Desarrollo y validación de Cefalytics: una aplicación basada en inteligencia artificial para el diagnóstico rápido de cefaleas primarias

@article{simon2026desarrollo,
  title = {{Desarrollo y validación de Cefalytics: una aplicación basada en inteligencia artificial para el diagnóstico rápido de cefaleas primarias}},
  author = {Josefina Martínez Simón and Pablo Arjona Ruiz and Jesús Martín Alcalá and Juan Manuel García-Torrecillas and María Fernández Recio and Antonio Arjona-Padillo},
  journal = {Atención Primaria},
  year = {2026},
  month = oct,
  doi = {10.1016/j.aprim.2026.103530},
  url = {https://doi.org/10.1016/j.aprim.2026.103530},
  note = {CC BY},
}

TY  - JOUR
TI  - Desarrollo y validación de Cefalytics: una aplicación basada en inteligencia artificial para el diagnóstico rápido de cefaleas primarias
AU  - Josefina Martínez Simón
AU  - Pablo Arjona Ruiz
AU  - Jesús Martín Alcalá
AU  - Juan Manuel García-Torrecillas
AU  - María Fernández Recio
AU  - Antonio Arjona-Padillo
PY  - 2026
DA  - 2026/10/31
JO  - Atención Primaria
DO  - 10.1016/j.aprim.2026.103530
UR  - https://doi.org/10.1016/j.aprim.2026.103530
AB  - Resumen: Objetivo: Desarrollar y validar una aplicación en castellano basada en inteligencia artificial para apoyar el diagnóstico de cefaleas primarias por médicos no expertos. Diseño: Estudio observacional retrospectivo de desarrollo y validación diagnóstica basado en registros clínicos. Emplazamiento: Consultas de neurología que atienden pacientes derivados desde atención primaria (nivel asistencial 2 en cefaleas). Participantes: Se incluyeron 1.029 pacientes adultos con diagnóstico de 17 tipos de cefalea primaria confirmado por un neurólogo experto según los criterios de la tercera edición de la Clasificación Internacional de Cefaleas (ICHD-3), atendidos en 2 centros hospitalarios entre 2022 y 2024. Mediciones principales: Sensibilidad, especificidad, F1- score y exactitud del algoritmo basado en reglas diagnósticas y del modelo de aprendizaje supervisado. Resultados: La aplicación integra un cuestionario clínico estructurado que incluye la mayoría de los diagnósticos de cefaleas primarias recogidos en la ICHD-3. El algoritmo basado en reglas alcanzó una sensibilidad del 89,8% (IC 95%: 87,9-91,5), una especificidad del 99,4% (IC 95%: 99,2-99,5), un F1- score del 91,8% (IC 95%: 90,3-93,1) y una exactitud del 93,3% (IC 95%: 91,5-94,8). El modelo de aprendizaje supervisado mostró una sensibilidad del 88,1% (IC 95%: 84,0-91,8), una especificidad del 99,1% (IC 95%: 98,6-99,5), un F1- score del 88,5% (IC 95%: 84,6-92,0) y una exactitud del 85,5% (IC 95%: 79,3-91,4). Conclusiones: Cefalytics ( https://cefalytics.com/ ) muestra un alto rendimiento diagnóstico y puede constituir una herramienta útil de apoyo para médicos no expertos, especialmente en atención primaria, facilitando una mayor precisión diagnóstica y una optimización terapéutica más precoz. Estos resultados requieren validación externa en una cohorte independiente en este ámbito. Abstract: Objective: To design and validate a Spanish-language artificial intelligence–based application to support the diagnosis of primary headaches by non-expert physicians. Design: Retrospective observational study for diagnostic development and validation based on clinical records. Setting: Neurology outpatient clinics receiving patients referred from primary care (level 2 headache care). Participants: A total of 1,029 adult patients with a diagnosis of 17 types of primary headache confirmed by an expert neurologist according to the criteria of the International Classification of Headache Disorders, 3 rd edition (ICHD-3), treated at two hospital centers between 2022 and 2024 were included. Main outcome measures: Sensitivity, specificity, F1-score and accuracy of the rule-based diagnostic algorithm and the supervised learning model. Results: The application integrates a structured clinical questionnaire that includes most primary headache diagnoses defined in the ICHD-3. The rule-based algorithm achieved a sensitivity of 89.8% (95% CI: 87.9-91.5), specificity of 99.4% (95% CI: 99.2-99.5), F1-score of 91.8% (95% CI: 90.3-93.1), and accuracy of 93.3% (95% CI: 91.5-94.8). The supervised learning model showed a sensitivity of 88.1% (95% CI: 84.0-91.8), specificity of 99.1% (95% CI: 98.6-99.5), F1-score of 88.5% (95% CI: 84.6-92.0), and accuracy of 85.5% (95% CI: 79.3-91.4). Conclusions: Cefalytics ( https://cefalytics.com/ ) shows high diagnostic performance and may represent a useful support tool for non-expert physicians, particularly in primary care, facilitating greater diagnostic accuracy and earlier therapeutic optimization. These results require external validation in an independent cohort within this setting.
SN  - 0212-6567
SN  - 1578-1275
ER  -