Autores originales: Xinou Jiang; Thianhui Kang; China Chen; Hong Qiao; Wei Lv y Aodeng Surita. Departament of Otolaryngology. Peking Union Medical College Hospital. Beijing. China -Publicado en Front Allergy. 2026, 7:1923079.
Introducción: de los fenotipos a los endotipos
La rinosinusitis crónica (RSC) no es una enfermedad única, sino un síndrome inflamatorio heterogéneo caracterizado por mecanismos fisiopatológicos diversos. Dos pacientes con manifestaciones clínicas, endoscópicas y tomográficas similares pueden presentar perfiles inflamatorios diferentes, respuestas terapéuticas variables y distintos riesgos de recurrencia después de la cirugía.
Tradicionalmente, la RSC se ha clasificado según sus características clínicas en dos grandes fenotipos: rinosinusitis crónica con pólipos nasales (RSCcPN) y rinosinusitis crónica sin pólipos nasales (RSCsPN). Sin embargo, esta clasificación no refleja completamente la complejidad biológica de la enfermedad.
El concepto de endotipo introduce una dimensión adicional: identificar los mecanismos inflamatorios que contribuyen al desarrollo y persistencia de la enfermedad.
Entre los patrones más estudiados se encuentra la inflamación tipo 2, caracterizada por la participación de eosinófilos y mediadores como las interleucinas IL-4, IL-5 e IL-13, así como la inmunoglobulina E (IgE). Por otra parte, existen perfiles no tipo 2, que pueden involucrar respuestas tipo 1 o tipo 3, infiltración neutrofílica y mediadores como IL-17, IL-22 e interferón gamma.
Esta división no es absoluta. Numerosos pacientes presentan patrones inflamatorios mixtos, y los mecanismos predominantes pueden variar según la población, las características clínicas y la evolución de la enfermedad.
La identificación de estos perfiles tiene potencial relevancia para estimar la gravedad, anticipar la recurrencia y orientar tratamientos individualizados.
En la RSCcPN, la disponibilidad de terapias biológicas ha incrementado el interés por reconocer los mecanismos inflamatorios predominantes. Actualmente, entre los tratamientos aprobados por la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) se encuentran:
- Dupilumab: dirigido contra la subunidad alfa del receptor de IL-4 (IL-4Rα), bloqueando la señalización de IL-4 e IL-13.
- Mepolizumab: anticuerpo monoclonal dirigido contra IL-5.
- Omalizumab: anticuerpo monoclonal dirigido contra IgE.
- Tezepelumab: anticuerpo monoclonal dirigido contra la linfopoyetina estromal tímica (TSLP), aprobado en octubre de 2025 como tratamiento adicional de mantenimiento de la RSCcPN insuficientemente controlada en pacientes de 12 años o mayores.
Benralizumab, dirigido contra IL-5Rα, ha sido investigado en pacientes con RSCcPN, pero no cuenta con aprobación de la FDA para esta indicación (en 2022 la agencia solicitó datos clínicos adicionales). Cada biológico actúa sobre un blanco distinto, por lo que no deben considerarse automáticamente intercambiables.
La selección de un tratamiento biológico no depende exclusivamente de un biomarcador. Deben considerarse la gravedad de la enfermedad, los tratamientos previos, las comorbilidades (especialmente asma y enfermedad respiratoria exacerbada por antiinflamatorios no esteroideos, EREA), la evidencia de eficacia, la disponibilidad y las preferencias del paciente. [18]
Asimismo, la identificación de inflamación tipo 2 no contraindica la cirugía endoscópica de senos paranasales. La cirugía continúa siendo una herramienta fundamental en pacientes seleccionados y debe integrarse dentro de una estrategia de tratamiento médico y seguimiento a largo plazo. Los biológicos pueden desempeñar un papel complementario en casos graves, persistentes o recurrentes. El consenso EUFOREA/EPOS publicado en octubre de 2026 recomienda que los pacientes con enfermedad difusa reciban al menos una cirugía endoscópica primaria completa y señala que, con la evidencia actual, no se recomienda iniciar simultáneamente la cirugía y el tratamiento biológico. [17]
Uno de los desafíos del endotipado consiste en que la caracterización de la inflamación tisular frecuentemente requiere el análisis histopatológico de una biopsia o una muestra quirúrgica. Sin embargo, los criterios para definir eosinofilia tisular no son uniformes. Se han utilizado umbrales como ≥10 eosinófilos por campo de gran aumento, mientras que el sistema japonés JESREC emplea ≥70 eosinófilos por campo dentro de su definición histológica. [16] Otros estudios definen la eosinofilia como un porcentaje del total de células inflamatorias (por ejemplo, >10%).
