Inteligencia Artificial y Automatización en la Síntesis de Evidencia: Una Investigación de los Métodos Empleados en Revisiónes de Cochrane, la Campbell Collaboration y Environmental Evidence

RESUMEN La automatización, incluida el Aprendizaje Automático (ML), se explora cada vez más para reducir el tiempo y esfuerzo involucrados en las síntesis de evidencia, pero su adopción y prácticas de reporte siguen siendo poco examinadas en diversas disciplinas (por ejemplo, ciencias de la salud, educación y política). Esta revisión evalúa el uso de la automatización, incluidas técnicas basadas en ML, en 2271 síntesis de evidencia publicadas entre 2017 y 2024 en la Cochrane Database of Systematic Reviews, y las revistas Campbell Systematic Reviews y Environmental Evidence. Nos enfocamos en la automatización en cuatro pasos de revisión: búsqueda, cribado, extracción de datos y análisis/síntesis. Identificamos sistemáticamente estudios elegibles de las tres fuentes y desarrollamos un sistema de clasificación para distinguir entre herramientas manuales, basadas en reglas, habilitadas para ML y con ML integrado. Luego extraímos datos sobre uso de herramientas, integración de ML, prácticas de reporte, motivaciones a favor (y en contra) de la adopción de ML, y la aplicación de criterios de detención para el cribado asistido por ML. Solo ~5% de los estudios reportaron explícitamente usar ML, con la mayoría de las aplicaciones limitadas a tareas de cribado. Aunque ~12% emplearon herramientas habilitadas por ML, ~90% de esos no aclararon si las funcionalidades de ML se utilizaron realmente. Las revisiones vivas mostraron mayor integración relativa de ML (~15%), pero la adopción general sigue siendo limitada. Trabajos previos han mostrado que las barreras comunes para una adopción más amplia incluyen guía limitada, baja conciencia del usuario y preocupaciones sobre fiabilidad. A pesar del potencial de ML para optimizar las síntesis de evidencia, su integración sigue siendo limitada y reportada de forma inconsistente. Se requieren mayor transparencia, normas de reporte más claras y más capacitación para usuarios que apoyen una adopción responsable. A medida que la literatura de investigación crece, la automatización será cada vez más esencial—pero solo si se abordan los desafíos de usabilidad, reproducibilidad y confianza.