Artificial intelligence tools for title/abstract screening in systematic reviews

Antecedentes
La inteligencia artificial (IA) permite la automatización de las revisiones sistemáticas de la literatura (RLS), tal como proponen varias colaboraciones internacionales. Las SLR de alta calidad se adhieren a fases estrictas para abordar una pregunta estructurada, la selección de términos de búsqueda, la búsqueda bibliográfica, la preselección de referencias preliminares, la evaluación de estudios, la extracción de datos y el análisis. La preselección de referencias es una de las fases más laboriosas, lentas y propensas a errores. Aunque la IA tiene el potencial de simplificar el SLR, los problemas de compatibilidad, transparencia y fiabilidad dificultan su adopción. A pesar de que la bibliografía se actualiza a diario, sigue siendo difícil resumirla y tomar decisiones sobre su aplicación.

Objetivo
Evaluar las pruebas disponibles que apoyan el uso de la inteligencia artificial para la preselección de referencias de la revisión sistemática de la literatura.

Métodos
Revisión de alcance siguiendo la metodología de Johanna Briggs en busca de la naturaleza y extensión de la evidencia que realce el uso de modelos algorítmicos basados en IA para la selección preliminar de referencias en SLR. El cribado, la selección y la extracción se realizaron por duplicado. Se intenta cubrir el modelo más comúnmente reportado, las métricas de rendimiento, la validez externa y la accesibilidad. También se incluyen las características de la tecnología de IA y las que facilitan su adopción e implementación. Solo se incluyeron artículos publicados después de 2019. Los resultados se presentan en forma de descripción narrativa y se utilizan tablas y figuras. Un diagrama de flujo de decisiones mostró el número de referencias y artículos que se recuperaron, eliminaron o incluyeron en el análisis final.

Resultados
Tras eliminar los duplicados, se identificaron 9652 citas a partir de la búsqueda en bases de datos electrónicas. Basándonos en el título y el resumen, excluimos 9527, dejando 113 artículos de texto completo para evaluar su elegibilidad. Los principales países de afiliación del autor correspondiente, en orden descendente, fueron EE.UU., Canadá y el Reino Unido. Aproximadamente el 80% de los modelos de algoritmos comunicados se basaban en el aprendizaje automático (AM), seguido del procesamiento del lenguaje natural (PLN). Casi el 40% de los modelos ML se sometieron a validación externa. No se propusieron estrategias adicionales para facilitar la adopción o aplicación de modelos algorítmicos de clasificación.

Conclusiones
Resumimos los conocimientos sobre modelos algorítmicos para la clasificación de referencias durante la fase de cribado de las revisiones sistemáticas de la literatura (RSL). La mayor parte de la literatura reciente se centra en el ML, mientras que la validación externa sigue siendo una práctica poco frecuente. No se identificaron marcos específicos para promover la adopción e implementación de estos modelos.