Aplicación de aprendizaje automático para el análisis de cobertura vacunal, efectos adversos y respuesta inmune postvacunación de COVID-19: revisión sistemática
Year: 2026
Type: article
Study design: Systematic Review
Abstract: La evidencia muestra que los modelos de machine learning (ML) se han utilizado para analizar patrones complejos en la cobertura de vacunación contra COVID-19, los efectos adversos y la respuesta inmune medida por anticuerpos. El objetivo de esta revisión es sintetizar sistemáticamente la evidencia sobre la aplicación de ML en estos tres dominios. Se incluyeron estudios originales publicados entre 2020 y 2025 mediante una búsqueda en MEDLINE/PubMed, Scopus, Web of Science, IEEE Xplore y ACM Digital Library. Se extrajeron variables relacionadas con población, predictores, algoritmos, métricas de desempeño e interpretabilidad, y el riesgo de sesgo se evaluó mediante PROBAST. En total, se incluyeron 62 estudios, destacando el uso frecuente de gradient boosting, random forest, redes neuronales y modelos multivariados. Los predictores más relevantes incluyeron factores sociodemográficos, psicológicos y clínicos, como comorbilidades y marcadores inmunológicos. El desempeño predictivo se reportó de moderado a alto, con especial efectividad de gradient boosting en la hesitación vacunal, y modelos multivariados en predicción de anticuerpos. Las principales limitaciones incluyeron muestreo no probabilístico, uso de datos autoinformados y falta de validación externa. En conjunto, los resultados evidencian el potencial del ML en salud pública, aunque resaltan la necesidad de mejorar la estandarización, transparencia y calidad metodológica.
Language: Spanish
Subfield: Health
Field: Social Sciences
Domain: Social Sciences
Keywords: COVID-19 vaccination, machine learning, vaccination coverage, adverse events, post-vaccination immune response, antibody response, vaccine hesitancy, gradient boosting, random forest, artificial neural networks, sociodemographic predictors, comorbidities, algorithmic bias, model interpretability, PROBAST
Open Access status: diamond
OpenAlex ID: W7218930466
