Nan Lin 1,†,Rudy Paul 2,†,Santiago Guerra 2,Yan Liu 1,3,James Doulgeris 4,Min Shi 5,6,Maohua Lin 4,*,Erik D. Engeberg 2,4,7,Javad Hashemi 4yFrank D. Vrionis 3,*
Healthcare 2024, 12(23), 2330; https://doi.org/10.3390/healthcare12232330
La integración de la Inteligencia Artificial (IA) en la atención médica representa una de las tendencias más transformadoras de la medicina moderna [
1 ]. Desde tareas administrativas hasta diagnósticos e intervenciones quirúrgicas de alta complejidad, la IA está logrando avances significativos en la transformación de la prestación de atención médica [
2 ]. Esta transformación se debe a la capacidad de la IA para analizar grandes cantidades de datos médicos, generar información predictiva y facilitar los procesos de toma de decisiones que pueden mejorar los resultados de los pacientes [
3 ]. Ante los desafíos que enfrentan los sistemas de salud globales, como el aumento de los costos, la escasez de personal y la necesidad de una atención más personalizada, la IA ofrece soluciones prometedoras en todos los ámbitos [
4 ].Los sistemas de salud de todo el mundo se ven afectados por ineficiencias tanto en los procesos administrativos como clínicos [
5 ]. Las tareas administrativas, como la programación de citas, la facturación y la gestión de registros, consumen una parte significativa de los recursos sanitarios y a menudo provocan retrasos o errores en la atención al paciente [
6 ,
7 ]. La capacidad de la IA para automatizar tareas rutinarias y gestionar grandes conjuntos de datos en tiempo real tiene el potencial de aliviar estas cargas, permitiendo a los profesionales sanitarios centrarse más en la atención al paciente que en el papeleo [
8 ,
9 ].En el ámbito clínico, el papel de la IA va mucho más allá de la mera automatización. Los algoritmos avanzados de IA, en particular los basados en aprendizaje automático (ML) y aprendizaje profundo (DL), se emplean para mejorar la precisión diagnóstica, optimizar las imágenes médicas e incluso asistir en procedimientos quirúrgicos [
10 ,
11 ]. Por ejemplo, se han desarrollado sistemas basados en IA para analizar imágenes médicas, detectar anomalías y proporcionar recomendaciones diagnósticas que pueden reducir significativamente el tiempo necesario para diagnosticar afecciones como el cáncer o las enfermedades cardiovasculares [
12 ,
13 ].A pesar de su potencial, la adopción de la IA en el sector sanitario no ha avanzado tan rápidamente como en otros sectores. Esto se debe a una combinación de desafíos técnicos, éticos y regulatorios [
14 ]. Las preocupaciones sobre la privacidad de los datos, la naturaleza opaca de muchos modelos de IA y la necesidad de formatos de datos estandarizados representan obstáculos importantes para la integración generalizada de la IA en los sistemas sanitarios [
15 ]. Además, la complejidad inherente de los datos sanitarios, que incluyen una mezcla de datos estructurados y no estructurados, dificulta el desarrollo de modelos de IA que puedan generalizarse a diferentes entornos sanitarios [
16 ,
17 ].Además, las aplicaciones de IA en la atención médica plantean importantes cuestiones éticas y legales. ¿Quién es responsable cuando un sistema de IA realiza un diagnóstico o recomendación errónea [
18 ]? ¿Cómo podemos garantizar que los algoritmos de IA no perpetúen los sesgos presentes en los datos con los que se entrenan [
3 ]? Estas preocupaciones resaltan la importancia de desarrollar sistemas de IA transparentes y explicables en los que los profesionales de la salud puedan confiar [
18 ,
19 ].Numerosas revisiones han resaltado el profundo impacto de la inteligencia artificial (IA) en la atención médica, centrándose a menudo en áreas específicas como la imagen médica, la medicina de precisión o las consideraciones éticas. Por ejemplo, los investigadores enfatizan la convergencia de la IA y la medicina de precisión, donde las capacidades de la IA en el procesamiento de datos y el reconocimiento de patrones ayudan a optimizar los tratamientos individualizados [
