https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
954
Artículo de revisión
Uso de la inteligencia artificial en la detección temprana de
complicaciones postoperatorias
Use of artificial intelligence in the early detection of postoperative
complications
Jhofre Vinicio Prado Quilambaqui*
Universidad Regional Autónoma de los
Andes
Ambato - Ecuador
ua.jhofreprado@uniandes.edu.ec
https://orcid.org/0000-0001-5858-9602
María Augusta Chafla Romero
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
augusta.chafla@espoch.edu.ec
https://orcid.org/0000-0003-0344-5526
*Correspondencia:
ua.jhofreprado@uniandes.edu.ec
Cómo citar este artículo:
Prado, J., & Chafla, M. (2026). Uso de la
inteligencia artificial en la detección temprana
de complicaciones postoperatorias. Esprint
Investigación, 5(1), 954-963.
https://doi.org/10.61347/ei.v5i1.311
Recibido: 1 de mayo de 2026
Aceptado: 4 de junio de 2026
Publicado: 10 de junio de 2026
Resumen: La detección temprana de complicaciones postoperatorias constituye un
desafío crítico en la atención quirúrgica debido al elevado número de variables clínicas y
fisiológicas involucradas y las limitaciones de los métodos tradicionales. El objetivo de
esta
revisión fue sintetizar la evidencia científica reciente sobre la aplicación de
inteligencia artificial (IA) para anticipar eventos adversos postquirúrgicos y evaluar su
impacto en la seguridad, recuperación y resultados clínicos de los pacientes. Se realizó
una revisión bibliográfica de estudios publicados entre 2020 y 2026 en bases de datos
como PubMed, Scopus, SciELO y Web of Science, incluyendo investigaciones
observacionales, revisiones sistemáticas y estudios de desarrollo de modelos predictivos
centrados en aprendizaje automático, redes neuronales y visión computarizada. Los
hallazgos muestran que los modelos predictivos, incluidos XGBoost, algoritmos de
ensamble y redes neuronales profundas, permiten anticipar complicaciones críticas como
sepsis, insuficiencia renal aguda, eventos cardiovasculares, náuseas y vómitos, ingreso a
UCI y mortalidad, optimizando la estratificación de riesgo, la monitorización continua y
la toma de decisiones clínicas basadas en evidencia (Ren et al., 2025; Glebov et al., 2023;
Melibayeva & Axmadaliyeva, 2026). La integración de estas tecnologías con protocolos
estandarizados y validación multicéntrica es esencial para garantizar un uso seguro,
confiable y eficiente, y en conjunto, la inteligencia artificial ofrece un enfoque más seguro,
personalizado y efectivo para la recuperación postoperatoria, contribuyendo a reducir
complicaciones, optimizar recursos y mejorar los resultados clínicos en cirugía.
Palabras clave: Aprendizaje automático, complicaciones postoperatorias, inteligencia
artificial, predicción clínica, redes neuronales.
Abstract:
Early detection of postoperative complications remains a critical challenge in surgical
care due to the high number of clinical and physiological variables involved and the limitations of
conventional monitoring methods. This review aimed to synthesize recent scientific evidence on
the application of artificial intelligence (AI) for predicting adverse postoperative events and to
evaluate its impact on patient safety, recovery, and clinical outcomes. A bibliographic review was
conducted of studies published between 2020 and 2026 in PubMed, Scopus, SciELO, and Web of
Science, including observational studies, systematic reviews, and model development studies
focused on machine learning, neural networks, and computer vision. Predictive models, including
XGBoost, ensemble algorithms, and deep neural networks, demonstrated the ability to anticipate
critical complications such as sepsis, acute kidney injury, cardiovascular events, nausea and
vomiting, ICU admission, and mortality. These models enhanced risk stratification, continuous
patient monitoring, and evidence-based clinical decision-making. Integration with standardized
protocols and multicenter validation proved essential for ensuring reliable and effective
implementation across different surgical contexts. Overall, AI provides a safer, more personalized,
and efficient approach to postoperative care, supporting timely interventions, reducing adverse
outcomes, optimizing resource allocation, and improving overall surgical recovery.
Keywords: Artificial intelligence, clinical prediction, machine learning, neural networks,
postoperative complications.
