DESCRIPCIÓN GENERAL DE LOS AVANCES EN
INTELIGENCIA ARTIFICIAL PARA EL
DIAGNÓSTICO DE LA ENFERMEDAD POR
REFLUJO GASTROESOFÁGICO
OVERVIEW OF ADVANCES IN ARTIFICIAL INTELLIGENCE FOR
THE DIAGNOSIS OF GASTROESOPHAGEAL REFLUX DISEASE
José Luis Rodriguez Chavez
Punto Gastro Núcleo Médico, Guadalajara 44680, México.
Javier Esteban Rodríguez Chávez
School of Health Sciences, Campus Zapopan, Universidad del Valle de México
David Pérez-Granados
Departament of Engineering, CIIDETEC-Coyoacán, Universidad del Valle de México
Rocío Elizabeth Duarte-Ayala
School of Health Sciences, Campus Lomas Verdes, Universidad del Valle de México
Monserrat Moreno-Carrasco
School of Health Sciences, Campus Lomas Verdes, Universidad del Valle de México
Carlos Alberto González Gutiérrez
Department of Engineering, CIIDETEC-Querétaro, Universidad del Valle de México
pág. 10369
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19593
Descripción general de los avances en inteligencia artificial para el
diagnóstico de la enfermedad por reflujo gastroesofágico
José Luis Rodriguez Chavez1
drjlrodriguez@hotmail.com
Punto Gastro Núcleo Médico, Guadalajara
44680, México.
País México
Javier Esteban Rodríguez Chávez
A460270328@my.uvm.edu.mx
School of Health Sciences, Campus Zapopan,
Universidad del Valle de México, Guadalajara
45010, Mexico.
País México
David Pérez-Granados
a340348289@my.uvm.edu.mx
https://orcid.org/0000-0002-0204-9508
Departament of Engineering, CIIDETEC-
Coyoacán, Universidad del Valle de México,
Coyoacán 04910, Mexico.
País México
Rocío Elizabeth Duarte-Ayala
rocio.duarte@uvmnet.edu
https://orcid.org/0000-0002-7775-5204
School of Health Sciences, Campus Lomas
Verdes, Universidad del Valle de México,
Lomas Verdes 53220, Mexico.
País México
Monserrat Moreno-Carrasco
A100248124@my.uvm.edu.mx
https://orcid.org/0000-0002-7775-5204
School of Health Sciences, Campus Lomas
Verdes, Universidad del Valle de México,
Lomas Verdes 53220, Mexico.
País México
Carlos Alberto González Gutiérrez
calberto.gonzalez@uvmnet.edu
https://orcid.org/0000-0003-3338-5464
Department of Engineering, CIIDETEC-
Querétaro, Universidad del Valle de México,
Querétaro 76230, Mexico
País México
RESUMEN
La enfermedad por reflujo gastroesofágico (ERGE) es una patología multifactorial caracterizada por el
ascenso del contenido gástrico hacia el esófago, afectando significativamente la calidad de vida. Su
fisiopatología implica mecanismos como relajaciones transitorias del esfínter esofágico inferior, hernia
hiatal, acid pocket, obesidad y trastornos de motilidad gastrointestinal. El diagnóstico se realiza
mediante estudios como la pHmetría esofágica de 24 horas. Aunque no existe una cura definitiva, se ha
observado que terapias no farmacológicas, como las respiraciones diafragmáticas y el entrenamiento de
músculos respiratorios, pueden reducir los síntomas. Este estudio revisa el papel emergente de la
inteligencia artificial (IA) en el diagnóstico de la ERGE. Modelos como Yolov5, DeepLabV3+ y
GERD-VGGNet han demostrado alta precisión en la segmentación de imágenes endoscópicas y la
clasificación de la gravedad de la enfermedad. Otros enfoques, como los sistemas de machine learning
aplicados a la pHmetría y los modelos de deep learning, han mejorado la identificación de episodios de
reflujo. Sin embargo, limitaciones como tamaños muestrales reducidos, baja interpretabilidad clínica y
escasa validación externa restringen su implementación generalizada. Se concluye que la IA tiene un
potencial significativo en el diagnóstico y monitoreo de la ERGE, pero su adopción clínica requiere
validaciones rigurosas y desarrollos centrados en la práctica médica real.
Palabras clave: ERGE, Inteligencia artificial, Machine learning, Deep Learning, pHmetría Esofágica
1 Autor principal.
Correspondencia: drjlrodriguez@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19593
Descripción general de los avances en inteligencia artificial para el
diagnóstico de la enfermedad por reflujo gastroesofágico
José Luis Rodriguez Chavez1
drjlrodriguez@hotmail.com
Punto Gastro Núcleo Médico, Guadalajara
44680, México.
País México
Javier Esteban Rodríguez Chávez
A460270328@my.uvm.edu.mx
School of Health Sciences, Campus Zapopan,
Universidad del Valle de México, Guadalajara
45010, Mexico.
País México
David Pérez-Granados
a340348289@my.uvm.edu.mx
https://orcid.org/0000-0002-0204-9508
Departament of Engineering, CIIDETEC-
Coyoacán, Universidad del Valle de México,
Coyoacán 04910, Mexico.
País México
Rocío Elizabeth Duarte-Ayala
rocio.duarte@uvmnet.edu
https://orcid.org/0000-0002-7775-5204
School of Health Sciences, Campus Lomas
Verdes, Universidad del Valle de México,
Lomas Verdes 53220, Mexico.
País México
Monserrat Moreno-Carrasco
A100248124@my.uvm.edu.mx
https://orcid.org/0000-0002-7775-5204
School of Health Sciences, Campus Lomas
Verdes, Universidad del Valle de México,
Lomas Verdes 53220, Mexico.
País México
Carlos Alberto González Gutiérrez
calberto.gonzalez@uvmnet.edu
https://orcid.org/0000-0003-3338-5464
Department of Engineering, CIIDETEC-
Querétaro, Universidad del Valle de México,
Querétaro 76230, Mexico
País México
RESUMEN
La enfermedad por reflujo gastroesofágico (ERGE) es una patología multifactorial caracterizada por el
ascenso del contenido gástrico hacia el esófago, afectando significativamente la calidad de vida. Su
fisiopatología implica mecanismos como relajaciones transitorias del esfínter esofágico inferior, hernia
hiatal, acid pocket, obesidad y trastornos de motilidad gastrointestinal. El diagnóstico se realiza
mediante estudios como la pHmetría esofágica de 24 horas. Aunque no existe una cura definitiva, se ha
observado que terapias no farmacológicas, como las respiraciones diafragmáticas y el entrenamiento de
músculos respiratorios, pueden reducir los síntomas. Este estudio revisa el papel emergente de la
inteligencia artificial (IA) en el diagnóstico de la ERGE. Modelos como Yolov5, DeepLabV3+ y
GERD-VGGNet han demostrado alta precisión en la segmentación de imágenes endoscópicas y la
clasificación de la gravedad de la enfermedad. Otros enfoques, como los sistemas de machine learning
aplicados a la pHmetría y los modelos de deep learning, han mejorado la identificación de episodios de
reflujo. Sin embargo, limitaciones como tamaños muestrales reducidos, baja interpretabilidad clínica y
escasa validación externa restringen su implementación generalizada. Se concluye que la IA tiene un
potencial significativo en el diagnóstico y monitoreo de la ERGE, pero su adopción clínica requiere
validaciones rigurosas y desarrollos centrados en la práctica médica real.