20 ]. De manera similar, abogan por la aplicación de la IA en el descubrimiento de fármacos, los ensayos clínicos y la atención al paciente, identificando el papel de la IA en la automatización de tareas y la mejora de las decisiones basadas en datos [
21 ].Artículos de revisión recientes ofrecen información valiosa sobre las aplicaciones, los desafíos y las direcciones futuras de la IA. Un artículo analiza las aplicaciones actuales de la IA y discute técnicas como el aprendizaje automático y el procesamiento del lenguaje natural, particularmente en áreas de enfermedades importantes como el cáncer, la neurología y la cardiología [
22 ]. Otra revisión ofrece un análisis exhaustivo de las aplicaciones de la IA y el aprendizaje automático en varios sectores de la atención médica, incluidos el diagnóstico, el análisis predictivo, la medicina personalizada y las tareas administrativas [
23 ].Otro artículo analiza los desafíos que enfrentan los sistemas de salud globales, como el envejecimiento de la población y el aumento de las enfermedades crónicas, posicionando a la IA como una solución prometedora [
24 ]. Por último, otra revisión aborda cuestiones críticas como las consideraciones éticas, los sesgos algorítmicos, la interpretabilidad, las restricciones regulatorias y los desafíos de integración que dificultan la adopción de la IA. Subraya la necesidad de colaboración entre profesionales de la salud, tecnólogos, reguladores y especialistas en ética para superar estos obstáculos [
25 ].Otras revisiones se centran en el impacto económico de la IA en los sistemas de salud, destacando su potencial de rentabilidad, pero también señalando las limitaciones actuales en las metodologías de evaluación económica [
26 ]. Los desafíos éticos, incluidos los sesgos, la rendición de cuentas y las preocupaciones sobre la privacidad, también se han revisado ampliamente, con llamamientos a marcos de gobernanza para mitigar los riesgos [
27 ].Lo que distingue esta revisión de trabajos anteriores es su enfoque integral para evaluar el papel de la IA en múltiples ámbitos de la atención médica —desde la administración y el diagnóstico hasta las intervenciones—, abordando simultáneamente los desafíos técnicos, éticos y de implementación únicos que dificultan la adopción de la IA a gran escala. Esta revisión va más allá de centrarse en aplicaciones individuales de IA para ofrecer una perspectiva holística sobre la integración de la IA en los sistemas de atención médica, identificando deficiencias comunes y proponiendo direcciones futuras que alineen el desarrollo de la IA con las necesidades cambiantes de la atención médica.En esta revisión, exploramos las aplicaciones actuales de la IA en la atención médica, centrándonos en áreas clave como los procesos administrativos, la imagenología médica, el diagnóstico y las intervenciones quirúrgicas. También analizamos los desafíos que deben superarse para aprovechar plenamente el potencial de la IA en este ámbito y discutimos las futuras fronteras de los sistemas inteligentes de atención médica. Al abordar tanto las posibilidades como las limitaciones de la IA, este artículo pretende brindar una comprensión integral de cómo la IA puede revolucionar la atención médica en los próximos años (
Figura 1 ).
3.1. Limitaciones de la atención sanitaria
Los sistemas de salud en todo el mundo enfrentan multitud de desafíos, entre ellos ineficiencias administrativas, errores de diagnóstico, altos costos y escasez de profesionales cualificados [ 29 ]. La IA promete aliviar muchos de estos desafíos, pero es necesario abordar varias deficiencias antes de que su potencial pueda aprovecharse plenamente [ 30 ].
