2026, Número 4
Revisión sistemática asistida por inteligencia artificial: utilidad, desafíos y recomendaciones
Texto completo
Cómo citar este artículo
10.35366/123554
Artículos similares
Idioma: Español
Referencias bibliográficas: 17
Paginas: 349-356
Archivo PDF: 739.43 Kb.
RESUMEN
Introducción: la revisión sistemática (RS) representa el más alto nivel de evidencia científica. Su elaboración, sin embargo, es un proceso complejo, de alto consumo de tiempo y recursos. La inteligencia artificial (IA) emerge como una herramienta con potencial para transformar cada etapa de este proceso. Objetivo: analizar críticamente el rol de la inteligencia artificial como herramienta de asistencia en la elaboración de revisiones sistemáticas, identificando sus ventajas, limitaciones metodológicas y éticas, y proponiendo criterios para su implementación responsable con base en la lista de verificación PRISMA-P 2015. Material y métodos: se realizó una revisión narrativa de la literatura en PubMed, Cochrane, Scopus y Web of Science sobre el uso de IA en revisiones sistemáticas y metaanálisis, complementada con el análisis de documentos de expertos en metodología de investigación, incluyendo a Jiménez Ávila y colaboradores. Resultados: la IA ofrece ventajas significativas en el procesamiento de grandes volúmenes de información, incluyendo la reducción del sesgo operativo y la automatización de la búsqueda, cribado y extracción de datos. Se identificaron desafíos relevantes: sesgo algorítmico, alucinaciones, falta de transparencia, reproducibilidad limitada y ausencia de estándares metodológicos consolidados. Herramientas como ASReview, Covidence, Elicit, GRADEpro y Rayyan mostraron utilidad comprobada en distintas etapas del proceso. Conclusiones: la IA mejora la eficiencia y puede contribuir a la calidad de las revisiones sistemáticas cuando su uso es supervisado, declarado y metodológicamente justificado. No sustituye el juicio científico del investigador. Se propone que su incorporación sea progresiva, crítica y sujeta a estándares éticos y de transparencia explícitos.ABREVIATURAS:
- IA = inteligencia artificial
- IAM = inteligencia artificial en medicina
- RS = revisión sistemática
INTRODUCCIóN
La revisión sistemática (RS) es un tipo de investigación científica de fuente secundaria que, a diferencia de los artículos originales, no genera datos nuevos, sino que analiza y sintetiza de manera rigurosa la evidencia ya publicada sobre un tema específico. Su valor radica en la posibilidad de examinar grandes volúmenes de información de forma sistemática y reproducible, minimizando el sesgo y siguiendo una metodología claramente establecida desde el inicio.1
Para producir una RS de calidad, dos factores son determinantes: la calidad de los estudios primarios disponibles y el rigor metodológico con que el investigador conduce la revisión. Una premisa fundamental de la Colaboración Cochrane es que la calidad de la revisión es proporcional a la calidad de los artículos que la sustentan, así como al cumplimiento estricto de su metodología.¹ Esta guía ha sido actualizada recientemente para fortalecer la confiabilidad de las revisiones sistemáticas frente a nuevos desafíos metodológicos, incluyendo el uso emergente de herramientas tecnológicas.2
La guía PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) constituye el estándar internacional de referencia para la elaboración y reporte de revisiones sistemáticas. Su versión de protocolo, PRISMA-P 2015, establece 17 ítems esenciales que deben declararse antes de iniciar la revisión, garantizando transparencia, reproducibilidad y trazabilidad metodológica desde la fase de planeación. Adoptada por las principales revistas biomédicas indexadas y recomendada por la Colaboración Cochrane, PRISMA-P representa el marco metodológico más sólido disponible para orientar cada etapa del proceso, desde la formulación de la pregunta de investigación hasta la síntesis e interpretación de resultados. Su uso no es sólo una convención editorial, sino una garantía de integridad científica.3
El volumen de publicaciones científicas crece de manera exponencial: se estima que entre 2,000 y 4,000 artículos se publican diariamente a nivel mundial. Sólo en PubMed se indexan en promedio entre 2,000 y 3,000 artículos cada día. En 2022, Scopus reportó más de 2.5 millones de artículos científicos.3,4 Este crecimiento hace cada vez más difícil que un investigador pueda revisar manualmente toda la literatura disponible, lo que abre la puerta a la inteligencia artificial como herramienta de asistencia metodológica.
