Uso de la inteligencia artificial en neurología: análisis de algoritmos y su efectividad en la práctica médica
Palabras clave:
DIAGNÓSTICO; ENFERMEDADES NEURODEGENERATIVAS; INTELIGENCIA ARTIFICIAL; NEUROLOGÍA; TERAPÉUTICA.; DIAGNOSIS; NEURODEGENERATIVE DISEASES; ARTIFICIAL INTELLIGENCE; NEUROLOGY; THERAPEUTICS.; DIAGNÓSTICO; DOENÇAS NEURODEGENERATIVAS; INTELIGÊNCIA ARTIFICIAL; NEUROLOGIA; TERAPÊUTICA.Resumen
Introducción: las enfermedades neurológicas constituyen una de las principales causas de discapacidad y mortalidad, lo que convierte la salud cerebral en una prioridad mundial.
Objetivo: examinar el uso de algoritmos de inteligencia artificial en neurología y su efectividad diagnóstica y terapéutica.
Métodos: se efectuó una revisión sistemática de la literatura científica en diversas bases de datos. La búsqueda se realizó mediante un algoritmo con palabras clave y operadores booleanos, permitiendo identificar fuentes relevantes. Los estudios seleccionados, tras aplicar criterios de inclusión y exclusión, fueron analizados críticamente considerando actualidad, calidad metodológica y pertinencia temática, integrándose en la síntesis final de la revisión.
Desarrollo: la inteligencia artificial ha demostrado gran utilidad en la interpretación de neuroimágenes, logrando identificar estructuras cerebrales con alta precisión y detectar precozmente enfermedades neurodegenerativas. Modelos de aprendizaje profundo se aplicaron en patologías como Alzheimer, Parkinson y epilepsia, mejorando la clasificación y predicción de evolución clínica. En neurooncología, algoritmos de IA optimizaron la evaluación de biomarcadores y respuesta terapéutica. Sin embargo, persisten limitaciones relacionadas con la escasa formación de profesionales en IA, la necesidad de regulación ética y la variabilidad de resultados según la calidad de los datos empleados.
Conclusiones: la incorporación de inteligencia artificial en neurología representa un avance revolucionario, capaz de transformar el diagnóstico y manejo de patologías complejas. Su impacto radica en la precisión diagnóstica y la personalización del tratamiento, aunque requiere consolidar marcos regulatorios, formación médica y validación clínica para garantizar un uso responsable y sostenible.
Descargas
Citas
1. Voigtlaender S, Pawelczyk J, Geiger M, Vaios EJ, Karschnia P, Cudkowicz M, et al. Artificial intelligence in neurology: opportunities, challenges, and policy implications. J Neurol [Internet]. 2024 May [Citado 20/06/2025]; 271(5):2258-2273. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38367046/
2. Kalani M, Anjankar A. Revolutionizing Neurology: The Role of Artificial Intelligence in Advancing Diagnosis and Treatment. Cureus [Internet]. 2024 Jun 5 [Citado 20/06/2025]; 16(6): e61706. Disponible en: https://www.cureus.com/articles/191503-revolutionizing-neurology-the-role-of-artificial-intelligence-in-advancing-diagnosis-and-treatment
3. Kedar S, Khazanchi D. Neurology education in the era of artificial intelligence. Curr Opin Neurol [Internet]. 2023 Feb 1 [Citado 20/06/2025]; 36(1): 51-58. Disponible en: https://pubmed.ncbi.nlm.nih.gov/36367213/
