Introducción: La predicción de complicaciones quirúrgicas continúa siendo un reto en la actualidad, representando una causa importante de morbimortalidad en cirugía. La identificación precoz de pacientes con elevado riesgo es esencial en la optimización de decisiones. Las escalas clínicas tradicionales (ASA, POSSUM...) han sido ampliamente utilizadas, aunque con limitaciones respecto a la precisión clínicas. La inteligencia artificial (IA) representa una auténtica revolución en cirugía, emergiendo como una herramienta prometedora para anticipar complicaciones y optimización de decisiones.

Objetivos: El objetivo de este trabajo es evaluar sistemáticamente la evidencia científica existente sobre el uso de modelos de IA en la predicción de complicaciones posoperatorias en cirugía general y digestiva, y analizar el valor diagnóstico de estos modelos mediante diversas medidas de rendimiento.

Métodos: Se realizó una revisión sistemática minuciosa publicada en las principales bases de datos (PubMed, Cochrane, Web of Science) sobre la utilidad predictiva de la IA en las principales complicaciones posoperatorias de nuestro campo, de acuerdo con la declaración PRISMA. La combinación de términos empleados incluye, entre otros: “Artificial Intelligence”; “Postoperative complications", “General Surgery”. Se definieron los siguientes criterios de inclusión: estudios observacionales o ensayos clínicos publicados entre 2012 y 2025 que empleen la IA como predictor de complicaciones posoperatorias, particularmente en cirugía general y digestiva. Los criterios de exclusión son: estudios previos a 2012, protocolos sin resultados o estudios sobre complicaciones posquirúrgicas no relacionados con cirugía digestiva mayor (urológica, ginecológica, etc.). Se extraerán datos sobre diseño de estudio, tipo de cirugía, modelo de IA, complicación a estudio, entre otros. La sensibilidad, especificidad y área bajo la curva (AUC ROC) fueron las medidas de rendimiento más frecuentemente reportadas.

Resultados: Tras una búsqueda inicial con más de 5.000 artículos identificados, tras aplicar los criterios de selección, el número de artículos se redujo a 22. Los algoritmos más utilizados de IA fueron las redes neuronales, random forest y modelos explicables. La gran mayoría de artículos pertenecían a la sección de cirugía colorrectal o hepatobiliopancreática, publicados fundamentalmente a partir del año 2018. Entre las complicaciones posoperatorias a estudio, destacan la fuga anastomótica, sangrado posquirúrgico, fístula pancreática o infección del sitio quirúrgico. Los modelos mostraron un rendimiento variable en la predicción de complicaciones posoperatorias en cirugía abdominal mayor, con AUC entre 0,5 y 0,94. Se evidenció una sensibilidad muy variable, con una especificidad del 65-93%.

Conclusiones: Los estudios muestran que los modelos de IA podrían jugar un papel crucial en la predicción de complicaciones posoperatorias en el ámbito de cirugía general y digestiva. Aunque los resultados son prometedores, existe una amplia variabilidad en las métricas de rendimiento entre estudios, siendo necesaria la estandarización de métodos de validación para la generalización de los modelos en un futuro. La integración de la IA no solo planteará el reconocimiento de complicaciones posoperatorias, sino que podría suponer un avance en la planificación quirúrgica con softwares de simulación virtual en base a anatomía individualizada de cada paciente o en la monitorización del acto quirúrgico, en estudio actualmente.