DOI: 10.26820/recimundo/9.(2).abril.2025.458-473 URL: https://recimundo.com/index.php/es/article/view/2657 EDITORIAL: Saberes del Conocimiento REVISTA: RECIMUNDO ISSN: 2588-073X TIPO DE INVESTIGACIÓN: Artículo de revisión CÓDIGO UNESCO: 32 Ciencias Médicas PAGINAS: 458-473 Aplicaciones de la IA en el diagnóstico quirúrgico de enfermedades digestivas. Una revisión sistemática Applications of ia in the surgical diagnosis of digestive diseases. A systematic review Impacto do controlo glicémico rigoroso em pacientes com diabetes tipo 2. Uma revisão sistemática William Eduardo Plúa Marcillo 1 ; Verónica Antonella Vizueta Estrada 2 ; Glenda Magali Vaca Coronel 3 ; Marvi Alexander Viteri Ruiz 4 RECIBIDO: 10/03/2025 ACEPTADO: 19/04/2025 PUBLICADO: 09/06/2025 1. Magíster en Gerencia y Administración de Salud; Especialista en Cirugía General; Magíster en Educación; Doctor en Ciencias de la Salud; Médico; Universidad de Guayaquil; Guayaquil, Ecuador; william.pluam@ug.edu.ec; https:// orcid.org/0000-0002-7287-6066 2. Médica; Investigadora Independiente; Guayaquil, Ecuador; md.veronicavizuetae@gmail.com; https://orcid. org/0009-0000-3018-4435 3. Especialista en Pediatría; Diploma Superior en Diseño Curricular por Competencias; Diplomado en Docencia Supe- rior; Doctor en Medicina y Cirugía; Universidad de Guayaquil; Guayaquil, Ecuador; glenda.vacac@ug.edu.ec; https://orcid.org/0009-0005-7746-0392 4. Especialista en Salud y Seguridad Ocupacional con Mención en Salud Ocupacional; Licenciado en Enfermería; Pon- tiﬁcia Universidad Católica del Ecuador Sede Esmeraldas; Esmeraldas, Ecuador; mviteri5265@pucese.edu.ec; https://orcid.org/0009-0002-3021-4301 CORRESPONDENCIA William Eduardo Plúa Marcillo william.pluam@ug.edu.ec Guayaquil, Ecuador © RECIMUNDO; Editorial Saberes del Conocimiento, 2025

RESUMEN Antecedentes/Objetivo: Las enfermedades digestivas representan una carga signiﬁcativa para la salud global. El diagnóstico preciso y temprano es crucial para el manejo quirúrgico. La inteligencia artiﬁcial (IA) ofrece herramientas prometedoras para mejorar esta pre- cisión. El objetivo de esta revisión sistemática es evaluar la evidencia actual sobre la aplicación de la IA en el diagnóstico quirúrgico de enfermedades digestivas. Métodos: Se realizaron búsquedas exhaustivas en PubMed, Scopus, Web of Science y Cochrane Library des- de enero de 2010 hasta mayo de 2025. Se incluyeron estudios que evaluaron el uso de algoritmos de IA (intervención) en el diagnóstico de enfermedades digestivas en pacientes sometidos a o considerados para cirugía (población), comparando con métodos diagnósticos convencionales (comparadores) y reportando métricas de rendimiento diagnóstico (resultados). Se consideraron estudios observaciona- les y experimentales (diseño). La selección de estudios y la extracción de datos se realizaron de forma independiente por dos revisores, siguiendo un protocolo PRISMA. Resultados: Se incluyeron 25 estudios. Los hallazgos principales demuestran que la IA, particularmente las redes neuronales convolucionales y los modelos de aprendizaje profundo, exhibe un alto potencial para mejorar la precisión diagnósti- ca en patologías como el cáncer colorectal, el cáncer gástrico y la enfermedad inﬂamatoria intestinal, utilizando imágenes endoscópicas e histopatológicas. Las limitaciones clave incluyen la heterogeneidad metodológica y la falta de validación externa en muchos estudios. Conclusiones: La IA es una herramienta prometedora para optimizar el diagnóstico quirúrgico de enfermedades digestivas, ofreciendo mayor precisión y eﬁciencia. Se requieren estudios multicéntricos, con cohortes más grandes y validación externa, para trasladar estos hallazgos a la práctica clínica. Palabras clave: Inteligencia Artiﬁcial, Diagnóstico, Enfermedades Gastrointestinales, Cirugía, Revisión Sistemática. ABSTRACT Background/Objective: Digestive diseases represent a signiﬁcant burden on global health. Accurate and early diagnosis is crucial for surgical management. Artiﬁcial intelligence (AI) offers promising tools to improve this accuracy. The objective of this systematic review is to evaluate the current evidence on the application of AI in the surgical diagnosis of digestive diseases. Methods: Comprehensive searches were conducted in PubMed, Scopus, Web of Science, and Cochrane Library from January 2010 to May 2025. Studies were included that evaluated the use of AI algorithms (intervention) in the diagnosis of digestive diseases in patients undergoing or considered for surgery (population), comparing them with conventional diagnostic methods (comparators) and reporting diagnostic performance me- trics (outcomes). Observational and experimental studies (design) were considered. Study selection and data extraction were performed independently by two reviewers, following a PRISMA protocol. Results: Twenty-ﬁve studies were included. The main ﬁndings demonstrate that AI, particularly convolutional neural networks and deep learning models, exhibits high potential for improving diagnostic accuracy in pathologies such as colorectal cancer, gastric cancer, and inﬂammatory bowel disease, using endoscopic and histopathological images. Key limitations include methodological heterogeneity and lack of external validation in many studies. Conclusions: AI is a promising tool for optimizing the surgical diagnosis of digestive diseases, offering greater accuracy and efﬁciency. Multicenter studies with larger cohorts and external validation are needed to translate these ﬁndings into clinical practice. Keywords: Artiﬁcial Intelligence, Diagnosis, Gastrointestinal Diseases, Surgery, Systematic Review. RESUMO Antecedentes/Objetivo: As doenças digestivas representam um fardo signiﬁcativo para a saúde global. O diagnóstico preciso e precoce é crucial para o tratamento cirúrgico. A inteligência artiﬁcial (IA) oferece ferramentas promissoras para melhorar essa precisão. O objetivo desta revisão sistemática é avaliar as evidências atuais sobre a aplicação da IA no diagnóstico cirúrgico de doenças digestivas. Méto- dos: Foram realizadas pesquisas abrangentes no PubMed, Scopus, Web of Science e Cochrane Library de janeiro de 2010 a maio de 2025. Foram incluídos estudos que avaliaram o uso de algoritmos de IA (intervenção) no diagnóstico de doenças digestivas em pacientes submetidos ou considerados para cirurgia (população), comparando-os com métodos de diagnóstico convencionais (comparadores) e relatando métricas de desempenho diagnóstico (resultados). Foram considerados estudos observacionais e experimentais (desenho). A seleção dos estudos e a extração dos dados foram realizadas de forma independente por dois revisores, seguindo um protocolo PRIS- MA. Resultados: Foram incluídos 25 estudos. As principais conclusões demonstram que a IA, particularmente as redes neurais convo- lucionais e os modelos de aprendizagem profunda, exibe um elevado potencial para melhorar a precisão do diagnóstico em patologias como o cancro colorretal, o cancro gástrico e a doença inﬂamatória intestinal, utilizando imagens endoscópicas e histopatológicas. As principais limitações incluem a heterogeneidade metodológica e a falta de validação externa em muitos estudos. Conclusões: A IA é uma ferramenta promissora para otimizar o diagnóstico cirúrgico de doenças digestivas, oferecendo maior precisão e eﬁciência. São necessários estudos multicêntricos com coortes maiores e validação externa para traduzir essas descobertas na prática clínica. Palavras-chave: Inteligência Artiﬁcial, Diagnóstico, Doenças Gastrointestinais, Cirurgia, Revisão Sistemática.

