Cómo utilizar la IA para una revisión sistemática que cumpla con PRISMA

Una revisión sistemática solía llevar a un equipo de tres investigadores de seis a nueve meses. El cuello de botella no fue la lectura, sino la detección. Doce mil resúmenes extraídos de PubMed, Embase, Scopus y Cochrane, cada uno de los cuales necesita dos revisores independientes para decidir incluirlos o excluirlos según criterios prerregistrados. La época en que las matemáticas impulsaban las carreras en torno a ellas.

La IA cambió esas matemáticas. Los modelos de lenguaje modernos pueden examinar resúmenes en segundos, extraer características de estudios de archivos PDF de texto completo en minutos y resumir cientos de artículos en horas. Si se utiliza con cuidado, la IA reduce la fase de selección de una revisión de meses a semanas. Si se usa descuidadamente, produce un documento no reproducible y que no cumple con las normas y que no pasa la revisión por pares.

Esta guía explica dónde la IA ayuda legítimamente en una revisión que cumple con PRISMA, dónde no debería hacer el trabajo, los requisitos de informes que conlleva el uso de la IA y un flujo de trabajo paso a paso que satisface PRISMA 2020 y la extensión PRISMA-trAIce.

Lo que realmente requiere PRISMA (repaso rápido)

PRISMA 2020 es la lista de verificación de informes estándar para revisiones sistemáticas. Gobierna cómo describe lo que hizo, no cómo lo hace. Las piezas relevantes para el uso de la IA son:

Informes de estrategia de búsqueda. Documente cada base de datos buscada, cada cadena de búsqueda utilizada y cada fecha en que se realizaron las búsquedas. La reproducibilidad es el estándar: otro investigador debería poder volver a ejecutar su búsqueda y obtener los mismos resultados.

Reportes de evaluación. Documente cuántos registros fueron evaluados, por cuántos revisores independientes, cómo se resolvieron los desacuerdos y cuántos se excluyeron en cada etapa. El diagrama de flujo clásico PRISMA vive aquí.

Informe de extracción de datos. Documente qué datos se extrajeron, quién y cómo se resolvieron los desacuerdos.

Evaluación de riesgo de sesgo. Documentar la herramienta utilizada (Cochrane RoB 2, ROBINS-I, etc.) y quién la realizó.

Reportar desviaciones. Todo lo que no haya ido según el protocolo preregistrado deberá ser reportado fundamentadamente.

La extensión PRISMA-trAIce (publicada en 2024, actualizada en 2025) agrega requisitos de informes específicos de IA además de PRISMA 2020. La versión corta: en cualquier lugar donde se utilizó IA en la revisión, usted informa la herramienta, la versión, las indicaciones y cómo se realizó la verificación humana.

Dónde ayuda legítimamente la IA

Estos son usos donde la IA acelera el trabajo sin cambiar la revisión.

Detección de duplicados. Los registros extraídos de varias bases de datos a menudo se duplican. Los gestores de referencias tradicionales (Zotero, EndNote, Covidence) lo hacen bien. La IA es excesiva aquí: siga usando las herramientas estándar.

Título inicial y selección de resúmenes. La IA puede calificar cada resumen según sus criterios de inclusión y clasificarlos o preclasificarlos. Todavía se necesitan dos revisores humanos para tomar la decisión final de inclusión/exclusión, pero la clasificación previa de la IA reduce sustancialmente el tiempo humano. Este es el uso de IA de mayor valor en la mayoría de las revisiones.

Recuperación y clasificación de texto completo. La IA puede extraer metadatos de publicaciones, identificar si un texto completo coincide con las afirmaciones del resumen (ocasionalmente no lo hace) y marcar artículos que parecen ser resúmenes de conferencias, erratas o publicaciones duplicadas bajo diferentes títulos.

Extracción de datos de artículos estructurados. Tablas de características de los pacientes, dosis y tamaños del efecto: la IA puede extraerlos de archivos PDF de texto completo en una hoja de extracción de datos estructurados, que luego dos revisores humanos verifican. El tiempo de verificación es mucho menor que el de la extracción manual completa.