4. Borchert RJ, Azevedo T, Badhwar A, Bernal J, Betts M, Bruffaerts R, et al. Artificial intelligence for diagnostic and prognostic neuroimaging in dementia: A systematic review. Alzheimers Dement [Internet]. 2023 Dec [Citado 20/06/2025]; 19(12):5885-5904. Disponible en: https://pubmed.ncbi.nlm.nih.gov/37563912/
5. Yang Y, Yuan Y, Zhang G, Wang H, Chen YC, Liu Y, et al. Artificial intelligence-enabled detection and assessment of Parkinson's disease using nocturnal breathing signals. Nat Med [Internet]. 2022 Oct [Citado 20/06/2025]; 28(10): 2207-2215. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35995955/
6. Hillis JM, Bizzo BC. Use of Artificial Intelligence in Clinical Neurology. Semin Neurol [Internet]. 2022 Feb [Citado 20/06/2025]; 42(1): 39-47. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35576929/
7. Jones DT, Kerber KA. Artificial Intelligence and the Practice of Neurology in 2035: The Neurology Future Forecasting Series. Neurology [Internet]. 2022 Feb 8 [Citado 20/06/2025]; 98(6): 238-245. Disponible en: https://www.neurology.org/doi/10.1212/WNL.0000000000013200
8. Duong MT, Rauschecker AM, Mohan S. Diverse Applications of Artificial Intelligence in Neuroradiology. Neuroimaging Clin N Am [Internet]. 2020 Nov [Citado 20/06/2025]; 30(4): 505-516. Disponible en: https://pubmed.ncbi.nlm.nih.gov/33039000/
9. Knight A, Gschwind T, Galer P, Worrell GA, Litt B, Soltesz I, et al. Artificial intelligence in epilepsy phenotyping. Epilepsia [Internet]. 2025 [Citado 20/06/2025]; 66 (Suppl 3):39-52. Disponible en: https://pubmed.ncbi.nlm.nih.gov/37983589/
10. Z. Obermeyer EJ. Predicting the future-big data, machine learning, and clinical medicine. N Engl J Med [Internet]. 2016 [Citado 20/06/2025]; 375(13): 1216-1219. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC5070532/
11. Kondziella D, Bender A, Diserens K, van Erp W, Estraneo A, Formisano R, et al. European Academy of Neurology guideline on the diagnosis of coma and other disorders of consciousness. Eur J Neurol [Internet]. 2020 [Citado 20/06/2025]; 27(5): 741-56. Disponible en: https://pubmed.ncbi.nlm.nih.gov/32090418/
12. Maier M, Ballester BR, Verschure PFMJ. Principles of neurorehabilitation after stroke based on motor learning and brain plasticity mechanisms. Front Syst Neurosci [Internet]. 2019 [Citado 20/06/2025]; 13:74. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31920570/
13. Goecks J, Jalili V, Heiser LM, Gray JW. How machine learning will transform biomedicine. Cell [Internet]. 2020 [Citado 20/06/2025]; 181(1): 92-101. Disponible en: https://www.sciencedirect.com/science/article/pii/S0092867420302841
14. García-Gutiérrez F, Delgado-Álvarez A, Delgado-Alonso C, Díaz-Álvarez J, Pytel V, Valles-Salgado M, et al. Diagnosis of Alzheimer’s disease and behavioural variant frontotemporal dementia using machine learning-aided neuropsychological assessment using feature engineering and genetic algorithms. Int J Geriatr Psychiatry [Internet]. 2021 Dec 11 [Citado 20/06/2025]; 37(2). Disponible en: https://pubmed.ncbi.nlm.nih.gov/34894410/