A. Administración
Las ineficiencias administrativas han afectado durante mucho tiempo a los sistemas de salud. Desde la programación de citas hasta la facturación y la gestión de historiales clínicos, las tareas administrativas suelen ser engorrosas y propensas a errores [ 31 ]. El papeleo puede provocar errores y disminuir la eficacia operativa. La integración de la IA con los sistemas de salud tradicionales representa un gran desafío. Muchas instituciones sanitarias aún utilizan software y hardware obsoletos, lo que dificulta la implementación de soluciones de IA. La privacidad y la seguridad de los datos también son preocupaciones importantes, ya que los datos sanitarios son altamente sensibles y están sujetos a regulaciones estrictas como la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA) [ 32 ].Además, las instituciones de salud deben responder las preguntas comunes de los pacientes, brindar educación y ofrecer apoyo, lo que mejora la satisfacción del paciente y alivia la carga de trabajo del personal médico [ 33 ]. Con el crecimiento exponencial de los datos de salud, existe una necesidad imperiosa de organizar y gestionar la información de manera eficiente [ 34 ]. La Organización Mundial de la Salud (OMS) ha destacado que una gestión inadecuada de los datos puede provocar errores críticos, retrasos en la atención al paciente y un aumento de los costos de la atención médica [ 35 ]. La interoperabilidad es otra barrera importante para el uso efectivo de la IA en la administración de la atención médica. La falta de formatos y protocolos de datos estandarizados dificulta que los sistemas de IA se comuniquen con los EHR existentes, lo que resulta en fragmentación de datos e ineficiencias [ 36 ]. B.Imágenes Las imágenes médicas son una de las herramientas de diagnóstico más importantes en la medicina moderna ( Figura 2 ). Tecnologías como los rayos X, la resonancia magnética y la tomografía computarizada son fundamentales para detectar y diagnosticar una amplia gama de afecciones [ 37 ].
La Tabla 1 muestra un resumen de las tecnologías de IA en aplicaciones de atención médica. Sin embargo, las imágenes médicas son costosas y requieren habilidades altamente especializadas, lo que las hace inaccesibles para muchos pacientes en entornos con recursos limitados [ 38 ]. La IA presenta una oportunidad para reducir el costo y aumentar la accesibilidad de las imágenes médicas [ 39 ].
Figura 2. Inteligencia artificial en el flujo de trabajo de imágenes médicas.La IA en imágenes médicas enfrenta desafíos relacionados con la variabilidad y la generalización de los datos. Los datos de imágenes de diferentes instituciones pueden variar significativamente debido a diferencias en el equipo, los protocolos de imagen y las poblaciones de pacientes, lo que dificulta que los modelos de IA se desempeñen de manera consistente en diferentes entornos [ 40 ]. Además, la naturaleza de «caja negra» de muchos modelos de IA dificulta la comprensión de cómo llegan a sus conclusiones, lo que obstaculiza la confianza y la adopción [ 7 ].
Persisten los desafíos para lograr un consenso sobre las metodologías y los algoritmos utilizados en la imagen médica [
18 ,
40 ]. Además, los datos de imagen médica suelen contener ruido y diversas formas de atenuación, así como dispositivos de movimiento. Técnicas como la resonancia magnética (RM), la tomografía computarizada (TC), la ecografía y la tomografía por emisión de positrones (PET) son particularmente susceptibles al ruido multiplicativo [
48 ].DO.
DiagnósticoEl diagnóstico es un área donde la IA puede tener un impacto significativo, particularmente en la reducción de errores de diagnóstico y la detección temprana de enfermedades. Sin embargo, la aplicación de la IA en el diagnóstico es compleja y presenta numerosos desafíos [
49 ]. El uso de la IA en el diagnóstico requiere conjuntos de datos grandes y de alta calidad, pero la variabilidad de los datos entre hospitales representa una barrera importante [
50 ]. Por ejemplo, las diferencias en los procedimientos de preparación y tinción de muestras de tejido generan variaciones que afectan la precisión de los modelos de IA [
51 ].Además, el sesgo en los conjuntos de datos es una preocupación fundamental en los diagnósticos de IA. Si los datos de entrenamiento no son representativos de poblaciones diversas, el rendimiento del modelo puede variar significativamente entre diferentes grupos demográficos. Esto podría generar disparidades en los resultados de la atención médica y exacerbar las desigualdades existentes [