Palabras clave: ERGE, Inteligencia artificial, Machine learning, Deep Learning, pHmetría Esofágica
1 Autor principal.
Correspondencia: drjlrodriguez@hotmail.com
pág. 10370
Overview of advances in artificial intelligence for the diagnosis of
gastroesophageal reflux disease
ABSTRACT
Gastroesophageal reflux disease (GERD) is a multifactorial condition characterized by the rise of
gastric contents into the esophagus, significantly affecting quality of life. Its pathophysiology involves
mechanisms such as transient relaxation of the lower esophageal sphincter, hiatal hernia, acid pocket,
obesity, and gastrointestinal motility disorders. The diagnosis is made through studies such as 24-hour
esophageal pH monitoring. Although there is no definitive cure, non-pharmacological therapies, such
as diaphragmatic breathing and respiratory muscle training, have been shown to reduce symptoms. This
study reviews the emerging role of artificial intelligence (AI) in the diagnosis of GERD. Models such
as Yolov5, DeepLabV3+, and GERD-VGGNet have demonstrated high accuracy in endoscopic image
segmentation and disease severity classification. Other approaches, such as machine learning systems
applied to pH monitoring and deep learning models, have improved the identification of reflux episodes.
However, limitations such as small sample sizes, low clinical interpretability, and limited external
validation restrict their widespread implementation. It is concluded that AI has significant potential in
the diagnosis and monitoring of GERD, but its clinical adoption requires rigorous validation and
developments focused on actual medical practice.
Keywords: GERD, Artificial Intelligence, Machine Learning, Deep Learning, Esophageal pH
Monitoring
Artículo recibido 04 Agosto 2025
Aceptado para publicación: 29 Agosto 2025
Overview of advances in artificial intelligence for the diagnosis of
gastroesophageal reflux disease
ABSTRACT
Gastroesophageal reflux disease (GERD) is a multifactorial condition characterized by the rise of
gastric contents into the esophagus, significantly affecting quality of life. Its pathophysiology involves
mechanisms such as transient relaxation of the lower esophageal sphincter, hiatal hernia, acid pocket,
obesity, and gastrointestinal motility disorders. The diagnosis is made through studies such as 24-hour
esophageal pH monitoring. Although there is no definitive cure, non-pharmacological therapies, such
as diaphragmatic breathing and respiratory muscle training, have been shown to reduce symptoms. This
study reviews the emerging role of artificial intelligence (AI) in the diagnosis of GERD. Models such
as Yolov5, DeepLabV3+, and GERD-VGGNet have demonstrated high accuracy in endoscopic image
segmentation and disease severity classification. Other approaches, such as machine learning systems
applied to pH monitoring and deep learning models, have improved the identification of reflux episodes.
However, limitations such as small sample sizes, low clinical interpretability, and limited external
validation restrict their widespread implementation. It is concluded that AI has significant potential in
the diagnosis and monitoring of GERD, but its clinical adoption requires rigorous validation and
developments focused on actual medical practice.
Keywords: GERD, Artificial Intelligence, Machine Learning, Deep Learning, Esophageal pH
Monitoring
Artículo recibido 04 Agosto 2025
Aceptado para publicación: 29 Agosto 2025
pág. 10371
INTRODUCCIÓN
La enfermedad por reflujo gastroesofágico (ERGE) es definida como el ascenso del contenido gástrico
o gastroduodenal por arriba de la unión gastroesofágica, que causa síntomas y daño estructural,
afectando el bienestar y la calidad de vida de los individuos que la padecen (Huerta-Iga et al., 2012).
Su fisiopatología está comprendida por una serie de afecciones como relajaciones transitorias del EEI,
hernia hiatal, acid pocket, obesidad, motilidad gástrica, aclaramiento esofágico, sensibilización central
y periférica (Boeckxstaens & Rohof, 2014).
La relajación transitoria del EEI consiste en la relajación espontánea del esfínter esofágico inferior, no
relacionada con la deglución, que favorece el paso del contenido gástrico hacia el esófago; es la causa
más frecuente de reflujo gastroesofágico en pacientes con esofagitis, llegando a ocurrir 2 veces más que
en personas sanas (Arín & Iglesias, 2003; Serra Pueyo, 2014).
Una hernia hiatal se produce cuando elementos de la cavidad abdominal sobresalen hacia el mediastino
a través del esófago hiatal del diafragma. Los pacientes pueden ser asintomáticos o presentar una
variedad de síntomas, por ejemplo, pérdida de peso, pérdida de apetito, tos y disnea leve (Nugraha et
al., 2024).
La bolsa ácida (acid pocket) es una zona de ácido gástrico no amortiguado que se acumula en la parte
proximal del estómago después de las comidas y sirve como reservorio para el reflujo ácido en
individuos sanos y pacientes con enfermedad por reflujo gastroesofágico (Kahrilas et al., 2013).
La obesidad es una enfermedad crónica que se define por una acumulación excesiva de grasa que puede
ser perjudicial para la salud. Llevar un peso extra en el cuerpo ejerce una presión adicional sobre el
estómago, lo que puede ocasionar que el ácido estomacal suba al esófago, provocando acidez, eructos,
dolor en el pecho, entre otros síntomas característicos de la ERGE (OMS, 2024; Orozco & Duran,
2023).
Los trastornos de la motilidad gastrointestinal (GI) pueden producirse cuando los nervios o los músculos
del tracto gastrointestinal no funcionan de forma coordinada. Incluyen la disfagia, la enfermedad por
reflujo gastroesofágico (ERGE), la gastroparesia, la dispepsia funcional (DF), la pseudoobstrucción
intestinal crónica (CIPO), el estreñimiento y el síndrome del intestino irritable (SII). Los síntomas
pueden variar según el órgano afectado y pueden ser debilitantes (Song et al., 2023).
INTRODUCCIÓN
La enfermedad por reflujo gastroesofágico (ERGE) es definida como el ascenso del contenido gástrico
o gastroduodenal por arriba de la unión gastroesofágica, que causa síntomas y daño estructural,
afectando el bienestar y la calidad de vida de los individuos que la padecen (Huerta-Iga et al., 2012).
Su fisiopatología está comprendida por una serie de afecciones como relajaciones transitorias del EEI,
hernia hiatal, acid pocket, obesidad, motilidad gástrica, aclaramiento esofágico, sensibilización central
y periférica (Boeckxstaens & Rohof, 2014).
La relajación transitoria del EEI consiste en la relajación espontánea del esfínter esofágico inferior, no
relacionada con la deglución, que favorece el paso del contenido gástrico hacia el esófago; es la causa
más frecuente de reflujo gastroesofágico en pacientes con esofagitis, llegando a ocurrir 2 veces más que
en personas sanas (Arín & Iglesias, 2003; Serra Pueyo, 2014).
