Propuesta de software para la predicción del fracaso terapéutico en tuberculosis pulmonar
Palabras clave:
Algoritmos; Predicción; Programas Informáticos; Técnica Delphi; Tuberculosis; Valor Predictivo de las PruebasResumen
Introducción: el fracaso terapéutico en la tuberculosis pulmonar representa un desenlace adverso crítico que compromete la salud del paciente y favorece la transmisión sostenida y el desarrollo de resistencias. La aplicación manual de modelos predictivos no es factible en la práctica clínica diaria, por lo que se requiere de herramientas automatizadas.
Objetivo: evaluar la percepción de un panel de expertos sobre la necesidad, utilidad y viabilidad de implementar un software predictivo del riesgo de fracaso terapéutico en tuberculosis pulmonar.
Métodos: se realizó un estudio observacional, descriptivo y transversal durante marzo de 2026 en Ciego de Ávila, Cuba. Se aplicó una encuesta autoadministrada validada a 20 especialistas y se empleó el método Delphi para alcanzar consenso sobre los factores de riesgo y las funcionalidades del software.
Resultados: el 100 % de los expertos estuvo de acuerdo o totalmente de acuerdo con la necesidad y utilidad del software. Las principales barreras identificadas fueron: complejidad del cálculo (90 %), falta de tiempo en la consulta (85 %) y alto riesgo de errores (80 %). Se priorizaron 15 factores de riesgo y se diseñó una propuesta con seis módulos funcionales, que alcanzó un consenso de pertinencia superior al 85 %.
Conclusiones: los expertos reconocen unánimemente la necesidad de un software predictivo para tuberculosis pulmonar. La propuesta estructurada es viable y pertinente, aunque se requieren estudios de validación clínica prospectiva antes de su implementación generalizada en el Sistema Nacional de Salud cubano.
Descargas
Citas
Organización Mundial de la Salud (OMS). Tuberculosis. Washington DC: OMS [Internet]. 2022 [citado 20/01/2026]. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/tuberculosis
Organización Panamericana de la Salud (OPS). La Tuberculosis en las Américas. Informe Regional 2021. Washington DC: OPS/OMS [Internet]. 2022 [citado 20/01/2026]. Disponible en: https://iris.paho.org/bitstream/handle/10665.2/57084/9789275326497_spa.pdf?sequence=11&isAllowed=y
Secretaría de Salud 129. México avanza en la reducción de incidencia y mortalidad por tuberculosis. México: Gobierno de México [Internet]. 2021 [citado 20/01/2026]. Disponible en: https://www.gob.mx/salud/prensa/129-mexico-avanza-en-la-reduccion-de-incidencia-y-mortalidad-por-tuberculosis
Zhao CY, Song C, Lu YB, Huang AC, Zeng CM, Liu RH, Li WW, Xie ZH, Zhu QD. A New Era in Tuberculosis Prevention and Treatment: Breakthroughs in Drug Development and Future Prospects. Infect Dis Ther. [Online]. 2025 [cited 20/01/2026];14(10):2205-2219. DOI: http://doi.org/10.1007/s40121-025-01221-3
Oña Cerna HY, Guanca Sarmiento NB, Miranda Velazquez E. Factores asociados al fracaso del tratamiento antifímico de pacientes con tuberculosis pulmonar. Rev Ciencia Latina [Internet]. 2025 [citado 20/01/2026]; 9 (1). DOI: https://doi.org/10.37811/cl_rcm.v9i1.16073
Centro para el Control Estatal de Medicamentos, Equipos y Dispositivos Médicos (CECMED). Resolución No. 45/2025. Regulación E 130-25 Requisitos para la Inscripción de Fabricantes y el Registro Sanitario del Software de Uso Médico. Ámbito Regulador [Internet]. 2025 [citado 20/01/2026]. Disponible en: https://www.cecmed.cu/reglamentacion/ambito-regulador/indice?page=34%2C1
Cowley LE, Farewell DM, Maguire S, Kemp AM. Methodological standards for the development and evaluation of clinical prediction rules: a review of the literature. Diagnostic and Prognostic Research [Online]. 2019 [cited 20/01/2026];3:16. DOI: https://doi.org/10.1186/s41512-019-0060-y
Lai J, Cheng C, Liang T, Tang L, Guo X, Liu X. Development and multi-cohort validation of a machine learning-based simplified frailty assessment tool for clinical risk prediction. J Transl Med. [Online]. 2025 [cited 20/01/2026];23:921. Available from: https://link.springer.com/article/10.1186/s12967-025-06728-4
Coppola C, Andrew JJ, Ruggieri M, La Spina M, La Bianca MR, Leonardi S, et al. Machine learning prediction of oxygen therapy in pediatric Mycoplasma pneumoniae pneumonias. Front Digit Health. [Online]. 2026 [cited 20/01/2026]; 8:1755878. Available from: https://www.frontiersin.org/journals/digital-health/articles/10.3389/fdgth.2026.1755878/full
Alzghaibi H. Healthcare practitioners' perceptions of mHealth application barriers: challenges to adoption and strategies for enhancing digital health integration. Healthcare. [Online]. 2025 [cited 20/01/2026];13(5):494. Available from: https://www.mdpi.com/resolver?pii=healthcare13050494
Olawade DB, Da'Costa A, Origbo JE, Osonuga A, Egbon E, Teke J, et al. Smart emergency care: a narrative review of predictive machine learning models. Ann Transl Med. [Online]. 2025 [cited 20/01/2026];13(5):60. Available from: https://atm.amegroups.org/article/view/144876/html
Armijos-Hernández A, Sánchez-Pozo NN. Modelos impulsados por inteligencia artificial para la predicción de la respuesta al tratamiento antituberculoso: estudio de cohorte retrospectivo en el subtrópico ecuatoriano. BioNatura Journal. [Internet]. 2026 [cited 20/01/2026];3(1):2. Disponible en: https://bionaturajournal.com/2026.03.01.2.html
Zhang F, Zhang F, Li L, Pang Y. Clinical utilization of artificial intelligence in predicting therapeutic efficacy in pulmonary tuberculosis. J Infect Public Health. [Online]. 2024 [cited 20/01/2026];17(4):633-40. Available from: https://doi.org/10.1016/j.jiph.2024.02.012
Subbaraman R, de Mondesert L, Musiimenta A, Pai M, Mayer KH, Thomas BE, et al. Digital adherence technologies for the management of tuberculosis therapy: mapping the landscape and research priorities. BMJ Glob Health. [Online]. 2018 [cited 20/01/2026];3(5):e001018. Available from: https://pmc.ncbi.nlm.nih.gov/articles/PMC6195152/pdf/bmjgh-2018-001018.pdf
Organismo Andino de Salud – Convenio Hipólito Unanue (ORAS-CONHU). Manual de algoritmos para el diagnóstico de tuberculosis. [Internet] Lima: ORAS-CONHU; 2018. [citado 20/01/2026]. Disponible en: https://www.paho.org/sites/default/files/2019-cde-manual-algoritmos-dx-tb-comisca.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Martín del Río Sánchez, Luis Eugenio Valdés García , Enrique Beldarrain Chaple , Omarys Loyola-Cabrera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
