Uso de la inteligencia artificial en la detección temprana de complicaciones postoperatorias
DOI:
https://doi.org/10.61347/ei.v5i1.311Palabras clave:
Aprendizaje automático, complicaciones postoperatorias, inteligencia artificial, predicción clínica, redes neuronalesResumen
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.
Descargas
Citas
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
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: 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
Publicado
Cómo citar
Número
Sección
Licencia
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.