Una hernia hiatal se produce cuando elementos de la cavidad abdominal sobresalen hacia el mediastino
a través del esófago hiatal del diafragma. Los pacientes pueden ser asintomáticos o presentar una
variedad de síntomas, por ejemplo, pérdida de peso, pérdida de apetito, tos y disnea leve (Nugraha et
al., 2024).
La bolsa ácida (acid pocket) es una zona de ácido gástrico no amortiguado que se acumula en la parte
proximal del estómago después de las comidas y sirve como reservorio para el reflujo ácido en
individuos sanos y pacientes con enfermedad por reflujo gastroesofágico (Kahrilas et al., 2013).
La obesidad es una enfermedad crónica que se define por una acumulación excesiva de grasa que puede
ser perjudicial para la salud. Llevar un peso extra en el cuerpo ejerce una presión adicional sobre el
estómago, lo que puede ocasionar que el ácido estomacal suba al esófago, provocando acidez, eructos,
dolor en el pecho, entre otros síntomas característicos de la ERGE (OMS, 2024; Orozco & Duran,
2023).
Los trastornos de la motilidad gastrointestinal (GI) pueden producirse cuando los nervios o los músculos
del tracto gastrointestinal no funcionan de forma coordinada. Incluyen la disfagia, la enfermedad por
reflujo gastroesofágico (ERGE), la gastroparesia, la dispepsia funcional (DF), la pseudoobstrucción
intestinal crónica (CIPO), el estreñimiento y el síndrome del intestino irritable (SII). Los síntomas
pueden variar según el órgano afectado y pueden ser debilitantes (Song et al., 2023).
pág. 10372
Uno de los principales métodos para diagnosticar el reflujo gastroesofágico es la pHmetría, la cual es
un procedimiento utilizado para medir la cantidad de ácido que sube desde el estómago al esfogado.
Existen diferentes tipos de pHmetría, no obstante, la más común es la de 24 horas, que es una técnica
ambulatoria que permite determinar los episodios de reflujo en cuanto a frecuencia, duración, momento
de aparición y relación con los síntomas del paciente. Se emplea para tratar de identificar la causa de
una amplia serie de síntomas posiblemente relacionados con reflujo, como ardor, acidez y subida de la
comida hacia la garganta. Además, se utiliza para valorar la eficacia de los tratamientos para el reflujo,
y para la indicación de tratamiento quirúrgico (Pérez de la Serna y Bueno & Ruiz de León San Juan,
2015).
La ERGE es una enfermedad que no cuenta con una cura definitiva, no obstante, diversos estudios han
demostrado que tratamientos como las respiraciones diafragmáticas pueden ser beneficiosas para el
paciente (NCI, 2011).
Las respiraciones diafragmáticas consisten en inspirar lentamente por la nariz y luego espirar por la
boca utilizando el diafragma y los músculos abdominales; estas respiraciones activan el sistema
nervioso parasimpático, lo que ayuda a reducir el estrés y la ansiedad. Al tener una menor cantidad de
estrés en el cuerpo disminuyen los episodios de reflujo ocasionados por un incremento en la producción
de ácido en el estómago (NCI, 2011; Hosseini et al., 2022).
Asimismo, el entrenamiento de los músculos respiratorios mejora la presión de la unión esofagogástrica,
aumentando la presión generada por el esfínter inferior (LES) y reduciendo de esa forma los síntomas
de la enfermedad de reflujo gastroesofágico (Nobre e Souza et al., 2013; Moffa et al., 2020).
Materiales y métodos
Para la recolección y análisis de la información se realizaron búsquedas profundas en diferentes
buscadores y bases de datos científicos, incluyendo ScienceDirect, PubMed, Google Scholar, DOAJ,
entre otras. Todas las búsquedas se realizaron entre octubre de 2024 y junio de 2025.
En la tabla siguiente (Tabla 1), se hace una comparativa de los métodos de IA implementados para la
detección y tratamiento de la ERGE.
Uno de los principales métodos para diagnosticar el reflujo gastroesofágico es la pHmetría, la cual es
un procedimiento utilizado para medir la cantidad de ácido que sube desde el estómago al esfogado.
Existen diferentes tipos de pHmetría, no obstante, la más común es la de 24 horas, que es una técnica
ambulatoria que permite determinar los episodios de reflujo en cuanto a frecuencia, duración, momento
de aparición y relación con los síntomas del paciente. Se emplea para tratar de identificar la causa de
una amplia serie de síntomas posiblemente relacionados con reflujo, como ardor, acidez y subida de la
comida hacia la garganta. Además, se utiliza para valorar la eficacia de los tratamientos para el reflujo,
y para la indicación de tratamiento quirúrgico (Pérez de la Serna y Bueno & Ruiz de León San Juan,
2015).
La ERGE es una enfermedad que no cuenta con una cura definitiva, no obstante, diversos estudios han
demostrado que tratamientos como las respiraciones diafragmáticas pueden ser beneficiosas para el
paciente (NCI, 2011).
Las respiraciones diafragmáticas consisten en inspirar lentamente por la nariz y luego espirar por la
boca utilizando el diafragma y los músculos abdominales; estas respiraciones activan el sistema
nervioso parasimpático, lo que ayuda a reducir el estrés y la ansiedad. Al tener una menor cantidad de
estrés en el cuerpo disminuyen los episodios de reflujo ocasionados por un incremento en la producción
de ácido en el estómago (NCI, 2011; Hosseini et al., 2022).
Asimismo, el entrenamiento de los músculos respiratorios mejora la presión de la unión esofagogástrica,
aumentando la presión generada por el esfínter inferior (LES) y reduciendo de esa forma los síntomas
de la enfermedad de reflujo gastroesofágico (Nobre e Souza et al., 2013; Moffa et al., 2020).
Materiales y métodos
Para la recolección y análisis de la información se realizaron búsquedas profundas en diferentes
buscadores y bases de datos científicos, incluyendo ScienceDirect, PubMed, Google Scholar, DOAJ,
entre otras. Todas las búsquedas se realizaron entre octubre de 2024 y junio de 2025.
En la tabla siguiente (Tabla 1), se hace una comparativa de los métodos de IA implementados para la
detección y tratamiento de la ERGE.
pág. 10373
Estudio Método utilizado Contribuciones Limitaciones
Maity et al. Yolov5
La investigación mejora
el proceso de diagnóstico
al extraer características
de las imágenes
segmentadas y emplear
siete clasificadores
diferentes de aprendizaje
automático, lo que facilita
la identificación y
monitoreo oportunos de
los problemas
relacionados con la ERGE
para los proveedores de
atención médica (Maity et
al., 2024).
El artículo no menciona
explícitamente ninguna
limitación del modelo
(Maity et al., 2024).
Zhou et al. Machine learning
system
El estudio desarrolló y
validó un novedoso
sistema de aprendizaje
automático que identifica
con éxito los episodios de
reflujo en estudios de
pHmetría esofágica de 24
horas con impedancia,
demostrando un
rendimiento superior en
comparación con el
software de detección
automática existente
(Zhou et al., 2023).
La cohorte del estudio
incluyó solo a 45
pacientes. Además, el
conjunto de datos
consistió en una cohorte
recopilada
retrospectivamente que
incluía algunas
indicaciones menos
comunes, como la ERGE
postrasplante de pulmón.
