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 Marcillo1; Lissette Jesenia Navas Suárez2; Glenda Magali Vaca Coronel3; Marvi

Alexander Viteri Ruiz4

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 General; Investigadora Independiente; Guayaquil, Ecuador; lissettenavassuarez@gmail.com; https://orcid.

org/0009-0007-4632-2848

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

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. ., NAVAS SUÁREZ, L. J. ., 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 cientíca, 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-

cial (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 articial,

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 articial

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 ujo 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. ., NAVAS SUÁREZ, L. J. ., 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)

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)

Resultados (3)

3 (Seguimiento adecuado,

métricas claras)

Puntuación total (9)

7 (Buena calidad)

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).

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.

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)

Resultados (3)

3 (Seguimiento adecuado,

métricas claras)

Puntuación total (9)

7 (Buena calidad)

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).

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.

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

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. ., NAVAS SUÁREZ, L. J. ., 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)

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)

Resultados (3)

3 (Seguimiento adecuado,

métricas claras)

Puntuación total (9)

7 (Buena calidad)

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).

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.

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

• 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)

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)

Resultados (3)

3 (Seguimiento adecuado,

métricas claras)

Puntuación total (9)

7 (Buena calidad)

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).

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.

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

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. ., NAVAS SUÁREZ, L. J. ., 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 signicativas.

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. ., NAVAS SUÁREZ, L. J. ., 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. ., NAVAS SUÁREZ, L. J. ., 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. ., Navas Suárez, L. J. ., 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. ., NAVAS SUÁREZ, L. J. ., 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

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

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

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

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 &

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

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

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

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