La inteligencia artificial mejora el diagnóstico de alergias alimentarias
MILWAUKEE, 14 de febrero de 2026 /PRNewswire/ — Nuevas investigaciones presentadas en la 2026 AAAAI Annual Meeting demuestran que los modelos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning) basados en inteligencia artificial (IA) ofrecen mejoras significativas en el diagnóstico de alergias alimentarias en comparación con los criterios clínicos existentes.
Según McKenzie J. Williams, autora principal y becaria Karsh STEM de la Universidad Howard, “el estándar de atención actual para el diagnóstico de alergias alimentarias se basa en pruebas cutáneas, IgE específica para alérgenos y pruebas de provocación oral en caso de resultados inconclusos. Los modelos de aprendizaje automático (ML) mostraron una mejora del 40% en la precisión diagnóstica sobre los criterios clínicos existentes, y los modelos de aprendizaje profundo (DL), aún más avanzados, mejoraron aún más el rendimiento diagnóstico en comparación con los métodos ML, con una mejora del 10-15% en el área bajo la curva. Los métodos de diagnóstico para las alergias alimentarias se ven potenciados por ML/DL y tienen el potencial de superar las estrategias actuales y mejorar el estándar de atención.”
En el estudio, los investigadores entrenaron redes neuronales convolucionales (CNN) de aprendizaje automático (ML) y aprendizaje profundo (DL) con mediciones de pruebas cutáneas (SPT), IgE específica para alérgenos (sIgE) y proteínas séricas componentes, incluyendo PN-IgE rAra h 1,2,3,6; PN-IgG4 rAra h 1,2,3, 6, recolectadas como parte del ensayo IMPACT en el momento de las 146 pruebas de provocación oral (OFC) con cacahuete (peanut) iniciales. El ensayo incluyó a niños de entre 1 y 4 años.
El rendimiento algorítmico demostró el fuerte valor predictivo de PN-sIgE Ara h2 y PN-IgE/IgG4 (sensibilidad: 88.9; especificidad: 84.5; valor predictivo positivo (VPP): 89). Los investigadores encontraron que los modelos de ML mostraron una mejora notable sobre los criterios clínicos existentes, con una mejora de aproximadamente el 40% en la precisión diagnóstica. El uso de modelos de DL más avanzados mostró un mejor rendimiento diagnóstico en comparación con los métodos ML, con una mejora del 10-15% en el área bajo la curva. Como resultado, los modelos de DL entrenados con pruebas de los estándares de atención fueron capaces de mejorar significativamente la sensibilidad y el VPP, sin ser inferiores a los métodos de diagnóstico utilizados en la práctica.
Los investigadores sugieren que esta mejora en el rendimiento diagnóstico para el descubrimiento de biomarcadores de la OFC puede utilizarse para desarrollar una alternativa diagnóstica para las alergias alimentarias que sea escalable y más eficiente que la OFC estándar, las pruebas cutáneas y las mediciones de IgE específica para alérgenos (sIgE).
Visite aaaai.org para obtener más información sobre las alergias alimentarias. La investigación presentada en la 2026 AAAAI Annual Meeting, del 27 de febrero al 2 de marzo en Filadelfia, Pensilvania, se publica en un suplemento en línea a The Journal of Allergy and Clinical Immunology (JACI).
La Academia Americana de Alergia, Asma e Inmunología (AAAAI) es la principal organización de membresía de más de 7.100 alergólogos, especialistas en asma, inmunólogos clínicos y otros profesionales con un interés especial en la investigación y el tratamiento de enfermedades alérgicas e inmunológicas. Fundada en 1943, la AAAAI es el recurso de referencia para los pacientes que viven con alergias, asma y trastornos de inmunodeficiencia.
FUENTE American Academy of Allergy, Asthma & Immunology (AAAAI)