Asimismo, los casos de
reflujo ácido y no ácido
no se identificaron por
separado (Zhou et al.,
2023).
Ge et al. Deep learning (DL)
El estudio desarrolló un
modelo de aprendizaje
profundo con una
clasificación de cinco
El artículo no menciona
explícitamente ninguna
limitación del modelo
(Ge et al., 2023).
Estudio Método utilizado Contribuciones Limitaciones
Maity et al. Yolov5
La investigación mejora
el proceso de diagnóstico
al extraer características
de las imágenes
segmentadas y emplear
siete clasificadores
diferentes de aprendizaje
automático, lo que facilita
la identificación y
monitoreo oportunos de
los problemas
relacionados con la ERGE
para los proveedores de
atención médica (Maity et
al., 2024).
El artículo no menciona
explícitamente ninguna
limitación del modelo
(Maity et al., 2024).
Zhou et al. Machine learning
system
El estudio desarrolló y
validó un novedoso
sistema de aprendizaje
automático que identifica
con éxito los episodios de
reflujo en estudios de
pHmetría esofágica de 24
horas con impedancia,
demostrando un
rendimiento superior en
comparación con el
software de detección
automática existente
(Zhou et al., 2023).
La cohorte del estudio
incluyó solo a 45
pacientes. Además, el
conjunto de datos
consistió en una cohorte
recopilada
retrospectivamente que
incluía algunas
indicaciones menos
comunes, como la ERGE
postrasplante de pulmón.
Asimismo, los casos de
reflujo ácido y no ácido
no se identificaron por
separado (Zhou et al.,
2023).
Ge et al. Deep learning (DL)
El estudio desarrolló un
modelo de aprendizaje
profundo con una
clasificación de cinco
El artículo no menciona
explícitamente ninguna
limitación del modelo
(Ge et al., 2023).
pág. 10374
categorías basado en el
sistema de clasificación
de Los Ángeles para
evaluar la gravedad de la
enfermedad por reflujo
gastroesofágico (ERGE),
lo que supone la primera
aplicación de un modelo
de este tipo en este
contexto (Ge et al., 2023).
Wang et al. GERD-VGGNet
El modelo puede ayudar a
la clasificación
automática de la ERGE en
entornos convencionales
y de imagen de banda
estrecha, aumentando así
la precisión de la
interpretación de los
resultados por parte de
endoscopistas sin
experiencia (Wang et al.,
2021).
La evaluación del
rendimiento del modelo
se basa en un conjunto de
pruebas relativamente
pequeño de 32 pacientes,
lo que puede limitar la
generalización de los
resultados a una
población más amplia
(Wang et al., 2021).
Srividya & Sasi Support vector
machine (SVM)
El algoritmo clasifica
eficazmente el conjunto
de datos basándose en los
métodos kernel y
organizando los datos
mediante hiperplanos, lo
que mejora la capacidad
predictiva para identificar
casos de trastornos por
reflujo gastroesofágico en
individuos (Srividya &
Sasi, 2021).
El artículo no menciona
explícitamente ninguna
limitación del modelo
(Srividya & Sasi, 2021).
Wong et al. Artificial
intelligence (AI)
La inteligencia artificial
tiene el potencial de
La interpretabilidad de
los métodos basados en
categorías basado en el
sistema de clasificación
de Los Ángeles para
evaluar la gravedad de la
enfermedad por reflujo
gastroesofágico (ERGE),
lo que supone la primera
aplicación de un modelo
de este tipo en este
contexto (Ge et al., 2023).
Wang et al. GERD-VGGNet
El modelo puede ayudar a
la clasificación
automática de la ERGE en
entornos convencionales
y de imagen de banda
estrecha, aumentando así
la precisión de la
interpretación de los
resultados por parte de
endoscopistas sin
experiencia (Wang et al.,
2021).
La evaluación del
rendimiento del modelo
se basa en un conjunto de
pruebas relativamente
pequeño de 32 pacientes,
lo que puede limitar la
generalización de los
resultados a una
población más amplia
(Wang et al., 2021).
Srividya & Sasi Support vector
machine (SVM)
El algoritmo clasifica
eficazmente el conjunto
de datos basándose en los
métodos kernel y
organizando los datos
mediante hiperplanos, lo
que mejora la capacidad
predictiva para identificar
casos de trastornos por
reflujo gastroesofágico en
individuos (Srividya &
Sasi, 2021).
El artículo no menciona
explícitamente ninguna
limitación del modelo
(Srividya & Sasi, 2021).
Wong et al. Artificial
intelligence (AI)
La inteligencia artificial
tiene el potencial de
La interpretabilidad de
los métodos basados en
pág. 10375
mejorar la precisión y la
eficiencia de la medición
de nuevas métricas de
impedancia del pH, como
el número de episodios de
reflujo y el índice de
ondas peristálticas
inducidas por la deglución
tras el reflujo (índice
PSPW), que son cruciales
para diagnosticar la
ERGE (Wong et al.,
2023).
IA no se ha estudiado, y
la precisión de estos
métodos es actualmente
inferior al 90 %, lo que
indica la necesidad de
mejorar las técnicas de
establecimiento de
modelos de IA para su
uso clínico práctico
(Wong et al., 2023).
Yolov5
Este método es utilizado para identificar regiones anormales de interés en imágenes gastrointestinales
segmentadas, permitiendo el diagnóstico de la enfermedad por reflujo gastroesofágico (ERGE) (Maity
et al., 2024).
Para la segmentación se utilizó el modelo DeepLabV3+, el cual logró una precisión del 95,2% y una
puntuación F1 del 93,3%. Por otro lado, para la clasificación de múltiples etapas de la ERGE se empleó
un modelo de red neuronal profunda personalizado cuya precisión fue del 90.5% (Maity et al., 2024).
Machine learning system
Este método permite identificar eventos de reflujo en estudios de pHmetría esofágica de 24 horas con
impedancia, los cuales se realizan de forma rutinaria para diagnosticar la enfermedad por reflujo
gastroesofágico (Zhou et al., 2023).
Las métricas de rendimiento del sistema, aunque superiores al software automatizado existente,
mostraron que la sensibilidad (68,7%) y la especificidad (80,8%) no eran perfectas, indicando un
potencial para mejorar significativamente la interpretación automatizada de estos estudios que
actualmente requieren mucho tiempo y están sujetos a una alta variabilidad entre lectores (Zhou et al.,
2023).
mejorar la precisión y la
eficiencia de la medición
de nuevas métricas de
impedancia del pH, como
el número de episodios de
reflujo y el índice de
ondas peristálticas
inducidas por la deglución
tras el reflujo (índice
PSPW), que son cruciales
para diagnosticar la
ERGE (Wong et al.,
2023).
IA no se ha estudiado, y
la precisión de estos
métodos es actualmente
inferior al 90 %, lo que
indica la necesidad de
mejorar las técnicas de
establecimiento de
modelos de IA para su
uso clínico práctico
(Wong et al., 2023).
Yolov5
Este método es utilizado para identificar regiones anormales de interés en imágenes gastrointestinales
segmentadas, permitiendo el diagnóstico de la enfermedad por reflujo gastroesofágico (ERGE) (Maity
et al., 2024).