52 ,
53 ].Por ejemplo, un estudio evaluó cómo los modelos de IA sesgados afectan la precisión diagnóstica de los médicos. Realizado de abril de 2022 a enero de 2023 en 13 estados de EE. UU., el estudio involucró a médicos, enfermeros practicantes y asistentes médicos de hospitales que revisaron nueve casos clínicos de insuficiencia respiratoria aguda. Los médicos primero revisaron dos casos sin asistencia de IA para establecer la precisión de referencia (73,0 %), luego evaluaron seis casos con predicciones de IA, ya sean estándar o sesgadas, y con o sin explicaciones. Los modelos de IA estándar mejoraron la precisión en 2,9 puntos porcentuales (4,4 con explicaciones). Por el contrario, las predicciones de IA sesgadas disminuyeron la precisión en 11,3 puntos, y las explicaciones solo mitigaron ligeramente esto, mejorando la precisión en 2,3 puntos no significativos. Por lo tanto, la IA estándar mejoró la precisión, pero los sesgos en la IA la redujeron significativamente [
54 ].El principal desafío en el uso de la IA para el diagnóstico radica en garantizar la transparencia y la explicabilidad (
Figura 3 ). Muchos modelos de IA son complejos y difíciles de interpretar, lo que dificulta que los profesionales de la salud confíen en sus recomendaciones. También surgen problemas éticos al depender excesivamente de la IA para la toma de decisiones, especialmente en casos donde las recomendaciones del modelo pueden ser incorrectas o estar sesgadas [
51 ]. Estos problemas deben abordarse mediante una validación rigurosa, transparencia y regulaciones claras [
55 ,
56 ].
Figura 3. Desafíos en el diagnóstico impulsado por IA.D.
Intervención
La adopción de sistemas quirúrgicos impulsados por IA se ve limitada por los altos costos, los desafíos regulatorios y la necesidad de una amplia capacitación para los cirujanos. El costo de adquirir y mantener sistemas robóticos es prohibitivo para muchas instituciones de salud, particularmente en países de ingresos bajos y medios [ 57 ].
La Tabla 2 muestra las aplicaciones actuales y futuras de la IA en la atención médica. Además, la integración de la IA en el flujo de trabajo de los procedimientos requiere una amplia capacitación para los cirujanos, y existen preocupaciones con respecto a la confiabilidad y seguridad de los procedimientos quirúrgicos autónomos, ya que los sistemas impulsados por IA pueden no ser capaces de manejar situaciones inesperadas con la misma eficacia que los cirujanos humanos [ 56 ].
El proceso de aprobación regulatoria para los sistemas quirúrgicos impulsados por IA es riguroso, ya que la seguridad del paciente es de suma importancia. La FDA y otros organismos reguladores requieren pruebas y validación exhaustivas antes de aprobar los sistemas de IA para su uso en cirugía, lo que puede ser laborioso y costoso [
56 ,
58 ].
3.2. Posibilidades de la IA en la atención sanitaria
La IA tiene un enorme potencial para abordar muchos de los desafíos que enfrentan los sistemas de salud en la actualidad. Esta sección explora las diversas posibilidades de la IA en diferentes aspectos de la atención médica.A.
AdministraciónLa IA tiene el potencial de revolucionar la administración de la atención médica al automatizar tareas repetitivas y permitir el análisis predictivo. Por ejemplo, el PLN se puede utilizar para extraer información significativa de notas clínicas no estructuradas y convertirla en datos estructurados para su uso en los HCE [
22 ]. Esto no solo reduciría la carga de trabajo de los profesionales de la salud, sino que también mejoraría la calidad y la accesibilidad de los datos [
59 ,
60 ,
61 ]. Sin embargo, la integración de la IA en los sistemas de atención médica existentes sigue siendo un gran desafío. La falta de formatos de datos estandarizados, las preocupaciones sobre la privacidad de los datos y los problemas de interoperabilidad son obstáculos importantes [
62 ]. Según un estudio, más del 60 % de las instituciones de atención médica informan dificultades para integrar la IA en su infraestructura existente debido a estos problemas [
32 ].El análisis predictivo es otra área donde la IA puede marcar la diferencia. Al analizar los datos de los pacientes, la IA puede predecir los reingresos hospitalarios, optimizar la asignación de recursos e identificar a los pacientes con riesgo de desarrollar enfermedades crónicas [
63 ]. Esto puede ayudar a los proveedores de atención médica a intervenir tempranamente y prevenir resultados adversos, reduciendo en última instancia los costos de atención médica [
64 ].B.
