Inteligencia artificial y diagnóstico médico
Artículo de Revisión
DOI:
https://doi.org/10.69825/cienec.v8i34.381Resumen
La inteligencia artificial (IA) ha emergido como una herramienta innovadora en el diagnóstico médico, permitiendo el análisis automatizado de grandes volúmenes de datos clínicos mediante algoritmos avanzados de aprendizaje automático y aprendizaje profundo. El objetivo de este estudio fue analizar la evidencia científica disponible sobre la aplicación de la IA en el diagnóstico médico, evaluando su rendimiento, utilidad clínica y limitaciones. Se realizó una revisión sistemática de la literatura siguiendo las directrices PRISMA 2020, mediante la búsqueda en bases de datos como PubMed, Scopus, Web of Science e IEEE Xplore, incluyendo estudios publicados entre 2015 y 2025. Se seleccionaron 15 estudios originales que cumplieron con los criterios de inclusión. Los resultados evidencian que los sistemas basados en IA, particularmente las redes neuronales convolucionales, presentan altos niveles de sensibilidad, especificidad y área bajo la curva, especialmente en el análisis de imágenes médicas en áreas como oftalmología, radiología y oncología. Asimismo, se identificaron aplicaciones relevantes en el análisis de señales biomédicas y predicción de riesgo clínico. No obstante, se observaron limitaciones relacionadas con la heterogeneidad de los datos, la falta de validación externa y la interpretabilidad de los modelos. En conclusión, la inteligencia artificial representa una herramienta prometedora para mejorar la precisión diagnóstica y optimizar la toma de decisiones clínicas. Sin embargo, su implementación requiere validación en entornos reales, desarrollo de marcos regulatorios y consideración de aspectos éticos para garantizar su uso seguro y equitativo en la práctica médica.
Artificial intelligence; Medical diagnosis; Deep learning; Machine learning; Diagnostic accuracy.
Citas
Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018;2(10):719–31.
Miotto R, Wang F, Wang S, et al. Deep learning for healthcare. Brief Bioinform. 2018;19(6):1236–46.
Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine. BMC Med Res Methodol. 2019;19:64.
Shen D, Wu G, Suk HI. Deep learning in medical image analysis. Annu Rev Biomed Eng. 2017;19:221–48.
Ching T, Himmelstein DS, Beaulieu-Jones BK, et al. Opportunities and obstacles for deep learning in biology and medicine. J R Soc Interface. 2018;15(141):20170387.
Kelly CJ, Karthikesalingam A, Suleyman M, et al. Key challenges for delivering clinical impact with AI. BMC Med. 2019;17:195.
Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380:1347–58.
Razzak MI, Naz S, Zaib A. Deep learning for medical image processing. J Med Syst. 2018;42:226.
Park SH, Han K. Methodologic guide for evaluating clinical performance of AI. Radio-logy. 2018;286(3):800–9.
Price WN, Cohen IG. Privacy in the age of medical big data. Nat Med. 2019;25:37–43.
Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algo-rithm for detection of diabetic retinopathy. JAMA. 2016;316(22):2402–10.
Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–8.
Rajpurkar P, Irvin J, Zhu K, et al. CheXNet: radiologist-level pneumonia detection on chest X-rays. arXiv. 2017;arXiv:1711.05225.
Ardila D, Kiraly AP, Bharadwaj S, et al. End-to-end lung cancer screening with deep learning. Nat Med. 2019;25(6):954–61.
McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89–94.
Ting DSW, Cheung CYL, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases. JAMA. 2017;318(22):2211–23.
Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection using deep neural networks. Nat Med. 2019;25(1):65–9.
De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9):1342–50.
Liu X, Faes L, Kale AU, et al. A comparison of deep learning performance against healthcare professionals. Lancet Digit Health. 2019;1(6):e271–e297.
Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs. Nat Biomed Eng. 2018;2(3):158–64.
Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using AI-enabled ECG. Nat Med. 2019;25(1):70–4.
Komorowski M, Celi LA, Badawi O, et al. The artificial intelligence clinician learns opti-mal treatment strategies for sepsis. Nat Med. 2018;24(11):1716–20.
Chilamkurthy S, Ghosh R, Tanamala S, et al. Development and validation of deep learn-ing algorithms for critical findings in head CT scans. Lancet. 2018;392(10162):2388–96.
Nam JG, Park S, Hwang EJ, et al. Development and validation of deep learning-based automatic detection algorithm for malignant pulmonary nodules. Radiology. 2019;290(1):218–28.
Braga JR, Ramos V, Martins M, et al. Artificial intelligence for COVID-19 diagnosis us-ing chest CT scans. Eur Radiol. 2020;30:1–9.
Topol EJ. High-performance medicine: the convergence of human and artificial intelli-gence. Nat Med. 2019;25(1):44–56.
Beam AL, Kohane IS. Big data and machine learning in health care. JAMA. 2018;319(13):1317–8.
Char DS, Shah NH, Magnus D. Implementing machine learning in health care—addressing ethical challenges. N Engl J Med. 2018;378:981–3.
Wiens J, Saria S, Sendak M, et al. Do no harm: a roadmap for responsible machine learn-ing in healthcare. Nat Med. 2019;25:1337–40.
Vokinger KN, Feuerriegel S, Kesselheim AS. Mitigating bias in machine learning for medicine. Commun Med. 2021;1:25.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Este es un resumen legible por humanos (y no un sustituto) de la licencia.
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y construir a partir del material
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
NoComercial — Usted no puede hacer uso del material con propósitos comerciales.
CompartirIgual — Si remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la lamisma licencia del original.
No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
Avisos:
No tiene que cumplir con la licencia para elementos del materiale en el dominio público o cuando su uso esté permitido por una excepción o limitación aplicable.
No se dan garantías. La licencia podría no darle todos los permisos que necesita para el uso que tenga previsto. Por ejemplo, otros derechos como publicidad, privacidad, o derechos morales pueden limitar la forma en que utilice el material.