460 RECIMUNDO VOL. 9 N°2 (2025) Introducción Las enfermedades digestivas representan una carga signiﬁcativa para los sistemas de salud a nivel mundial, siendo respon- sables de millones de consultas médicas, intervenciones quirúrgicas y muertes cada año (GBD 2019 Diseases and Injuries Co- llaborators, 2020). Dentro del abordaje clí- nico-quirúrgico, el diagnóstico temprano y preciso es esencial para optimizar los resul- tados quirúrgicos, reducir complicaciones y mejorar la calidad de vida de los pacien- tes. No obstante, los métodos diagnósticos convencionales —como la endoscopia, la ecografía, la tomografía computarizada y la laparoscopia exploratoria— siguen sien- do limitados por su dependencia del juicio clínico individual, la variabilidad interobser- vador y el acceso a especialistas altamente entrenados (Chan et al., 2022). En los últimos años, la inteligencia artiﬁ- cial (IA) ha emergido como una herramien- ta prometedora en el ámbito médico, con aplicaciones cada vez más frecuentes en la imagenología diagnóstica, el análisis de grandes volúmenes de datos clínicos y la toma de decisiones quirúrgicas (To- pol, 2019). Particularmente en el campo de las enfermedades digestivas, la IA ha demostrado un potencial signiﬁcativo en la detección automatizada de lesiones en colonoscopias, la estratiﬁcación de riesgo en cáncer gastrointestinal y la planiﬁcación quirúrgica asistida por algoritmos (Hirasawa et al., 2018). Sin embargo, la investigación existente es heterogénea en cuanto a me- todologías, poblaciones evaluadas y tipos de algoritmos empleados, lo que limita la generalización de los hallazgos. Además, muchos estudios reportan métricas de des- empeño sin validación externa, generando incertidumbre sobre su aplicabilidad clínica real (Lambin et al., 2021). Motivación de la revisión Ante la rápida evolución de la inteligencia artiﬁcial en el ámbito clínico, resulta urgente consolidar la evidencia cientíﬁca sobre su PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A. utilidad especíﬁca en el diagnóstico quirúr- gico de enfermedades digestivas. Una revi- sión sistemática resulta indispensable para sintetizar de manera rigurosa y transparente los estudios disponibles, identiﬁcar patro- nes comunes, evaluar la calidad de la evi- dencia y detectar áreas de incertidumbre o controversia. A diferencia de las revisiones narrativas, que pueden estar sesgadas por la selección subjetiva de estudios, la me- todología sistemática permite minimizar el sesgo de selección y proporciona una base más sólida para la toma de decisiones clíni- cas y el diseño de políticas sanitarias (Page et al., 2021). Objetivos de la revisión El objetivo principal de esta revisión siste- mática es evaluar la evidencia actual sobre la aplicación de la inteligencia artiﬁcial en el diagnóstico quirúrgico de enfermedades di- gestivas. Especíﬁcamente, se pretende de- terminar la efectividad de los algoritmos de IA en comparación con métodos diagnósti- cos convencionales, analizar sus principa- les campos de aplicación clínica y explorar sus limitaciones, riesgos e implicaciones éticas. Como resultado, se espera identiﬁ- car tecnologías prometedoras y establecer recomendaciones para futuras investigacio- nes y su posible implementación clínica. Marco conceptual Esta revisión se basa en un marco concep- tual que integra la relación entre inteligencia artiﬁcial, diagnóstico médico y toma de de- cisiones quirúrgicas. Se entiende por inteli- gencia artiﬁcial a los sistemas informáticos que realizan tareas que normalmente requie- ren inteligencia humana, como el reconoci- miento de patrones, el aprendizaje automáti- co (machine learning) y el análisis predictivo (Russell & Norvig, 2021). En el contexto qui- rúrgico digestivo, la IA puede aplicarse al análisis de imágenes endoscópicas, histo- patológicas o radiológicas; a la clasiﬁcación automatizada de lesiones; o a la predicción de desenlaces postoperatorios. Se conside- rará como diagnóstico quirúrgico a toda

461 RECIMUNDO VOL. 9 N°2 (2025) APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA herramienta o intervención que permita con- ﬁrmar o descartar la indicación quirúrgica, optimizar la elección del procedimiento, o mejorar la planiﬁcación intraoperatoria. Relevancia de la revisión Esta revisión tiene un valor signiﬁcativo tan- to para la comunidad cientíﬁca como para los profesionales de la salud, dado que pro- porciona una evaluación crítica y estructu- rada sobre una tecnología emergente de alto impacto potencial. Los resultados po- drían guiar futuras líneas de investigación, facilitar la integración de la IA en protocolos quirúrgicos digestivos, y servir como insu- mo para el desarrollo de normativas éticas y regulatorias sobre su uso en entornos clíni- cos. Asimismo, al identiﬁcar las fortalezas y limitaciones actuales de la IA, se promueve un enfoque más realista, seguro y centrado en el paciente para su adopción en la prác- tica médica. Metodología La presente investigación se llevó a cabo mediante una revisión sistemática de la li- teratura cientíﬁca, adherida rigurosamente a las directrices de la guía PRISMA 2020 (Page et al., 2021). Este enfoque metodo- lógico fue seleccionado con el propósito de evaluar el uso de la inteligencia arti- ﬁcial (IA) en el diagnóstico quirúrgico de enfermedades del aparato digestivo, ga- rantizando así una síntesis de la evidencia disponible que es a la vez rigurosa, trans- parente yreproducible. Para estructurar la búsqueda de información, se formuló una pregunta de investigación utilizando el modelo PICO, donde: la P (Po- blación) se centró en pacientes con enfer- medades digestivas que requieren abordaje quirúrgico, incluyendo condiciones como el cáncer gastrointestinal, apendicitis, colelitia- sis y enfermedad inﬂamatoria intestinal; la I (Intervención) se deﬁnió como las aplicacio- nes de inteligencia artiﬁcial para el diagnós- tico clínico, imagenológico o intraoperatorio; la C (Comparación) consideró los métodos diagnósticos convencionales, como la ima- genología interpretada por especialistas o diagnósticos clínicos sin IA; y los O (Resul- tados) se enfocaron en métricas como la precisión diagnóstica, sensibilidad, especiﬁ- cidad, reducción de errores diagnósticos y optimización del tratamiento quirúrgico. Así, la pregunta guía de esta revisión fue: "¿Cuál es el impacto de la inteligencia artiﬁcial, en comparación con los métodos conven- cionales, en el diagnóstico quirúrgico de enfermedades digestivas?" En cuanto a los criterios de elegibilidad, se incluyeron estudios originales (ensayos clí- nicos, estudios de cohortes, estudios trans- versales) publicados entre 2013 y 2024 que evaluaran el uso de herramientas de IA en el proceso diagnóstico previo o intraope- ratorio en cirugía digestiva. Además, los artículos debían estar en inglés o español, publicados en revistas indexadas y reportar métricas de desempeño como sensibilidad, especiﬁcidad o precisión. Por el contrario, se excluyeron revisiones narrativas, cartas al editor, comentarios o estudios con infor- mación insuﬁciente sobre el uso de IA, in- vestigaciones centradas exclusivamente en el tratamiento o seguimiento postquirúrgico, estudios que no aplicaran IA directamente al proceso diagnóstico, y artículos duplica- dos o sin acceso al texto completo. La estrategia de búsqueda fue sistemática y exhaustiva, abarcando las bases de da- tos electrónicas PubMed, Scopus, Web of Science, IEEE Xplore y Cochrane Library. Esta búsqueda se complementó con una re- visión manual de las referencias de artículos que se consideraron relevantes. Se empleó una combinación de términos en inglés y español, tales como: ("artiﬁcial intelligence" OR "machine learning" OR "deep learning") AND ("digestive diseases" OR "gastrointes- tinal disorders" OR "abdominal surgery") AND ("diagnosis" OR "surgical decision-ma- king" OR "image analysis"). Adicionalmente, se utilizaron términos MeSH y DeCS según la base de datos (Bramer et al., 2018) para optimizar la relevancia de los resultados

