Data heterogénea y sesgo algorítmico en la predicción de resistencia antimicrobiana basada en IA: una revisión sistemática y marco de mitigación

Qué problema aborda

La resistencia antimicrobiana (AMR) se presenta como una de las amenazas más críticas para la salud pública global, contribuyendo a millones de muertes y a una morbilidad significativa en todo el mundo. A pesar de los avances en la aplicación de la inteligencia artificial (IA) y el aprendizaje automático (ML) para la detección y gestión de la AMR, la traducción clínica de estos métodos enfrenta desafíos metodológicos fundamentales.

Qué hicieron los autores

Los autores realizaron una revisión sistemática siguiendo las directrices PRISMA 2020, analizando estudios publicados entre enero de 2020 y abril de 2026 que aplicaron enfoques de IA/ML en la predicción de AMR. Se incluyeron 68 estudios, de los cuales 21 fueron analizados en detalle. Se examinaron diversas modalidades de datos, como la secuenciación de genomas completos (WGS), pruebas de susceptibilidad antimicrobiana (AST) y registros de salud electrónicos (EHR).

Qué encontraron

Los resultados revelaron una heterogeneidad considerable en los estudios, incluyendo variaciones en las modalidades de datos, las poblaciones de pacientes, las prácticas de laboratorio y los contextos geográficos. Aunque muchos modelos mostraron métricas de rendimiento interno robustas, su capacidad de generalización a entornos externos era limitada. Se identificaron varias formas de sesgo, como el sesgo de muestreo y la inconsistencia en las etiquetas, lo que afecta la validez de los modelos. Las estrategias de mitigación demostraron mejoras parciales y dependientes del contexto.

Limitaciones

El texto no detalla las limitaciones específicas del estudio ni el tamaño de la muestra utilizada.

Lectura final

Este artículo pone de manifiesto la necesidad urgente de priorizar la creación de conjuntos de datos globalmente representativos y estandarizados en la investigación sobre AMR. La implementación del marco de mitigación de heterogeneidad propuesto podría ser un paso crucial para abordar los desafíos actuales y mejorar la eficacia de las herramientas de IA en la lucha contra la resistencia antimicrobiana.