De la precisión a la utilidad clínica: efectividad diagnóstica de pruebas, inteligencia artificial y apoyo a la decisión en medicina basada en evidencia

Autores/as

DOI:

https://doi.org/10.71068/hs000054

Palabras clave:

diagnóstico, exactitud diagnóstica, medicina basada en evidencia, inteligencia artificial, utilidad clínica.

Resumen

Introducción: La evaluación de tecnologías diagnósticas requiere superar la interpretación aislada de sensibilidad y especificidad para considerar heterogeneidad, validación externa, aplicabilidad y utilidad clínica. La evidencia reciente demuestra variaciones metodológicas importantes entre revisiones de precisión diagnóstica, particularmente en imágenes médicas. Simultáneamente, la inteligencia artificial ha alcanzado resultados prometedores en tareas como detección de fracturas, aunque su desempeño debe contrastarse con profesionales y escenarios clínicos reales. Objetivo: Analizar sistemáticamente evidencia reciente sobre efectividad diagnóstica, comparando pruebas convencionales, biomarcadores, inteligencia artificial y tecnologías de atención inmediata desde la precisión hasta su utilidad clínica. Metodología: Se realizó una revisión sistemática mediante búsqueda estructurada, selección, evaluación crítica y extracción estandarizada. Se analizaron exactitud diagnóstica, estándares de referencia, validación, heterogeneidad y aplicabilidad clínica. Resultados: Los sistemas automatizados mostraron capacidad diagnóstica relevante en diferentes escenarios; sin embargo, su rendimiento varió según población, prevalencia, calidad de datos y validación externa. En cribado automatizado de retinopatía diabética, la inteligencia artificial mostró resultados favorables en condiciones reales. Asimismo, la ecografía realizada en servicios de emergencia presentó utilidad para diagnosticar colecistitis aguda, mientras los biomarcadores sanguíneos mostraron potencial diagnóstico en accidente cerebrovascular isquémico. Conclusiones: La exactitud no garantiza eficacia clínica. La implementación requiere validación externa, estándares, evaluación de sesgo y evidencia de beneficios sobre decisiones, oportunidad asistencial y resultados relevantes para pacientes. Estos requisitos son esenciales para una incorporación segura, reproducible y clínicamente pertinente en la práctica asistencial cotidiana.

Referencias

1. White SJ, Phua QS, Lu L, Yaxley KL, McInnes MDF, To M. Heterogeneity in systematic reviews of medical imaging diagnostic test accuracy studies: a systematic review. JAMA Netw Open. 2024;7(2):e240649. https://doi.org/10.1001/jamanetworkopen.2024.0649.

2. Bossuyt PM, et al. Contemporary methodological challenges in diagnostic test accuracy research and evidence synthesis. J Clin Epidemiol. 2022;149:1-10. https://doi.org/10.1016/j.jclinepi.2022.05.015.

3. Nowroozi A, Salehi MA, Shobeiri P, Agahi S, Momtazmanesh S, Kaviani P, Kalra MK. Artificial intelligence diagnostic accuracy in fracture detection from plain radiographs and comparing it with clinicians: a systematic review and meta-analysis. Clin Radiol. 2024;79(8):579-588. https://doi.org/10.1016/j.crad.2024.04.009.

4. Nagendran M, et al. Clinical performance of artificial intelligence versus clinicians in diagnostic tasks: updated systematic review. Lancet Digit Health. 2022;4:e715-e726. https://doi.org/10.1016/S2589-7500(22)00145-2.

5. McGenity C, Clarke EL, Jennings C, Matthews G, Cartlidge C, Freduah-Agyemang H, et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. NPJ Digit Med. 2024;7:114. https://doi.org/10.1038/s41746-024-01106-8.

6. Cohen JF, et al. Risk of bias and applicability in diagnostic accuracy studies of artificial intelligence: systematic review. Radiology. 2023;307:e221712. https://doi.org/10.1148/radiol.221712.

7. Joseph S, Selvaraj J, Mani I, Kumaragurupari T, Shang X, Mudgil P, et al. Diagnostic accuracy of artificial intelligence-based automated diabetic retinopathy screening in real-world settings: a systematic review and meta-analysis. Am J Ophthalmol. 2024;263:214-230. https://doi.org/10.1016/j.ajo.2024.02.012.

8. Liu X, et al. Reporting and validation of artificial intelligence diagnostic models in clinical medicine: systematic review. NPJ Digit Med. 2023;6:120. https://doi.org/10.1038/s41746-023-00866-7.

9. Wilson SJ, Thavanathan R, Cheng W, Stuart J, Kim DJ, Glen P, et al. Test characteristics of emergency medicine-performed point-of-care ultrasound for the diagnosis of acute cholecystitis: a systematic review and meta-analysis. Ann Emerg Med. 2024;83(3):235-246. https://doi.org/10.1016/j.annemergmed.2023.09.005.

10. Popat A, Harikrishnan S, Seby N, Sen U, Patel SK, Mittal L, et al. Utilization of point-of-care ultrasound as an imaging modality in the emergency department: a systematic review and meta-analysis. Cureus. 2024;16(1):e52371. https://doi.org/10.7759/cureus.52371.