Copyright: Derechos de autor 2026 Jhofre
Vinicio Prado Quilambaqui, María Augusta
Chafla Romero.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 955
1. Introducción
La detección temprana de complicaciones postoperatorias continúa siendo un desafío crítico en los
sistemas de salud debido a la complejidad de los factores clínicos involucrados y las limitaciones de
los métodos tradicionales de vigilancia. Aunque la inteligencia artificial (IA) ha demostrado capacidad
para analizar grandes volúmenes de datos clínicos, biométricos e imágenes médicas con el fin de
anticipar eventos adversos, su implementación actual sigue siendo limitada y heterogénea. Esta
situación dificulta la identificación oportuna de complicaciones, incrementando el riesgo de reingresos
hospitalarios, prolongación de la recuperación y afectación de la calidad de vida de los pacientes
(Triviño et al., 2026).
Las complicaciones postoperatorias representan un problema de salud pública debido a su impacto
en la morbimortalidad, los costos sanitarios y la extensión de la estancia hospitalaria. Una proporción
significativa de pacientes sometidos a procedimientos quirúrgicos desarrolla alguna complicación
durante el período de recuperación, incluyendo infecciones, alteraciones en la cicatrización, eventos
cardiovasculares, insuficiencia respiratoria y otras afecciones sistémicas que pueden comprometer la
evolución clínica. (Ricciardi et al., 2025; Morales et al., 2025).
La identificación temprana de estas complicaciones es esencial para reducir el riesgo de secuelas,
reintervenciones y reingresos hospitalarios. Los métodos convencionales dependen de la
interpretación manual de múltiples variables fisiológicas y clínicas, lo que puede retrasar la detección
de eventos adversos, especialmente en pacientes con cuadros complejos o múltiples factores de riesgo.
(Verdugo-Velázquez et al., 2024).
En este contexto, la inteligencia artificial ha emergido como una herramienta innovadora para la
atención perioperatoria y postoperatoria. Mediante técnicas como aprendizaje automático, aprendizaje
profundo y redes neuronales artificiales, es posible analizar datos clínicos, imágenes médicas, registros
electrónicos y parámetros fisiológicos en tiempo real, generando modelos predictivos capaces de
anticipar eventos adversos antes de su manifestación clínica. (Domínguez & Andrade-Alegre, 2023;
Mazzilli et al., 2026).
Entre las aplicaciones más relevantes se encuentran algoritmos para predicción de complicaciones
quirúrgicas, sistemas de monitoreo inteligente en unidades de cuidados intensivos, evaluación
automatizada de imágenes diagnósticas, gestión del dolor postoperatorio y herramientas de visión
computarizada para la detección anatómica y emisión de alertas de riesgo en tiempo real. Estas
aplicaciones optimizan la toma de decisiones médicas, mejoran la seguridad del paciente y fortalecen
la calidad de la atención sanitaria. (Montero & Barzallo, 2023; Anchatuña et al., 2025; Borja-Aguilar et
al., 2025).
A pesar de los avances, la implementación de la inteligencia artificial enfrenta desafíos relacionados
con la calidad y disponibilidad de los datos, la validación clínica de los modelos, la interoperabilidad
de los sistemas y aspectos éticos asociados. Además, la heterogeneidad metodológica limita la
generalización de resultados y la adopción de protocolos estandarizados en distintos entornos
hospitalarios. (Castillo-Medina et al., 2025).
Por ello, se hace necesaria una revisión bibliográfica que sintetice la evidencia científica actual sobre
el uso de inteligencia artificial en la detección temprana de complicaciones postoperatorias. El objetivo
de esta revisión es identificar las principales aplicaciones, beneficios, limitaciones y perspectivas
futuras de la IA para mejorar la seguridad del paciente y optimizar los resultados clínicos en cirugía.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 956
2. Metodología
La presente investigación se desarrolló mediante una revisión bibliográfica destinada a sintetizar la
evidencia científica reciente sobre el uso de la inteligencia artificial en la detección temprana de
complicaciones postoperatorias. Este enfoque permitió integrar hallazgos provenientes de estudios con
diferentes diseños metodológicos, incluyendo investigaciones observacionales, estudios de desarrollo
y validación de modelos predictivos, revisiones sistemáticas, artículos de revisión y documentos
técnicos relacionados con la aplicación de algoritmos de inteligencia artificial en el ámbito quirúrgico
y perioperatorio.
Se consultaron bases de datos científicas de amplio reconocimiento en ciencias de la salud, tales
como PubMed, Scopus, SciELO, Web of Science y Google Scholar. Además, se consideraron
documentos publicados por organizaciones e instituciones relacionadas con la seguridad del paciente,
la cirugía y la inteligencia artificial aplicada a la medicina, debido a su relevancia para el análisis del
tema.
