Detección de sepsis asistida por inteligencia artificial: revisión sistemática y meta-narrativa

Resumen

Aunque proliferan estudios primarios, las revisiones sistemáticas sobre el aporte de la inteligencia artificial (IA) a la detección de sepsis siguen siendo limitadas. La adopción de modelos algorítmicos podría optimizar la identificación temprana y salvar vidas. Objetivo: Sintetizar la evidencia sobre el desempeño de la IA para la detección de sepsis y su contribución a la precisión diagnóstica. Métodos: Revisión sistemática con enfoque meta-narrativo. Se buscaron artículos en PubMed, SciELO y ScienceDirect. Criterios: estudios en español/inglés, muestra ≥250 pacientes, modelos de IA aplicados a detección/diagnóstico de sepsis. Se cribaron 713 registros y se extrajeron diseño, entorno clínico, algoritmos, métricas (AUC/ROC, sensibilidad, especificidad) y estrategia comparativa con métodos tradicionales. Resultados: Se incluyeron 16 estudios. Predominaron entornos de UCI. Los algoritmos más empleados fueron XGBoost, Random Forest y Support Vector Machine. Dos paradigmas metodológicos emergieron: (i) predicción con modelos de aprendizaje automático entrenados en datos clínicos/monitorización; y (ii) métodos tradicionales (p. ej., qSOFA/SIRS, reglas clínicas) combinados con IA. Varias series reportaron AUC >0,90, con sensibilidades y especificidades superiores a los enfoques convencionales, especialmente para detección temprana. Persisten heterogeneidad en definiciones de sepsis, fuentes de datos y validaciones externas. Conclusiones: La IA aporta ganancias relevantes en sensibilidad y especificidad frente a métodos tradicionales para detectar sepsis, sobre todo en UCI. No obstante, su mayor utilidad se logra combinándola con evaluaciones clínicas y escalas establecidas, reforzada por validaciones externas y estudios prospectivos que aseguren eficacia clínica, interpretabilidad y seguridad diagnóstica/terapéutica.