Síntesis y soporte de redacción. Redactar la descripción del procedimiento de detección de la sección de métodos, redactar el texto del diagrama de flujo PRISMA y resumir la tabla de características de los estudios incluidos: la IA ayuda con la redacción sin cambiar el contenido de la revisión.

Traducción de fuentes que no están en inglés. Si su revisión incluye artículos que no están en inglés, la traducción mediante IA se ha vuelto lo suficientemente confiable como para respaldar la inclusión de estas fuentes. Documentar la herramienta utilizada en los métodos.

Dónde la IA NO debería hacer el trabajo

Estos usos cruzan la línea de la toma de decisiones sustantivas que los revisores humanos deben realizar.

Decisiones finales de inclusión/exclusión. PRISMA requiere dos revisores humanos independientes para la inclusión/exclusión. La IA puede preclasificar, clasificar y presentar candidatos, pero la decisión vinculante debe ser humana. Esto no es negociable para su cumplimiento.

Evaluación del riesgo de sesgo. Las herramientas RoB requieren juicio sobre el diseño del estudio, el cegamiento, el desgaste y la presentación de informes. La IA puede resumir lo que dice el artículo sobre cada dominio, pero la calificación del sesgo en sí debe ser humana.

Evaluación de la calidad y grado de evidencia (GRADE). Misma lógica. La IA resume; tasa de humanos.

Interpretación de la heterogeneidad. Si las diferencias entre los resultados de los estudios reflejan heterogeneidad clínica, heterogeneidad metodológica o azar es una decisión que requiere experiencia clínica y metodológica.

Síntesis final y conclusiones. La síntesis narrativa, la discusión de las fortalezas y limitaciones, las implicaciones clínicas: estas son las contribuciones del equipo de revisión. La IA puede redactar el texto inicial, pero los juicios de fondo son suyos.

Detección de contenido fabricado o fabricado en fábricas de papel. Irónicamente, la detección por IA de estudios fabricados sigue siendo poco fiable. Los ojos humanos sobre documentos sospechosos, además de herramientas como Problematic Paper Screener, son el estándar actual.

Los requisitos de presentación de informes

Si utiliza IA en cualquier parte de la revisión, PRISMA-trAIce requiere que lo informe. La estructura que satisface a la mayoría de las revistas:

En la sección de métodos, subsección de procedimientos de detección:

La selección de resúmenes se realizó mediante un proceso de dos etapas. Inicial 
La clasificación se realizó utilizando [Nombre de la herramienta, versión, se accede a través de 
API/web en fechas] con la siguiente plantilla de mensaje: "[mensaje exacto]". 
La clasificación se utilizó para priorizar los resúmenes para la revisión humana. 
Luego se examinaron todos los resúmenes, independientemente de la clasificación inicial. 
de forma independiente por dos revisores ([iniciales del autor]) utilizando [Covidence / 
Rayyan / otra herramienta], y los desacuerdos se resuelven mediante discusión o mediante 
un tercer revisor ([iniciales del autor]) cuando no se alcanzó consenso. 

En un ejercicio de calibración realizado sobre [número] resúmenes antes de la 
cribado principal, la clasificación de IA estuvo de acuerdo con el consenso humano 
decisión en [porcentaje]% de los casos. La IA no se utilizó para la final. 
decisiones de inclusión o exclusión. 

En la sección de métodos, subsección de extracción de datos:

La extracción de datos se realizó mediante un formulario estructurado (Apéndice [X]). 
Extracción de [tipos de datos específicos, por ejemplo, características del paciente, 
detalles de la intervención, mediciones de resultados] fue respaldada por [Herramienta 
Nombre, versión], que extrajo valores candidatos de archivos PDF de texto completo. 
Todos los valores extraídos fueron verificados con los archivos PDF de origen por dos 
revisores ([iniciales del autor]). Discrepancias entre los extraídos por IA 
Los valores y documentos fuente fueron corregidos contra la fuente en 
[porcentaje]% de los casos. Los datos verificados informaron la decisión final. 
síntesis. 