FUNDAMENTOS: INTELIGENCIA ARTIFICIAL Y SU APLICACIÓN EN INVESTIGACIÓN EN SALUD
La inteligencia artificial (IA) es un conjunto de procesos computacionales capaces de emular el comportamiento humano: aprender de datos, reconocer patrones y tomar decisiones complejas. Su concepto fue introducido por Alan Turing en 1950.5 Cuando se aplica al campo de la salud, hablamos de Inteligencia Artificial en Medicina (IAM): la simulación, extensión y expansión de la inteligencia humana mediante tecnología informática, con el propósito de mejorar diagnósticos, tratamientos, investigación y gestión en salud.5 La combinación de IA y medicina está transformando el modelo médico tradicional y se considera una tendencia revolucionaria, con implicaciones directas tanto en la práctica clínica como en la investigación científica.5,6 La IAM se enfoca actualmente en seis grandes áreas de aplicación (Figura 1).
En el contexto de la investigación en salud, su incorporación a las revisiones sistemáticas representa una de sus aplicaciones más prometedoras y, a la vez, más exigentes desde el punto de vista metodológico. Aunque la RS es el más alto nivel de evidencia científica, su elaboración es compleja, rigurosa y consume tiempo y recursos considerables. La IA ofrece herramientas para asistir cada etapa de este proceso, pero su uso requiere conocimiento crítico de sus alcances y limitaciones.7
OPORTUNIDADES, SESGOS Y DESAFÍOS: LO QUE LA IA PUEDE Y NO PUEDE HACER EN UNA REVISIÓN SISTEMÁTICA
Oportunidades
La IA ofrece ventajas concretas en etapas que tradicionalmente representaban mayor carga operativa. En la búsqueda bibliográfica, permite procesar simultáneamente millones de registros con búsqueda semántica, superando las limitaciones de los operadores booleanos convencionales. En el cribado de títulos y resúmenes, herramientas como ASReview y Rayyan reducen el tiempo de selección hasta en un 70%, con aprendizaje activo que prioriza los artículos más relevantes. En la extracción de datos, plataformas como Covidence y Elicit agilizan la captura estructurada de variables. Estas ventajas son particularmente relevantes en áreas de alta producción bibliográfica como la cirugía de columna y la artroplastía, donde el volumen de ensayos clínicos, revisiones y registros internacionales hace inviable la revisión manual exhaustiva sin asistencia tecnológica.
Sesgos
Es fundamental distinguir dos tipos de sesgos que pueden comprometer una RS asistida por IA:
- • El sesgo algorítmico es inherente al diseño de la herramienta. Cada plataforma opera bajo algoritmos entrenados con conjuntos de datos específicos, con acceso desigual a fuentes de información, lo que puede generar resultados parciales o no representativos.8,9 Los modelos de IA suelen desarrollarse en países de altos ingresos, limitando su representatividad en otros contextos y amplificando desigualdades en el conocimiento disponible.10 En cirugía ortopédica, esto se traduce en subrepresentación de evidencia latinoamericana o asiática frente a la literatura anglosajona.
- • El sesgo operativo, en cambio, es introducido por el investigador: una estrategia de búsqueda mal construida, criterios de inclusión inconsistentes o cribado sin doble revisión independiente.
Ambos tipos de sesgo son independientes y deben controlarse por separado.
Desafíos
Transparencia insuficiente ("caja negra"). Los sistemas de IA no permiten determinar con exactitud qué algoritmos utilizan para generar sus respuestas. Esta opacidad dificulta la reproducibilidad y afecta la confianza en los resultados, requisito indispensable en la metodología PRISMA.11
Alucinaciones. Uno de los riesgos más documentados es la generación de información que parece verídica, pero es incorrecta o inexistente. Un ejemplo documentado es la fabricación por parte de ChatGPT de un vínculo inexistente entre la enfermedad de Pompe, de aparición tardía, y la afectación hepática, así como la invención de referencias bibliográficas y PMID falsos.12 En el contexto de una RS sobre, por ejemplo, artroplastía de cadera o fusión espinal, una referencia fabricada podría alterar conclusiones clínicas, con consecuencias directas en la práctica.
