Impacto de la inteligencia artificial en el diagnóstico médico: una revisión sistemática de la literatura
DOI:
https://doi.org/10.63688/brdxah60Palabras clave:
inteligencia artificial, diagnóstico médico, aprendizaje automático, aprendizaje profundoResumen
La Inteligencia Artificial (IA) ha transformado significativamente el ámbito de la salud, particularmente en los procesos de diagnóstico médico, al ofrecer herramientas capaces de analizar grandes volúmenes de datos clínicos, reconocer patrones complejos y apoyar la toma de decisiones sanitarias. El objetivo de este estudio fue analizar el impacto de la Inteligencia Artificial en el diagnóstico médico mediante una revisión sistemática de la literatura científica. La metodología se desarrolló bajo las directrices PRISMA 2020, considerando publicaciones indexadas en Scopus, Web of Science, PubMed, ScienceDirect, SpringerLink, IEEE Xplore y Google Scholar durante el período 2015-2025. Tras la aplicación de criterios de inclusión y exclusión, se seleccionaron 20 estudios para el análisis final. Los resultados evidenciaron que el aprendizaje automático y el aprendizaje profundo han mejorado la precisión diagnóstica en diversas especialidades médicas, especialmente en radiología, dermatología, oftalmología y medicina cardiovascular. Asimismo, se identificó que la IA favorece el desarrollo de la medicina de precisión mediante la integración de información clínica y predictiva. Sin embargo, persisten desafíos relacionados con la calidad de los datos, la transparencia algorítmica, la regulación y los aspectos éticos de su implementación. Se concluye que la Inteligencia Artificial posee un elevado potencial para optimizar los procesos diagnósticos y fortalecer la atención sanitaria, aunque su adopción efectiva requiere validación clínica, supervisión profesional y marcos regulatorios adecuados.
Referencias
Badaró, S., Davenport, T. H., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future Healthcare Journal, 6(2), 94–98. https://doi.org/10.7861/futurehosp.6-2-94
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Erickson, B. J., Korfiatis, P., Akkus, Z., & Kline, T. L. (2017). Machine learning for medical imaging. Radiographics, 37(2), 505–515. https://doi.org/10.1148/rg.2017160130
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., et al. (2018). AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5
Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.17216
Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., et al. (2017). Artificial intelligence in healthcare: Past, present and future. Stroke and Vascular Neurology, 2(4), 230–243. https://doi.org/10.1136/svn-2017-000101
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415
Kelly, C. J., Karthikesalingam, A., Suleyman, M., Corrado, G., & King, D. (2019). Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17(1), 195. https://doi.org/10.1186/s12916-019-1426-2
Ker, J., Wang, L., Rao, J., & Lim, T. (2018). Deep learning applications in medical image analysis. IEEE Access, 6, 9375–9389. https://doi.org/10.1109/ACCESS.2017.2788044
Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., & Kitai, T. (2017). Artificial intelligence in precision cardiovascular medicine. Journal of the American College of Cardiology, 69(21), 2657–2664. https://doi.org/10.1016/j.jacc.2017.03.571
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Litjens, G., Kooi, T., Bejnordi, B., Setio, A., Ciompi, F., Ghafoorian, M., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
Murphy, K. P. (2022). Probabilistic machine learning: An introduction. MIT Press.
Nowell, L. S., Norris, J. M., White, D. E., & Moules, N. J. (2017). Thematic analysis: Striving to meet the trustworthiness criteria. International Journal of Qualitative Methods, 16(1), 1–13. https://doi.org/10.1177/1609406917733847
Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future—Big data, machine learning, and clinical medicine. The New England Journal of Medicine, 375(13), 1216–1219. https://doi.org/10.1056/NEJMp1606181
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. The New England Journal of Medicine, 380(14), 1347–1358. https://doi.org/10.1056/NEJMra1814259
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Shen, J., Zhang, C. J. P., Jiang, B., Chen, J., Song, J., Liu, Z., et al. (2019). Artificial intelligence versus clinicians in disease diagnosis: Systematic review. Journal of Medical Internet Research, 21(8), e10010. https://doi.org/10.2196/10010
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
World Health Organization. (2021). Ethics and governance of artificial intelligence for health. World Health Organization. https://www.who.int/publications/i/item/9789240029200
Xiao, Y., & Watson, M. (2019). Guidance on conducting a systematic literature review. Journal of Planning Education and Research, 39(1), 93–112. https://doi.org/10.1177/0739456X17723971
Yu, K. H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature Biomedical Engineering, 2(10), 719–731. https://doi.org/10.1038/s41551-018-0305-z
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Miguel Ángel Poaquiza Aguilar, Paola Estefania Sisa García, Evelyn Johanna Pacha Jara, Gabriela Salomé Carrasco Yépez, Jimena Fernanda Ramírez Machado (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
