En los últimos años, la detección de anticuerpos antinucleares (ANA) mediante inmunofluorescencia indirecta sobre células HEp-2 se ha consolidado como el estándar de referencia para el diagnóstico de enfermedades autoinmunes sistémicas. Sin embargo, la interpretación visual de los patrones continúa siendo un proceso subjetivo, dependiente de la experiencia del observador y susceptible a variabilidad inter e intra observador. En este contexto, la incorporación de herramientas basadas en inteligencia artificial (IA) ha emergido como una estrategia innovadora para mejorar la precisión, estandarización y reproducibilidad del análisis. Estos avances no solo optimizan el rendimiento diagnóstico, sino que también fortalecen la correlación clínico-serológica, posicionando a la IA como un recurso clave en la evolución del laboratorio de autoinmunidadUno de los primeros sustratos que se enfrentó a la medición e interpretación automatizada fueron los anticuerpos antinucleares -ANA-. La detección de ANA mediante inmunofluorescencia Indirecta (IFI) sobre células HEp-2 se mantiene como el «estándar de oro» para el tamizaje serológico de enfermedades autoinmunes reumáticas sistémicas (SARD). Su aplicación clínica tiene una alta relevancia, pues constituye un criterio de entrada para la clasificación del Lupus Eritematoso Sistémico (LES) y es esencial en el diagnóstico de la Esclerosis Sistémica (ES), el Síndrome de Sjögren (SS), la enfermedad mixta del tejido conectivo (MCTD) y las miopatías inflamatorias entre otros. La técnica utiliza monocapas de células epiteliales humanas (HEp-2) fijadas en un portaobjetos. Los anticuerpos del suero del paciente se unen a autoantígenos celulares y se detectan mediante anticuerpos anti-inmunoglobulina humana marcados con un fluoróforo (generalmente isotiocianato de fluoresceína, FITC). Es importante nombrar que además de HEp-2 para antígenos nucleares/citoplasmáticos, se utiliza Crithidia luciliae para detectar anticuerpos anti-DNA de doble cadena (dsDNA) aprovechando el kinetoplasto (mitocondria gigante) del parásito como sustrato de DNA nativo, los neutrófilos humanos fijados sobre etanol y formalina como pieza fundamental en el diagnóstico de vasculitis asociadas a ancas (AAV) y algunas hepatopatías autoinmunes con la identificación de anticuerpos sobre sustratos de riñón, estómago e hígado.

La automatización en la interpretación de los patrones de anticuerpos antinucleares surge como una respuesta a las limitaciones inherentes a la lectura visual, la cual puede resultar laboriosa, consumir tiempo considerable y estar sujeta a un alto grado de subjetividad. En este contexto, se han desarrollado sistemas de detección asistida por computadora (CAD), que se han consolidado como herramientas altamente efectivas para mejorar la precisión diagnóstica en menor tiempo. Inicialmente, estos sistemas se basaban en algoritmos matemáticos tradicionales sustentados en descriptores de textura y topología diseñados manualmente; no obstante, los avances en inteligencia artificial han permitido la incorporación de enfoques de aprendizaje profundo mediante redes neuronales convolucionales (CNN), las cuales posibilitan la extracción automática de características directamente a partir de los píxeles de la imagen. Más recientemente, el desarrollo de arquitecturas avanzadas basadas en múltiples CNN, como el sistema akironNeo, demuestran un rendimiento comparable al de los observadores humanos, con una concordancia buena (kappa > 0.60) ha permitido la ejecución simultánea de tareas específicas que incluyen la identificación de fases del ciclo celular (interfase y metafase) y la clasificación de patrones nucleares y citoplasmáticos, lo que se traduce en una mejora significativa en la precisión y estandarización del diagnóstico.

En este contexto, los estudios comparativos sobre el rendimiento de la inteligencia artificial frente a la interpretación manual de patrones, como el publicado por J. Schmidt et al.2026, demuestran que la IA constituye una alternativa estandarizada y confiable a la microscopía convencional. En este estudio, un análisis de 2.671 muestras consecutivas, la concordancia entre la IA y expertos humanos, evaluada mediante la estadística de Kappa de Fleiss, evidenció niveles de acuerdo considerados buenos en la clasificación positivo/negativo (κ = 0,616), en la asignación de títulos clínicamente significativos (κ = 0,699), en la identificación de patrones nucleares con títulos ≥ 1:320 (κ = 0,650) y en la identificación de metafases en el mismo rango de títulos (κ = 0,736). En contraste, la concordancia para la identificación de patrones citoplasmáticos fue moderada (κ entre 0,560 y 0,564), lo que sugiere que, aunque la IA presenta un desempeño robusto en la mayoría de los parámetros evaluados, aún existen desafíos en la interpretación de ciertos patrones específicos.