Reproducibilidad limitada. Este es un problema grave y frecuentemente subestimado. En un estudio que evaluó Elicit, sólo el 17.6% de los artículos incluidos en una revisión sistemática tradicional fueron detectados por la herramienta.13 Esto significa que una RS basada exclusivamente en búsqueda por IA puede omitir hasta el 82% de la evidencia relevante. La búsqueda manual en bases de datos primarias no es opcional: es un requisito metodológico irrenunciable.
Ausencia de estándares metodológicos consolidados. El desarrollo y evaluación de modelos de IA en el ámbito clínico carece de criterios comparables a los de los ensayos clínicos tradicionales. Muchos estudios de IA no incluyen validación externa ni comparaciones con la práctica estándar.14
Preocupaciones éticas, de privacidad y responsabilidad. El uso de IA en investigación genera preguntas legítimas sobre propiedad de los datos y responsabilidad en caso de errores. Se estima que el gasto mundial en IA para salud alcanzará los 45,000 millones de dólares en 2026, lo que hace urgente el desarrollo de marcos regulatorios sólidos.14,15 La Tabla 1 resume de manera comparativa las principales ventajas y desventajas del uso de la inteligencia artificial en el contexto de la investigación médica.
MARCO PRÁCTICO: CÓMO REALIZAR UNA REVISIÓN SISTEMÁTICA ASISTIDA POR INTELIGENCIA ARTIFICIAL
El punto de partida es siempre la pregunta de investigación, estructurada con el acrónimo PICOT (Población, Intervención, Comparación, Resultado y Tiempo). La IA puede asistir en la formulación y refinamiento de esta pregunta — por ejemplo, sugiriendo términos MeSH relevantes o identificando lagunas en la literatura —, pero la decisión final sobre el alcance y la pertinencia clínica de la pregunta corresponde exclusivamente al investigador.
El proceso recomendado comprende las siguientes etapas:
- 1. Formular la pregunta PICOT con supervisión humana, apoyándose en IA para identificar términos y verificar cobertura en las bases de datos.
- 2. Realizar una búsqueda estructurada en PubMed (MeSH + operadores booleanos), Cochrane CENTRAL, EMBASE, Scopus, Web of Science y Epistemonikos, complementada con extensiones de IA.
- 3. Búsqueda complementaria manual de referencias cruzadas y Cochrane Library.
- 4. Definir criterios de inclusión y exclusión antes de iniciar el cribado, sin modificarlos durante el proceso.
- 5. Cribado independiente por al menos dos revisores sin comunicación entre ellos; la IA puede preseleccionar, pero no reemplaza esta etapa.
- 6. Elaborar el diagrama PRISMA, documentando el flujo completo de selección.
- 7. Extracción, análisis y síntesis de los artículos incluidos.
- 8. Redacción y conclusiones alineadas con la evidencia.
- 9. Declarar explícitamente en la sección de métodos todas las herramientas de IA utilizadas, la versión empleada y el propósito específico de cada una.
Entre los gestores de referencias más utilizados se encuentran Zotero, Mendeley y EndNote. Para el cribado y construcción del diagrama PRISMA, Covidence, Rayyan y ASReview son especialmente útiles. Para una búsqueda semántica complementaria, Elicit permite explorar más de 125 millones de artículos, aunque con las limitaciones de reproducibilidad ya señaladas. Perplexity AI y PubMed Buddy ofrecen respuestas fundamentadas con referencias, útiles en la fase exploratoria inicial (Figura 2).
PRISMA-P 2015 e integración de la IA en cada ítem
La lista de verificación PRISMA-P 2015 contiene 17 ítems esenciales organizados en tres secciones: información administrativa, introducción y métodos.16 La Figura 3 ilustra cómo diferentes herramientas de IA pueden asistir al investigador en cada uno de estos ítems: desde la gestión de conflictos de interés y registro del protocolo (ítems administrativos), hasta la definición de la estrategia de búsqueda, los criterios de elegibilidad y el plan de síntesis (sección de métodos). La Tabla 2 complementa esta información, detallando de manera específica cada uno de los 17 ítems de PRISMA-P junto con ejemplos concretos de herramientas de IA recomendadas para cada etapa.