Estas diferencias dificultan la comparación entre poblaciones y estudios.
En este contexto, la inteligencia artificial (IA) ofrece una posibilidad atractiva: combinar información clínica, radiológica y molecular para estimar de manera no invasiva determinados patrones inflamatorios antes de la cirugía.
La pregunta fundamental es si estos modelos pueden evolucionar desde herramientas experimentales de clasificación hacia instrumentos que realmente mejoren las decisiones terapéuticas y los resultados de los pacientes.

La inteligencia artificial al servicio de la subtipificación y el endotipado
Predicción de rinosinusitis eosinofílica sin biopsia
La inteligencia artificial permite analizar simultáneamente múltiples variables clínicas y biológicas, identificar asociaciones complejas y generar modelos predictivos.
Entre las técnicas utilizadas se encuentran la regresión logística penalizada (LASSO), los árboles de decisión, los bosques aleatorios (random forest), XGBoost, las máquinas de vectores de soporte y las redes neuronales.
Rajan y colaboradores publicaron en 2025 una revisión con metaanálisis que incluyó siete estudios y un total de 2.410 pacientes, dirigida a evaluar la capacidad de distintos algoritmos para identificar RSC eosinofílica. [1]
Los resultados agrupados mostraron:
- Sensibilidad: 85,7%.
- Especificidad: 85,0%.
- Área bajo la curva ROC (AUC) de los modelos seleccionados: entre 0,824 y 0,956.
Estos resultados son prometedores, pero requieren una interpretación cuidadosa.
La sensibilidad representa la capacidad del modelo para identificar correctamente a los pacientes que presentan la condición estudiada; la especificidad expresa su capacidad para identificar a quienes no la presentan. El AUC resume la capacidad de discriminación del modelo: un valor de 0,5 corresponde a una discriminación equivalente al azar, mientras que un valor de 1,0 representa una discriminación perfecta.
La revisión no encontró diferencias estadísticamente significativas entre las familias de algoritmos evaluadas. Sin embargo, esto no demuestra que los modelos sencillos y complejos sean equivalentes. Las diferencias metodológicas, el número limitado de estudios y la heterogeneidad de las poblaciones impiden establecer conclusiones definitivas sobre la superioridad de una arquitectura determinada.
Las variables predictoras utilizadas con mayor frecuencia incluyen:
- Recuento y porcentaje de eosinófilos en sangre periférica.
- Concentración sérica de IgE.
- Presencia y extensión de pólipos nasales.
- Puntuación endoscópica de Lund-Kennedy.
- Extensión de la enfermedad en tomografía computarizada (TC), mediante la escala de Lund-Mackay.
- Relación entre la afectación etmoidal y maxilar.
- Antecedentes de asma, alergia y EREA.
- Intensidad de los síntomas y calidad de vida, evaluadas mediante instrumentos como SNOT-22.
Una limitación importante es que numerosos estudios son retrospectivos, monocéntricos y realizados en poblaciones asiáticas. Además, no siempre utilizan la misma definición histológica de eosinofilia. Los propios autores del metaanálisis excluyeron los estudios que solo informaban resultados por imagen y no por paciente, porque ese tipo de análisis aumenta artificialmente el tamaño de la muestra. [1]
Por lo tanto, un modelo que demuestra un rendimiento elevado en una población determinada no necesariamente tendrá el mismo comportamiento en pacientes de otros países o regiones.
En 2026, Liu y colaboradores desarrollaron un modelo de predicción de RSCcPN eosinofílica utilizando información clínica preoperatoria de 331 pacientes. Las variables más relevantes incluyeron el porcentaje de eosinófilos periféricos, la intensidad de los síntomas, la relación de afectación etmoidal/maxilar y la puntuación de pólipos nasales. [2]
El algoritmo XGBoost alcanzó un AUC de 0,928 en el conjunto de prueba, lo que representa un resultado alentador.
Los autores utilizaron valores SHAP (SHapley Additive exPlanations) para explorar la contribución de cada variable a las predicciones individuales.
Este procedimiento mejora la explicabilidad del modelo, aunque no demuestra relaciones causales ni elimina la necesidad de validación externa.
