La aplicación del aprendizaje automático (ML) en la toma de decisiones clínicas en enfermedades de la piel es cada vez más común, abarcando múltiples etapas clave como el reconocimiento de lesiones, el diagnóstico diferencial multimodal, las recomendaciones de tratamiento individualizadas, la predicción de la eficacia terapéutica y la evaluación del pronóstico. Los modelos de ML, al integrar datos de múltiples fuentes como imágenes, genómica y características clínicas, no solo ayudan a los médicos a mejorar la precisión diagnóstica, sino que también optimizan la selección del tratamiento, permitiendo la gestión dinámica de la enfermedad e intervenciones personalizadas, mostrando un potencial clínico destacado. Por ejemplo, los sistemas de análisis de imágenes basados en redes neuronales convolucionales han demostrado un rendimiento comparable o superior al de los expertos en dermatología en el reconocimiento de tumores cutáneos. En la optimización del tratamiento, el ML puede analizar datos multidimensionales del paciente para recomendar esquemas terapéuticos personalizados, predecir la respuesta al tratamiento y los riesgos de eventos adversos, apoyando la medicina de precisión. En la evaluación del pronóstico y el manejo a largo plazo, los modelos de ML que combinan resultados reportados por pacientes y datos en series temporales permiten el monitoreo dinámico de la progresión de la enfermedad y la predicción individualizada del riesgo de recaída. Sin embargo, a pesar del rápido desarrollo tecnológico, la transformación práctica del ML en las decisiones clínicas en dermatología enfrenta múltiples limitaciones, incluidas sesgos de datos, falta de generalización de los algoritmos, ausencia de validación clínica, dificultades en la integración de sistemas y problemas éticos y regulatorios insuficientes. Esta revisión sistemática detalla el estado actual de la aplicación y el progreso de la investigación de ML en las distintas fases de la toma de decisiones clínicas en enfermedades de la piel, analiza en profundidad los principales desafíos y ofrece una revisión integral del avance en la aplicación del ML para apoyar la toma de decisiones clínicas, abordando desde el reconocimiento de imágenes, la optimización del tratamiento, la evaluación pronóstica y los desafíos éticos, con el objetivo de proporcionar una referencia para la investigación y la práctica clínica.

aprendizaje automático;dermatología;toma de decisiones clínicas;diagnóstico asistido por IA;datos multimodales