente, la colaboración interdisciplinaria entre ingenieros, clínicos y expertos en ética será fundamental para maximizar el potencial de la inteligencia artificial, facilitar su integración en los sistemas de salud y contribuir a la mejora de los resultados en salud.