Uno de ellos, destaca la reducción de la positividad inespecífica, ya que los sistemas automatizados tienden a reportar tasas de positividad más bajas en comparación con algunos observadores, lo cual resulta beneficioso al evitar estudios de seguimiento innecesarios en contextos con baja probabilidad pre-test. Asimismo, ante intensidades bajas de fluorescencia, la IA suele clasificar los resultados como indeterminados, adoptando un enfoque más conservador que el de los expertos humanos, quienes frecuentemente tienden a asignar el patrón más cercano según la nomenclatura del Consenso Internacional sobre Patrones de ANA (ICAP). En este sentido, la relevancia clínica de una prueba ANA positiva se encuentra estrechamente ligada tanto al título de dilución como al patrón observado.

Estudios prospectivos han demostrado que el valor predictivo positivo para enfermedades del tejido conectivo aumenta significativamente con títulos más altos, pasando de 14,8% a diluciones de 1:80 hasta alcanzar valores cercanos al 85% en títulos ≥1:1280, lo que refuerza la importancia de considerar la intensidad de la respuesta inmunológica en la interpretación clínica. Adicionalmente, ciertos patrones presentan asociaciones clínicas bien definidas, como el patrón centromérico (AC-3), altamente específico y con excelente concordancia entre evaluadores, relacionado con esclerosis sistémica y anticuerpos anti-CENP-B; el patrón moteado (AC-4 y AC-5), el más frecuente en conectivopatías y asociado a múltiples autoanticuerpos como anti-Ro, SS-A, SS-B, Sm y U1-nRNP; el patrón de puntos nucleares múltiples, sugestivo de cirrosis biliar primaria y los patrones nucleolares, fundamentales para identificar subgrupos de esclerosis sistémica con implicaciones pronósticas.

En cuanto a la implementación de tecnologías automatizadas, estas ofrecen importantes fortalezas, incluyendo la armonización de la interpretación al reducir la variabilidad intra e interlaboratorio, el aumento de la productividad mediante el procesamiento de grandes volúmenes de muestras y el almacenamiento digital de imágenes, así como una cuantificación más precisa de la fluorescencia que puede optimizar la determinación del título sin requerir diluciones seriadas manuales. No obstante, persisten limitaciones relevantes, como la dificultad en el reconocimiento de patrones mixtos o raros, la dependencia crítica de bases de datos de entrenamiento amplias y estandarizadas, y la necesidad de validación por parte de expertos, especialmente en casos complejos.

En conjunto, la integración de la inteligencia artificial en los laboratorios de inmunología representa un avance significativo hacia la estandarización del diagnóstico de enfermedades autoinmunes, más que reemplazar la experiencia del especialista, actúa como una herramienta complementaria que mejora la eficiencia y reduce la subjetividad. Desde el punto de vista clínico, la interpretación de ANA debe mantenerse dirigida y contextualizada, reconociendo que títulos ≥1:320 son los que aportan mayor relevancia diagnóstica en el estudio de las conectivopatías sistémicas.

La incorporación de la inteligencia artificial en la interpretación de anticuerpos antinucleares representa un avance significativo en la modernización del laboratorio de autoinmunidad, al permitir una mayor estandarización, reproducibilidad y eficiencia en el análisis de patrones por inmunofluorescencia indirecta. Los sistemas basados en aprendizaje profundo, particularmente aquellos que emplean redes neuronales convolucionales, han demostrado un desempeño comparable al de expertos humanos en múltiples parámetros, con la ventaja adicional de reducir la subjetividad y optimizar los tiempos de respuesta. No obstante, su implementación no está exenta de limitaciones, especialmente en la identificación de patrones complejos o poco frecuentes, así como en su dependencia de bases de datos de entrenamiento robustas y bien curadas. En este contexto, la inteligencia artificial debe entenderse como una herramienta complementaria que potencia, pero no sustituye, el juicio del especialista. Finalmente, la adecuada interpretación de los ANA continúa requiriendo un enfoque clínico integral, en el cual la correlación entre títulos elevados (≥1:320), patrones específicos definidos por ICAP y el contexto clínico del paciente resulta fundamental para una toma de decisiones diagnósticas precisa y clínicamente relevante.

Bibliografía

Jonas Schmidt, Sarina Weiß, Frithjof Blessing, Josef Blessing, Peter Schierack, Stefan R¨odiger, Rico Hiemann, Dirk Roggenbuck. Comparison of manual with artificial intelligence-aided interpretation of ANA HEp-2 IIF assay patterns in a clinical diagnostics lab. Clinica Chimica Acta 584 (2026) 120881

Raúl Menor Almagro, Juan Francisco Rodríguez Gutiérrez, María Auxiliadora Martín-Martínez, María José Rodríguez Valls, Concepción Aranda Valera y José Luís de la Iglesia Salgado. Asociación entre títulos de anticuerpos antinucleares y conectivopatías sistémicas en una Unidad de Reumatología. Reumatol Clin. 2017;13(3):150–155

Pier Luigi Meroni, Nicola Bizzaro, Ilaria Cavazzana, Maria Orietta Borghi and Angela Tincani. Automated tests of ANA immunofluorescence as throughput autoantibody detection technology: strengths and limitations. Meroni et al. BMC Medicine. 2014 2014, 12:38

Diego F. Hernández Ramı´rez y Javier Cabiedes. Técnicas inmunológicas que apoyan el diagnóstico de las enfermedades autoinmunes. Reumatol Clin. 2010;6(3):173–177.