Para la búsqueda bibliográfica se utilizaron términos en español e inglés relacionados con la
temática, incluyendo: artificial intelligence, machine learning, deep learning, postoperative
complications, early detection, predictive models, perioperative medicine, surgical outcomes, risk
prediction, inteligencia artificial, complicaciones postoperatorias, detección temprana, modelos
predictivos y cirugía. Los términos fueron combinados mediante operadores booleanos (AND y OR)
para optimizar la recuperación de estudios pertinentes.
La selección de los documentos se realizó mediante criterios de inclusión y exclusión previamente
establecidos. Se incluyeron artículos publicados entre 2020 y 2026, escritos en inglés o español,
disponibles en texto completo y relacionados con la aplicación de inteligencia artificial para la
predicción, monitoreo o detección temprana de complicaciones postoperatorias. Se excluyeron
publicaciones duplicadas, resúmenes de congresos sin texto completo, estudios no relacionados con el
contexto quirúrgico y documentos que no presentaban información suficiente sobre los métodos o
resultados obtenidos. Los criterios considerados se presentan en la tabla 1.
Tabla 1
Criterios de inclusión y exclusión
Criterios de inclusión Criterios de exclusión
• Publicaciones entre 2020–2026.
•
Artículos científicos, revisiones sistemáticas,
metaanálisis, estudios observacionales y estudios de
validación de modelos predictivos.
•
Estudios relacionados con inteligencia artificial,
aprendizaje automático, aprendizaje profundo y redes
neuronales aplicadas a la detección, predicción o
monitoreo de complicaciones postoperatorias.
•
Estudios enfocados en pacientes sometidos a
procedimientos quirúrgicos y atención perioperatoria.
• Publicaciones disponibles en texto completo.
• Artículos publicados en inglés y español.
• Estudios publicados antes de 2020.
•
Cartas al editor, editoriales, opiniones, comentarios y
resúmenes de congresos sin texto completo.
• Investigaciones no relacionadas con el ámbito quirúrgico o
con complicaciones postoperatorias.
•
Estudios centrados exclusivamente en aplicaciones no
clínicas de la inteligencia artificial.
• Documentos con información metodológica insuficiente o
acceso restringido al contenido completo.
• Publicaciones en idiomas distintos al inglés y español.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 957
La selección de la literatura se llevó a cabo mediante una lectura crítica y análisis cualitativo de los
estudios incluidos, organizando la información en categorías temáticas relacionadas con las
aplicaciones de la inteligencia artificial, los modelos predictivos utilizados, los tipos de complicaciones
postoperatorias evaluadas, el desempeño de los algoritmos y las principales limitaciones reportadas.
Los hallazgos se sistematizaron en tablas y matrices de análisis, lo que permitió estructurar los
resultados en torno a las tecnologías empleadas, su eficacia en la detección temprana de
complicaciones y las perspectivas futuras para su implementación en la práctica clínica.
Dado que esta investigación se fundamentó exclusivamente en fuentes secundarias de información
científica, no se requirió la aprobación de un comité de ética. No obstante, se garantizó el rigor
metodológico y la integridad académica mediante la selección de literatura proveniente de fuentes
confiables, el uso adecuado de citas y referencias bibliográficas, así como la presentación objetiva y fiel
de los resultados reportados en los estudios analizados.
3. Resultados
La tabla 2 presenta las principales aplicaciones de la inteligencia artificial (IA) en la detección temprana
de complicaciones postoperatorias. Los estudios incluidos evidenciaron que los algoritmos de
aprendizaje automático, redes neuronales artificiales y técnicas de visión computarizada fueron
aplicados para predecir infecciones, sepsis, complicaciones respiratorias y otros eventos adversos
durante el período postoperatorio. En conjunto, los hallazgos indican que la IA constituye una
herramienta prometedora para fortalecer el monitoreo clínico, mejorar la precisión diagnóstica y
favorecer intervenciones oportunas, contribuyendo a reducir la morbimortalidad y optimizar la
recuperación de los pacientes.
Tabla 2
Principales aplicaciones de la inteligencia artificial en la detección temprana de complicaciones postoperatorias
Autor Aplicación de IA Descripción Evidencia / Hallazgo Beneficio clínico
Hassan et al.
