Fundamentos de salud basada en evidencia
Scouting Review asistida por IA: una propuesta para acelerar la síntesis de evidencia sin perder el rigor
Autores:
- Luis Ortiz Muñoz. Evidencia UC, Escuela de Medicina, Pontificia Universidad Católica de Chile, Santiago, Chile. ORCID: https://orcid.org/0000-0001-6449-2153. Twitter: @ortizkine - Correo: leortizmunoz@uc.cl
- Diego García-Huidobro. Departamento de Medicina Familiar, Escuela de Medicina, Pontificia Universidad Católica de Chile, Santiago, Chile.
Revisor/a: Josefina Cerón, Equipo Central ExME
Mensajes clave
La Scouting Review asistida por IA es un pipeline metodológico de siete etapas que integra múltiples herramientas de IA con supervisión humana estructurada en cada etapa crítica [1].
Su aplicación en un caso real permitió completar un resumen de evidencia con 11 opciones de política en 4 semanas, frente a los 5-6 meses que requiere habitualmente un proceso convencional, representando una reducción aproximada del 80% en el tiempo requerido [1].
El uso combinado de múltiples herramientas de IA recuperó un mayor número de estudios relevantes que el empleo de una sola herramienta, reduciendo el riesgo de síntesis basadas en un cuerpo de evidencia incompleto [1].
La supervisión humana en cada etapa crítica es un elemento constitutivo del pipeline, no una opción: garantiza el rigor metodológico y la responsabilidad editorial sobre los resultados [1].
Este modelo resulta especialmente aplicable en contextos donde los recursos metodológicos o los tiempos de respuesta para políticas públicas son limitados [1].
Contexto
El equipo de Evidencia UC fue convocado por el Departamento de Medicina Familiar de la Pontificia Universidad Católica de Chile para elaborar un resumen de evidencia sobre intervenciones post-cribado en atención primaria. La necesidad de producir respuestas oportunas para la toma de decisiones clínicas y de política sanitaria, en un tiempo significativamente menor al habitual, motivó el desarrollo de un pipeline metodológico estructurado que integrará herramientas de inteligencia artificial con supervisión humana.
El desafío de la síntesis de evidencia oportuna
La producción acelerada de literatura científica representa uno de los principales desafíos para los equipos de síntesis de evidencia. Los resúmenes de evidencia para políticas públicas requieren habitualmente entre 5 y 6 meses de trabajo, un plazo que frecuentemente supera las ventanas de decisión disponibles en contextos clínicos y de política sanitaria.
El desarrollo de herramientas de inteligencia artificial (IA) especializadas en evidencia científica abre nuevas oportunidades para optimizar las etapas iniciales de este proceso. Sin embargo, su integración requiere un marco metodológico estructurado que garantice la supervisión humana y el rigor de los resultados, en consonancia con los principios establecidos por organizaciones como Cochrane en su posicionamiento sobre el uso de IA en síntesis de evidencia [2].
Con el objetivo de responder a esta necesidad, Evidencia UC desarrolló y aplicó una propuesta metodológica denominada "Scouting Review asistida por IA", un pipeline de siete etapas que combina múltiples herramientas de IA con puntos de control humano en cada fase crítica [1].
Objetivo del estudio
Describir y evaluar un pipeline metodológico denominado "Scouting Review asistida por IA", diseñado para apoyar las etapas iniciales de la síntesis de evidencia mediante la integración estructurada de múltiples herramientas de inteligencia artificial, con supervisión humana en cada etapa crítica [1].