Para la segmentación se utilizó el modelo DeepLabV3+, el cual logró una precisión del 95,2% y una
puntuación F1 del 93,3%. Por otro lado, para la clasificación de múltiples etapas de la ERGE se empleó
un modelo de red neuronal profunda personalizado cuya precisión fue del 90.5% (Maity et al., 2024).
Machine learning system
Este método permite identificar eventos de reflujo en estudios de pHmetría esofágica de 24 horas con
impedancia, los cuales se realizan de forma rutinaria para diagnosticar la enfermedad por reflujo
gastroesofágico (Zhou et al., 2023).
Las métricas de rendimiento del sistema, aunque superiores al software automatizado existente,
mostraron que la sensibilidad (68,7%) y la especificidad (80,8%) no eran perfectas, indicando un
potencial para mejorar significativamente la interpretación automatizada de estos estudios que
actualmente requieren mucho tiempo y están sujetos a una alta variabilidad entre lectores (Zhou et al.,
2023).
pág. 10376
Deep Leraning (DL)
El estudio desarrolló un modelo de aprendizaje profundo para clasificar la gravedad de la enfermedad
por reflujo gastroesofágico (ERGE) basado en el sistema de clasificación de Los Ángeles, utilizando
2081 imágenes endoscópicas (Ge et al., 2023).
El modelo DenseNet-121 logró una precisión de clasificación del 86,7%, superando significativamente
a los endoscopistas junior y experimentados, que tuvieron precisiones del 71,5% y 77,4%,
respectivamente (Ge et al., 2023).
GERD-VGGNet
Este modelo utiliza redes neuronales convolucionales para la clasificación automática y la
interpretación de la gravedad de la enfermedad por reflujo gastroesofágico (ERGE) basada en la
clasificación de Los Ángeles (Wang et al., 2021).
Los resultados experimentales indicaron una precisión general del 99,2 % (grado A-B), 100 % (grado
C-D) y 100 % (grupo normal) utilizando endoscopia de imagen de banda estrecha (NBI), superando
significativamente la precisión de los aprendices en el conjunto de pruebas, mejorando así las
capacidades de interpretación de los endoscopistas inexpertos (Wang et al., 2021).
Support vector machine (SVM)
El estudio utilizó regresión logística y clasificadores de máquina de vectores de soporte (SVM) para
predecir el trastorno de reflujo gastroesofágico en pacientes, centrándose en el origen de los síntomas
para una predicción precisa. Esto se realizó mediante la aplicación de técnicas de aprendizaje
automático, en concreto la regresión logística y la máquina de vectores de soporte (SVM), logrando una
mayor precisión en la clasificación mediante el uso de la representación lineal y estructuras de árbol
binario (Srividya & Sasi, 2021).
Artificial intelligence (IA)
El estudio comprende el uso de la inteligencia artificial (IA) en la medición de nuevas métricas de pH-
impedancia, empleándola para identificar y eliminar diversos eventos de impedancia, lo que ayuda a
predecir la eficacia de los tratamientos médicos de la enfermedad por reflujo gastroesofágico (ERGE)
(Wong et al., 2023).
Deep Leraning (DL)
El estudio desarrolló un modelo de aprendizaje profundo para clasificar la gravedad de la enfermedad
por reflujo gastroesofágico (ERGE) basado en el sistema de clasificación de Los Ángeles, utilizando
2081 imágenes endoscópicas (Ge et al., 2023).
El modelo DenseNet-121 logró una precisión de clasificación del 86,7%, superando significativamente
a los endoscopistas junior y experimentados, que tuvieron precisiones del 71,5% y 77,4%,
respectivamente (Ge et al., 2023).
GERD-VGGNet
Este modelo utiliza redes neuronales convolucionales para la clasificación automática y la
interpretación de la gravedad de la enfermedad por reflujo gastroesofágico (ERGE) basada en la
clasificación de Los Ángeles (Wang et al., 2021).
Los resultados experimentales indicaron una precisión general del 99,2 % (grado A-B), 100 % (grado
C-D) y 100 % (grupo normal) utilizando endoscopia de imagen de banda estrecha (NBI), superando
significativamente la precisión de los aprendices en el conjunto de pruebas, mejorando así las
capacidades de interpretación de los endoscopistas inexpertos (Wang et al., 2021).
Support vector machine (SVM)
El estudio utilizó regresión logística y clasificadores de máquina de vectores de soporte (SVM) para
predecir el trastorno de reflujo gastroesofágico en pacientes, centrándose en el origen de los síntomas
para una predicción precisa. Esto se realizó mediante la aplicación de técnicas de aprendizaje
automático, en concreto la regresión logística y la máquina de vectores de soporte (SVM), logrando una
mayor precisión en la clasificación mediante el uso de la representación lineal y estructuras de árbol
binario (Srividya & Sasi, 2021).
Artificial intelligence (IA)
El estudio comprende el uso de la inteligencia artificial (IA) en la medición de nuevas métricas de pH-
impedancia, empleándola para identificar y eliminar diversos eventos de impedancia, lo que ayuda a
predecir la eficacia de los tratamientos médicos de la enfermedad por reflujo gastroesofágico (ERGE)
(Wong et al., 2023).
pág. 10377
El estudio destaca la importancia de las técnicas de desarrollo de modelos, en particular deep learning,
que implica el entrenamiento de modelos con múltiples capas de redes neuronales artificiales para
mejorar las capacidades de diagnóstico de la ERGE (Wong et al., 2023).
DISCUSIÓN
El creciente uso de la inteligencia artificial el ámbito gastroenterólogo ha generado diversos avances en
el diagnóstico de la enfermedad por reflujo gastroesofágico (ERGE), para ello se han utilizados
diferentes métodos que han favorecido su avance, los cuales se han centrado en diferentes aspectos.
En primer lugar, Yolov5 ha conseguido identificar regiones anormales a partir de imagenes
gastrointestinales segmentadas, destacando por su alto porcentaje de precisión al integrarse con el
modelo DeepLabV3+, el cual fue correspondiente a 95,2% (Maity et al., 2024). Por otra parte, machine
learning system permitió identificar eventos de reflujo durante estudios de pHmetría esofágica de 24
horas con impedancia, sin embargo, sus métricas de rendimiento mostraron porcentajes de sensibilidad
y especificidad bajos en comparción con el modelo anterior, lo que pudo deberse a la baja tasa de
pacientes utilizados durante el estudio (45), lo cual puede aumentar el margen de error al no tomar en
cuenta variables presentes en poblaciones más grandes (Zhou et al., 2023).
Deep Leraning (DL) y GERD-VGGNet basaron la clasificación automática e interpretación de la
gravedad de la enfermedad a partir de la clasificación de Los Ángeles, donde se utilizó un gran número
de imágenes endoscópicas, las cuales permitieron una presición del 86,7% y 99.2% respectivamente.
No obstante, para el modelo GERD-VGGNet se basó en un conjunto de pruebas relativamente pequeño
de 32 pacientes, lo que limita la generalizabilidad de los resultados a una población más amplia (Ge et
al., 2023; Wang et al., 2021).