(2022)
Predicción de
complicaciones
postoperatorias
generales
Modelos de aprendizaje automático
entrenados con variables
demográficas, clínicas, quirúrgicas
y perioperatorias para estimar
riesgo de eventos adversos tras
cirugía
AUROC >0,90 para
diversas
complicaciones
Identificación de pacientes
intervenciones preventivas
Jiang et al. (2025)
Predicción de
complicaciones en
cirugía de columna
metastásica
Plataforma basada en XGBoost para
analizar factores clínicos y
quirúrgicos asociados a eventos
adversos
Mayor precisión
predictiva que otros
modelos
quirúrgicas
seguimiento postoperatorio
Ren et al. (2025)
Predicción de
ingreso a UCI,
ventilación
mecánica y
mortalidad
Modelos predictivos a partir de
grandes bases de datos quirúrgicas
AUROC entre 0,92–0,95
para desenlaces clínicos
recursos y preparación de
equipos clínicos
Glebov et al.
(2023)
Predicción de
náuseas y vómitos
postoperatorios
Algoritmos ensemble integrando
características clínicas,
farmacológicas y anestésicas
Precisión ~84 % en
detección temprana
postquirúrgica
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 958
Shen et al. (2024)
Predicción de
complicaciones en
cirugía cardíaca
Modelo de aprendizaje profundo
(surgVAE) para múltiples variables
clínicas
Desempeño superior a
métodos tradicionales
complicaciones complejas y
monitoreo intensivo
Borja-Aguilar et al.
(2025)
Monitoreo
inteligente en
cuidados intensivos
Sistemas de IA para análisis
continuo de signos vitales y
parámetros clínicos
Capacidad de detectar
deterioro clínico antes
que métodos
convencionales
adversos graves
Melibayeva &
Axmadaliyeva
(2026)
Predicción de sepsis
y complicaciones
sistémicas
Integración de datos fisiológicos,
biomarcadores y registros clínicos
en tiempo real
Identificación de alto
riesgo antes de
manifestaciones clínicas
asociada a sepsis y mejora
tratamiento
Gu et al. (2025)
Análisis
automatizado de
imágenes médicas
Uso de visión computarizada y
aprendizaje profundo en imágenes
diagnósticas
Mejora significativa de
precisión diagnóstica
seguimiento objetivo de la
evolución clínica
Mevik et al. (2026)
Evaluación integral
de riesgos
quirúrgicos
Revisión de modelos de IA para
predicción de complicaciones y
reingresos
Altos niveles de
sensibilidad y
especificidad
personalizada
Tong et al. (2024)
Optimización
predictiva en cirugía
cardíaca pediátrica
Comparación de cinco algoritmos
supervisados
Identificación del
algoritmo más eficiente
quirúrgica y reduce riesgos
en cirugía pediátrica
Pantelis et al.
(2025)
Predicción de
complicaciones en
cirugía bariátrica
Revisión de modelos de ML
aplicados a cirugía metabólica
Mejora estratificación
del riesgo
postoperatoria
Los estudios revisados demostraron que la IA permite transformar grandes volúmenes de datos
clínicos en información útil para la toma de decisiones. Los modelos predictivos identificaron patrones
complejos que los métodos convencionales suelen pasar por alto, favoreciendo una detección más
temprana de eventos adversos. La estratificación del riesgo quirúrgico se consolidó como una de las
aplicaciones más relevantes, permitiendo clasificar a los pacientes según la probabilidad de desarrollar
complicaciones y facilitando la implementación de estrategias preventivas y la asignación eficiente de
recursos hospitalarios.
En relación con complicaciones específicas, la evidencia mostró resultados positivos en la predicción
de sepsis, infecciones del sitio quirúrgico, eventos cardiovasculares, insuficiencia respiratoria, ingreso
a UCI y mortalidad postoperatoria. La detección anticipada de estos eventos contribuyó a reducir
retrasos diagnósticos y permitió intervenciones terapéuticas oportunas. La incorporación de sistemas
inteligentes y análisis automatizado de imágenes médicas amplió las aplicaciones de la IA más allá de
los modelos predictivos tradicionales, aportando información complementaria para el seguimiento
clínico y la evaluación de la recuperación.
El desarrollo de herramientas basadas en visión computarizada amplió las aplicaciones de la IA
más allá de los modelos predictivos tradicionales, permitiendo la identificación de alteraciones
anatómicas y funcionales relacionadas con complicaciones postoperatorias, aportando información
complementaria para el seguimiento clínico y la evaluación de la recuperación. La tabla 3 resume las
principales tecnologías de IA utilizadas en la detección temprana de complicaciones postoperatorias,
destacando características, ventajas y limitaciones en distintos escenarios clínicos.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 959
Tabla 3
Tecnologías de inteligencia artificial utilizados para la detección temprana de complicaciones postoperatorias
Autor Tecnología
Características
principales
Aplicación
postoperatoria
Ventajas Limitaciones
Ricciardi et al.