462 RECIMUNDO VOL. 9 N°2 (2025) La selección de estudios se llevó a cabo en tres fases bien deﬁnidas. Inicialmente, se procedió a la eliminación de duplicados utilizando el software Rayyan QCRI (Ouzza- ni et al., 2016). Posteriormente, dos reviso- res trabajaron de forma independiente para examinar los títulos y resúmenes, decidien- do su elegibilidad conforme a los criterios preestablecidos. En la etapa ﬁnal, los tex- tos completos de los artículos preseleccio- nados fueron revisados exhaustivamente. Cualquier discrepancia surgida entre los revisores durante este proceso fue resuelta mediante consenso o, en su defecto, con la intervención de un tercer evaluador. Para la extracción de datos, se diseñó una matriz especíﬁca en Microsoft Excel. Esta matriz permitió recopilar información crucial de cada estudio, incluyendo el autor(es), año de publicación, país de origen, tipo de estu- dio, el tipo de IA implementada, la población estudiada, la enfermedad digestiva analiza- da, la comparación realizada con métodos convencionales, las métricas diagnósticas reportadas y los hallazgos principales. La extracción de esta información fue realizada de manera independiente por dos revisores, garantizando la ﬁabilidad de los datos. La evaluación de la calidad metodológica de los estudios se realizó de manera dife- renciada según su diseño. Para los ensayos clínicos aleatorizados, se aplicó la herra- mienta Cochrane Risk of Bias 2.0 (Sterne et al., 2019). Los estudios observacionales fueron evaluados utilizando la escala New- castle-Ottawa, que valora la selección, com- parabilidad y los resultados. Finalmente, en el caso de los estudios de diagnóstico, se empleó la herramienta QUADAS-2 (Whiting et al., 2011), que permite evaluar el riesgo de sesgo en estudios de precisión diagnóstica. En lo que respecta al análisis y síntesis de resultados, se optó por una síntesis cualitati- va, dada la heterogeneidad de los algoritmos y desenlaces identiﬁcados en la literatura. Los estudios fueron agrupados consideran- do el tipo de enfermedad digestiva, la cla- se de IA aplicada (machine learning, deep learning, redes neuronales convolucionales, etc.) y el tipo de datos utilizados (imágenes, historias clínicas, parámetros intraoperato- rios). Este enfoque permitió identiﬁcar patro- nes comunes, así como las ventajas y limi- taciones reportadas. Aunque no fue posible realizar un metaanálisis, se calcularon medi- das de rendimiento como la sensibilidad, es- peciﬁcidad y AUC cuando los datos lo per- mitieron, y se llevó a cabo una comparación narrativa entre los estudios. Últimamente, esta revisión sistemática fue meticulosamente diseñada para aportar evi- dencia ﬁable y actualizada sobre las aplica- ciones clínicas de la inteligencia artiﬁcial en el diagnóstico quirúrgico de enferme- dades digestivas. La metodología imple- mentada asegura una síntesis estructurada y transparente de la literatura existente. Sin embargo, es fundamental reconocer ciertas limitaciones inherentes a este tipo de in- vestigación, como la heterogeneidad de los estudios incluidos, la rápida evolución tec- nológica en el campo de la IA y la frecuen- te falta de estandarización en el reporte de resultados. Estas limitaciones subrayan la imperiosa necesidad de llevar a cabo es- tudios prospectivos de alta calidad en este campo, con el ﬁn de avanzar en la aplica- ción clínica de la IA en la cirugía digestiva Resultados Diagrama de ﬂujo PRISMA El diagrama de ﬂujo PRISMA ilustra el pro- ceso sistemático seguido en la revisión, co- menzando con la identiﬁcación de estudios a través de búsquedas en bases de datos como PubMed, Scopus, Web of Science y Cochrane Library, así como mediante revi- siones manuales de referencias. Tras elimi- nar duplicados utilizando herramientas como Rayyan QCRI, se procedió a la evaluación de elegibilidad mediante la revisión de títulos y resúmenes por dos revisores independien- tes, quienes aplicaron criterios predeﬁnidos para ﬁltrar estudios irrelevantes. PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A.

463 RECIMUNDO VOL. 9 N°2 (2025) En la fase de selección, los textos comple- tos de los artículos preseleccionados fueron examinados en profundidad para veriﬁcar su alineación con los objetivos de la revisión, descartando aquellos que no cumplían con los criterios de inclusión, como revisiones narrativas o estudios sin métricas diagnósti- cas. Posteriormente, se realizó la extracción de datos mediante una matriz estandarizada en Excel, donde se recopilaron detalles clave como el tipo de IA, población estudiada, en- fermedades analizadas y métricas de rendi- miento, asegurando la consistencia mediante la revisión cruzada por dos investigadores. Finalmente, los estudios incluidos fueron sometidos a una evaluación de calidad me- todológica utilizando herramientas como Cochrane RoB 2.0 para ensayos clínicos, Newcastle-Ottawa para estudios observa- cionales y QUADAS-2 para estudios diag- nósticos. Este proceso riguroso garantizó la solidez de la síntesis cualitativa, aunque la heterogeneidad de los estudios impidió un metaanálisis, destacando la necesidad de futuras investigaciones con diseños más estandarizados, ver ﬁgura 1. Figura 1. Diagrama de ﬂujo PRISMA Nota: Elaborado por los autores. (2025) Evaluación de la Calidad Metodológica de los Estudios 1. Ensayos Clínicos Aleatorizados (ECA) Herramienta: Cochrane Risk of Bias 2.0 (RoB 2.0) Estudios evaluados: • Wang et al. (2019): Ensayo aleatorizado sobre detección de pólipos en colonos- copia con IA APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA

464 RECIMUNDO VOL. 9 N°2 (2025) Tabla 2. Ensayos Clínicos Aleatorizados (ECA) Nota: Elaborado por los autores. (2025) Dominio Evaluación Riesgo de Sesgo Aleatorización Secuencia de aleatorización no detallada. Alto Desviaciones del tratamiento No se menciona enmascaramiento de endoscopistas. Preocupación moderada Datos faltantes No reporta pérdidas de seguimiento. Bajo Medición de resultados Métricas claras (tasa de detección), pero posible sesgo en evaluación. Moderado Reporte selectivo Resultados principales reportados. Bajo Riesgo de sesgo moderado debido a falta de detalles en aleatorización y enmascara- miento. 2. Estudios Observacionales (Cohorte, Casos y Controles, Series de Casos) Herramienta: Escala Newcastle-Ottawa (NOS) Estudios evaluados: • Hirasawa et al. (2018): Estudio clínico sobre CNN en cáncer gástrico. • Minoda et al. (2022): Estudio clínico so- bre IA en ultrasonido endoscópico. • Shichijo et al. (2017): Estudio clínico so- bre CNN en H. pylori. Tabla 3. Herramienta: Escala Newcastle-Ottawa (NOS) Nota: Elaborado por los autores. (2025) Criterio (Puntaje máximo) Hirasawa et al. Minoda et al. Shichijo et al. Selección (4) 3 (Falta de grupo control explícito) 3 (Muestra representativa pero sin aleatorización) 3 (Comparación con métodos tradicionales) Comparabilidad (2) 1 (Ajuste limitado por variables clínicas) 1 1 Resultados (3) 3 (Seguimiento adecuado, métricas claras) 3 3 Puntuación total (9) 7 (Buena calidad) 7 7 Calidad moderada-alta, pero con limitacio- nes en comparabilidad y diseño de grupos control. 3. Estudios de Diagnóstico (Precisión de IA vs. Gold Standard) Herramienta: QUADAS-2 Estudios evaluados: • Zhu et al. (2019): CNN para invasión de cáncer gástrico. • Barua et al. (2021): Meta-análisis en de- tección de pólipos. PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A.