15. Russell S, Norvig P. Artificial Intelligence: A Modern Approach. 4ª ed. Pearson; 2021.
16. Raskob GE, Angchaisuksiri P, Blanco AN, Buller H, Gallus A, Hunt BJ, et al. Thrombosis: a major contributor to global disease burden. Arterioscler Thromb Vasc Biol [Internet]. 2014 [Citado 20/06/2025]; 34(11): 2363-71. Disponible en: https://pubmed.ncbi.nlm.nih.gov/25304324/
17. Castellón, Roberto León, et al. "Red neuronal artificial para el reconocimiento de glioblastomas en imágenes de SPECT cerebral con 99mTc-MIBI." Revista Cubana de Neurología y Neurocirugía [Internet]. 2023 [Citado 20/06/2025]; 13(1). Disponible en: https://dialnet.unirioja.es/ejemplar/694218
18. Pagola J. "Inteligencia artificial en el ictus Artificial intelligence in stroke." Kranion [Internet]. 2025 [Citado 20/06/2025]; 18(2). Disponible en: https://www.researchgate.net/publication/371564946_Inteligencia_artificial_en_el_ictus
19. Castellazzi G, Cuzzoni MG, Cotta Ramusino M, Martinelli D, Denaro F, Ricciardi A, et al. A Machine Learning Approach for the Differential Diagnosis of Alzheimer and Vascular Dementia Fed by MRI Selected Features. Frontiers in neuroinformatics [Internet]. 2020 [Citado 20/06/2025]; 14: 25. Disponible en: https://pubmed.ncbi.nlm.nih.gov/32595465/
20. Shinde S, Prasad S, Saboo Y, Kaushick R, Saini J, Pal PK, et al. Predictive markers for Parkinson's disease using deep neural nets on neuromelanin sensitive MRI. NeuroImage. Clinical [Internet]. 2019 [Citado 20/06/2025]; 22: 101748. Disponible en: https://pubmed.ncbi.nlm.nih.gov/30870733/
21. Soreq E, Violante IR, Daws RE, Hampshire A. Neuroimaging evidence for a network sampling theory of individual differences in human intelligence test performance. Nat Commun [Internet]. 2021 Apr 6 [Citado 20/06/2025]; 12(1): 2072. Disponible en: https://pubmed.ncbi.nlm.nih.gov/33824305/
22. Zhou Y, Jia G, Ren Y, Ren Y, Xiao Z, Wang Y. Advancing ASD identification with neuroimaging: a novel GARL methodology integrating Deep Q-Learning and generative adversarial networks. BMC Med Imaging [Internet]. 2024 Jul 25 [Citado 20/06/2025]; 24(1): 186. Disponible en: https://pubmed.ncbi.nlm.nih.gov/39054419/
23. Yu WY, Sun TH, Hsu KC, Wang CC, Chien SY, Tsai CH, et al. Comparative analysis of machine learning algorithms for Alzheimer's disease classification using EEG signals and genetic information. Comput Biol Med [Internet]. 2024 Jun [Citado 20/06/2025]; 176: 108621. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38763067/
24. Mhiri I, Khalifa AB, Mahjoub MA, Rekik I. Brain graph super-resolution for boosting neurological disorder diagnosis using unsupervised multi-topology connectional brain template learning. Med Image Anal [Internet]. 2020 Oct [Citado 20/06/2025]; 65: 101768. Disponible en: https://pubmed.ncbi.nlm.nih.gov/32679534/
25. Luo Y, Chen W, Zhan L, Qiu J, Jia T. Multi-feature concatenation and multi-classifier stacking: An interpretable and generalizable machine learning method for MDD discrimination with rsfMRI. NeuroImage [Internet]. 2024 [Citado 20/06/2025]; 285: 120497. Disponible en: https://www.sciencedirect.com/science/article/pii/S105381192300647X
26. He F, Li Y, Li C, Zhao J, Liu T, Fan L, et al. Changes in the connection network of whole-brain fiber tracts in patients with Alzheimer's disease have a tendency of lateralization. Neuroreport [Internet]. 2021 Oct 6 [Citado 20/06/2025]; 32(14): 1175-1182. Disponible en: https://pubmed.ncbi.nlm.nih.gov/34334777/