(2025)
Machine
Learning
Analiza variables
clínicas, quirúrgicas y
perioperatorias
Predicción temprana de
complicaciones
postoperatorias
generales
Alta precisión en
estratificación del
riesgo
Requiere bases de
datos amplias y bien
estructuradas
Verdugo-
Velázquez et al.
(2024)
Sistemas
inteligentes de
monitoreo
Integran información
clínica y fisiológica en
tiempo real
Vigilancia continua
durante recuperación
postoperatoria
Facilita detección
precoz de
deterioro clínico
Dependencia de la
calidad de los
registros clínicos
Domínguez &
Andrade-Alegre
(2023)
Redes
neuronales
artificiales
Procesan grandes
volúmenes de datos
clínicos para identificar
relaciones complejas
Predicción de eventos
adversos posteriores a
procedimientos
quirúrgicos
Capacidad para
detectar patrones
no lineales
Limitada
interpretabilidad
Mohammadi et al.
(2024)
Machine
Learning
Modelos supervisados
entrenados con datos
perioperatorios
Predicción de
complicaciones tras
cirugía cardíaca
congénita
Alta precisión en
estimación de
riesgo
Necesidad de datos
completos y
confiables
Tong et al. (2024)
Machine
Learning
comparativo de
cinco algoritmos
Comparación de
distintos algoritmos
supervisados
Predicción de
desenlaces adversos
postoperatorios en
cirugía cardíaca
pediátrica
Permite
seleccionar el
algoritmo más
eficiente
Requiere ajuste para
cada tipo de cirugía
Pantelis et al. (2025)
Machine
Learning para
cirugía bariátrica
Revisión de modelos de
predicción
Prevención de eventos
adversos tras cirugía
metabólica
Mejora
estratificación del
riesgo
Limitada
generalización entre
hospitales
Mohamedahmed et
al. (2025)
Meta-
análisis de
Machine
Learning
Integración de
resultados de múltiples
estudios sobre IA
postoperatoria
Predicción de
complicaciones tras
cirugía colorrectal
Confirma
robustez de
modelos
predictivos
Dependencia de
calidad de los
estudios
Yuan et al. (2025)
Redes
neuronales
profundas
multitarea
Predicción dinámica de
múltiples desenlaces
clínicos
Mortalidad y
complicaciones a 30
días tras cirugía
abdominal
Permite
actualización
continua del
riesgo
Requiere
infraestructura
computacional
avanzada
Los resultados demuestran que la IA permite predecir tempranamente eventos adversos, como
sepsis, insuficiencia renal aguda, complicaciones cardiovasculares, náuseas y vómitos postoperatorios,
ingreso a UCI y mortalidad. Cada tecnología exhibió ventajas particulares: los modelos de ensamble
destacaron por precisión y robustez, las redes neuronales profundas multitarea permitieron predecir
múltiples desenlaces simultáneamente, y los sistemas de monitorización inteligente ofrecieron
seguimiento continuo en tiempo real.
Finalmente, los enfoques de machine learning explicable facilitaron la interpretación de factores de
riesgo asociados a complicaciones específicas, promoviendo decisiones clínicas fundamentadas y
oportunas. La evidencia resalta que la selección del algoritmo y la tecnología adecuada dependió del
tipo de complicación, contexto quirúrgico y disponibilidad de datos clínicos, subrayando la necesidad
de validaciones adicionales y estandarización para su implementación efectiva en la práctica
postoperatoria.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 960
4. Discusión
Los hallazgos de esta revisión demuestran que la inteligencia artificial (IA) constituye una herramienta
prometedora para la predicción y detección temprana de complicaciones postoperatorias. Los modelos
de aprendizaje automático, XGBoost y sistemas de ensamble permitieron clasificar a los pacientes
según la probabilidad de desarrollar eventos adversos, facilitando la identificación de individuos de
alto riesgo y la implementación de intervenciones preventivas oportunas (Ricciardi et al., 2025;
Domínguez & Andrade-Alegre, 2023).