Métodos: el pipeline de siete etapas
El pipeline desarrollado comprende siete etapas secuenciales, en cada una de las cuales la IA actúa como herramienta de apoyo bajo supervisión del equipo investigador [1]:
| Etapa | Nombre | Descripción |
|---|---|---|
| 1 | Formulación asistida de la pregunta | La IA apoya la redacción de la pregunta de investigación y los criterios de elegibilidad en formato estructurado. |
| 2 | Contextualización mediante estudios semilla | Modelos de lenguaje identifican artículos semilla relevantes para la pregunta planteada. |
| 3 | Expansión mediante redes de citación | Herramientas de análisis de citación (Researchrabbit, Litmaps, Connectedpapers) amplían la cobertura bibliográfica a partir de los estudios semilla. |
| 4 | Generación de estrategia de búsqueda | La IA construye estrategias de búsqueda booleana estructuradas para bases de datos bibliográficas. Este proceso debe ser revisado por especialista de la información e idealmente procesado en revisión par con herramienta PRESS. |
| 5 | Ejecución de búsqueda en bases de datos | La estrategia se aplica en bases de datos convencionales bajo supervisión del equipo. |
| 6 | Cribado asistido por IA | La IA apoya la selección de estudios relevantes por título y resumen, con revisión humana de los resultados. |
| 7 | Síntesis preliminar de hallazgos | La IA genera una síntesis inicial de los estudios incluidos, que es revisada y validada por el equipo investigador. |
Las herramientas de IA empleadas incluyen Consensus, Elicit, OpenEvidence, Perplexity y ChatGPT, entre otras. La infografía adjunta (Figura 1) ilustra el flujo completo del pipeline.
Figura 1: Proceso de Revisión de Scouting Asistido por IA
Resultados
El pipeline fue aplicado para responder a la solicitud del equipo de Medicina Familiar UC sobre intervenciones post-cribado en atención primaria. El proceso completo se completó en 4 semanas, frente a los 5-6 meses requeridos habitualmente para un resumen de evidencia para políticas, lo que representa una reducción aproximada del 80% en el tiempo de elaboración [1].
El informe resultante identificó y sintetizó 11 opciones de política para intervenciones post-cribado en atención primaria. Para cada opción se incluyó: definición de la intervención, intervenciones específicas asociadas, información PICO relevante, comparaciones disponibles, desenlaces evaluados y diseños de estudio utilizados.
El uso combinado de múltiples herramientas de IA demostró recuperar un mayor volumen de estudios relevantes en comparación con el empleo de una única herramienta, reduciendo así el riesgo de que la síntesis se construya sobre un cuerpo de evidencia incompleto [1].
Limitaciones
La Scouting Review asistida por IA no reemplaza una revisión sistemática completa. Su propósito es apoyar las etapas exploratorias e iniciales de la síntesis, por lo que los resultados deben interpretarse como orientativos y no como una síntesis exhaustiva de la evidencia disponible. La calidad del output depende en parte de las capacidades y limitaciones propias de cada herramienta de IA empleada, incluyendo sus potenciales sesgos en la recuperación y presentación de estudios. La supervisión humana en cada etapa crítica es, en consecuencia, un requisito metodológico no negociable.
Conclusión
La Scouting Review asistida por IA constituye un enfoque metodológico prometedor y ya validado en la práctica para acelerar las etapas exploratorias de la síntesis de evidencia. La combinación estructurada de múltiples herramientas de IA con supervisión humana permite producir síntesis de alta calidad en tiempos significativamente menores, sin renunciar al rigor metodológico.
Este modelo puede facilitar el desarrollo de revisiones sistemáticas, guías clínicas y evaluaciones de tecnologías sanitarias, especialmente en contextos donde los recursos metodológicos o los tiempos de respuesta son limitados. Su aplicación práctica en Evidencia UC demuestra que la integración responsable de la IA en la síntesis de evidencia es no solo viable, sino necesaria para responder a las demandas actuales de la toma de decisiones en salud.
Referencias
[1] Ortiz L, García-Huidobro D. Scouting Review asistida por Inteligencia Artificial: un pipeline estructurado para acelerar la síntesis de evidencia. [Manuscrito en preparación]. Evidencia UC, Pontificia Universidad Católica de Chile; 2025.
[2] Flemyng E, Noel-Storr A, Macura B, Gartlehner G, Thomas J, Meerpohl JJ, et al. Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, the Campbell Collaboration, JBI and the Collaboration for Environmental Evidence 2025. Environ Evid. 2025;14(1):20. doi: 10.1186/s13750-025-00374-5