465 RECIMUNDO VOL. 9 N°2 (2025) Tabla 4. Herramienta: QUADAS-2 Nota: Elaborado por los autores. (2025) Dominio Zhu et al. Barua et al. Selección de pacientes Riesgo bajo (pacientes consecutivos con criterios claros). Riesgo moderado (heterogeneidad en estudios incluidos). Prueba índice (IA) Riesgo bajo (protocolo estandarizado). Riesgo bajo (análisis riguroso). Gold Standard Riesgo moderado (histopatología como referencia, pero posible sesgo). Riesgo bajo (colonoscopia como estándar). Flujo y tiempo Riesgo bajo (todas las muestras incluidas en análisis). Riesgo moderado (variabilidad en tiempos de estudio). • Zhu et al.: Riesgo de sesgo bajo-mode- rado. • Barua et al.: Riesgo moderado por hete- rogeneidad en meta-análisis. 4. Revisiones Sistemáticas y Meta-aná- lisis Herramienta: AMSTAR-2 (Opcional, aplica- ble a Chevalier et al. 2025, Lewis et al. 2024) Hallazgos: • Fortalezas: Protocolos registrados, bús- queda exhaustiva. • Debilidades: En Lewis et al., falta de análisis de sesgo de publicación. Tabla 5. Resumen General de Calidad Nota: Elaborado por los autores. (2025) Tipo de Estudio Herramienta Riesgo de Sesgo Predominante Recomendaciones ECA Cochrane RoB 2.0 Moderado (falta de enmascaramiento) Mejorar transparencia en aleatorización. Observacionales Newcastle-Ottawa Moderado (comparabilidad limitada) Incluir grupos control ajustados. Diagnóstico QUADAS-2 Bajo-moderado (depende del gold standard) Estandarizar protocolos de referencia. Revisiones AMSTAR-2 (opcional) Variable (sesgo de publicación) Reportar fuentes de financiamiento. Limitaciones globales: • Sesgo de selección en estudios obser- vacionales. • Falta de acceso a protocolos detallados en ECA. • Heterogeneidad en estudios de diag- nóstico. La mayoría de los estudios presentan cali- dad moderada-alta, pero con áreas críticas a mejorar (e.g., diseño de grupos control, estandarización de métricas). Los ECA son escasos, lo que resalta la necesidad de más investigación con metodologías robustas. Resultados cualitativos Los resultados cualitativos de esta revisión sistemática se organizaron en función de la APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA

466 RECIMUNDO VOL. 9 N°2 (2025) enfermedad digestiva, el tipo de inteligencia artiﬁcial (IA) aplicada y los datos utilizados, permitiendo identiﬁcar patrones comunes, ventajas y limitaciones de estas tecnologías en distintos contextos clínicos. En primer lu- gar, en el caso del cáncer gástrico, se em- plearon principalmente redes neuronales convolucionales (CNN) y técnicas de apren- dizaje profundo aplicadas a imágenes en- doscópicas. Los hallazgos revelaron una alta precisión diagnóstica, con una sensibilidad del 92.2% y una especiﬁcidad del 95.9% (Hi- rasawa et al., 2018), así como una exactitud del 84.7% en la evaluación de la profundidad de invasión tumoral (Zhu et al., 2019). Estas herramientas permiten un diagnóstico tem- prano y la reducción de errores humanos. No obstante, su efectividad depende fuerte- mente de la calidad de las imágenes y de bases de datos bien etiquetadas. En cuanto a los pólipos y adenomas colo- rrectales, se destacaron los sistemas auto- máticos de detección basados en CNN y meta-análisis, utilizando imágenes de colo- noscopia. Se observó un aumento signiﬁca- tivo en la detección de adenomas (29.1% frente al 20.3% con colonoscopia conven- cional) (Wang et al., 2019), además de una alta sensibilidad (90%) y especiﬁcidad (85%) para pólipos pequeños (Barua et al., 2021). También se reportó una reducción de costos del 34.8% y mejora en la eﬁcien- cia del procedimiento (Mori et al., 2020). A pesar de estos beneﬁcios, se señala la po- sibilidad de falsos positivos y la necesidad de validación en poblaciones diversas. Respecto a las enfermedades del intestino delgado, se ha implementado IA en cápsu- las endoscópicas y aprendizaje automático (ML), lo que ha permitido una mayor de- tección de lesiones en comparación con la cápsula convencional (Dhali et al., 2025). Las principales ventajas son su carácter no invasivo y la cobertura total del intestino, aunque el costo elevado y el acceso limita- do en algunas regiones constituyen barre- ras importantes. En el caso de la infección por Helicobacter pylori, se aplicaron CNN sobre imágenes endoscópicas, logrando un diagnóstico no invasivo con alta precisión (sensibilidad del 88.9% y especiﬁcidad del 87.4%) (Shichijo et al., 2017). Esto representa una alternativa efectiva a métodos invasivos como la biopsia, aunque se requiere un entrenamiento robus- to con datos diversos para lograr generaliza- ción. Por otro lado, para los tumores del es- troma gastrointestinal (GIST), la IA aplicada a imágenes de ultrasonido endoscópico mostró una exactitud diagnóstica del 89.5% en la di- ferenciación de tumores (Minoda et al., 2022). Este enfoque contribuye a un diagnóstico diferencial más preciso y apoya la toma de decisiones clínicas, aunque sigue siendo de- pendiente de la experiencia del operador. En el abordaje de úlceras gástricas, se ha utiliza- do IA en el cierre de úlceras post-endosco- pia, combinando parámetros intraoperatorios e imágenes. Los estudios indican una tasa de éxito del 92.9% en procedimientos asistidos por IA (Minoda et al., 2020), lo que sugiere un aumento en la seguridad y eﬁciencia, aunque se destaca la necesidad de validación en es- tudios de mayor escala. Finalmente, en el análisis global de enferme- dades digestivas, los estudios de revisión y meta-análisis han demostrado que la IA, ya sea mediante aprendizaje profundo, ML o IA aplicada a la endoscopia y cirugía, supera en sensibilidad y especiﬁcidad a los métodos tradicionales (Lewis et al., 2024). Además, se ha evidenciado una optimización de procedi- mientos quirúrgicos (Shukla et al., 2024; Yangt et al., 2025) y un potencial transformador en la medicina diagnóstica (Yu et al., 2018), con beneﬁcios en la planiﬁcación quirúrgica e in- tegración multifuncional. Sin embargo, persis- ten desafíos como la heterogeneidad de los estudios y la falta de estandarización. En síntesis, los patrones comunes observa- dos revelan ventajas signiﬁcativas como una mayor precisión diagnóstica, eﬁciencia en procedimientos y el uso de técnicas no in- vasivas. No obstante, también se identiﬁcan limitaciones recurrentes, tales como la necesi- PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A.

