IA para el diagnóstico del SII: por qué una precisión del 99 % no basta

Según se informa, la IA puede diagnosticar el síndrome del intestino irritable (SII) con una precisión cercana al 99%. Suena a un avance clínico. La evidencia publicada indica algo más limitado: seis estudios heterogéneos de casos y controles, 1.366 participantes en total y ninguna validación externa en una cohorte prospectiva independiente.

Una revisión sistemática de 2025 de Bhagavathula et al. examinó 18.053 registros y encontró solo seis estudios que cumplían sus criterios para el diagnóstico de SII asistido por IA. Esos estudios utilizaron datos del microbioma fecal, compuestos volátiles medidos mediante cromatografía de gases, neuroimagen o actividad de proteasas. El rendimiento que comunicaron osciló de moderado a muy alto; los modelos de bosque aleatorio basados en microbioma fecal informaron las áreas bajo la curva (AUC) más elevadas, de hasta 0,98 a 0,99.

Estas cifras describen experimentos iniciales de desarrollo de modelos, no una prueba diagnóstica lista para una consulta de gastroenterología. La distinción no es una pedantería. Determina si un modelo ayuda a un paciente o lo clasifica con confianza en la categoría equivocada.

Qué mide realmente la cifra del 99%

Los seis estudios sobre SII utilizaron diseños de casos y controles. Los investigadores seleccionaron a personas ya clasificadas como afectadas por SII y las compararon con controles; después, entrenaron y probaron modelos con datos procedentes de esa población de origen. Esto puede responder una pregunta técnica interesante: ¿puede un algoritmo encontrar patrones que separen a estos dos grupos en este conjunto de datos? No puede establecer que el modelo funcionará en un paciente nuevo con dolor abdominal, uso de medicamentos, cambios dietéticos, afecciones superpuestas y un diagnóstico incierto.

La revisión encontró suficiente variación en biomarcadores, arquitecturas de modelos, métodos y calidad de los informes como para que los resultados no pudieran combinarse en un metaanálisis. Un bosque aleatorio entrenado con características del microbioma no es directamente comparable con una máquina de vectores de soporte entrenada con datos de neuroimagen o una red neuronal artificial entrenada con compuestos volátiles. Las evaluaciones de calidad de la revisión, que utilizaron los marcos QUADAS-2, PROBAST-AI y TRIPOD-AI, identificaron una variabilidad metodológica considerable y solicitaron protocolos de validación estandarizados y estudios prospectivos multicéntricos.

Un AUC de 0,99 en una porción reservada de un conjunto de datos de una fuente no significa que una prueba tenga una precisión diagnóstica del 99% en el mundo real.

Lo más importante es que ninguno de los seis estudios utilizó validación externa: probar un modelo terminado en una cohorte de pacientes recopilada por separado. Esta es la comprobación básica de si un modelo aprendió una señal relacionada con el SII en lugar de los hábitos, los métodos de laboratorio, la población local o las peculiaridades accidentales de su conjunto de datos original.

Los conjuntos de datos pequeños se enfrentan a una biología de alta dimensionalidad

Los seis estudios incluyeron en conjunto a 1.366 participantes, o unos 228 por estudio de media. Esa es una base limitada para modelos entrenados con datos de biomarcadores de alta dimensionalidad. La secuenciación del microbioma puede producir cientos o miles de características microbianas candidatas. Un modelo con muchas más entradas potenciales que pacientes puede ajustarse al ruido, especialmente cuando los investigadores ajustan repetidamente el modelo dentro de un conjunto de datos pequeño.

Los bosques aleatorios pueden ser herramientas útiles, pero no convierten una muestra limitada en una grande. Sin validación independiente, un resultado interno llamativo puede reflejar en parte el sobreajuste: el modelo ha aprendido los patrones microbianos de una cohorte, incluidas características no relacionadas con una firma estable de SII.

La geografía añade otro problema. Los estudios procedían del Reino Unido, China y Japón. La composición del microbioma difiere entre poblaciones y dietas habituales, por lo que un modelo desarrollado en un entorno puede no trasladarse bien a otro. Ningún estudio de esta base de evidencia evaluó directamente esa cuestión.

El problema de la dieta baja en FODMAP

Los estudios sobre microbioma impulsan las cifras de precisión que acaparan los titulares, pero el microbioma también responde en gran medida al tratamiento. Una revisión sistemática y metaanálisis de 2025 de Chu et al. incluyó 10 ensayos controlados aleatorizados con 590 participantes y encontró que una dieta baja en FODMAP modificaba las medidas de la microbiota intestinal en comparación con dietas normales. La revisión informó cambios que implicaban a Bifidobacterium y Akkermansia, así como una menor riqueza microbiana general.