La principal enseñanza es que los modelos de IA pueden combinar información clínica convencional para estimar la probabilidad de eosinofilia tisular, pero todavía no reemplazan la evaluación clínica ni constituyen una prueba diagnóstica definitiva.

Aprendizaje profundo aplicado a la tomografía computarizada
La TC de senos paranasales constituye una fuente particularmente atractiva para el desarrollo de herramientas de inteligencia artificial.
Además de mostrar la extensión anatómica de la enfermedad, las imágenes pueden contener patrones cuantitativos que no se describen habitualmente mediante las escalas radiológicas convencionales.
El trabajo de Du y colaboradores, publicado en BMC Medical Imaging en 2024, investigó la posibilidad de diferenciar RSCcPN eosinofílica y no eosinofílica mediante aprendizaje profundo. [3]
Los investigadores analizaron 29.993 imágenes tomográficas provenientes de 251 pacientes, utilizando información de los planos axial, coronal y sagital.
El modelo fue desarrollado mediante ResNet-18, una red neuronal convolucional con conexiones residuales que facilitan el entrenamiento de arquitecturas profundas al reducir las dificultades asociadas con el desvanecimiento del gradiente.
ResNet-18 contiene aproximadamente 11,7 millones de parámetros en su configuración estándar.
El modelo alcanzó un AUC de 0,963 en el conjunto de prueba.
Aunque este rendimiento resulta impresionante, es esencial reconocer que las 29.993 imágenes no representan 29.993 pacientes independientes. Las imágenes procedentes de una misma persona contienen información relacionada, por lo que la independencia entre los conjuntos de entrenamiento y evaluación debe garantizarse a nivel del paciente.
En este estudio, las imágenes se distribuyeron de forma aleatoria entre los conjuntos de entrenamiento, validación y prueba (17.995, 5.998 y 6.000 imágenes, respectivamente), y no por paciente. Esto implica un riesgo real de fuga de información (data leakage): cortes de un mismo paciente pueden aparecer tanto en el entrenamiento como en la evaluación, lo que puede producir estimaciones artificialmente elevadas del rendimiento diagnóstico. Se trata, además, de un estudio retrospectivo y monocéntrico, en el que la eosinofilia se definió como >10% de eosinófilos sobre el total de células inflamatorias.
Los investigadores también utilizaron mapas de activación Grad-CAM para visualizar regiones de la imagen que influyeron en las predicciones.
Sin embargo, estos mapas no permiten afirmar que la red haya identificado directamente infiltración eosinofílica en estructuras anatómicas específicas. De hecho, los propios autores reconocen que las zonas resaltadas correspondían principalmente al hueso y no a los pólipos. Tampoco demuestran qué mecanismos biológicos explican las asociaciones detectadas.
La IA identifica patrones estadísticos en las imágenes; su interpretación fisiopatológica requiere investigación adicional.
Un avance importante fue comunicado por Zhu y colaboradores en 2023, quienes desarrollaron un modelo radiómico para identificar RSCcPN eosinofílica y realizaron validaciones en instituciones diferentes. [4]
El modelo basado en características radiológicas cuantitativas alcanzó un AUC de 0,815 en la cohorte de desarrollo. Al incorporar el recuento de eosinófilos sanguíneos, el rendimiento mejoró hasta un AUC de 0,903. Los autores también evaluaron los modelos en cohortes externas.
Este estudio demuestra el valor potencial de combinar imágenes y biomarcadores clínicos, además de representar un avance frente a los modelos evaluados exclusivamente dentro de la institución donde fueron desarrollados.
En 2025, Li y colaboradores publicaron otro modelo multicéntrico, con 1.098 pacientes de dos hospitales, que integró aprendizaje profundo e información clínica, alcanzando un AUC de 0,821 en el conjunto externo de evaluación. [5]
Vale la pena notar que el rendimiento en pacientes de otra institución (AUC 0,821) fue menor que el informado en el estudio monocéntrico con división aleatoria de imágenes (AUC 0,963). Esa diferencia es, en sí misma, una enseñanza sobre la importancia de la validación externa.
Estos resultados sugieren que la integración multimodal puede mejorar la identificación preoperatoria de patrones eosinofílicos.
No obstante, aunque la TC forme parte de la evaluación habitual de muchos pacientes, el desarrollo e implementación de estas herramientas requiere infraestructura informática, estandarización de imágenes, validación y mantenimiento.