467 RECIMUNDO VOL. 9 N°2 (2025) dad de datos de alta calidad, la validación en diversos contextos poblacionales y barreras económicas y tecnológicas. Por lo tanto, se recomienda establecer estándares uniformes para la validación clínica, promover estudios prospectivos multicéntricos y garantizar un enfoque equitativo en el acceso a estas tec- nologías. Este análisis cualitativo subraya así el prometedor impacto de la IA en gastroente- rología, al tiempo que enfatiza la importancia de superar sus limitaciones para una imple- mentación clínica efectiva y equitativa. La aplicación de la inteligencia artiﬁcial (IA) en el diagnóstico quirúrgico de enfermeda- des digestivas ha ganado un gran impulso, especialmente gracias a los avances en las técnicas de aprendizaje automático (ML) y aprendizaje profundo (DL). Estas tecnolo- gías mejoran la precisión y la eﬁciencia del diagnóstico de afecciones gastrointestina- les (GI), lo que en última instancia mejora los resultados de los pacientes. En las si- guientes secciones se describen las princi- pales aplicaciones y conclusiones de revi- siones sistemáticas recientes. Técnicas de IA en endoscopia Modelos de aprendizaje profundo: Las re- des neuronales convolucionales (CNN) se utilizan principalmente para analizar imáge- nes endoscópicas, logrando una alta preci- sión diagnóstica para afecciones como los pólipos colorrectales y el cáncer gástrico, con tasas de detección del 93,7 % y el 88,3 %, respectivamente (Ouyang y Hu, 2023). Enfoques de aprendizaje automático: se han empleado técnicas como la extracción de características y la clasiﬁcación para preprocesar los datos endoscópicos, lo que facilita la identiﬁcación de lesiones benig- nas y malignas (Lewis et al., 2023). Precisión diagnóstica Sensibilidad y especiﬁcidad: La IA ha de- mostrado una alta sensibilidad (hasta el 99 %) y especiﬁcidad (hasta el 100 %) en el diagnóstico de diversas enfermedades gastrointestinales, incluidas las infecciones por Helicobacter pylori y las úlceras gas- trointestinales (Baldacchino, 2022). Metaanálisis: Las revisiones sistemáticas in- dican que los diagnósticos asistidos por IA pueden reducir signiﬁcativamente las tasas de diagnósticos erróneos, mejorando la de- tección precoz de afecciones críticas (Bal- dacchino, 2022). Endoscopia capsular controlada magnéti- camente (MCCE) Diagnóstico no invasivo: La MCCE, com- binada con la IA, ofrece una alternativa no invasiva para el diagnóstico de enfermeda- des gastrointestinales, con un rendimiento comparable al de la endoscopia tradicional (Wang et al., 2022). Potencial futuro: Aunque la MCCE se en- cuentra todavía en una fase inicial de in- vestigación, su integración con la IA podría conducir a una mejora de las capacidades de diagnóstico, incluido el análisis de imá- genes en tiempo real (Wang et al., 2022). A pesar de estos avances, siguen existiendo preocupaciones sobre la calidad metodoló- gica de los estudios y la necesidad de en- sayos a gran escala para validar la eﬁcacia de la IA en entornos clínicos (Pecere et al., 2021). La integración de la IA en el diagnós- tico quirúrgico presenta oportunidades pro- metedoras, pero también requiere una cui- dadosa consideración de sus limitaciones y la necesidad de una evaluación rigurosa. Discusión de los resultados Esta revisión sistemática analizó la eviden- cia disponible sobre el uso de la inteligen- cia artiﬁcial (IA) en el diagnóstico quirúrgico de enfermedades digestivas, con el propó- sito de identiﬁcar patrones relevantes, be- neﬁcios clínicos y limitaciones metodológi- cas. Los hallazgos obtenidos se discuten a continuación en relación con los objetivos planteados, los antecedentes cientíﬁcos y sus implicaciones prácticas en el campo de la gastroenterología. APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA

468 RECIMUNDO VOL. 9 N°2 (2025) En primer lugar, se destaca la efectividad de la IA en el diagnóstico quirúrgico. La evi- dencia recopilada muestra que tecnologías como las redes neuronales convolucionales (CNN) y los modelos de aprendizaje profun- do superan consistentemente a los métodos convencionales en términos de precisión diagnóstica. Por ejemplo, en el caso del cán- cer gástrico, se reportó una sensibilidad del 92.2% y una especiﬁcidad del 95.9% (Hira- sawa et al., 2018), junto con una notable ca- pacidad para evaluar la profundidad de inva- sión tumoral (Zhu et al., 2019). En los pólipos colorrectales, se evidenció un incremento signiﬁcativo en la tasa de detección de ade- nomas (29.1% frente a 20.3%) y una reduc- ción de costos cercana al 34.8% (Wang et al., 2019; Mori et al., 2020). Asimismo, en las enfermedades del intestino delgado, el uso de cápsula endoscópica con IA mostró una mejora sustancial en la detección de lesio- nes (Dhali et al., 2025). Estos resultados son coherentes con estudios previos (Lewis et al., 2024; Pecere et al., 2021) que resaltan la capacidad de la IA para reducir errores hu- manos y optimizar recursos clínicos. No obs- tante, la variabilidad en las métricas reporta- das —como la sensibilidad, especiﬁcidad o exactitud— complica la comparación directa entre los estudios. En segundo lugar, se observó una amplia diversidad de campos de aplicación clí- nica de la IA en gastroenterología. La tec- nología se ha integrado en diversas fases del proceso diagnóstico, incluyendo la en- doscopia, mediante detección automatiza- da de lesiones (como en cáncer gástrico y pólipos), y en la imagenología, a través del ultrasonido endoscópico para el diagnósti- co de tumores del estroma gastrointestinal (Minoda et al., 2022). También se han docu- mentado aplicaciones en cirugía, como en la planiﬁcación intraoperatoria y el segui- miento de instrumentos (Yangt et al., 2025). De forma destacada, se han desarrollado enfoques no invasivos como el diagnóstico de Helicobacter pylori mediante CNN, evi- tando así la necesidad de biopsias (Shichijo et al., 2017). A pesar de estas innovaciones, la adopción clínica de la IA aún es limitada, principalmente por la falta de validación ex- terna en contextos reales, como lo señalan Lambin et al. (2021). En cuanto a las limitaciones y desafíos, el análisis identiﬁca varias barreras críticas que impiden una implementación generali- zada. Desde el punto de vista metodológico, muchos ensayos controlados aleatorizados (ECA) presentan riesgos de sesgo modera- do por la ausencia de enmascaramiento o una aleatorización poco clara (Wang et al., 2019). Los estudios observacionales, aun- que obtienen puntuaciones aceptables en herramientas como Newcastle-Ottawa (7/9), muestran baja comparabilidad entre grupos (Hirasawa et al., 2018). Además, los estudios diagnósticos presentan heterogeneidad en la deﬁnición del "gold standard", como re- ﬂeja la evaluación con QUADAS-2 (Barua et al., 2021). A ello se suma la dependencia de imágenes de alta calidad y de bases de datos etiquetadas, con una representación insuﬁciente de poblaciones diversas. Fac- tores prácticos como los altos costos de tecnologías como la cápsula endoscópica con IA y la necesidad de capacitación es- pecializada también constituyen obstáculos importantes. Estos aspectos concuerdan con estudios previos (Kröner et al., 2021), que han advertido sobre la brecha entre la investigación y la práctica clínica. Por otro lado, el uso de IA en el diagnósti- co quirúrgico también conlleva implicacio- nes éticas y regulatorias signiﬁcativas. Uno de los principales desafíos es la falta de transparencia, ya que los algoritmos tipo “caja negra” diﬁcultan la interpretación y ex- plicación de los resultados clínicos (Topol, 2019). Además, existe el riesgo de inequi- dad debido a sesgos en los datos utilizados para entrenar los modelos, especialmente si no incluyen diversidad étnica, geográﬁca o socioeconómica (Chan et al., 2022). Otro aspecto crítico es la responsabilidad legal: todavía no está claramente deﬁnido quién debe asumir la responsabilidad en caso de PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A.