Esto importa porque una dieta baja en FODMAP es una intervención dietética de uso habitual para el SII. Si las personas con SII han cambiado su alimentación antes de proporcionar una muestra de heces, un algoritmo puede aprender patrones de exposición a la dieta o de respuesta al tratamiento junto con —en lugar de por separado de— el estado de SII. Los estudios disponibles de IA para el SII no estandarizaron ni controlaron el estado dietético en el momento de la recogida de muestras.

Esto no demuestra que los modelos del microbioma detectaran meramente dietas bajas en FODMAP. Identifica un importante factor de confusión aún no resuelto. Un estudio prospectivo podría abordarlo registrando cuidadosamente la dieta, incluyendo participantes sin tratamiento previo cuando corresponda y probando el modelo en poblaciones independientes. Ninguno de los estudios publicados hizo eso.

Por qué la prevalencia cambia la cuestión clínica

Los conjuntos de datos de casos y controles a menudo contienen números aproximadamente equilibrados de casos y controles. Las consultas no. La revisión describe una prevalencia de SII de aproximadamente el 10% al 15% en el contexto clínico pertinente. Cuando disminuye la prevalencia de la enfermedad, también disminuye el valor predictivo positivo, incluso si la sensibilidad y la especificidad permanecen sin cambios.

Considera una prueba hipotética con un 95% de sensibilidad y un 95% de especificidad utilizada entre 1.000 personas, de las cuales el 10% tiene SII. Identificaría a 95 de las 100 personas con SII, pero también marcaría incorrectamente a 45 de las 900 personas sin SII. Aproximadamente un tercio de los resultados positivos serían falsos positivos. Ese cálculo no describe ningún modelo concreto de IA para el SII; muestra por qué la precisión en conjuntos de datos equilibrados no puede sustituir a una validación clínicamente relevante.

Una revisión de 2023 de Palmieri et al. sobre aplicaciones de IA y macrodatos en medicina de trasplantes analiza la brecha más amplia entre los entornos controlados de desarrollo y el rendimiento en el mundo real. La lección se traslada con cautela, pero directamente: un modelo requiere validación en el entorno donde los clínicos pretenden utilizarlo, con la prevalencia, la combinación de casos y el flujo de trabajo de ese entorno.

El SII tampoco cuenta con un estándar de referencia biológico claro

El SII sigue siendo un diagnóstico definido por síntomas. Los estudios de IA clasificaron los casos utilizando los criterios de Roma, el mismo marco clínico que los modelos, en teoría, complementarían o sustituirían. Esto crea un problema de circularidad. Un modelo puede llegar a ser muy bueno reproduciendo una etiqueta basada en Roma sin demostrar que haya encontrado un diagnóstico biológico más preciso.

El problema es conocido en otros campos del diagnóstico con IA. Una revisión sistemática de 2023 sobre IA para la selección de embriones encontró un rendimiento comparativo prometedor, pero concluyó que el uso clínico requiere más validación. Una revisión de 2022 sobre aprendizaje automático para el trastorno bipolar encontró una heterogeneidad considerable entre los modelos biológicos, clínicos y neuropsicológicos. Estas afecciones difieren del SII, pero ambos ejemplos ilustran la dificultad de convertir métricas de desarrollo impresionantes en decisiones clínicas fiables cuando el diagnóstico objetivo carece de un único biomarcador definitivo.

La IA funciona especialmente bien cuando la tarea tiene un objetivo estable y bien definido, y datos grandes y representativos. Por ejemplo, el sistema de Yan et al. para tuberculosis basado en TC abordó un problema de imagen estructurado. El SII es diferente: es un síndrome definido por síntomas, sus biomarcadores candidatos varían con la dieta y la geografía, y su estándar de referencia es clínico.

¿Qué haría creíble una prueba de IA para el SII?

Un estudio útil incluiría a pacientes consecutivos que acuden con síntomas pertinentes, registraría la dieta y el estado del tratamiento, preespecificaría el modelo y lo validaría prospectivamente en centros y poblaciones independientes. Informaría sensibilidad, especificidad, valores predictivos positivo y negativo, calibración y las consecuencias de los resultados falsos positivos y falsos negativos con una prevalencia realista. También tendría que demostrar que el modelo mejora una decisión importante para el paciente más allá de una evaluación cuidadosa mediante los criterios de Roma y de una valoración adecuada de signos de alarma.

Por ahora, el diagnóstico de SII basado en IA es un tema de investigación, no una herramienta clínica. Las personas con sospecha de SII deberían buscar una evaluación clínica estándar, utilizando los criterios de Roma en contexto y realizando una evaluación adicional cuando los síntomas o las señales de advertencia lo justifiquen. Una prueba estructurada de dieta baja en FODMAP puede ayudar a algunos pacientes, pero también debería hacer que los investigadores sean más cautelosos al tratar el microbioma fecal como una huella fija de enfermedad. La literatura actual contiene seis conjuntos de datos piloto, no una prueba de que un algoritmo pueda diagnosticar el SII en condiciones reales.