ImágenesLa IA tiene el potencial de mejorar significativamente las imágenes médicas al reducir el tiempo y el costo asociados con la interpretación de imágenes. Los algoritmos de IA pueden ayudar a los radiólogos identificando anomalías, proporcionando segundas opiniones e incluso generando datos de entrenamiento sintéticos para mejorar la precisión del modelo [
65 ]. Se han utilizado técnicas como las GAN para mejorar la calidad de la imagen y crear imágenes realistas para fines de entrenamiento, lo cual es particularmente útil cuando se trata de afecciones raras [
66 ].La IA también puede ayudar en la detección temprana de enfermedades. Por ejemplo, se ha utilizado para detectar la retinopatía diabética a partir de imágenes de retina con alta precisión, lo que permite una intervención temprana y previene la pérdida de visión [
67 ]. Al complementar las capacidades de los radiólogos, la IA puede mejorar la precisión diagnóstica y reducir la carga de trabajo de los profesionales de la salud [
68 ].Las técnicas de aprendizaje profundo, en particular las redes neuronales convolucionales (CNN), han demostrado ser prometedoras para la interpretación de imágenes médicas y la asistencia a radiólogos [
69 ]. U-Net es una de las arquitecturas que ha ganado popularidad en tareas de segmentación de imágenes, proporcionando delineaciones precisas de tumores y otras anomalías [
70 ].
La Tabla 3 ilustra los desafíos y las soluciones para la adopción de la IA en el sector sanitario.
DO.
DiagnósticoEl uso de la IA en el diagnóstico tiene el potencial de revolucionar la medicina personalizada. Al analizar la información genética, el historial médico y los datos clínicos de un paciente, la IA puede proporcionar recomendaciones diagnósticas y planes de tratamiento personalizados [
73 ]. Por ejemplo, la IA se ha utilizado para predecir el riesgo de desarrollar ciertos tipos de cáncer basándose en marcadores genéticos y factores del estilo de vida [
74 ].Además, los modelos de IA pueden identificar patrones en datos médicos que podrían pasar desapercibidos para los profesionales humanos. Se han utilizado algoritmos de aprendizaje automático para predecir la sepsis, una afección potencialmente mortal, horas antes de que se manifieste clínicamente, lo que permite una intervención oportuna [
75 ,
76 ]. Estos avances en diagnósticos basados en IA tienen el potencial de salvar vidas y mejorar los resultados de los pacientes [
76 ].D.
IntervenciónSe están desarrollando sistemas quirúrgicos basados en IA para mejorar la precisión y la eficacia de los procedimientos quirúrgicos. Un ejemplo es el uso de la IA en el apoyo a la toma de decisiones en tiempo real durante la cirugía [
77 ]. La IA puede analizar datos de diversas fuentes, como imágenes y sensores, para proporcionar a los cirujanos información útil durante los procedimientos. Esto puede ayudar a mejorar los resultados quirúrgicos y reducir el riesgo de complicaciones [
78 ].El concepto de cirugía remota, o teleoperación, también se está explorando con la ayuda de la IA. Al utilizar la IA para mejorar el control remoto de los robots quirúrgicos, los cirujanos pueden realizar procedimientos en pacientes ubicados en áreas remotas o con escasos recursos, ampliando el acceso a la atención especializada [
79 ]. Esto tiene el potencial de abordar las desigualdades en la atención médica y brindar atención de alta calidad a pacientes que de otro modo carecerían de acceso [
79 ].
3.3. Realidades de la IA en la atención sanitaria
Si bien la IA tiene un enorme potencial, su adopción en el sector sanitario aún se encuentra en sus primeras etapas. Esta sección analiza la situación actual y las limitaciones de la IA en diferentes ámbitos de la atención sanitaria.A.