En relación con complicaciones específicas, los algoritmos revisados predijeron sepsis, insuficiencia
renal aguda, alteraciones cardiovasculares, náuseas y vómitos postoperatorios, ingreso a UCI y
mortalidad. La integración de múltiples variables clínicas y fisiológicas incrementó significativamente
la precisión predictiva en escenarios complejos, favoreciendo intervenciones tempranas que redujeron
la morbilidad y optimizaron la utilización de recursos hospitalarios (Ren et al., 2025; Glebov et al., 2023;
Shen et al., 2025; Mohammadi et al., 2024; Pantelis et al., 2025).
Asimismo, los sistemas de monitorización continua en tiempo real demostraron eficacia para
detectar deterioro clínico antes de la manifestación de signos evidentes, generando alertas que
orientaron decisiones inmediatas y reforzaron la seguridad del paciente. La visión computarizada y el
análisis automatizado de imágenes médicas permitieron identificar de manera objetiva alteraciones
anatómicas y funcionales asociadas a complicaciones postoperatorias, complementando la evaluación
clínica tradicional y aumentando la efectividad en la gestión del riesgo postoperatorio (Verdugo-
Velázquez et al., 2024; Gu et al., 2025; Mevik et al., 2026; Mohamedahmed et al., 2025; Yuan et al., 2025).
No obstante, persisten desafíos importantes para la implementación de estas tecnologías,
incluyendo la calidad y disponibilidad de los datos, la interoperabilidad de los sistemas y la
interpretabilidad de los modelos, especialmente en aprendizaje profundo. Además, ningún algoritmo
por sí solo puede predecir todas las complicaciones, lo que subraya la necesidad de enfoques integrales
y combinados, desarrollo de protocolos estandarizados, validación en cohortes multicéntricas y
evaluación de impacto a largo plazo (Borja-Aguilar et al., 2025; Melibayeva & Axmadaliyeva, 2026).
En conjunto, los resultados de esta revisión refuerzan la relevancia de la inteligencia artificial como
herramienta complementaria al juicio clínico, mejorando la predicción de complicaciones, optimizando
la gestión de recursos y fortaleciendo la seguridad del paciente durante la recuperación postoperatoria.
Se recomienda continuar con estudios multicéntricos y ensayos prospectivos para validar modelos,
estandarizar metodologías y garantizar un uso seguro, confiable y eficiente de la IA en entornos
clínicos reales.
5. Limitaciones
Esta revisión narrativa presenta varias limitaciones importantes que deben considerarse al interpretar
los resultados. En primer lugar, al no tratarse de una revisión sistemática, existe un riesgo potencial de
sesgo en la selección de estudios y en la cobertura de la literatura disponible. Además, la
heterogeneidad metodológica de las investigaciones incluidas, tanto en el tipo de algoritmos utilizados
como en las complicaciones postoperatorias evaluadas, dificulta comparaciones directas entre los
estudios. Esto limita la capacidad de generalizar hallazgos y establecer patrones consistentes.
La revisión se basó exclusivamente en fuentes secundarias, por lo que no fue posible evaluar la
calidad de los datos primarios más allá de lo reportado por los autores. Algunas investigaciones
recientes presentan cohortes reducidas, seguimientos cortos o validación limitada, lo que restringe la
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 961
capacidad de extraer conclusiones firmes sobre la eficacia y generalización de los modelos en distintos
contextos quirúrgicos. Debido a la rápida evolución de la inteligencia artificial en cirugía y cuidado
postoperatorio, es posible que estudios publicados después del período de búsqueda no hayan sido
incorporados, lo que podría afectar la actualización y cobertura completa de la evidencia científica.
6. Conclusiones
La inteligencia artificial se consolida como una herramienta estratégica para la detección temprana de
complicaciones postoperatorias, facilitando la identificación de pacientes de alto riesgo y apoyando la
toma de decisiones clínicas fundamentadas. Los modelos de aprendizaje automático, aprendizaje
profundo y sistemas de monitorización inteligente demostraron eficacia en la predicción de eventos
críticos, incluyendo sepsis, insuficiencia renal aguda, complicaciones cardiovasculares, náuseas y
vómitos postoperatorios, ingreso a UCI y mortalidad, optimizando tanto la seguridad del paciente como
la eficiencia de los recursos hospitalarios (Ren et al., 2025; Glebov et al., 2023; Mohammadi et al., 2024).
No obstante, ningún algoritmo por sí solo puede predecir todas las complicaciones, por lo que la
combinación de tecnologías y su integración en la práctica clínica resultan esenciales para maximizar
la utilidad de la inteligencia artificial. La evidencia revisada resalta la necesidad de protocolos
estandarizados, validación multicéntrica y modelos explicables, garantizando una implementación
confiable y consistente en distintos entornos quirúrgicos (Pantelis et al., 2025; Melibayeva &
Axmadaliyeva, 2026).
