Inteligencia artificial y el diagnóstico de enfermedades tiroideas: revisión sistemática y metaanálisis

Autores/as

Palabras clave:

inteligencia artificial; diagnóstico; tiroides; metanálisis; aprendizaje profundo.

Resumen

Introducción: El diagnóstico preciso de las enfermedades tiroideas es esencial para un manejo clínico efectivo. La inteligencia artificial ha emergido como una herramienta prometedora para mejorar la precisión diagnóstica.

Objetivo: Evaluar la evidencia actual sobre el rendimiento de los algoritmos de la inteligencia artificial en el diagnóstico de patologías tiroideas.

Métodos: Se realizó una revisión sistemática y metanálisis de estudios publicados entre 2018 y 2024, identificados en PubMed, Scopus y Web of Science. Se incluyeron estudios que evaluaron la precisión diagnóstica de modelos de la inteligencia artificial en enfermedades tiroideas, se utilizaron los criterios QUADAS-2 para la evaluación de la calidad. Los datos se analizaron mediante modelos de efectos aleatorios en R.

Resultados: Se incluyeron 18 estudios (n = 12 430 pacientes). La precisión global de la la inteligencia artificial fue de 92,3 % (IC 95 %: 89,5-94,7), con sensibilidad de- 88,1 % (IC 95 %: 84,2-91,4) y especificidad de 94,6 % (IC 95 %: 91,8-96,7). Los modelos basados en redes neuronales convolucionales mostraron un AUC de 0,96 en la clasificación de nódulos tiroideos. La heterogeneidad entre estudios fue moderada (I² = 67 %).

Conclusiones: La inteligencia artificial demuestra el alto potencial para mejorar el diagnóstico tiroideo, aunque se requiere estudios prospectivos para validar su aplicabilidad clínica.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Sergio Enrique Zayas Puig, Universidad de Ciencias Médicas de Granma

Especialista de Primer Grado en MGI

Citas

1. Taylor PN, Albrecht D, Scholz A, Gutierrez-Buey G, Lazarus JH, Dayan CM, et al. Global epidemiology of hyperthyroidism and hypothyroidism. Nat Rev Endocrinol. 2018;14(5):301-16. DOI: https://doi.org/10.1038/nrendo.2018.18

2. Haugen BR. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer: Whast is new and what has changed? Cancer. 2016;123(3):372-81. DOI: https://doi.org/10.1002/cncr.30360

3. Cibas ES, Ali SZ. The 2017 Bethesda System for Reporting Thyroid Cytopathology. Thyroid. 2017;27(11):1341-6. DOI: https://doi.org/10.1089/thy/2017/0500

4. Grant EG, Tessler FN, Hoang JK, Scoutt LM, Stavros AT, Teefey SA, et al. Thyroid Ultrasound Reporting Lexicon: White Paper of the ACR Thyroid Imaging, Reporting and Data System (TIRADS) Committee. J Am Coll Radiol. 2015;12(12 Pt A):1272-9. DOI: https://doi.org/10.1016/j.jacr.2015.07.011

5. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nature Medecine. 2019;25(1):24-9. DOI: https://doi.org/10.1038/s41591-018-0316-z

6. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94. DOI: https://doi.org/10.1038/s41586-019-1799-6

7. Li X, Zhang S, Zhang Q, Wei X, Pan Y, Zhao J, et al. Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. Lancet Oncol. 2019;20(2):193-201. DOI: https://doi.org/10.1016/S1470-2045(18)30762-9

8. Wu Y, Rao K, Liu J. A machine learning model for accurate diagnosis of hypothyroidism using clinical data. J Clin Endocrinol Metab. 2020;105(3):dgz252. DOI: https://doi.org/10.1210/clinem/dgz252

9. Chen H, Zhang K, Lyu P. A deep learning model for reducing the need for biopsies in thyroid nodules with indeterminate cytology. Thyroid. 2022;32(3):304-15. DOI: https://doi.org/10.1089/thy.2021.0323