LIMITACIONES CRÍTICAS Y RECOMENDACIONES PARA UNA IMPLEMENTACIÓN RESPONSABLE
El potencial de la IA en las revisiones sistemáticas es real, pero no debe sobreestimarse. Su incorporación sin criterio metodológico puede comprometer la validez de una RS de forma silenciosa —sin que los errores sean visibles en el producto final. Las limitaciones más críticas, ya descritas, pueden sintetizarse en tres principios de cautela:
Primero, ninguna herramienta de IA sustituye la búsqueda manual en bases de datos primarias. La reproducibilidad de una RS depende de que la estrategia de búsqueda sea replicable, completa y documentada, condición que las plataformas de IA actuales no garantizan de forma autónoma.
Segundo, el sesgo algorítmico y el sesgo operativo requieren controles distintos. El primero se mitiga diversificando las herramientas utilizadas y verificando sus resultados con búsquedas convencionales. El segundo se controla con doble revisión independiente, criterios predefinidos y adherencia estricta al protocolo registrado.
Tercero, toda herramienta de IA utilizada debe declararse explícitamente. La transparencia es un requisito ético y metodológico: el lector y el comité editorial deben poder evaluar el alcance y las limitaciones del proceso empleado.
Para aprovechar el potencial de la IA de manera segura y ética, se propone:
- 1. Incluir detectores de contenido generado por IA en el proceso editorial de revistas científicas.
- 2. Exigir divulgación clara de las herramientas utilizadas, su versión y su propósito específico en la metodología.
- 3. Desarrollar marcos regulatorios que prioricen privacidad, transparencia y equidad.
- 4. Promover colaboración entre investigadores, clínicos, desarrolladores y tomadores de decisiones.
- 5. Garantizar que el análisis, la interpretación y las conclusiones finales sean siempre producto del juicio humano, con la IA como herramienta supervisada.
La capacitación de los investigadores en el uso crítico de estas herramientas no es optativa: es un requisito para garantizar la validez científica y la integridad ética de los resultados.
CONCLUSIóN
La inteligencia artificial representa una herramienta de innovación con potencial real para mejorar la calidad, velocidad y alcance de las revisiones sistemáticas. Sin embargo, su uso responsable exige que el investigador supervise, corrobore y critique cada resultado generado por la IA. La IA debe ser un asistente, nunca el autor.
Jiménez Ávila6 destaca que la IA generativa está permeando el área de la salud más allá de la creación de contenido, integrándose en procesos administrativos, toma de decisiones y desarrollo de procedimientos quirúrgicos. En línea con ello, Jiménez Ávila, Negrete y Hyun17 enfatizan que la incorporación de la IA en la investigación en salud debe abordarse con formación, criterio clínico y conciencia de sus limitaciones.
La recomendación central de esta revisión puede enunciarse de manera directa: la IA puede acelerar y enriquecer la revisión sistemática, pero nunca reemplaza el juicio crítico del investigador. Úsala como herramienta, pero que sea siempre el investigador quien piense, valide y concluya.
REFERENCIAS (EN ESTE ARTÍCULO)
Thomas J, McDonald S, Noel-Storr A, Shemilt I, Elliott J, Mavergames C, et al. Machine learning reduced workload with minimal risk of missing studies: development and evaluation of a randomized controlled trial classifier for Cochrane Reviews. J Clin Epidemiol. 2021; 133: 140-151. doi: 10.1016/j.jclinepi.2020.11.003. PMID: 33171275.
AFILIACIONES
1 Universidad Autónoma de Baja California (UABC). ORCID: 0000-0002-6106-6228
Conflicto de intereses: ninguno.
Declaración de uso de IA: apoyo de la IA en la creación del artículo.
CORRESPONDENCIA
Marlene Vanessa Salcido Reyna. E-mail: reyna33432@uabc.edu.mxRecibido: 30 de Marzo de 2026. Aceptado: 09 de Mayo de 2026