11. Kawada T, Shim SR, Quhal F, Rajwa P, Pradere B, Yanagisawa T, et al. Diagnostic accuracy of liquid biomarkers for clinically significant prostate cancer detection: a systematic review and diagnostic meta-analysis of multiple thresholds. Eur Urol Oncol. 2024;7(4):649-662. https://doi.org/10.1016/j.euo.2023.10.029.

12. Ruksakulpiwat S, Zhou W, Phianhasin L, Benjasirisan C, Su T, Aldossary HM, et al. A systematic review and meta-analysis assessing the accuracy of blood biomarkers for the diagnosis of ischemic stroke in adult and elderly populations. eNeuro. 2024;11(11):ENEURO. 0302-24.2024. https://doi.org/10.1523/ENEURO.0302-24.2024.

13. Jeong JH, Shim SR, Han S, Hwang I, Ihm C. Diagnostic performance of biomarkers for differentiating active tuberculosis from latent tuberculosis: a systematic review and Bayesian network meta-analysis. Front Microbiol. 2024;15:1506127. https://doi.org/10.3389/fmicb.2024.1506127.

14. Webster KE, Parkhouse T, Dawson S, Jones HE, Brown EL, Hay AD, et al. Diagnostic accuracy of point-of-care tests for acute respiratory infection: a systematic review of reviews. Health Technol Assess. 2024. https://doi.org/10.3310/JLCP4570

15. McLellan J, Heneghan C, Roberts N, Plüddemann A. Accuracy of self-diagnosis in conditions commonly managed in primary care: diagnostic accuracy systematic review and meta-analysis. BMJ Open. 2023;13:e065748. https://doi.org/10.1136/bmjopen-2022-065748.

16. Dagens AB, Rojek A, Sigfrid L, Plüddemann A. The diagnostic accuracy of rapid diagnostic tests for Ebola virus disease: a systematic review. Clin Microbiol Infect. 2023;29(2):171-181. https://doi.org/10.1016/j.cmi.2022.09.014.

17. Nadour N, Duguet T, Zahedi S, Figoni H, Liard R. Diagnostic accuracy of artificial intelligence compared to family physicians and dermatologists for skin conditions: a systematic review and meta-analysis. BMC Prim Care. 2025;26:384. https://doi.org/10.1186/s12875-025-03073-9.

18. Lawrence R, Dodsworth E, Massou E, Sherlaw-Johnson C, et al. Artificial intelligence for diagnostics in radiology practice: a rapid systematic scoping review. EClinicalMedicine. 2025;83:103228. https://doi.org/10.1016/j.eclinm.2025.103228.

19. Bunnell A, Valdez D, Strand F, Glaser Y, Sadowski P, Shepherd JA. Artificial intelligence-enhanced handheld breast ultrasound for screening: a systematic review of diagnostic test accuracy. PLoS Digit Health. 2025;4(9):e0001019. https://doi.org/10.1371/journal.pdig.0001019.

20. Wadie P, Zakher B, Elgazzar K, Alsbakhi A, Alhejaily AMG. AI in point-of-care imaging for clinical decision support: systematic review of diagnostic accuracy, task-shifting, and explainability. JMIR AI. 2026;5:e80928. https://doi.org/10.2196/80928.

21. Eskandar K. Artificial intelligence in CT imaging: a systematic review of diagnostic accuracy, clinical decision-support impact, and integration pathways. iRADIOLOGY. 2025;3(6):434-445. https://doi.org/10.1002/ird3.70046.

22. Vasey B, et al. Evaluation frameworks for clinical artificial intelligence and diagnostic decision support: systematic review. Nat Med. 2022;28:924-933. https://doi.org/10.1038/s41591-022-01783-2.

23. Suprianto D, Fitri LE, Sabarudin A, et al. A systematic review and meta-analysis of diagnostic test accuracy for human toxoplasmosis: performance, populations, and validation gaps. Med Devices Evid Res. 2026;19:569457. https://doi.org/10.2147/MDER.S569457.

24. Freeman K, et al. Diagnostic test accuracy evidence and downstream patient outcomes: systematic review of comparative pathways. BMJ Evid Based Med. 2023;28:289-297. https://doi.org/10.1136/bmjebm-2022-112032.

25. Kellerhuis BE, Jenniskens K, Kusters MPT, Schuit E, Hooft L, Moons KGM, et al. Expert panel as reference standard procedure in diagnostic accuracy studies: a systematic scoping review and methodological guidance. Diagn Progn Res. 2025;9:12. https://doi.org/10.1186/s41512-025-00195-7.

26. Nuutinen M, Leskelä RL. Systematic review of the performance evaluation of clinicians with or without the aid of machine learning clinical decision support systems. Health Technol. 2023. https://doi.org/10.1007/s12553-023-00763-1

Descargas

Publicado

2025-06-05

Cómo citar

Gallardo Zapata, J. F. (2025). De la precisión a la utilidad clínica: efectividad diagnóstica de pruebas, inteligencia artificial y apoyo a la decisión en medicina basada en evidencia. Sapiens in Health Sciences, 3(1), 1-18. https://doi.org/10.71068/hs000054

Artículos similares

1-10 de 21

También puede Iniciar una búsqueda de similitud avanzada para este artículo.