Por tanto, no puede asumirse que la aplicación clínica de estos modelos carezca de costos adicionales.
Biomarcadores en moco nasal: hacia una biopsia líquida nasal
Una estrategia complementaria consiste en analizar las proteínas y mediadores inflamatorios presentes en las secreciones nasales.
El moco nasal ofrece una ventana al microambiente inflamatorio de la mucosa y puede obtenerse mediante procedimientos relativamente sencillos y poco invasivos.
En la inflamación tipo 2, las alarminas epiteliales, como IL-25, IL-33 y TSLP, participan en la activación de células linfoides innatas tipo 2 (ILC2) y otras vías inmunológicas, favoreciendo la producción de IL-4, IL-5 e IL-13.
Estas vías contribuyen a la inflamación eosinofílica, la producción de moco y el remodelado de la mucosa.
Becker y colaboradores publicaron en 2025 un estudio de 103 pacientes con RSC, de los cuales 66 presentaban pólipos nasales y 37 no los presentaban. [6]
Se analizaron 12 biomarcadores presentes en secreciones nasales obtenidas mediante esponjas de Merocel, después de tres semanas sin corticoides, y los resultados fueron evaluados utilizando distintas técnicas computacionales, entre ellas AdaBoost y XGBoost.
Entre los biomarcadores investigados se encontraban:
IL-5: citocina fundamental para el desarrollo, activación y supervivencia de los eosinófilos. Fue uno de los principales marcadores para diferenciar los grupos estudiados.
Periostina: proteína de la matriz extracelular relacionada con la señalización de IL-4 e IL-13 y el remodelado tisular.
Cistatina-SA (CST-2): proteína asociada con procesos epiteliales que mostró importancia en los modelos de clasificación.
IL-17: mediador vinculado con respuestas inflamatorias tipo 3, cuya inclusión permite explorar patrones inflamatorios más allá de la respuesta eosinofílica clásica.
La combinación de IL-5, IgE, IL-17 y periostina mostró el mejor rendimiento para la clasificación fenotípica en el estudio.
Es importante subrayar que el objetivo principal fue diferenciar fenotipos clínicos, particularmente RSC con y sin pólipos, y no validar un sistema completo de endotipado molecular.
La demostración de que determinados biomarcadores permiten clasificar fenotipos no significa automáticamente que puedan identificar con precisión la vía inflamatoria dominante o seleccionar el tratamiento más eficaz para un paciente individual.
Tampoco debe considerarse la periostina como un criterio rutinario y validado de elegibilidad para tratamientos biológicos en RSCcPN.
El estudio aporta evidencia preliminar de que las secreciones nasales pueden contener información diagnóstica relevante y abre una línea de investigación hacia pruebas inflamatorias locales menos invasivas.
La combinación de estos biomarcadores con datos clínicos e imágenes podría ofrecer una caracterización más completa que cualquiera de las modalidades utilizadas de forma aislada.
Biomarcadores sanguíneos: utilidad y limitaciones
Una de las principales preguntas clínicas es si los eosinófilos sanguíneos y la IgE sérica pueden utilizarse como sustitutos confiables de la inflamación eosinofílica tisular.
La respuesta no es sencilla.
Los marcadores sanguíneos constituyen herramientas accesibles y útiles para la evaluación de inflamación tipo 2, pero su correlación con el infiltrado inflamatorio local es imperfecta.
Fan y colaboradores analizaron en 2025 un grupo de 73 pacientes con RSCcPN y encontraron una correlación débil entre el recuento de eosinófilos sanguíneos y los eosinófilos presentes en el tejido nasal (r = 0,367). No encontraron una correlación estadísticamente significativa entre la IgE sérica y la eosinofilia tisular. [7]
Estos hallazgos indican que la inflamación sistémica y local no siempre se corresponden directamente.
Sin embargo, no debe concluirse que los biomarcadores sanguíneos carecen de utilidad clínica.
Un estudio publicado por Cho y colaboradores en 2026, que incluyó 177 pacientes con RSC, encontró que el recuento de eosinófilos sanguíneos se relacionaba con la eosinofilia tisular y tenía mejor capacidad discriminativa que la IgE sérica, incluso al considerar el estado de sensibilización alérgica. [8]
Las diferencias entre estudios pueden reflejar variaciones poblacionales, criterios histológicos, gravedad de la enfermedad y métodos de análisis.
