Inteligencia artificial aplicada al diagnóstico temprano de enfermedades crónicas

Abstract

La detección temprana de enfermedades crónicas representa un desafío global debido a su alta carga de morbimortalidad y costos asociados. Problemas como la diabetes mellitus, enfermedades cardiovasculares y cáncer requieren métodos innovadores que superen las limitaciones de los enfoques tradicionales. El objetivo de este estudio fue evaluar los avances recientes en la aplicación de la inteligencia artificial (IA) para el diagnóstico temprano de enfermedades crónicas, identificando oportunidades y desafíos de implementación. La metodología consistió en un diseño observacional, analítico y multicéntrico con cohortes de desarrollo y validación externa, integrando datos multimodales (tabulares, texto clínico e imágenes) y aplicando algoritmos clásicos y de aprendizaje profundo, con métricas de discriminación, calibración y equidad. Los resultados mostraron que los modelos basados en redes profundas superaron a los métodos clásicos, logrando AUROC superiores a 0.90 en diabetes, cardiovascular y cáncer colorrectal, con buena calibración y brechas mínimas entre subgrupos. Se evidenció un aumento de 12 puntos porcentuales en sensibilidad en la detección de adenomas avanzados respecto a la regresión logística, manteniendo especificidad ≥0.80. En conclusión, la IA tiene potencial para transformar la detección temprana de enfermedades crónicas, mejorando la precisión y equidad diagnóstica, aunque su implementación requiere marcos éticos, gobernanza de datos y validaciones prospectivas para garantizar su integración segura y sostenible en los sistemas de salud.The early detection of chronic diseases represents a global challenge due to their high morbidity and mortality burden and associated costs. Problems such as diabetes mellitus, cardiovascular disease, and cancer require innovative methods that overcome the limitations of traditional approaches. The objective of this study was to evaluate recent advances in the application of artificial intelligence (AI) for the early diagnosis of chronic diseases, identifying implementation opportunities and challenges. The methodology consisted of an observational, analytical, and multicenter design with development and external validation cohorts, integrating multimodal data (tabular, clinical text, and images) and applying classical and deep learning algorithms, with discrimination, calibration, and fairness metrics. The results showed that deep network-based models outperformed classical methods, achieving AUROCs greater than 0.90 in diabetes, cardiovascular disease, and colorectal cancer, with good calibration and minimal gaps between subgroups. A 12 percentage point increase in sensitivity was observed for the detection of advanced adenomas compared to logistic regression, while maintaining a specificity of ≥0.80. In conclusion, AI has the potential to transform the early detection of chronic diseases, improving diagnostic accuracy and equity, although its implementation requires ethical frameworks, data governance, and prospective validation to ensure its safe and sustainable integration into healthcare systems.