En una subsección dedicada al "Uso de la IA" (a veces se requiere por separado):

En esta revisión se utilizaron las siguientes herramientas de IA: [enumerar cada herramienta, 
versión, rango de fechas y rol específico]. No se utilizó ninguna herramienta de IA para 
evaluación del riesgo de sesgo, calificación de la calidad, interpretación de 
heterogeneidad o síntesis de conclusiones. Todos los pasos respaldados por IA 
fueron verificados por [número] revisores humanos como se describe anteriormente. el 
Las indicaciones utilizadas se proporcionan en el Apéndice [Y]. 

En la sección de limitaciones:

Reconocer las limitaciones relacionadas con la IA: posible sesgo sistemático en la preclasificación, dependencia de herramientas de IA cuyo funcionamiento interno no es transparente y la imposibilidad de reproducir completamente el comportamiento de la IA en todas las versiones del modelo.

El flujo de trabajo que recomendamos

Una secuencia que satisface a PRISMA-trAIce y utiliza los puntos fuertes de la IA.

Paso 1: Registre previamente el protocolo. Antes de cualquier uso de IA, registre la revisión (PROSPERO para revisiones médicas; OSF para otras). El protocolo especifica los criterios de inclusión, la estrategia de búsqueda, el método de selección, el plan de extracción y el enfoque de síntesis. Especificar en el protocolo dónde se utilizará la IA y cómo. El registro previo que menciona la IA es mucho más sólido que la divulgación post hoc.

Paso 2: Ejecute el ejercicio de calibración. Elija entre 100 y 200 resúmenes de su búsqueda. Haga que dos revisores humanos los revisen de forma independiente. Ejecute la detección de IA en el mismo conjunto con el mensaje planificado. Calcule las métricas de acuerdo (kappa de Cohen, porcentaje de acuerdo). Si la concordancia de la IA es inferior a 0,7 kappa o 80 % con la decisión humana consensuada, refine la indicación o reconsidere el uso de la IA.

Paso 3: Ejecute el pase de detección de IA principal. Con un mensaje calibrado, examine el corpus abstracto completo. Salida: una lista clasificada o clasificada. Los revisores humanos ven esta clasificación pero toman sus propias decisiones independientes.

Paso 4: Evaluación independiente de dos revisores. Cada resumen aún cuenta con dos revisores humanos. La clasificación de la IA son metadatos, no una votación. Los desacuerdos se resuelven mediante discusión o un tercer revisor.

Paso 5: Selección del texto completo con ayuda de la IA. La IA puede señalar exclusiones obvias en la etapa del texto completo (lenguaje incorrecto, solo resúmenes, artículos retractados). Los humanos toman decisiones finales.

Paso 6: Extracción de datos con asistencia y verificación de IA. La IA extrae valores candidatos; dos revisores humanos verifican con la fuente. El propio registro de verificación se convierte en prueba de cumplimiento.

Paso 7: Riesgo de sesgo: solo humanos. No hay IA en este paso.

Paso 8: Síntesis: escritura dirigida por humanos y asistida por IA. Los humanos interpretan. La IA ayuda a resumir los estudios para la tabla de estudios incluidos, redactar la sección de métodos y pulir la prosa. La interpretación sustantiva sigue siendo humana.

Paso 9: Divulgar exhaustivamente. La sección de métodos informa el uso de la IA como se describe anteriormente. Una declaración de divulgación del uso de IA completa aparece en la portada o en los agradecimientos. Las indicaciones completas utilizadas se encuentran en un apéndice.

Paso 10: Auditoría previa a la publicación. Antes del envío, un segundo miembro del equipo audita los pasos respaldados por IA para verificar que la documentación esté completa. Los mensajes que faltan, los números de versión que faltan o los porcentajes de verificación que faltan son los desencadenantes comunes del rechazo.

Errores comunes

Características alucinadas del estudio. La IA a veces extrae datos que no están en el artículo original: intervalos de confianza que no existen, tamaños de muestra que no coinciden, detalles de intervención fabricados a partir del contexto. La verificación de la fuente es la única defensa. Si su equipo no verifica todos los valores extraídos, publicará errores.

Desviación rápida a lo largo de la revisión. Una revisión rápida y refinada a mitad de la revisión cambia el comportamiento de la IA en elementos ya seleccionados. Si cambia el mensaje, documente el motivo y vuelva a examinar los elementos afectados.