En el caso de Support vector machine (SVM) [19], se hizo uso de una regresión logística y de
clasificadores de máquina de vectores de soporte para realizar la predicción del trastorno de reflujo
gastroesofágico, logrando una mayor precisión en su clasificación mediante el uso de representaciones
lineales y estructuras de árbol binario (Srividya & Sasi, 2021).
Por último, el estudio de Artificial intelligence (IA) [20] permitió comprender el uso de la inteligencia
artificial (IA) en la medición de nuevas métricas de pH-impedancia mediante la identificación y
eliminación de diversos eventos de impedancia, permitiendo predecir la eficacia de los tratamientos
El estudio destaca la importancia de las técnicas de desarrollo de modelos, en particular deep learning,
que implica el entrenamiento de modelos con múltiples capas de redes neuronales artificiales para
mejorar las capacidades de diagnóstico de la ERGE (Wong et al., 2023).
DISCUSIÓN
El creciente uso de la inteligencia artificial el ámbito gastroenterólogo ha generado diversos avances en
el diagnóstico de la enfermedad por reflujo gastroesofágico (ERGE), para ello se han utilizados
diferentes métodos que han favorecido su avance, los cuales se han centrado en diferentes aspectos.
En primer lugar, Yolov5 ha conseguido identificar regiones anormales a partir de imagenes
gastrointestinales segmentadas, destacando por su alto porcentaje de precisión al integrarse con el
modelo DeepLabV3+, el cual fue correspondiente a 95,2% (Maity et al., 2024). Por otra parte, machine
learning system permitió identificar eventos de reflujo durante estudios de pHmetría esofágica de 24
horas con impedancia, sin embargo, sus métricas de rendimiento mostraron porcentajes de sensibilidad
y especificidad bajos en comparción con el modelo anterior, lo que pudo deberse a la baja tasa de
pacientes utilizados durante el estudio (45), lo cual puede aumentar el margen de error al no tomar en
cuenta variables presentes en poblaciones más grandes (Zhou et al., 2023).
Deep Leraning (DL) y GERD-VGGNet basaron la clasificación automática e interpretación de la
gravedad de la enfermedad a partir de la clasificación de Los Ángeles, donde se utilizó un gran número
de imágenes endoscópicas, las cuales permitieron una presición del 86,7% y 99.2% respectivamente.
No obstante, para el modelo GERD-VGGNet se basó en un conjunto de pruebas relativamente pequeño
de 32 pacientes, lo que limita la generalizabilidad de los resultados a una población más amplia (Ge et
al., 2023; Wang et al., 2021).
En el caso de Support vector machine (SVM) [19], se hizo uso de una regresión logística y de
clasificadores de máquina de vectores de soporte para realizar la predicción del trastorno de reflujo
gastroesofágico, logrando una mayor precisión en su clasificación mediante el uso de representaciones
lineales y estructuras de árbol binario (Srividya & Sasi, 2021).
Por último, el estudio de Artificial intelligence (IA) [20] permitió comprender el uso de la inteligencia
artificial (IA) en la medición de nuevas métricas de pH-impedancia mediante la identificación y
eliminación de diversos eventos de impedancia, permitiendo predecir la eficacia de los tratamientos
pág. 10378
médicos para esta enfermedad. Sin embargo, su interpretabilidad no se ha estudiado, provocando que
la precisión de estos métodos sea inferior al 90%, incrementando la necesidad de mejorar las técnicas
de modelos de IA para uso clínico práctico (Wong et al., 2023).
CONCLUSIONES
La revisión narrativa ha permitido identificar y comparar los principales avances en el uso de la
inteligencia artificial (IA) para el diagnóstico de la enfermedad por reflujo gastroesofágico (ERGE),
una patología de alta prevalencia e impacto en la calidad de vida. A través del análisis de múltiples
estudios recientes, se ha evidenciado que la IA está revolucionando la forma en que se detectan,
clasifican y gestionan los trastornos funcionales gastrointestinales, especialmente mediante la
automatización de procesos diagnósticos que tradicionalmente han requerido intervención manual
intensiva.
Los modelos basados en deep learning, como GERD-VGGNet o DenseNet-121, han mostrado niveles
de precisión notables, incluso superiores a los de endoscopistas con experiencia, lo que posiciona a
estas tecnologías como herramientas prometedoras en la práctica clínica. Asimismo, enfoques como
Yolov5 y DeepLabV3+ destacan por su capacidad para segmentar imágenes y localizar lesiones con
alta fiabilidad. Por su parte, los sistemas basados en machine learning aplicados a pHmetría e
impedancia han permitido una mayor comprensión de los episodios de reflujo y una mejora progresiva
en la cuantificación de los mismos.
No obstante, persisten limitaciones metodológicas relevantes, entre ellas: tamaños muestrales
reducidos, falta de validación externa, y baja interpretabilidad clínica de algunos modelos. Estas
restricciones dificultan la generalización de los hallazgos y subrayan la necesidad de estudios
multicéntricos con cohortes amplias y heterogéneas.
En síntesis, la IA representa una frontera tecnológica con alto potencial para transformar el abordaje de
la ERGE, pero su adopción clínica efectiva requiere una validación rigurosa, el desarrollo de interfaces
intuitivas para profesionales de la salud y una integración ética y segura en los sistemas de atención
sanitaria. Las futuras investigaciones deberán centrarse en la explicabilidad de los modelos, su
aplicabilidad en diversos contextos socioeconómicos y su impacto real en la toma de decisiones
médicas.
médicos para esta enfermedad. Sin embargo, su interpretabilidad no se ha estudiado, provocando que
la precisión de estos métodos sea inferior al 90%, incrementando la necesidad de mejorar las técnicas
de modelos de IA para uso clínico práctico (Wong et al., 2023).
CONCLUSIONES
La revisión narrativa ha permitido identificar y comparar los principales avances en el uso de la
inteligencia artificial (IA) para el diagnóstico de la enfermedad por reflujo gastroesofágico (ERGE),
una patología de alta prevalencia e impacto en la calidad de vida. A través del análisis de múltiples
estudios recientes, se ha evidenciado que la IA está revolucionando la forma en que se detectan,
clasifican y gestionan los trastornos funcionales gastrointestinales, especialmente mediante la
automatización de procesos diagnósticos que tradicionalmente han requerido intervención manual
intensiva.
Los modelos basados en deep learning, como GERD-VGGNet o DenseNet-121, han mostrado niveles
de precisión notables, incluso superiores a los de endoscopistas con experiencia, lo que posiciona a
estas tecnologías como herramientas prometedoras en la práctica clínica. Asimismo, enfoques como
Yolov5 y DeepLabV3+ destacan por su capacidad para segmentar imágenes y localizar lesiones con
alta fiabilidad. Por su parte, los sistemas basados en machine learning aplicados a pHmetría e
impedancia han permitido una mayor comprensión de los episodios de reflujo y una mejora progresiva
en la cuantificación de los mismos.
No obstante, persisten limitaciones metodológicas relevantes, entre ellas: tamaños muestrales
reducidos, falta de validación externa, y baja interpretabilidad clínica de algunos modelos. Estas
restricciones dificultan la generalización de los hallazgos y subrayan la necesidad de estudios
multicéntricos con cohortes amplias y heterogéneas.