Por lo tanto, los eosinófilos sanguíneos deben interpretarse como un componente de la evaluación inflamatoria, y no como un sustituto perfecto de la caracterización tisular.
Estos resultados también justifican el desarrollo de modelos multimodales que incorporen conjuntamente biomarcadores sanguíneos, información clínica, endoscopia, imágenes y, cuando estén disponibles, biomarcadores locales.
Predicción de IgE elevada y selección de candidatos para evaluación adicional
La posibilidad de anticipar la presencia de concentraciones elevadas de IgE constituye otra aplicación potencial de los modelos predictivos.
Heffernan y colaboradores publicaron en 2022 un estudio retrospectivo de 65 pacientes con RSC, en el que desarrollaron modelos de regresión logística para estimar la probabilidad de IgE sérica elevada. [9]
El modelo propuesto incluyó cinco variables:
- Eosinófilos sanguíneos ≥300 células/μL.
- Presencia de RSC con pólipos nasales.
- Puntuación de Lund-Mackay ≥17.
- Diagnóstico de asma.
- Puntuación SNOT-22 ≥40.
El mejor modelo alcanzó una sensibilidad de 82,1%, especificidad de 69,2%, valor predictivo positivo de 80,0% y valor predictivo negativo de 72,0%.
Todas las medidas de rendimiento, excepto la sensibilidad, superaron las del modelo de la Guía Canadiense de Biológicos utilizado como referencia.
Este trabajo demuestra que una combinación de datos clínicos habituales puede ayudar a identificar pacientes con mayor probabilidad de presentar IgE elevada y orientar la solicitud de pruebas complementarias.
Sin embargo, predecir IgE elevada no equivale a predecir respuesta terapéutica a omalizumab.
La eficacia clínica de los biológicos depende de mecanismos más complejos, y la ausencia de IgE elevada no excluye automáticamente un beneficio terapéutico en todos los contextos.
Por ello, estos algoritmos deben considerarse herramientas potenciales de apoyo diagnóstico y no sistemas validados para seleccionar por sí solos un tratamiento biológico.
Disfunción olfativa como manifestación de mecanismos inflamatorios
La pérdida del olfato constituye uno de los síntomas más importantes de la RSC, especialmente en pacientes con pólipos nasales.
Tradicionalmente se ha relacionado con la obstrucción mecánica de la región olfatoria. Sin embargo, la evidencia actual demuestra que también intervienen procesos inflamatorios que afectan el neuroepitelio olfatorio y su entorno.
La alteración olfativa puede depender de mecanismos múltiples, entre ellos edema, inflamación neuroepitelial, modificaciones en el moco y cambios en la función de las células sensoriales.
Brunson y colaboradores publicaron en 2026 un estudio exploratorio en 15 pacientes con RSCcPN, utilizando la prueba olfativa UPSIT y el análisis de 71 mediadores inmunológicos en moco nasal mediante aprendizaje automático. [10]
Los investigadores identificaron IL-21 y MIP-1δ como posibles biomarcadores asociados con mayor deterioro olfativo.
Estos mediadores no deben interpretarse simplemente como marcadores clásicos de inflamación tipo 2. Su identificación sugiere que los mecanismos asociados con la disfunción olfativa pueden extenderse más allá de las vías habitualmente estudiadas de IL-4, IL-5 e IL-13.
El número reducido de pacientes y el diseño exploratorio limitan la generalización de los resultados.
Además, el estudio no demuestra que estos biomarcadores puedan predecir la recuperación olfativa después de la cirugía.
No obstante, abre una línea de investigación interesante: identificar subgrupos de pacientes en quienes la disfunción olfativa refleja mecanismos inflamatorios específicos que podrían explicar diferencias en la respuesta al tratamiento.
Biomarcadores emergentes y modelos predictivos multimodales
La investigación sobre RSC continúa identificando mediadores inflamatorios que podrían contribuir a la clasificación biológica y al pronóstico.
Entre ellos destacan IL-33, su receptor soluble sST2, TSLP, IL-5, la proteína catiónica eosinofílica (ECP) y diversos marcadores relacionados con remodelado tisular.
IL-33 es una alarmina epitelial que participa en la activación de respuestas inflamatorias tipo 2. Su receptor soluble sST2 puede actuar como receptor señuelo y modular esta señalización.