Dependencia excesiva de la clasificación de la IA. Algunos equipos han delegado efectivamente las decisiones de inclusión a la IA al tratar su clasificación como autorizada. PRISMA requiere decisiones humanas. La entrada de IA está bien; Las decisiones de la IA no lo son.

Olvidarse de documentar las desviaciones. Todo lo que difiera del protocolo preregistrado deberá ser reportado. Si el uso de la IA evolucionó durante la revisión, documente la evolución. Los cambios de proceso ocultos se señalan en la revisión por pares.

Versiones de herramientas inconsistentes. Actualización de modelos de IA. El DeepSeek V3 que proyectó los resúmenes en enero no es idéntico a la versión disponible en junio. Documente la versión y el rango de fechas de cada herramienta de IA utilizada.

Se asume la precisión de la traducción, no se verifica. La traducción mediante IA es buena, pero no perfecta, especialmente para contenido clínico o técnico. Si se incluyen fuentes que no están en inglés, documente quién verificó las traducciones.

See the Full AI Summarizer

Summarize papers, extract study characteristics, and draft synthesis text. Free tier includes every feature.

Preguntas frecuentes

P: ¿Puedo incluir resúmenes seleccionados por IA en mi diagrama de flujo PRISMA?

Sí, pero con atribución específica. El diagrama de flujo estándar PRISMA 2020 tiene campos para registros identificados, registros examinados, registros evaluados para determinar su elegibilidad y registros incluidos. Si se utilizó IA en la selección, agregue una nota al diagrama o a su título: "Se utilizó la clasificación inicial respaldada por IA para clasificar los resúmenes; todos los resúmenes recibieron una evaluación humana independiente por parte de dos revisores". Algunas revistas ahora solicitan un diagrama de flujo más detallado que desglose los pasos respaldados por IA y solo humanos. La extensión PRISMA-trAIce proporciona plantillas para esto.

P: ¿Cómo cito las herramientas de IA utilizadas en mi revisión sistemática?

Cite el modelo con su versión y la fecha de acceso. Formato estándar: "[Nombre del modelo], versión [X.Y], accedido a [intervalo de fechas] a través de [punto final API/interfaz web] (desarrollador: [Empresa]). URL: [enlace a la documentación si está disponible]". Algunas revistas requieren una cita más detallada que incluya los parámetros API exactos utilizados. Consulte las instrucciones de la revista para autores. Las convenciones de citas de herramientas de IA todavía están evolucionando; en caso de duda, incluya más detalles en lugar de menos.

P: ¿Cuál es la diferencia entre PRISMA 2020 y PRISMA-trAIce?

PRISMA 2020 es la lista de verificación de informes estándar para revisiones sistemáticas, actualizada desde la versión de 2009. PRISMA-trAIce (publicado en 2024) es una extensión que agrega requisitos de informes para los pasos respaldados por IA en el proceso de revisión. La mayoría de las revistas ahora requieren ambos: PRISMA 2020 para informes generales, PRISMA-trAIce para cualquier paso respaldado por IA. La lista de verificación de trAIce tiene 12 elementos que cubren documentación de herramientas, informes rápidos, métricas de calibración y procedimientos de verificación humana. Si utiliza IA en alguna parte de una revisión sistemática, aborde PRISMA-trAIce en la sección de métodos. Para obtener una guía de flujo de trabajo más amplia que complemente esta, consulte Uso de IA para acelerar la revisión de la literatura.

P: ¿El uso de IA en mi revisión sistemática reducirá mis posibilidades de aceptación?

Según nuestra experiencia, el uso de la IA divulgado y debidamente documentado no reduce las tasas de aceptación y, a menudo, acelera la revisión (los métodos son más claros y defendibles). Lo que reduce la aceptación es el uso no divulgado de la IA, el uso de la IA que sustituye al juicio humano requerido o las limitaciones relacionadas con la IA que no se reconocen. Los editores y revisores de señales responden al rigor y la transparencia, no a la abstención de la IA. Una revisión sistemática que utiliza IA para la detección, informa el uso en detalle, incluye métricas de calibración y reconoce las limitaciones se trata como una revisión metodológicamente moderna, no comprometida.