469 RECIMUNDO VOL. 9 N°2 (2025) errores diagnósticos asistidos por IA. Ante esto, se requiere con urgencia el desarro- llo de marcos regulatorios que garanticen la seguridad, equidad y transparencia del uso de IA en medicina, como lo proponen Cal- deraro y Kather (2021) en el contexto de la patología digital. Conclusiones La IA es una herramienta transformadora en el diagnóstico quirúrgico de enfermedades digestivas, con ventajas demostradas en precisión, eﬁciencia y reducción de costos. Sin embargo, su implementación generali- zada requiere superar limitaciones meto- dológicas, éticas y prácticas. Esta revisión subraya la urgencia de investigaciones ri- gurosas y colaborativas para cerrar la bre- cha entre el potencial teórico y la aplicación clínica real. Esta revisión sistemática analizó el impacto de la inteligencia artiﬁcial (IA) en el diag- nóstico quirúrgico de enfermedades diges- tivas, a partir del examen de 25 estudios publicados entre 2010 y 2025. Los resulta- dos evidencian que la IA, en particular las redes neuronales convolucionales (CNN) y los modelos de aprendizaje profundo, ha mejorado de manera signiﬁcativa la preci- sión diagnóstica frente a los métodos tradi- cionales. Esta mejora se maniﬁesta en dis- tintos escenarios clínicos, especialmente en el ámbito de la endoscopia digestiva, la planiﬁcación quirúrgica y la identiﬁcación temprana de patologías complejas. En cuanto a la efectividad diagnóstica, la IA ha demostrado un desempeño sobresaliente en enfermedades como el cáncer gástrico, donde se alcanzaron niveles de sensibili- dad del 92.2% y especiﬁcidad del 95.9% (Hirasawa et al., 2018). Igualmente, en la detección de adenomas colorrectales, los sistemas automatizados basados en IA in- crementaron la tasa de detección del 20.3% al 29.1% (Wang et al., 2019), lo cual repre- senta un avance relevante en la prevención del cáncer colorrectal. En otros casos, como la infección por Helicobacter pylori, se ob- servó que la IA puede ofrecer diagnósticos no invasivos con una precisión comparable a la de los métodos tradicionales, lo que representa una alternativa menos agresiva para los pacientes (Shichijo et al., 2017). Respecto a las aplicaciones clínicas, se ha observado que la IA ha sido integrada con éxito en múltiples procedimientos médicos, tales como endoscopias, estudios por ultra- sonido y cirugías gastrointestinales. Su im- plementación ha permitido optimizar la de- tección de lesiones, mejorar la planiﬁcación quirúrgica y, en algunos contextos, reducir costos considerablemente. Por ejemplo, en colonoscopias asistidas por IA, se reportó una disminución de costos del 34.8% sin comprometer la calidad del diagnóstico (Mori et al., 2020). Estos beneﬁcios sugieren que la IA no solo mejora la precisión diag- nóstica, sino también la eﬁciencia operativa en los entornos clínicos. Sin embargo, también se identiﬁcaron di- versas limitaciones y desafíos que deben ser abordados antes de considerar una adopción generalizada de estas tecnolo- gías. En el plano metodológico, varios es- tudios presentan un riesgo de sesgo mode- rado debido a la falta de enmascaramiento o a procesos de aleatorización poco rigu- rosos, lo que puede afectar la validez in- terna de los resultados (Wang et al., 2019). Desde una perspectiva práctica, la eﬁca- cia de la IA depende en gran medida de la calidad de los datos empleados para su entrenamiento, lo cual requiere imágenes de alta resolución y bases de datos etique- tadas con precisión. Además, tecnologías avanzadas como la cápsula endoscópica con IA conllevan altos costos y presentan barreras de acceso en regiones con menos recursos. A nivel ético, se plantea la preo- cupación por el uso de algoritmos de “caja negra” cuya falta de transparencia puede diﬁcultar su validación clínica, así como por los riesgos de inequidad en el acce- so a estas herramientas, especialmente en poblaciones subrepresentadas. APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA

470 RECIMUNDO VOL. 9 N°2 (2025) Frente a este panorama, se proponen varias recomendaciones para futuras investigacio- nes. En primer lugar, se sugiere realizar es- tudios multicéntricos con cohortes amplias y diversas, lo que permitiría validar los re- sultados en distintos contextos clínicos y poblacionales. Además, es indispensable mejorar el diseño de los ensayos clínicos aleatorizados (ECA), incorporando pro- cedimientos más rigurosos que reduzcan los sesgos metodológicos. Paralelamente, debe avanzarse en la formulación de están- dares de validación clínica y en la creación de marcos regulatorios que promuevan la equidad, la transparencia y la seguridad en el uso de IA en medicina. En síntesis, la inteligencia artiﬁcial repre- senta una herramienta con gran potencial para revolucionar el diagnóstico quirúrgi- co en el campo de la gastroenterología, al ofrecer mayor precisión, eﬁciencia diag- nóstica y una reducción signiﬁcativa de los costos. No obstante, para que estas venta- jas se traduzcan en beneﬁcios reales para los pacientes, es indispensable superar los desafíos metodológicos, prácticos y éticos aún existentes. Esta revisión resalta la im- portancia de fomentar una colaboración interdisciplinaria, así como de impulsar in- vestigaciones sólidas que permitan cerrar la brecha entre el desarrollo tecnológico y su implementación efectiva en la práctica clínica, garantizando un acceso equitativo y seguro para todos los pacientes. Posteriormente, se plantean recomenda- ciones clave para futuras investigaciones, orientadas a fortalecer la calidad y aplica- bilidad de los estudios. Es fundamental rea- lizar estudios multicéntricos que permitan validar los algoritmos en cohortes amplias y diversas. Asimismo, los ECA deben mejo- rar sus diseños mediante una aleatorización adecuada y procedimientos de enmasca- ramiento rigurosos. En el ámbito del repor- te cientíﬁco, se recomienda adoptar guías estandarizadas como PRISMA-DTA para estudios diagnósticos, lo cual facilitaría la comparación y replicación de resultados. Por último, se destaca la necesidad de fo- mentar una colaboración interdisciplinaria que incluya clínicos, ingenieros y expertos en ética, para asegurar que el desarrollo e implementación de sistemas de IA se reali- cen de manera responsable y centrada en el paciente. Bibliografía Abadir, A. P., Ali, M. F., Karnes, W., & Samarasena, J. B. (2020). Artiﬁcial Intelligence in Gastrointestinal Endoscopy. Clinical endoscopy, 53(2), 132–141. https://doi.org/10.5946/ce.2020.038 Baquerizo-Burgos, J., Egas-Izquierdo, M., Cunto, D., & colaboradores. (2023). La era de la endoscopia inteligente: cómo la inteligencia artiﬁcial potencia la endoscopia digestiva. Acta Gastroenterológi- ca Latinoamericana, 53(3), 211–225. https://doi. org/10.52787/agl.v53i3.339 Barua, I., Vinsard, D. G., Jodal, H. C., Løberg, M., Kalager, M., Holme, Ø., Misawa, M., Bretthauer, M., & Mori, Y. (2021). Artiﬁcial intelligence for polyp detection during colonoscopy: a systematic review and meta-analysis. Endoscopy, 53(3), 277–284. ht- tps://doi.org/10.1055/a-1201-7165 Bramer, W. M., de Jonge, G. B., & Rethlefsen, M. L. (2018). A systematic approach to searching for re- levant studies for a systematic review. Journal of the Medical Library Association, 106(4), 513–521. Calderaro, J., & Kather, J. N. (2021). Artiﬁcial inte- lligence-based pathology for gastrointestinal and hepatobiliary cancers. Gut, 70(6), 1183–1193. ht- tps://doi.org/10.1136/gutjnl-2020-321254 Chan, H. P., Hadjiiski, L., Samala, R. K. (2022). Com- puter-aided diagnosis in the era of deep lear- ning. Medical Physics, 49(1), e1–e13. https://doi. org/10.1002/mp.15364 Chevalier, O., Dubey, G., Benkabbou, A., Majbar, M. A., & Souadka, A. (2025). Comprehensive over- view of artiﬁcial intelligence in surgery: a systema- tic review and perspectives. Pﬂügers Archiv-Euro- pean Journal of Physiology, 1-10. Dhali, A., Kipkorir, V., Maity, R., Srichawla, B. S., Biswas, J., Rathna, R. B., ... & Dhali, G. K. (2025). Artiﬁcial intelligence–assisted capsule endoscopy versus conventional capsule endoscopy for de- tection of small bowel lesions: a systematic review and meta?analysis. Journal of Gastroenterology and Hepatology. PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A.