En conjunto, la incorporación de inteligencia artificial en el ámbito postoperatorio ofrece un enfoque
más seguro, personalizado y eficiente, promoviendo una recuperación más rápida, reduciendo la
incidencia de desenlaces adversos y consolidando su rol como componente estratégico en la medicina
perioperatoria moderna. Estos hallazgos subrayan la relevancia de continuar investigando, validando
y estandarizando modelos predictivos, con el objetivo de fortalecer la atención clínica y optimizar los
resultados quirúrgicos.
Referencias
Anchatuña, D., Llangarí, J., Calero, M., & Flores, J. (2025). Visión computarizada en cirugía
laparoscópica: detección anatómica y alertas de riesgo en tiempo real mediante IA.
RECIMUNDO, 9(2), 1006–1013. https://recimundo.com/index.php/es/article/view/2725
Borja-Aguilar, M., Trejo-Carvajal, L., & Cambizaca-Mora, G. (2025). Enfermería e inteligencia artificial
en la Unidad de Cuidados Intensivos. Revisión sistemática integrativa. Revista Científica
Zambos, 4(2), 54–70. https://doi.org/10.69484/rcz/v4/n2/108
Castillo-Medina, A., Calleja-Zardain, R., Kewalramani, D., Narayan, M., & Mayol, J. (2025). Inteligencia
artificial como herramienta de la cirugía global en América Latina. Revista Colombiana de Cirugía,
40(1), 25–32. https://doi.org/10.30944/20117582.2622
Domínguez, S., & Andrade-Alegre, R. (2023). Red neural artificial para predecir factores de riesgo
asociados a complicaciones postoperatorias secundarias al tratamiento del neumotórax. Revista
Colombiana de Cirugía, 38(3), 439–446. https://doi.org/10.30944/20117582.2225
Glebov, M., Lazebnik, T., Orkin, B., Berkenstadt, H., & Bunimovich-Mendrazitsky, S. (2023). Predicting
postoperative nausea and vomiting using machine learning: A model development and
validation study. arXiv. https://doi.org/10.48550/arXiv.2312.01093
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 962
Gu, H., Chen, Y., Lee, J., Schaps, D., Woody, R., Colglazier, R., Mazurowski, M. A., & Mantyh, C. (2025).
Improving surgical risk prediction through integrating automated body composition analysis:
A retrospective trial on colectomy surgery. arXiv. https://doi.org/10.48550/arXiv.2506.11996
Hassan, A. M., Rajesh, A., …, & Butler, C. E. (2022). Artificial intelligence and machine learning in
prediction of surgical complications: Current state, applications, and implications. The American
Surgeon, 89(1), 25–30. https://doi.org/10.1177/00031348221101488
Jiang, W., Zhang, J., Shi, W., Cao, X., Zhao, X., Zhang, B., … & Liu, Y. (2025). An artificial intelligence
platform for predicting postoperative complications in metastatic spinal surgery: development
and validation study. Journal of Big Data, 12(1), 120. https://doi.org/10.1186/s40537-025-01155-0
Mazzilli, D., Sánchez, M., Llangari, A., & Yagual, G. (2026). Importancia de la imagenología en el
diagnóstico y seguimiento de complicaciones postquirúrgicas en pacientes críticos.
RECIMUNDO, 10(1), 754–761. https://doi.org/10.26820/recimundo/10.(1).enero.2026.754-761
Melibayeva, F., & Axmadaliyeva, G. (2026). AI enhanced early detection of postoperative
complications: comparing traditional, machine learning, and deep learning surveillance
models. Journal of Clinical and Biomedical Research, 2(1), 223–230.
https://medjournal.it.com/index.php/jcbr/article/view/89
Mevik, K., Woldaregay, A., Jonsson, E., Tejedor, M., & Temple-Oberle, C. (2026). Application of AI
models for preventing surgical complications: scoping review of clinical readiness and barriers
to implementation. JMIR AI, 5, e75064. https://ai.jmir.org/2026/1/e75064
Mohamedahmed, A., Zaman, S., Agrof, M., Adam, M., Husain, N., & Yassin, N. (2025). Systematic
review and meta-analysis of the role of machine learning in predicting postoperative
complications following colorectal surgery: how far has machine learning come?. International
Journal of Surgery, 111(11), 8550–8562. https://doi.org/10.1097/js9.0000000000003067
Mohammadi, I., Rajai, S., Hosseinpour, M., Akhlaghpasand, M., Hajikarimloo, B., Zeraatian-Nejad, S.,
& Sardari, P. (2024). Using artificial intelligence to predict post-operative outcomes in
congenital heart surgeries: a systematic review. BMC Cardiovascular Disorders, 24(1), 718.