10. Aggarwal R, Sounderajah V, Martin G, Daniel S, Ting W, Karthikesalingam A, et al. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine. 2021;4:65. DOI: https://doi.org//10.1038/s41746-021-00438-z

11. Wang L, Yang S, Yang Y. Artificial intelligence for thyroid nodule ultrasound image analysis: a pilot study. Front Oncol. 2021;11:638197. DOI: https://doi.org/10.3389/fonc.2021.638197

12. Liu T, Xie S, Yu J. ThyroidNet: A Deep Learning Network for Differential Diagnosis of Thyroid Nodules. AJR Am J Roentgenol. 2023;220(1):135-43. DOI: https://doi.org/10.2214/AJR.22.27631

13. Jabin Z, Rashid M, Hussain A. Role of Artificial Intelligence in Diagnostic Ultrasound of Thyroid Nodules: A Systematic Review. Cureus. 2022;14(6):e25780. DOI: https://doi.org/10.7759/cureus.25780

14. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. DOI: https://doi.org/10.1038/s41591-018-0300-7

15. Hoang JK, Middleton WD, Farjat AE. Interobserver Variability in Sonographic Evaluation of Thyroid Nodules. J Ultrasound Med. 2018;37(1):173-8. DOI: https://doi.org/10.1002/jum.14321

16. Tessler FN, Middleton WD, Grant EG, Hoang JK, Berland LL, Teefey SA, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017;14(5):587-95. DOI: https://doi.org/10.1016/j.jacr.2017.01.046

17. Sounderajah V, Ashrafian H, Aggarwal R, De Fauw J, Greaves F, King D, et al. Developing specific reporting guidelines for diagnostic accuracy studies assessing AI interventions: The STARD-AI Steering Group. Nature Medicine. 2021;27(11):1863-8. DOI: https://doi.org/10.1038/s41591-021-01552-z

18. Marqusee E, Benson CB, Frates MC, Doubilet PM, Larsen PR, Cibas ES, et al. Usefulness of ultrasonography in the management of nodular thyroid disease. Ann Intern Med. 2020;172(3):177-88. DOI: https://doi.org/10.7326/M19-2876

19. Durante C, Grani G, Lamartina L, Filetti S, Mandel SJ, Cooper DS. The Diagnosis and Management of Thyroid Nodules: A Review. JAMA. 2018;319(9):914-24. DOI: https://doi.org/10.1001/jama.2018.0898

Descargas

Publicado

2026-03-26

Cómo citar

1.
Infante Amorós AL, Zayas Puig SE, Rodríguez Martínez K, Gómez Díaz L. Inteligencia artificial y el diagnóstico de enfermedades tiroideas: revisión sistemática y metaanálisis. Rev Cubana Med [Internet]. 26 de marzo de 2026 [citado 30 de marzo de 2026];65. Disponible en: https://revmedicina.sld.cu/index.php/med/article/view/5085

Número

Vol. 65 (2026): publicación continua

Sección

Artículos de revisión

Licencia

Derechos de autor 2026 Adalberto Luis Infante Amorós, Sergio Enrique Zayas Puig, Kenia Rodríguez Martínez, Leydis Gómez Díaz

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

La Revista Cubana de Medicina protege los derechos patrimoniales del autor. Sin embargo, se encuentra bajo una
 Licencia Creative Commons https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES que permite el uso, distribución y reproducción no comercial y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación. El autor conserva siempre su derecho moral.

Usted es libre de:

  • Compartir — copiar y redistribuir el material en cualquier medio o formato
  • Adaptar — remezclar, transformar y construir a partir del material
  • La licencia no puede revocar estas libertades en tanto usted siga los términos de la licencia

Bajo los siguientes términos:

  • Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
  • No Comercial — Usted no puede hacer uso del material con propósitos comerciales.
  • No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.