27. Wang C, Piao S, Huang Z, Gao Q, Zhang J, Li Y, et al. Joint learning framework of cross-modal synthesis and diagnosis for Alzheimer's disease by mining underlying shared modality information. Med Image Anal [Internet]. 2024 Jan [Citado 20/06/2025]; 91: 103032. Disponible en: https://pubmed.ncbi.nlm.nih.gov/37995628/
28. Jimenez-Mesa C, Ramirez J, Yi Z, Yan C, Chan R, Murray GK, et al. Machine learning in small sample neuroimaging studies: Novel measures for schizophrenia analysis. Hum Brain Mapp [Internet]. 2024 Apr [Citado 20/06/2025]; 45(5): e26555. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10973702/
29. Chen Z, Yan T, Wang E, Jiang H, Tang Y, Yu X, et al. Detecting Abnormal Brain Regions in Schizophrenia Using Structural MRI via Machine Learning. Comput Intell Neurosci [Internet]. 2020 Apr 5 [Citado 20/06/2025]; 2020: 6405930. Disponible en: https://pubmed.ncbi.nlm.nih.gov/32300361/
30. Gologorsky R, Harake E, von Oiste G, Nasir-Moin M, Couldwell W, Oermann E, et al. Generating novel pituitary datasets from open-source imaging data and deep volumetric segmentation. Pituitary [Internet]. 2022 Dec [Citado 20/06/2025]; 25(6): 842-853. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35943676/
31. Zhuang YD, Hu XC, Dai KX, Ye J, Zhang CH, Zhuo WX, et al. Quantitative anatomical analysis of lumbar interspaces based on 3D CT imaging: optimized segment selection for lumbar puncture in different age groups. Neuroradiology [Internet]. 2024 Mar [Citado 20/06/2025]; 66(3): 443-455. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10859322/
32. Lanka P, Rangaprakash D, Dretsch MN, Katz JS, Denney TS Jr, Deshpande G. Supervised machine learning for diagnostic classification from large-scale neuroimaging datasets. Brain Imaging Behav [Internet]. 2020 Dec [Citado 20/06/2025]; 14(6): 2378-2416. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31691160/
33. Zhang Y, Luo Q, Huang CC, Lo CZ, Langley C, Desrivières S, et al. The Human Brain Is Best Described as Being on a Female/Male Continuum: Evidence from a Neuroimaging Connectivity Study. Cereb Cortex [Internet]. 2021 May 10 [Citado 20/06/2025]; 31(6): 3021-3033. Disponible en: https://pubmed.ncbi.nlm.nih.gov/33471126/
34. Korzeniewska A, Mitsuhashi T, Wang Y, Asano E, Franaszczuk PJ, Crone NE. Significance of event related causality (ERC) in eloquent neural networks. Neural Netw [Internet]. 2022 May [Citado 20/06/2025]; 149: 204-216. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35248810/
35. Ma C, Li W, Ke S, Lv J, Zhou T, Zou L. Identification of autism spectrum disorder using multiple functional connectivity-based graph convolutional network. Med Biol Eng Comput [Internet]. 2024 Jul [Citado 20/06/2025]; 62(7): 2133-2144. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38457067/
36. Yang H, et al. Precise detection of awareness in disorders of consciousness using deep learning framework. NeuroImage [Internet]. 2024 [Citado 20/06/2025]; 290: 120580. Disponible en: https://www.sciencedirect.com/science/article/pii/S1053811924000752
37. Zheng Z, Wang B, Zhao Q, Zhang Y, Wei J, Meng L, et al. Research progress on mechanism and imaging of temporal lobe injury induced by radiotherapy for head and neck cancer. Eur Radiol [Internet]. 2022 Jan [Citado 20/06/2025]; 32(1): 319-330. Disponible en: https://pubmed.ncbi.nlm.nih.gov/34327577/
38. Gutiérrez-Martínez J, Núñez-Gaona MA, Carrillo-Mora P. "Avances tecnológicos en neurorrehabilitación". Rev Invest Clin [Internet]. 2014 [Citado 20/06/2025]; 66(S1): 8-23. Disponible en: https://www.medigraphic.com/pdfs/revinvcli/nn-2014/nns141b.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Piedad Elizabeth Acurio Padilla
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
