Transparencia y validez de las aplicaciones de inteligencia artificial en la diabetes pediátrica: una revisión...

Área de la Ciencia:

• Endocrinología pediátrica
• La informática médica
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La inteligencia artificial (IA) ofrece avances potenciales en el tratamiento de la diabetes pediátrica.
• La adopción clínica de herramientas de IA está actualmente limitada por preocupaciones con respecto a la transparencia y la validez.
• Las evaluaciones sistemáticas de la transparencia y la validez de la IA en este campo son escasas.

Objetivo del estudio:

• Revisar sistemáticamente la transparencia y la validez de las aplicaciones de IA utilizadas en el tratamiento de la diabetes pediátrica.
• Evaluar el rigor metodológico, las normas de presentación de informes y la preparación clínica de los estudios de IA existentes.
• Identificar las lagunas y proporcionar recomendaciones para el futuro desarrollo e implementación de la IA en la diabetes pediátrica.

Principales métodos:

• Revisión sistemática siguiendo las directrices de PRISMA 2020.
• Se ha buscado en las principales bases de datos científicas (Scopus, PubMed, IEEE Xplore, Web of Science, Embase).
• Se incluyeron 10 estudios sobre la IA en la diabetes pediátrica, evaluando la transparencia, la validación y el riesgo de sesgo (QUADAS-2).

Principales resultados:

• Las aplicaciones de IA abarcaron la predicción de la glucosa, el riesgo de hipoglucemia y la dosificación de insulina.
• La transparencia varió, con solo el 60% revelando detalles del algoritmo.
• La validación externa estuvo presente en solo el 30% de los estudios, y el 40% tenía preocupaciones con respecto al riesgo de sesgo.
• Se observaron limitaciones de opacidad algorítmica y pequeñas cohortes de validación.

Conclusiones:

• La IA tiene un potencial significativo para el manejo de la diabetes pediátrica.
• La transparencia incoherente y la validación insuficiente impiden la traducción clínica.
• La investigación futura debe centrarse en informes estandarizados, validación multicéntrica y poblaciones diversas para garantizar la confiabilidad y equidad de la IA.