Zhang y colaboradores investigaron, en 149 pacientes con RSCcPN, el valor potencial de IL-33 y sST2 séricos para identificar perfiles inflamatorios y estimar recurrencia posoperatoria a tres años; la combinación de ambos marcadores superó a cada uno por separado. [11]
Aunque estos biomarcadores son prometedores, aún no forman parte de algoritmos clínicos universalmente validados para seleccionar tratamientos.
La TSLP merece especial atención porque no solamente participa en la fisiopatología de la enfermedad, sino que también representa una diana terapéutica.
El ensayo WAYPOINT, publicado en 2025, demostró el beneficio de tezepelumab en adultos con RSCcPN grave: a las 52 semanas, la indicación de cirugía de pólipos fue de 0,5% con tezepelumab frente a 22,1% con placebo, contribuyendo a ampliar las opciones terapéuticas disponibles. [12].
No obstante, la eficacia de un medicamento dirigido contra una vía inflamatoria no demuestra que la medición aislada de ese mediador permita predecir de forma confiable la respuesta individual.
La incorporación de nuevos biomarcadores a modelos de inteligencia artificial deberá demostrar que mejora el rendimiento predictivo y, especialmente, que contribuye a tomar decisiones clínicas más eficaces.
Predicción de resultados quirúrgicos y recurrencia
Además de identificar patrones inflamatorios, la inteligencia artificial se está investigando como herramienta para estimar la respuesta a la cirugía endoscópica de senos paranasales.
El pronóstico quirúrgico depende de múltiples factores, incluyendo la extensión de la enfermedad, el perfil inflamatorio, el asma, la EREA, el tratamiento médico posoperatorio y los antecedentes quirúrgicos.
La eosinofilia tisular se ha relacionado con mayor riesgo de recurrencia en determinados grupos de pacientes.
En un estudio prospectivo de tres años con 221 pacientes operados, Vlaminck y colaboradores demostraron la importancia de la inflamación eosinofílica local para el pronóstico después de la cirugía: la recurrencia fue de 22% en el grupo total, de 48% en los pacientes con RSCcPN y eosinofilia tisular, y de 56% cuando además había mucina eosinofílica. [13]
Sin embargo, estas cifras provienen de una cohorte monocéntrica, y las tasas de recurrencia varían considerablemente según la definición utilizada, la duración del seguimiento y las características de la población.
Por esta razón, no es apropiado atribuir una tasa universal de recurrencia a todos los pacientes con RSC eosinofílica.
Los modelos de aprendizaje automático pueden integrar información clínica, inflamatoria y radiológica para estimar riesgos individuales. El modelo de Liu y colaboradores, por ejemplo, también se asoció con la recurrencia posoperatoria, [2] y la revisión de Abuzeid y colaboradores señala que los modelos de pronóstico quirúrgico coinciden en el asma, la opacificación radiológica de los senos y la inflamación eosinofílica o neutrofílica como predictores principales. [15]
Esta estrategia resulta atractiva porque permitiría identificar pacientes que podrían beneficiarse de un seguimiento más estrecho o de tratamientos de mantenimiento intensificados.
Es fundamental distinguir entre diferentes resultados quirúrgicos: mejoría sintomática, mejoría endoscópica, recurrencia de pólipos, necesidad de medicamentos adicionales y cirugía de revisión no son desenlaces equivalentes.
Un modelo que predice recurrencia endoscópica no necesariamente predice falta de mejoría en la calidad de vida.
Tampoco debe interpretarse un riesgo elevado de recurrencia como evidencia de que la cirugía carece de beneficio.
El objetivo futuro es desarrollar modelos capaces de contribuir a una discusión individualizada de riesgos, beneficios y alternativas, sin reemplazar el juicio clínico.
El verdadero desafío: de la precisión estadística a la utilidad clínica
La investigación reciente demuestra avances sustanciales, pero también revela limitaciones importantes.
Una revisión de alcance publicada por Pereira y colaboradores en 2026 identificó 49 estudios sobre aplicaciones de IA en RSC. La mayoría se concentraba en diagnóstico y clasificación, mientras que un número menor evaluaba pronóstico, respuesta terapéutica o planificación clínica. [14]
Posteriormente, Abuzeid y colaboradores publicaron en septiembre de 2026 una revisión sobre el presente y futuro de la inteligencia artificial en RSC, destacando su expansión hacia diagnóstico, endotipado, selección terapéutica y predicción de resultados quirúrgicos. [15]
Los autores señalaron que los modelos complejos no superan de manera consistente a los modelos más sencillos y que la validación externa continúa siendo una de las principales barreras para su aplicación clínica.