AdministraciónLa IA ya ha logrado avances significativos en la administración de la atención médica, automatizando tareas como la programación de citas, la codificación médica y la facturación [ 64 ]. Los chatbots impulsados por IA también se utilizan para interactuar con los pacientes, responder consultas y proporcionar información [ 80 ]. Sin embargo, persisten desafíos para garantizar la privacidad y la seguridad de los datos, ya que los datos de atención médica son altamente sensibles y están sujetos a regulaciones estrictas [ 32 ].Un ejemplo actual del uso de la IA en la administración es el sistema Computer-Assisted Physician Documentation™ (CAPD) de Nuance en Universal Health Services (UHS), que condujo a mejoras significativas, incluyendo una reducción del 69% en los costos de transcripción (ahorrando $ 3 millones anuales), un aumento del 12% en el índice de mezcla de casos (CMI) para la asignación de recursos, una mejora del 36% en la documentación de casos de enfermedades graves y un aumento del 24% en el detalle para pacientes de alto riesgo. El sistema CAPD de voz basado en la nube y el flujo de trabajo de Mejora de la Documentación Clínica (CDI) en UHS apoyan la participación de los médicos en la mejora de la calidad al abordar los desafíos en la documentación, reducir los costos de transcripción, acelerar la documentación y mejorar la precisión y el detalle de los registros de pacientes para mejorar las métricas de calidad y los reembolsos [ 81 ].Los sistemas de IA deben integrarse con los EHR existentes, pero la falta de formatos y protocolos de datos estandarizados dificulta esto [ 82 ]. Un estudio encontró que la fragmentación de datos y la falta de interoperabilidad son barreras importantes para el uso efectivo de la IA en la administración de la atención médica [ 36 ].
ImágenesLa IA se está utilizando actualmente en imágenes médicas para ayudar a los radiólogos a detectar anomalías y proporcionar segundas opiniones [
83 ]. Por ejemplo, se han utilizado algoritmos de IA para detectar nódulos pulmonares en tomografías computarizadas, y algunos estudios informan un rendimiento comparable al de los radiólogos humanos [
84 ].Por ejemplo, un estudio evaluó si un software de detección asistida por computadora basado en IA (AI-CAD) podría reducir los falsos positivos por imagen (FPPI) en mamografías en comparación con un CAD convencional aprobado por la FDA. Realizado retrospectivamente en 250 mamografías de principios de 2013, comparó la sensibilidad y especificidad de los dos sistemas en la detección de cáncer, centrándose en el número de marcas falsas positivas por imagen y casos completamente libres de marcas. Los resultados indicaron una reducción general significativa del 69 % en FPPI con AI-CAD, con reducciones del 83 % para calcificaciones y del 56 % para masas, manteniendo la sensibilidad. Casi la mitad (48 %) de los casos no tuvieron marcas con AI-CAD, en comparación con solo el 17 % con CAD convencional. Esta reducción en falsos positivos también podría reducir el tiempo de lectura del radiólogo en un 17 % por caso, proporcionando beneficios sociales y económicos al disminuir las llamadas de seguimiento innecesarias en el cribado [ 85 ].Estudios recientes resaltan el potencial de la IA para mejorar las evaluaciones postoperatorias y la selección de implantes en cirugías de columna. Por ejemplo, Lin et al. desarrollaron un modelo de columna cervical impreso en 3D con una matriz de sensores para evaluar las distribuciones de presión intervertebral, ofreciendo información precisa y específica para cada paciente que ayuda a minimizar complicaciones como la desalineación y la degeneración del implante [ 86 ]. Otro estudio de Lin et al. exploró una réplica robótica de columna con una matriz de sensores magnéticos flexibles para simular diversas posturas y predecir los resultados postoperatorios, aprovechando el aprendizaje automático para mejorar la precisión en la predicción de fuerza y postura [ 87 ]. Un estudio reciente sobre un exoesqueleto robótico flexible de mano para entrenamiento musical muestra cómo los sistemas de retroalimentación impulsados por IA pueden ayudar en la rehabilitación de pacientes con discapacidades motoras (Lin et al., 2023). Este exoesqueleto, equipado con sensores táctiles y algoritmos de aprendizaje automático, permitió a los pacientes reaprender habilidades motoras finas, como tocar instrumentos musicales, distinguiendo las acciones correctas de las incorrectas con alta precisión. Las capacidades de IA del exoesqueleto proporcionan retroalimentación en tiempo real a los pacientes, lo que mejora significativamente la recuperación motora y la readquisición de habilidades, especialmente para aquellos que se recuperan de un neurotrauma [ 88 ]. Estos ejemplos resaltan cómo los modelos impulsados por IA y las tecnologías de sensores pueden respaldar planes de tratamiento personalizados, mejorando en última instancia la precisión quirúrgica y los resultados de los pacientes al proporcionar orientación basada en datos para los médicos. A pesar de estos avances, la adopción de la IA en imágenes médicas se ve limitada por la necesidad de supervisión humana y aprobación regulatoria [ 89 ]. Otra limitación es la variabilidad en los datos de imágenes. Los modelos de IA entrenados con datos de una institución pueden no funcionar bien cuando se aplican a datos de otra institución debido a diferencias en el equipo, los protocolos de imágenes y las poblaciones de pacientes [ 40 ]. Esta falta de generalización dificulta la adopción generalizada de la IA en imágenes médicas [ 90 ].