En síntesis, la IA representa una frontera tecnológica con alto potencial para transformar el abordaje de
la ERGE, pero su adopción clínica efectiva requiere una validación rigurosa, el desarrollo de interfaces
intuitivas para profesionales de la salud y una integración ética y segura en los sistemas de atención
sanitaria. Las futuras investigaciones deberán centrarse en la explicabilidad de los modelos, su
aplicabilidad en diversos contextos socioeconómicos y su impacto real en la toma de decisiones
médicas.
pág. 10379
REFERENCIAS BIBLIOGRÁFICAS
Arín, A. & Iglesias, M. R. (2003). Enfermedad por reflujo gastroesofágico. Anales del Sistema Sanitario
de Navarra, 26(2). 251-268. http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1137-
66272003000300008&lng=es&tlng=es.
Barba Orozco, E. & Esquerra Duran, A. (2023). Estudio del reflujo gastroesofágico. Interpretación de
las pruebas funcionales en el paciente obeso. Cirugía Española, 101(4), S8-S18.
https://doi.org/10.1016/j.ciresp.2023.01.001.
Boeckxstaens, G. E. & Rohof, W. O. (2014). Pathophysiology of Gastroesophageal Reflux Disease.
Gastroenterology Clinics of North America, 43(1), 15-25.
https://doi.org/10.1016/j.gtc.2013.11.001.
Ge, Z., Wang, B., Chang, J., Yu, Z., Zhou, Z., Zhang, J. & Duan, Z. (2023). Using deep learning and
explainable artificial intelligence to assess the severity of gastroesophageal reflux disease
according to the Los Angeles Classification System. Scandinavian journal of gastroenterology,
58(6), 596–604. https://doi.org/10.1080/00365521.2022.2163185.
Hosseini, A., Shorofi, S. A., Jackson, A. C., Dehghan, M. F., Salmanpour, A., Sadeghi, Z., Haghani, S.
& Bahramnezhad, F. (2022). The effects of diaphragmatic breathing training on the quality of
life and clinical symptoms of patients with gastroesophageal reflux disease: A randomized
controlled trial. Advances in Integrative Medicine, 9(2), 103-109.
https://doi.org/10.1016/j.aimed.2022.03.002.
Huerta-Iga, F. M., Tamayo-de la Cuesta, J. L., Noble-Lugo, A., Remes-Troche, J. M. Valdovinos-Díaz,
M. A. & Carmona-Sánchez, R. I. (2012). Consenso mexicano de enfermedad por relujo
gastroesofágico. Parte I. Revista de Gastroenterología de México, 77(4), 193-213.
https://doi.org/10.1016/j.rgmx.2012.10.002.
Kahrilas, P. J., McColl, K., Fox, M., O'Rourke, L., Sifrim, D., Smout, A. J. & Boeckxstaens, G. (2013).
The acid pocket: a target for treatment in reflux disease?. The American journal of
gastroenterology, 108(7), 1058–1064. https://doi.org/10.1038/ajg.2013.132.
Maity, R., Raja Sankari, V. M., U, S., N A, R. & Salvador, A. L. (2024). Explainable AI based
automated segmentation and multi-stage classification of gastroesophageal reflux using
REFERENCIAS BIBLIOGRÁFICAS
Arín, A. & Iglesias, M. R. (2003). Enfermedad por reflujo gastroesofágico. Anales del Sistema Sanitario
de Navarra, 26(2). 251-268. http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1137-
66272003000300008&lng=es&tlng=es.
Barba Orozco, E. & Esquerra Duran, A. (2023). Estudio del reflujo gastroesofágico. Interpretación de
las pruebas funcionales en el paciente obeso. Cirugía Española, 101(4), S8-S18.
https://doi.org/10.1016/j.ciresp.2023.01.001.
Boeckxstaens, G. E. & Rohof, W. O. (2014). Pathophysiology of Gastroesophageal Reflux Disease.
Gastroenterology Clinics of North America, 43(1), 15-25.
https://doi.org/10.1016/j.gtc.2013.11.001.
Ge, Z., Wang, B., Chang, J., Yu, Z., Zhou, Z., Zhang, J. & Duan, Z. (2023). Using deep learning and
explainable artificial intelligence to assess the severity of gastroesophageal reflux disease
according to the Los Angeles Classification System. Scandinavian journal of gastroenterology,
58(6), 596–604. https://doi.org/10.1080/00365521.2022.2163185.
Hosseini, A., Shorofi, S. A., Jackson, A. C., Dehghan, M. F., Salmanpour, A., Sadeghi, Z., Haghani, S.
& Bahramnezhad, F. (2022). The effects of diaphragmatic breathing training on the quality of
life and clinical symptoms of patients with gastroesophageal reflux disease: A randomized
controlled trial. Advances in Integrative Medicine, 9(2), 103-109.
https://doi.org/10.1016/j.aimed.2022.03.002.
Huerta-Iga, F. M., Tamayo-de la Cuesta, J. L., Noble-Lugo, A., Remes-Troche, J. M. Valdovinos-Díaz,
M. A. & Carmona-Sánchez, R. I. (2012). Consenso mexicano de enfermedad por relujo
gastroesofágico. Parte I. Revista de Gastroenterología de México, 77(4), 193-213.
https://doi.org/10.1016/j.rgmx.2012.10.002.
Kahrilas, P. J., McColl, K., Fox, M., O'Rourke, L., Sifrim, D., Smout, A. J. & Boeckxstaens, G. (2013).
The acid pocket: a target for treatment in reflux disease?. The American journal of
gastroenterology, 108(7), 1058–1064. https://doi.org/10.1038/ajg.2013.132.
Maity, R., Raja Sankari, V. M., U, S., N A, R. & Salvador, A. L. (2024). Explainable AI based
automated segmentation and multi-stage classification of gastroesophageal reflux using
pág. 10380
machine learning techniques. Biomedical physics & engineering express, 10(4).
https://doi.org/10.1088/2057-1976/ad5a14.
Moffa, A., Oliveto, G., Di Matteo, F., Bautista, P., Cárdenas, A., Cassano, M. & Casale, M. (2020).
Modified inspiratory muscle training (m-IMT) as promising treatment for gastro-oesophageal
reflux disease (GERD). Acta Otorrinolaringologica, 71(2), 65-69.
https://doi.org/10.1016/j.otoeng.2019.01.003.
NCI. (2011). Respiración diafragmática. Instituto Nacional del Cáncer.
https://www.cancer.gov/espanol/publicaciones/diccionarios/diccionario-
cancer/def/respiracion-diafragmatica.
Nobre e Souza, M. A., Vitorino Lima, M. J., Bezerra Martins, G., Arrais Nobre, R., Ponte Souza, M.
H. L., Brandt de Oliveira, R. & Aguiar dos Santos, A. (2013). Inspiratory muscle training
improves antireflux barrier in GERD patients. American Journal of Physiology-
Gastrointestinal and Liver Physiology, 305(11), 862-867.
https://doi.org/10.1152/ajpgi.00054.2013.
Nugraha, H.G., Agustina, M. & Nataprawira, H. M. (2025). Diagnostic challenges of hiatal hernia Type
IV: An imaging perspective. Radiology Case Reports, 20(1), 437-441.
https://doi.org/10.1016/j.radcr.2024.09.147.