Estas observaciones son especialmente relevantes para América Latina.
Los algoritmos desarrollados en poblaciones relativamente homogéneas pueden no reproducir el mismo rendimiento en países con diferentes características genéticas, ambientales, socioeconómicas y epidemiológicas.
Asimismo, las diferencias en acceso a estudios diagnósticos, cirugía y tratamientos biológicos pueden modificar la utilidad práctica de una herramienta predictiva.
Para avanzar hacia una aplicación responsable será necesario abordar varios desafíos:
Validación externa y prospectiva. Los algoritmos deben evaluarse en pacientes e instituciones diferentes de aquellos utilizados para su desarrollo.
Estandarización. Se requieren definiciones comparables de eosinofilia tisular, inflamación tipo 2, fenotipos clínicos y desenlaces terapéuticos.
Integración multimodal. La combinación de información clínica, endoscópica, radiológica y molecular puede ofrecer ventajas frente a modelos basados en una sola fuente de datos.
Interpretabilidad. Los profesionales deben comprender qué variables contribuyen a las predicciones y cuáles son sus limitaciones. Las herramientas explicativas, como SHAP, facilitan el análisis, pero no demuestran causalidad.
Impacto clínico. Un algoritmo con AUC elevado no necesariamente mejora el tratamiento. Debe demostrarse que su utilización modifica decisiones de manera beneficiosa y contribuye a mejores resultados para los pacientes.
Equidad y accesibilidad. Los modelos deben funcionar en poblaciones diversas y no profundizar desigualdades derivadas de la disponibilidad de tecnología o recursos asistenciales.
Consideraciones finales
La inteligencia artificial ofrece nuevas posibilidades para avanzar desde una clasificación predominantemente fenotípica de la rinosinusitis crónica hacia una caracterización más precisa de sus mecanismos inflamatorios y su comportamiento clínico.
Los modelos desarrollados a partir de variables clínicas, biomarcadores sanguíneos, secreciones nasales e imágenes tomográficas han mostrado resultados prometedores para identificar patrones asociados con inflamación eosinofílica y predecir determinadas características de la enfermedad.
Sin embargo, es fundamental distinguir entre tres objetivos relacionados, pero diferentes: predecir un marcador inflamatorio, identificar un endotipo molecular y utilizar esa información para seleccionar tratamientos que mejoren los resultados clínicos.
La evidencia disponible presenta limitaciones importantes, entre ellas el predominio de estudios retrospectivos, tamaños muestrales relativamente reducidos, diferencias en los criterios de eosinofilia tisular, heterogeneidad geográfica y validación externa todavía insuficiente.
Aunque algunos algoritmos alcanzan valores elevados de sensibilidad, especificidad y AUC, aún no existe evidencia suficiente para recomendar su utilización rutinaria como sustitutos de la evaluación clínica, ni para establecer de manera autónoma la indicación de tratamientos biológicos o cirugía.
El desarrollo de modelos multimodales que integren información clínica, endoscópica, radiológica y molecular representa una dirección especialmente prometedora. Su aplicación futura requerirá estudios prospectivos multicéntricos, validación en poblaciones diversas y demostración de beneficios clínicos concretos.
La inteligencia artificial no sustituye el juicio clínico ni la comprensión fisiopatológica de la rinosinusitis crónica. Su mayor potencial reside en complementar estas herramientas para construir una medicina de precisión más objetiva, individualizada y accesible.
El desafío de los próximos años no será solamente desarrollar algoritmos capaces de identificar patrones inflamatorios, sino demostrar que estas predicciones pueden traducirse en mejores decisiones terapéuticas y resultados para nuestros pacientes.
Referencias bibliográficas
- Rajan J, Rosen R, Karasik D, et al. A preliminary review of the utility of artificial intelligence to detect eosinophilic chronic rhinosinusitis. Int Forum Allergy Rhinol. 2025;15(2):203–207. doi:10.1002/alr.23463.
- Liu L, Pei S, Liu Z, et al. Development and interpretation of a machine learning-based predictive model using clinical parameters for eosinophilic chronic rhinosinusitis with nasal polyps. Am J Rhinol Allergy. 2026;40(4):316–326. doi:10.1177/19458924261425834.
- Du W, Kang W, Lai S, et al. Deep learning in computed tomography to predict endotype in chronic rhinosinusitis with nasal polyps. BMC Med Imaging. 2024;24:25. doi:10.1186/s12880–024–01203-w.
