Hemos leído con interés el trabajo de Ovalle-Chao et al.1 titulado Rendimiento de los criterios predictivos de la Sociedad Americana de Endoscopía Gastrointestinal en el diagnóstico de coledocolitiasis en un hospital público de segundo nivel del Estado de Nuevo León, México, que tuvo por objetivo validar el rendimiento de los criterios propuestos por la Sociedad Americana de Endoscopia Gastrointestinal (ASGE) para la predicción de coledocolitiasis.

Mediante modelos de inteligencia artificial (IA) es posible desarrollar algoritmos matemáticos que analizan información y crean modelos de predicción que reconozcan patrones de datos con gran precisión. En el contexto del diagnóstico y pronóstico, estos procesos algorítmicos juegan un papel fundamental en el uso de nuevas tecnologías aplicadas a la práctica médica. Según la evidencia, es objetivable que los modelos de la IA tengan la capacidad de clasificar a los pacientes diagnosticados con coledocolitiasis y, respectivamente, permitir el direccionamiento más adecuado hacia un tratamiento eficaz2.

Ovalle-Chao et al.1 lograron corroborar en su estudio el diagnóstico de la coledocolitiasis con una precisión del 64.2%, una sensibilidad del 68.7% y especificidad del 52%. Por su parte, Dalai et al.3, desarrollaron un modelo predictivo de aprendizaje automático que analizó a 270 pacientes con confirmación de diagnóstico de coledocolitiasis por medio de colangioresonancia o ultrasonido, demostrando una precisión del 77%, con una sensibilidad de 77%, especificidad de 75%, VPN de 37% y VPP de 94%, para pronosticar la existencia de coledocolitiasis.

Herrera et al.4, aplicaron un modelo matemático en un estudio que incluía a 94 pacientes, con el fin de pronosticar la presencia de coledocolitiasis contrastado con el modelo establecido por la ASGE, en donde los resultados para alto riesgo de coledocolitiasis indican un VPP de 87.5%, VPN de 57.1%, una sensibilidad de 61%, especificidad de 85.7% y una precisión 70.3%.

A manera de conclusión, dado que la precisión y predicción diagnóstica que se basa en IA es más alta en comparación con otros enfoques, es menester reconocer que la IA es un instrumento útil para la predicción de diagnósticos con alto potencial en la asistencia de la toma de decisiones clínicas. Es imperioso la implementación del machine learning, puesto que mejorará los modelos de predicción clínica y aunarlos a la práctica habitual siempre va a repercutir en enfoques más precisos, menos sobrecostos y un abordaje que está acorde a las dinámicas de cambio global. Se debe incentivar la realización de estudios de caracterización y validación de estos predictores para coledocolitiasis y que las investigaciones futuras puedan acoger en sus metodologías de investigación la IA.