La IA todavía se encuentra en sus etapas iniciales en el manejo del CRS.
Una revisión comprensiva publicada en el International Forum of Allergy & Rhinology (Pereira et al., 2026) ha analizado 573 registros sobre aplicaciones de inteligencia artificial (IA) en Rinosinusitis Crónica (RSC). De ellos, ha seleccionado 49 estudios por su aporte científico tras determinar que el 55% de ellos están directamente enfocados en el diagnóstico de la enfermedad.
Las formas de Inteligencia Artificial más utilizadas en esa selección fueron:
- Deep Learning (36,7%)
- Redes Neuronales Clásicas (24,5%)
- Redes Neuronales Convolucionales (CNN) (10,2%)
- Modelos de Random Forest (6,1%)
Los estudios se distribuyeron en las siguientes áreas de aplicación:
- 37% — Identificación de biomarcadores o variables clínicas para diagnóstico/pronóstico
- 33% — Subtipificación de la RSC
- 29% — Predicción de resultados quirúrgicos
- 20% — Evaluación radiológica asistida
- 12% — Orientación del plan terapéutico

1. Diagnóstico — El Área Más Activa
Endoscopía nasal asistida por IA
De los estudios analizados, el multicéntrico de 2026 (Hosseini et al., IFAR) demostró que el “Machine Learning” (ML) aplicado a endoscopía nasal mejora el soporte diagnóstico de sinusitis, abordando la variabilidad en la identificación de referencias anatómicas.
Detección de pólipos y lesiones
La aplicación de otra IA — denominada Redes Neuronales Convolucionales- ha demostrado alta precisión (81–99%) en detección de pólipos nasales, clasificación citológica e interpretación de TC. Los modelos de ML entrenados con datos clínicos lograron precisiones de 74,5–85,5% para la predicción de RSC.
Tomografía Computarizada de Haz Cónico (CBCT) e IA
Una revisión sistemática de 24 estudios (Chaudhary y Dahan, 2025) evaluó el rendimiento diagnóstico de IA aplicada a la Tomografía Computarizada de Haz Cónico (CBCT) en RSC, mostrando potencial para estandarizar la lectura radiológica y reducir variabilidad entre observadores.
2. Subtipificación y Endotipado
Este es el dominio de mayor relevancia clínica inmediata ; determinar el endotipo de cada paciente permite personalizar el tratamiento médico-quirúrgico y seleccionar el biológico adecuado sin necesidad de biopsia.
La RSC es una enfermedad inflamatoria heterogénea. La distinción entre endotipo eosinofílico y no eosinofílico — y más ampliamente entre inflamación tipo 2-alta vs. tipo 2-baja — determina directamente qué biológico usar, qué pronóstico esperar y si el paciente se beneficiará de la cirugía.
Históricamente, ese diagnóstico requería biopsia. La IA abre la posibilidad de realizarlo de forma no invasiva y preoperatoria permitiendo mejores estrategias de manejo y un pronostico mas preciso sin someter a los pacientes al riesgo del procedimiento.
Distintos modelos de IA han sido evaluados con una sensibilidad agrupada de 0,8547 y especificidad de 0,850, sin diferencias estadísticamente significativas.
Se utilizaron múltiples algoritmos (redes neuronales, random forest, LASSO, entre otros), Deep Learning sobre TAC, biomarcadores en moco nasal, biomarcadores que surgen como emergentes y disfunción olfatoria como marcador de endotipo.
3. Predicción de Resultados Quirúrgicos
Evaluación postoperatoria automatizada
El estudio de Gong et al. (BioMed Eng OnLine, 2025) desarrolló un modelo basado en “Transfer Learning” capaz de extraer características sutiles de imágenes endoscópicas postoperatorias de la cavidad nasosinusal, estandarizando la evaluación postoperatoria y reduciendo la variabilidad subjetiva.
Selección de candidatos quirúrgicos
En su estudio, Chowdhury et al. (2026) proponen un flujo combinado: modelos de ML para triaje primario de candidatos a Cirugía Endoscópica Funcional de los senos paranasales, con IA generativa como herramienta explicativa. Variables más relevantes identificadas:
- SNOT-22 basal
- Severidad en la TAC y la endoscopía
- Fenotipo polipoideo
- Comorbilidades psicológicas y dolor
4. Grandes Modelos de Lenguaje (LLMs) en Rinología
Modelos como ChatGPT y Gemini fueron evaluados para responder preguntas clínicas en rinología, con rendimiento superior al 80% en algunos dominios. Pese a ello, aún no hay una integración clínica real más allá de la etapa de prototipo.
Por otro lado, un estudio comparativo (Chowdhury et al., 2026) evaluó cinco LLMs en predicción de mejora clínicamente significativa post-CENS, pero determinó un rendimiento inferior a los modelos supervisados de ML para predicción cuantitativa.
5. Brechas y Desafíos de la IA hasta la fecha
- Se dispone de escasos estudios sobre planificación quirúrgica asistida por IA
- Ausencia de evaluaciones económicas formales
- Ninguna herramienta ha completado la integración clínica real
- Alta dependencia de datos provenientes de Asia, con limitada generalizabilidad regional
- La mayoría de modelos son retrospectivos y monocéntricos
- Falta de estudios prospectivos con validación externa

Ante ello, podemos determinar que de momento, laa IA en RSC está transitando de la validación conceptual hacia las aplicaciones concretas, especialmente en lo referente a imagen y endoscopía. La predicción de resultados quirúrgicos y la identificación de endotipos mediante datos clínicos representan las fronteras más activas de una investigación futura.
Síntesis: Estado Actual por Dominio

Referencias Bibliográficas Principales
Pereira NM et al. The Role of Artificial Intelligence in CRS: A Scoping Review. IFAR 16(1):70–95. 2026.
Hosseini M et al. Machine Learning-Enhanced Clinical Decision Support for Diagnosing Sinusitis. IFAR 16(2):152–161. 2026.
Rajan S et al. A preliminary review of the utility of AI to detect eosinophilic CRS. IFAR. 2025.
Du W et al. Deep learning in CT to predict endotype in CRSwNP. BMC Med Imaging 24(1):25. 2024.
Becker M et al. Prediction of phenotypes by secretory biomarkers and ML in CRS. Eur Rev Med Pharmacol Sci 29(1):1–11. 2025.
Brunson JC et al. ML and 71-Plex Immune Mediator Analysis to Identify Nasal Mucus Biomarkers in CRSwNP. IFAR. 2026.
Gong W et al. Postoperative outcome analysis of CRS using transfer learning. BioMed Eng OnLine 24:95. 2025.
Chowdhury SS et al. Who Benefits From Sinus Surgery? Comparing Generative AI and Supervised ML. arXiv:2601.13710. 2026.
Chaudhary MH, Dahan N. AI-Enhanced CBCT for the Diagnostic Evaluation of CRS. Cureus. 2025.
Publicado originalmente en la Revista Panamericana el 5 de julio de 2026.