https://doi.org/10.1186/s12872-024-04336-6
Montero, F., & Barzallo, L. (2023). Aplicación de la inteligencia artificial en la gestión del dolor en
pacientes postoperatorios: Revisión bibliográfica. Salud ConCiencia, 2(2), e22–e22.
https://n9.cl/lzwdqv
Morales, H., Astudillo, B., Oviedo, E., & Remache, J. (2025). Hacia un modelo de seguridad quirúrgica:
prevención integral de errores operatorios y diagnóstico. Pro Sciences: Revista de Producción,
Ciencias e Investigación, 9(58), 551–567. https://n9.cl/8bh6p
Pantelis, A., Epiphaniou, P., & Lapatsanis, D. (2025). Machine learning and artificial intelligence for
predicting short and long-term complications following metabolic bariatric surgery-a systematic
review. Artificial Intelligence Surgery, 5(3), 322–344. https://doi.org/10.20517/ais.2024.104
Ren, Y., Adiyeke, E., Guan, Z., Hu, Z., Meni, M. J., Shickel, B., Rashidi, P., Ozrazgat-Baslanti, T., &
Bihorac, A. (2025). Validation of the MySurgeryRisk algorithm for predicting complications and
death after major surgery: A retrospective multicenter study using OneFlorida Data Trust.
arXiv. https://doi.org/10.48550/arXiv.2506.21814
Ricciardi, G., Cirillo, J., Pons, R., Romero, L., López, F., & Manríquez, A. (2025). Uso de inteligencia
artificial para predecir complicaciones en cirugías de columna toracolumbar degenerativa:
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (954-963)
ISSN: 2960-8317
Jhofre Vinicio Prado Quilambaqui, María Augusta Chafla Romero 963
Revisión sistemática. Revista Española de Cirugía Ortopédica y Traumatología, 69(5), 446–460.
https://doi.org/10.1016/j.recot.2025.02.007
Shen, J., Xue, B., Kannampallil, T., Lu, C., & Abraham, J. (2024). A novel generative multi-task
representation learning approach for predicting postoperative complications in cardiac surgery
patients. Journal of the American Medical Informatics Association, 32(3), 459–469.
https://doi.org/10.1093/jamia/ocae316
Tong, C., Du, X., Chen, Y., Zhang, K., Shan, M., Shen, Z., … & Zheng, J. (2024). Machine learning
prediction model of major adverse outcomes after pediatric congenital heart surgery: a
retrospective cohort study. International Journal of Surgery, 110(4), 2207–2216.
https://doi.org/10.1097/JS9.0000000000001112
Triviño, D., Garnica, K., Canales, G., Gaibor, J., & Mantilla, I. (2026). Modelos predictivos con IA para
complicaciones dermatológicas y sistémicas y su impacto de la salud gastrointestinal en la
recuperación post-quirúrgica y traumatología. ASCE Magazine, 5(1), 1296–1310.
https://doi.org/10.70577/asce.v5i1.644
Verdugo-Velázquez, F., Hernández-Badillo, L., Reyes-Rojas, J., & Garduño-López, A. (2024).
Inteligencia artificial, la nueva herramienta en la medicina perioperatoria y en el manejo del
dolor postoperatorio. Revista Mexicana de Anestesiología, 47(4), 291–295.
https://doi.org/10.35366/116239
Yuan, J., Jin, Y., Xiang, J., Li, S., Zhong, Y., Zhang, S., & Zhao, B. (2025). Machine learning-based
prediction of postoperative mortality risk after abdominal surgery. World Journal of
Gastrointestinal Surgery, 17(4), 103696. https://doi.org/10.4240/wjgs.v17.i4.103696
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Jhofre Vinicio Prado Quilambaqui: Conceptualización, metodología, software, validación, análisis
formal, investigación, gestión de datos, visualización, redacción - preparación del borrador original,
redacción - revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
María Augusta Chafla Romero: Conceptualización, metodología, análisis formal, investigación,
redacción - preparación del borrador original, redacción - revisión y edición, financiamiento, recursos.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.