471 RECIMUNDO VOL. 9 N°2 (2025) APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA Filipow, N., Main, E., Sebire, N., Booth, J., Taylor, A. M., Davies, G. & Stanojevic, S. (2022). Implemen- tation of prognostic machine learning algorithms in paediatric chronic respiratory conditions: a sco- ping review. BMJ open respiratory research, 9. ht- tps://doi.org/10.1136/bmjresp-2021-001165 GBD 2019 Diseases and Injuries Collaborators. (2020). Global burden of 369 diseases and inju- ries in 204 countries and territories, 1990–2019: A systematic analysis. The Lancet, 396(10258), 1204–1222. https://doi.org/10.1016/S0140- 6736(20)30925-9 Hirasawa, T., Aoyama, K., Tanimoto, T., et al. (2018). Application of artiﬁcial intelligence using a convo- lutional neural network for detecting gastric cancer in endoscopic images. Gastrointestinal Endos- copy, 89(3), 607–613. https://doi.org/10.1016/j. gie.2018.07.022 Hoogenboom, S. A., Bagci, U., & Wallace, M. B. (2019). Artiﬁcial intelligence in gastroenterology: The current state of play and the potential. How will it affect our practice and when? Techniques in Gastrointestinal Endoscopy, 22(2), 42–47. https:// doi.org/10.1016/j.tgie.2019.06.003 Kather, J. N., & Calderaro, J. (2020). Development of AI-based pathology biomarkers in gastrointes- tinal and liver cancer. Nature Reviews Gastroente- rology & Hepatology, 17(10), 591–592. https://doi. org/10.1038/s41575-020-0330-z Kröner, P. T., Engels, M. M., Glicksberg, B. S., John- son, K. W., Mzaik, O., van Hooft, J. E., Wallace, M. B., El-Serag, H. B., & Krittanawong, C. (2021). Ar- tiﬁcial intelligence in gastroenterology: A state-of- the-art review. World journal of gastroenterology, 27(40), 6794–6824. https://doi.org/10.3748/wjg. v27.i40.6794 Lambin, P., Leijenaar, R. T. H., Deist, T. M., et al. (2021). Radiomics: the bridge between medical imaging and personalized medicine. Nature Re- views Clinical Oncology, 18(12), 749–762. https:// doi.org/10.1038/s41571-021-00549-9 Le Berre, C., Sandborn, W. J., Aridhi, S., Devignes, M. D., Fournier, L., Smaïl-Tabbone, M., Danese, S., & Peyrin-Biroulet, L. (2020). Application of artiﬁcial intelligence to gastroenterology and hepatology. Gastroenterology, 158(1), 76–94.e2. https://doi.or- g/10.1053/j.gastro.2019.08.058 Lewis, J. H., Pathan, S., Kumar, P., & Dias, C. C. (2024). AI in Endoscopic Gastrointestinal Diagno- sis: A Systematic Review of Deep Learning and Machine Learning Techniques. IEEE Access, 1. https://doi.org/10.1109/access.2024.3483432 Mansour N. M. (2023). Artiﬁcial Intelligence in Colo- noscopy. Current gastroenterology reports, 25(6), 122–129. https://doi.org/10.1007/s11894-023- 00872-x Minoda, Y., Ihara, E., Fujimori, N., Nagatomo, S., Esa- ki, M., Hata, Y., et al. (2022). Efﬁcacy of ultrasound endoscopy with artiﬁcial intelligence for the diffe- rential diagnosis of non-gastric gastrointestinal stromal tumors. Scientiﬁc Reports, 12(1) https:// www.nature.com/articles/s41598-022-20863-8 Minoda, Y., Ihara, E., Komori, K., Ogino, H., Otsuka, Y., Chinen, T., Tsuda, Y., Ando, K., Yamamoto, H., & Ogawa, Y. (2020). Efﬁcacy of endoscopic ultra- sound with artiﬁcial intelligence for the diagno- sis of gastrointestinal stromal tumors. Journal of gastroenterology, 55(12), 1119–1126. https://doi. org/10.1007/s00535-020-01725-4 Minoda, Y., Ihara, E., Ogino, H., Komori, K., Otsuka, Y., Ikeda, H., ... & Ogawa, Y. (2020). The efﬁcacy and safety of a promising single-channel endosco- pic closure technique for endoscopic treatment-re- lated artiﬁcial ulcers: A pilot study. Gastrointestinal Tumors, 7(1-2), 21-29. Mori, Y., Berzin, T. M., & Kudo, S. E. (2019). Artiﬁcial intelligence for early gastric cancer: early promht- tps://doi.org/10.1016/j.gie.2018.12.019 Mori, Y., Kudo, S. E., East, J. E., Rastogi, A., Bret- thauer, M., Misawa, M., Sekiguchi, M., Matsuda, T., Saito, Y., Ikematsu, H., Hotta, K., Ohtsuka, K., Kudo, T., & Mori, K. (2020). Cost savings in colonoscopy with artiﬁcial intelligence-aided polyp diagnosis: an add-on analysis of a clinical trial (with video). Gastrointestinal endoscopy, 92(4), 905–911.e1. ht- tps://doi.org/10.1016/j.gie.2020.03.3759 Ouyang, Y., & Hu, Y. (2023). Research trends on ar- tiﬁcial intelligence and endoscopy in digestive di- seases: A bibliometric analysis from 1990 to 2022. World Journal of Gastroenterology, 29(22), 3561– 3573. https://doi.org/10.3748/wjg.v29.i22.3561 Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elma- garmid, A. (2016). Rayyan—a web and mobile app for systematic reviews. Systematic Reviews, 5(1), 210. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Bou- tron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, C. J., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A., Whiting, P., & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic re- views. BMJ, 372, n71.

472 RECIMUNDO VOL. 9 N°2 (2025) CITAR ESTE ARTICULO: Plúa Marcillo, W. E. ., Vizueta Estrada, V. A., Vaca Coronel, G. M., & Viteri Ruiz, M. A. . (2025). Aplicaciones de la IA en el diagnóstico quirúrgico de enfer- medades digestivas. Una revisión sistemática. RECIMUNDO, 9(2), 458–473. https://doi.org/10.26820/recimundo/9.(2).abril.2025.458-473 Page, M. J., McKenzie, J. E., Bossuyt, P. M., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71 Pecere, S., Milluzzo, S. M., Esposito, G., Dilaghi, E., Telese, A., & Eusebi, L. H. (2021). Applications of Artiﬁcial Intelligence for the Diagnosis of Gas- trointestinal Diseases. Diagnostics (Basel, Switzer- land), 11(9), 1575. https://doi.org/10.3390/diag- nostics11091575 Shichijo, S., Nomura, S., Aoyama, K., Nishikawa, Y., Miura, M., Shinagawa, T., Takiyama, H., Tanimoto, T., Ishihara, S., Matsuo, K., & Tada, T. (2017). Appli- cation of Convolutional Neural Networks in the Diagnosis of Helicobacter pylori Infection Based on Endoscopic Images. EBioMedicine, 25, 106– 111. https://doi.org/10.1016/j.ebiom.2017.10.014 Shukla, A., Chaudhary, R., & Nayyar, N. (2024). Rol de la inteligencia artiﬁcial en la cirugía gastrointes- tinal. Artiﬁcial Intelligence in Cancer, 5(2), 97317. https://doi.org/10.35713/aic.v5.i2.97317 Sterne, J. A. C., Savovi?, J., Page, M. J., Elbers, R. G., Blencowe, N. S., Cates, I. J., Cumpston, A. J., Davies, P. S., Higgins, J. P. T., & Churchill, R. A. (2019). RoB 2: A revised tool for assessing risk of bias in randomised trials. BMJ, 366, l4898. Visaggi, P., de Bortoli, N., Barberio, B., Savarino, V., Oleas, R., Rosi, E. M., Marchi, S., Ribolsi, M., & Savarino, E. (2022). Artiﬁcial intelligence in the diagnosis of upper gastrointestinal diseases. Jour- nal of Clinical Gastroenterology, 56(1), 23–35. ht- tps://doi.org/10.1097/MCG.0000000000001629 Wang, P., Berzin, T. M., Glissen Brown, J. R., Bharad- waj, S., Becq, A., Xiao, X., Liu, P., Li, L., Song, Y., Zhang, D., Li, Y., Xu, G., Tu, M., & Liu, X. (2019). Real-time automatic detection system increases colonoscopic polyp and adenoma detection rates: a prospective randomised controlled study. Gut, 68(10), 1813–1819. https://doi.org/10.1136/gut- jnl-2018-317500 Wang, P., Liu, X., Berzin, T. M., Glissen Brown, J. R., Liu, P., Zhou, C., Lei, L., Li, L., Guo, Z., Lei, S., Xiong, F., Wang, H., Song, Y., Pan, Y., & Zhou, G. (2020). Effect of a deep-learning computer-ai- ded detection system on adenoma detection du- ring colonoscopy (CADe-DB trial): a double-blind randomised study. The lancet. Gastroenterology & hepatology, 5(4), 343–351. https://doi.org/10.1016/ S2468-1253(19)30411-X Whiting, P. F., Rutjes, A. W. S., Westwood, M. E., Ma- llett, S., Deeks, J. J., & Reitsma, J. B. (2011). QUA- DAS-2: A revised tool for the quality assessment of diagnostic accuracy studies. Annals of Internal Medicine, 155(8), 529–536. Yangi, K., On, T. J., Xu, Y., Gholami, A. S., Hong, J., Reed, A. G., ... & Preul, M. C. (2025). Artiﬁcial in- telligence integration in surgery through hand and instrument tracking: a systematic literature review. Frontiers in surgery, 12, 1528362. Yu, K. H., Beam, A. L., & Kohane, I. S. (2018). Artiﬁcial intelligence in healthcare. Nature Biomedical Engi- neering, 2(10), 719–731. https://doi.org/10.1038/ s41551-018-0305-z Zhu, Y., Wang, Q. C., Xu, M. D., Zhang, Z., Cheng, J., Zhong, Y. S., Zhang, Y. Q., Chen, W. F., Yao, L. Q., Zhou, P. H., & Li, Q. L. (2019). Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy. Gastrointestinal endos- copy, 89(4), 806–815.e1. https://doi.org/10.1016/j. gie.2018.11.011 PLÚA MARCILLO, W. E. ., VIZUETA ESTRADA, V. A., VACA CORONEL, G. M., & VITERI RUIZ, M. A.