- Zhu KZ, He C, Li Z, et al. Development and multicenter validation of a novel radiomics-based model for identifying eosinophilic chronic rhinosinusitis with nasal polyps. Rhinology. 2023;61(2):132–143. doi:10.4193/Rhin22.361.
- Li J, Mao N, Aodeng S, et al. Development and validation an integrated deep learning model to assist eosinophilic chronic rhinosinusitis diagnosis: a multicenter study. Int Forum Allergy Rhinol. 2025;15(10):1070–1081. doi:10.1002/alr.23595.
- Becker M, Kist AM, Wendler O, et al. Prediction of phenotypes by secretory biomarkers and machine learning in patients with chronic rhinosinusitis. Eur Rev Med Pharmacol Sci. 2025;29(1):1–11. doi:10.26355/eurrev_202501_37054.
- Fan J, Daniels W, Pascual A, et al. Blood IgE and eosinophils are not reliable predictors of nasal tissue eosinophils in chronic rhinosinusitis with nasal polyposis. Int Arch Otorhinolaryngol. 2025;29(2):1–5. doi:10.1055/s-0044–1801316.
- Cho A, Cho HJ, Kim CH, Kwak K, Rha MS. Predictive value of blood eosinophil count and serum total immunoglobulin E for type 2 chronic rhinosinusitis according to allergic sensitization status. Eur Arch Otorhinolaryngol. Publicado en línea el 10 de agosto de 2026. doi:10.1007/s00405–026–10527-y.
- Heffernan A, Phulka J, Thamboo A. Improving predictability of IgE-high type 2 chronic sinusitis with nasal polyps in the biologic era. J Otolaryngol Head Neck Surg. 2022;51:22. doi:10.1186/s40463–022–00580-y.
- Brunson JC, Patel A, Ali S, et al. Use of machine learning and 71-plex immune mediator analysis to identify nasal mucus biomarkers associated with olfactory loss in patients with CRSwNP. Am J Rhinol Allergy. 2026;40(4):290–300. doi:10.1177/19458924261418539.
- Zhang Y, Zhu K, Chen J, et al. Predictive values of serum IL-33 and sST2 in endotypes and postoperative recurrence of chronic rhinosinusitis with nasal polyps. Mediators Inflamm. 2022;2022:9155080. doi:10.1155/2022/9155080.
- Lipworth BJ, Han JK, Desrosiers M, et al. Tezepelumab in adults with severe chronic rhinosinusitis with nasal polyps. N Engl J Med. 2025;392(12):1178–1188. doi:10.1056/NEJMoa2414482.
- Vlaminck S, Vauterin T, Hellings PW, et al. The importance of local eosinophilia in the surgical outcome of chronic rhinosinusitis: a 3-year prospective observational study. Am J Rhinol Allergy. 2014;28(3):260–264. doi:10.2500/ajra.2014.28.4024.
- Pereira NM, Wie SJ, Zhao K, Demetres M, Kacker A. The role of artificial intelligence in chronic rhinosinusitis: a scoping review. Int Forum Allergy Rhinol. 2026;16(1):70–95. doi:10.1002/alr.70078.
- Abuzeid WM, Mozingo K, Bai J, et al. Artificial intelligence in chronic rhinosinusitis: from the present to the future. J Allergy Clin Immunol Pract. Publicado en línea el 24 de septiembre de 2026. doi:10.1016/j.jaip.2026.09.018.
- Tokunaga T, Sakashita M, Haruna T, et al. Novel scoring system and algorithm for classifying chronic rhinosinusitis: the JESREC Study. Allergy. 2015;70(8):995–1003. doi:10.1111/all.12644.
- de Corso E, Hellings PW, Fokkens WJ, et al. Surgery and/or biologics in chronic rhinosinusitis with nasal polyps: EUFOREA/EPOS consensus paper. Rhinology. Publicado en línea el 10 de octubre de 2026. doi:10.4193/Rhin26.064.
- Rank MA, Chu DK, Bognanni A, et al. The Joint Task Force on Practice Parameters GRADE guidelines for the medical management of chronic rhinosinusitis with nasal polyposis. J Allergy Clin Immunol. 2023;151(2):386–398. doi:10.1016/j.jaci.2022.10.026.
Publicado originalmente en la Revista Panamericana el 1 de noviembre de 2026.