La otitis media aguda (OMA) es una de las enfermedades más frecuentes en niños, únicamente superada por el resfriado común. Aunque el diagnóstico preciso es fundamental, lograr altas tasas de precisión es un desafío constante en la práctica clínica. Se han creado diversos modelos computacionales basados en redes neuronales para detectarla, pero su aplicación en entornos clínicos sigue siendo limitada.

Según una revisión de literatura de mayo 2026 elaborada por UpToDate [1] —la plataforma de apoyo para la toma de decisiones clínicas basada en evidencia— los dispositivos otoscópicos digitales enfrentan uno de los principales desafíos de la exploración del oído en niños pequeños: la documentación. Existe la posibilidad de interpretar imágenes otoscópicas digitales mediante algoritmos que utilizan inteligencia artificial (IA), lo que conduciría a mejores resultados diagnósticos en comparación con las capacidades actuales. Además, esta tecnología podría mejorar la calidad de los diagnósticos realizados a distancia y facilitar la prestación de servicios en zonas rurales y otras áreas desatendidas.

En este contexto se destaca este estudio, liderado por el Dr. Nader Shaikh del Centro Médico de la Universidad de Pittsburgh, cuyo objetivo fue desarrollar y validar internamente una herramienta de IA de apoyo a la toma de decisiones para interpretar vídeos de la membrana timpánica y mejorar la precisión en el diagnóstico de OMA.

Se analizaron videos otoscópicos de la membrana timpánica, capturados con un teléfono inteligente, durante consultas ambulatorias en dos centros de Pensilvania entre 2018 y 2023. Los participantes elegibles fueron niños que asistieron a estas consultas por enfermedad o para controles de rutina.

Utilizando los videos otoscópicos grabados por otoscopistas validados, se entrenó un modelo de red neuronal residual-recurrente profundo para predecir tanto las características de la membrana timpánica como el diagnóstico de OMA frente a su ausencia. La precisión de esta red se comparó con una segunda red entrenada mediante un modelo predictivo de árbol de decisión.

Con 1.151 videos de 635 niños (la mayoría menores de 3 años), la red neuronal residual-recurrente profunda mostró una precisión diagnóstica casi idéntica a la de la red de árbol de decisión. El algoritmo final de la red neuronal clasificó los videos de la membrana timpánica en categorías de OMA y sin OMA, logrando una sensibilidad del 93,8% (IC 95%: 92,6%-95,0%) y una especificidad del 93,5% (IC 95%: 92,8%-94,3%). Por su parte, el modelo de árbol de decisión alcanzó una sensibilidad del 93,7% (IC 95%: 92,4%-94,9%) y una especificidad del 93,3% (IC 95%: 92,5%-94,1%). Entre las características de la membrana timpánica analizadas, la protrusión se correlacionó más estrechamente con el diagnóstico previsto, presentándose en el 100% de los casos en los que se predijo OMA en el conjunto de prueba.

El algoritmo mostró una mayor precisión que los pediatras, médicos de atención primaria y profesionales de la salud de práctica avanzada. Esto sugiere que, debido a su alta exactitud, podría implementarse de manera efectiva en entornos de atención primaria o cuidados intensivos, facilitando el diagnóstico automatizado de la otitis media aguda y mejorando la toma de decisiones relacionadas con el tratamiento.

[1] UpToDate (2026). Acute otitis media in children: Clinical manifestations and diagnosis. Recuperado de https://www.uptodate.com/contents/acute-otitis-media-in-children-clinical-manifestations-and-diagnosis