2017). Los sistemas de IA, mediante técnicas de supresión vascular y análisis volumétrico
automatizado, pueden superar estas limitaciones (Singh et al., 2021).
Los hallazgos de esta revisión tienen implicaciones importantes para la práctica clínica y la
implementación de programas de cribado de cáncer de pulmón. Primero, los sistemas de IA pueden
funcionar como herramientas de "segunda lectura" para reducir errores de detección y mejorar la
sensibilidad diagnóstica, particularmente en centros con volúmenes altos de estudios o disponibilidad
limitada de radiólogos expertos en tórax (Kohli et al., 2017; Waite et al., 2017). Segundo, la capacidad
de IA para caracterizar nódulos subsólidos con alta precisión puede optimizar el manejo clínico,
reduciendo seguimientos innecesarios en lesiones benignas y facilitando intervención temprana en
lesiones sospechosas (Wang et al., 2022; Zou et al., 2024). Tercero, la estandarización y
reproducibilidad de las mediciones de IA pueden mejorar la consistencia en la aplicación de guías de
manejo como las recomendaciones Fleischner (Gould et al., 2013; MacMahon et al., 2017).
Sin embargo, es importante enfatizar que los sistemas de IA deben considerarse herramientas
complementarias y no sustitutos de la interpretación radiológica experta. La integración óptima de IA
en el flujo de trabajo radiológico requiere validación prospectiva en entornos clínicos reales,
capacitación adecuada de usuarios, y establecimiento de protocolos claros para la interpretación de
resultados discordantes entre IA y radiólogos. Además, la implementación de IA debe acompañarse de
consideraciones sobre aspectos regulatorios, responsabilidad médico-legal, y aceptación por parte de
pacientes y profesionales (Topol, 2019).
Esta revisión sistemática presenta varias fortalezas metodológicas. Primero, se siguieron
rigurosamente las directrices PRISMA-DTA 2020, asegurando transparencia y reproducibilidad.
Segundo, se realizó una búsqueda exhaustiva en múltiples bases de datos sin restricciones de idioma,
minimizando el riesgo de sesgo de publicación. Tercero, se incluyeron exclusivamente estudios que
compararon directamente IA con radiólogos utilizando el mismo conjunto de datos y estándar de
referencia, eliminando sesgos de comparación indirecta. Cuarto, se realizó evaluación rigurosa de la
calidad metodológica mediante QUADAS-2, permitiendo interpretar los resultados en el contexto del
riesgo de sesgo. Quinto, se realizaron análisis de subgrupos predefinidos que proporcionan
información valiosa sobre las condiciones en las que IA demuestra mayor ventaja. Sexto, el tamaño
muestral agregado de más de 6,000 nódulos proporciona estimaciones precisas y robustas de las
métricas diagnósticas.
Esta revisión presenta varias limitaciones que deben considerarse en la interpretación de los
resultados. Primero, todos los estudios incluidos tuvieron diseño retrospectivo, lo que introduce riesgo
de sesgo de selección y limita la generalizabilidad a entornos clínicos prospectivos (Pesapane et al.,
2018). Segundo, se observó heterogeneidad moderada-alta entre estudios (I²=67.3%), atribuible a
diferencias en poblaciones, arquitecturas de IA, protocolos de TC y estándares de referencia. Aunque
se realizaron análisis de subgrupos para explorar fuentes de heterogeneidad, la variabilidad residual
limita la precisión de las estimaciones agrupadas. Tercero, la mayoría de estudios se realizaron en
centros académicos asiáticos con alta prevalencia de adenocarcinoma de pulmón, lo que puede limitar
la aplicabilidad a poblaciones occidentales con diferentes perfiles epidemiológico. Cuarto, la
experiencia de los radiólogos varió entre estudios, desde residentes hasta expertos en tórax, lo que
puede haber influido en las estimaciones de rendimiento diagnóstico. Quinto, muchos estudios
evaluaron sistemas de IA comerciales propietarios, limitando la transparencia sobre las arquitecturas
y métodos de entrenamiento utilizados. Sexto, la mayoría de estudios no reportaron análisis de costo-
efectividad, que son fundamentales para decisiones de implementación clínica (Maddox et al., 2019).
Los hallazgos de esta revisión identifican varias áreas prioritarias para investigación futura. Primero,
se requieren estudios prospectivos multicéntricos que evalúen el impacto de IA en resultados clínicos
relevantes, incluyendo tasas de detección de cáncer, tiempo hasta el diagnóstico, y mortalidad
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 4 p 688.