OMS. (2024, 1 de marzo). Obesidad y sobrepeso. Organización mundial de la salud.
https://www.who.int/es/news-room/fact-sheets/detail/obesity-and-
overweight#:~:text=El%20sobrepeso%20y%20la%20obesidad%20son%20la%20consecuenci
a%20de%20un,factores%20psicosociales%20y%20variantes%20gen%C3%A9ticas.
Pérez de la Serna y Bueno, J. & Ruiz de León San Juan, A. (2015). pHmetría/impedancia-pHmetría de
24 horas. Revista Española de Enfermedades Digestivas, 107(4), 243.
http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1130-
01082015000400013&lng=es&tlng=es.
Serra Pueyo, J. (2014). Puesta al día en el reflujo gastroesofágico. Gastroenterología y Hepatología,
37(2), 73-82. 10.1016/j.gastrohep.2013.11.001.
machine learning techniques. Biomedical physics & engineering express, 10(4).
https://doi.org/10.1088/2057-1976/ad5a14.
Moffa, A., Oliveto, G., Di Matteo, F., Bautista, P., Cárdenas, A., Cassano, M. & Casale, M. (2020).
Modified inspiratory muscle training (m-IMT) as promising treatment for gastro-oesophageal
reflux disease (GERD). Acta Otorrinolaringologica, 71(2), 65-69.
https://doi.org/10.1016/j.otoeng.2019.01.003.
NCI. (2011). Respiración diafragmática. Instituto Nacional del Cáncer.
https://www.cancer.gov/espanol/publicaciones/diccionarios/diccionario-
cancer/def/respiracion-diafragmatica.
Nobre e Souza, M. A., Vitorino Lima, M. J., Bezerra Martins, G., Arrais Nobre, R., Ponte Souza, M.
H. L., Brandt de Oliveira, R. & Aguiar dos Santos, A. (2013). Inspiratory muscle training
improves antireflux barrier in GERD patients. American Journal of Physiology-
Gastrointestinal and Liver Physiology, 305(11), 862-867.
https://doi.org/10.1152/ajpgi.00054.2013.
Nugraha, H.G., Agustina, M. & Nataprawira, H. M. (2025). Diagnostic challenges of hiatal hernia Type
IV: An imaging perspective. Radiology Case Reports, 20(1), 437-441.
https://doi.org/10.1016/j.radcr.2024.09.147.
OMS. (2024, 1 de marzo). Obesidad y sobrepeso. Organización mundial de la salud.
https://www.who.int/es/news-room/fact-sheets/detail/obesity-and-
overweight#:~:text=El%20sobrepeso%20y%20la%20obesidad%20son%20la%20consecuenci
a%20de%20un,factores%20psicosociales%20y%20variantes%20gen%C3%A9ticas.
Pérez de la Serna y Bueno, J. & Ruiz de León San Juan, A. (2015). pHmetría/impedancia-pHmetría de
24 horas. Revista Española de Enfermedades Digestivas, 107(4), 243.
http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1130-
01082015000400013&lng=es&tlng=es.
Serra Pueyo, J. (2014). Puesta al día en el reflujo gastroesofágico. Gastroenterología y Hepatología,
37(2), 73-82. 10.1016/j.gastrohep.2013.11.001.
pág. 10381
Song, G., Trujillo, S., Fu, Y., Shibi, F., Chen, J. & Fass, R. (2023). Transcutaneous electrical stimulation
for gastrointestinal motility disorders. Neurogastroenterology & Motility, 35(11).
https://doi.org/10.1111/nmo.14618.
Srividya, B. V. & Sasi, S. (2021). Early Detection of Gastroesophageal Reflux Disease Using Logistic
Regression and Support Vector Machine. International Journal of Organizational and
Collective Intelligence (IJOCI), 11(2), 75-90. https://doi.org/10.4018/IJOCI.2021040104.
Wang, C. C., Chiu, Y. C., Chen, W. L., Yang, T. W., Tsai, M. C., & Tseng, M. H. (2021). A Deep
Learning Model for Classification of Endoscopic Gastroesophageal Reflux Disease.
International journal of environmental research and public health, 18(5), 2428.
https://doi.org/10.3390/ijerph18052428.
Wong, M. W., Rogers, B. D., Liu, M. X., Lei, W. Y., Liu, T. T., Yi, C. H., Hung, J. S., Liang, S. W.,
Tseng, C. W., Wang, J. H., Wu, P. A. & Chen, C. L. (2023). Application of Artificial
Intelligence in Measuring Novel pH-Impedance Metrics for Optimal Diagnosis of GERD.
Diagnostics (Basel, Switzerland), 13(5), 960. https://doi.org/10.3390/diagnostics13050960.
Zhou, M. J., Zikos, T., Goel, K., Goel, K., Gu, A., Re, C., Florez Rodriguez, D. J., Clarke, J. O., Garcia,
P., Fernandez-Becker, N., Sonu, I., Kamal, A. & Sinha, S. R. (2023). Development and
Validation of a Machine Learning System to Identify Reflux Events in Esophageal 24-Hour
pH/Impedance Studies. Clinical and translational gastroenterology, 14(10).
https://doi.org/10.14309/ctg.0000000000000634.
Song, G., Trujillo, S., Fu, Y., Shibi, F., Chen, J. & Fass, R. (2023). Transcutaneous electrical stimulation
for gastrointestinal motility disorders. Neurogastroenterology & Motility, 35(11).
https://doi.org/10.1111/nmo.14618.
Srividya, B. V. & Sasi, S. (2021). Early Detection of Gastroesophageal Reflux Disease Using Logistic
Regression and Support Vector Machine. International Journal of Organizational and
Collective Intelligence (IJOCI), 11(2), 75-90. https://doi.org/10.4018/IJOCI.2021040104.
Wang, C. C., Chiu, Y. C., Chen, W. L., Yang, T. W., Tsai, M. C., & Tseng, M. H. (2021). A Deep
Learning Model for Classification of Endoscopic Gastroesophageal Reflux Disease.
International journal of environmental research and public health, 18(5), 2428.
https://doi.org/10.3390/ijerph18052428.
Wong, M. W., Rogers, B. D., Liu, M. X., Lei, W. Y., Liu, T. T., Yi, C. H., Hung, J. S., Liang, S. W.,
Tseng, C. W., Wang, J. H., Wu, P. A. & Chen, C. L. (2023). Application of Artificial
Intelligence in Measuring Novel pH-Impedance Metrics for Optimal Diagnosis of GERD.
Diagnostics (Basel, Switzerland), 13(5), 960. https://doi.org/10.3390/diagnostics13050960.
Zhou, M. J., Zikos, T., Goel, K., Goel, K., Gu, A., Re, C., Florez Rodriguez, D. J., Clarke, J. O., Garcia,
P., Fernandez-Becker, N., Sonu, I., Kamal, A. & Sinha, S. R. (2023). Development and
Validation of a Machine Learning System to Identify Reflux Events in Esophageal 24-Hour
pH/Impedance Studies. Clinical and translational gastroenterology, 14(10).
https://doi.org/10.14309/ctg.0000000000000634.