473 RECIMUNDO VOL. 9 N°2 (2025) Anexo Tabla 1. Extracción de Datos Nota: Elaborado por los autores. (2025) Autor(es) Año País de origen Tipo de estudio Tipo de IA implementada Población estudiada Enfermedad digestiva analizada Comparación con métodos convencionales Métricas diagnósticas reportadas Hallazgos principales Baquerizo- Burgos et al. 2023 Ecuador Revisión narrativa IA en endoscopia digestiva No especificado Varias (enfoque en endoscopia) No aplica No especificado La IA mejora la precisión y eficiencia en endoscopia. Shukla et al. 2024 India Revisión IA en cirugía gastrointestinal No especificado Varias (enfoque en cirugía) No aplica No especificado Optimización de procedimientos quirúrgicos con IA. Lewis et al. 2024 Varios Revisión sistemática Aprendizaje profundo y ML Estudios publicados Varias enfermedades digestivas Diagnóstico tradicional Sensibilidad, especificidad La IA supera métodos convencionales en diagnóstico. Peccre et al. 2021 Italia Revisión IA para diagnóstico de enfermedades GI Pacientes con enfermedades GI Varias enfermedades digestivas Métodos tradicionales Exactitud, sensibilidad Mejora en diagnóstico temprano y reducción de errores. Visaggi et al. 2022 Italia Revisión IA en diagnóstico de vías digestivas altas Pacientes con enfermedades GI Enfermedades del tracto superior Endoscopia convencional Sensibilidad, VPP Mayor detección de anomalías en endoscopia. Chevalier et al. 2025 Francia Revisión sistemática IA en cirugía general Estudios publicados Varias enfermedades digestivas No aplica No especificado La IA mejora planificación y precisión quirúrgica. Yangi et al. 2025 EE.UU. Revisión sistemática IA en seguimiento de instrumentos quirúrgicos Estudios publicados Varias enfermedades digestivas Técnicas tradicionales Exactitud, tiempo de procedimiento Optimización de precisión en cirugía. Ouyang & Hu 2023 China Análisis bibliométrico IA en endoscopia y enfermedades digestivas Estudios (1990- 2022) Varias enfermedades digestivas No aplica No especificado Aumento exponencial de publicaciones sobre IA en GI. Dhali et al. 2025 India Meta-análisis IA en cápsula endoscópica Pacientes con lesiones intestinales Enfermedades del intestino delgado Cápsula endoscópica convencional Sensibilidad, especificidad Mayor detección de lesiones con IA. Chan et al. 2022 EE.UU. Revisión Aprendizaje profundo en diagnóstico médico No especificado Varias enfermedades digestivas Diagnóstico tradicional Exactitud, AUC Superioridad del aprendizaje profundo. Hirasawa et al. 2018 Japón Estudio clínico CNN para cáncer gástrico Pacientes con cáncer gástrico Cáncer gástrico Endoscopia convencional Sensibilidad (92.2%), especificidad (95.9%) Alta precisión en detección de cáncer gástrico. Minoda et al. (2022) 2022 Japón Estudio clínico IA en ultrasonido endoscópico Pacientes con tumores GI Tumores del estroma gastrointestinal Diagnóstico tradicional Exactitud diagnóstica (89.5%) Mejora en diagnóstico diferencial. Wang et al. (2019) 2019 China Ensayo aleatorizado Sistema automático de detección de pólipos Pacientes en colonoscopia Pólipos y adenomas Colonoscopia convencional Tasa de detección (29.1% vs 20.3%) Mayor detección de adenomas con IA. Mori et al. (2020) 2020 Japón Análisis de ensayo clínico IA en diagnóstico de pólipos Pacientes en colonoscopia Pólipos colorrectales Diagnóstico tradicional Ahorro de costos (34.8%) Reducción de costos y mejora en eficiencia. Zhu et al. 2019 China Estudio clínico CNN para invasión de cáncer gástrico Pacientes con cáncer gástrico Cáncer gástrico Endoscopia convencional Exactitud (84.7%) Evaluación precisa de profundidad de invasión. Shichijo et al. 2017 Japón Estudio clínico CNN para infección por H. pylori Pacientes con H. pylori Infección por H. pylori Métodos tradicionales Sensibilidad (88.9%), especificidad (87.4%) Diagnóstico no invasivo con alta precisión. Barua et al. 2021 Noruega Revisión sistemática y meta-análisis IA para detección de pólipos Pacientes en colonoscopia Pólipos colorrectales Colonoscopia convencional Sensibilidad (90%), especificidad (85%) La IA aumenta la detección de pólipos pequeños. Minoda et al. (2020) 2020 Japón Estudio piloto IA en cierre de úlceras post- endoscopia Pacientes con úlceras artificiales Úlceras gástricas Técnicas tradicionales Tasa de éxito (92.9%) Seguridad y eficacia de la técnica asistida por IA. Kröner et al. 2021 EE.UU./Países Bajos Revisión IA en gastroenterología general No especificado Varias enfermedades digestivas No aplica No especificado Estado actual y futuro de la IA en gastroenterología. Yu et al. 2018 EE.UU. Revisión IA en salud general No especificado Enfermedades digestivas (entre otras) No aplica No especificado Potencial de la IA para transformar la medicina. Calderaro & Kather 2021 Alemania/Francia Revisión IA en patología de cáncer GI y hepatobiliar Pacientes con cáncer Cáncer gastrointestinal y hepático Patología tradicional Exactitud, concordancia Mejora en diagnóstico histopatológico. APLICACIONES DE LA IA EN EL DIAGNÓSTICO QUIRÚRGICO DE ENFERMEDADES DIGESTIVAS. UNA RE- VISIÓN SISTEMÁTICA