La Tabla 4 enumera los modelos de IA utilizados en imágenes médicas.
Diagnóstico
Las herramientas de diagnóstico basadas en IA se utilizan para la detección de enfermedades y el análisis predictivo, pero su adopción aún es limitada. La mayoría de los sistemas de diagnóstico basados en IA requieren validación mediante ensayos clínicos, lo que puede ser costoso y llevar mucho tiempo [ 91 ]. Además, es necesario abordar las preocupaciones éticas relacionadas con la responsabilidad y el sesgo antes de que se pueda confiar plenamente en la IA para la toma de decisiones diagnósticas [ 51 ]. Si los datos de entrenamiento no son representativos de toda la población, el modelo puede tener un rendimiento deficiente para ciertos grupos demográficos, lo que genera disparidades en los resultados de la atención médica [ 52 , 53 ].
La Tabla 5 presenta algunas consideraciones éticas y regulatorias para la IA en la atención médica.
D.
IntervenciónLos sistemas quirúrgicos impulsados por IA, como el sistema da Vinci, han demostrado su capacidad para mejorar la precisión de las cirugías mínimamente invasivas. Otro ejemplo notable es el sistema robótico MAKO, una plataforma líder para cirugías ortopédicas; el sistema mejora la alineación y la precisión en la colocación de componentes, lo que conlleva mejores tasas de supervivencia de los implantes y una reducción de las cirugías de revisión [
100 ]. Estas tecnologías permiten a los cirujanos realizar tareas complejas con mayor precisión, reduciendo el riesgo de complicaciones y mejorando los resultados para el paciente [
101 ].Sin embargo, la adopción de estos sistemas está limitada por los altos costos, los desafíos regulatorios y la necesidad de una amplia capacitación para los cirujanos [
101 ]. También existen preocupaciones sobre la confiabilidad y la seguridad de los procedimientos quirúrgicos autónomos, ya que los sistemas impulsados por IA (
Figura 4 ) pueden no ser capaces de manejar situaciones inesperadas con la misma eficacia que los cirujanos humanos [
7 ].
Figura 4. Cirugía robótica mejorada con IA.El proceso de aprobación regulatoria para los sistemas quirúrgicos basados en IA es riguroso, ya que la seguridad del paciente es de suma importancia. La FDA y otros organismos reguladores exigen pruebas y validación exhaustivas antes de aprobar el uso de sistemas de IA en cirugía [ 56 ]. Este proceso puede ser largo y costoso, lo que retrasa la adopción de la IA en intervenciones quirúrgicas.
3.4. Fronteras de la atención médica inteligente
El futuro de la atención médica inteligente reside en el avance de la IA para abordar los desafíos actuales y aprovechar su potencial transformador. Esta sección explora las fronteras de la IA en diferentes aspectos de la atención médica (
Figura 5 ).A.
AdministraciónEl futuro de la administración sanitaria podría incluir historiales médicos personalizados impulsados por IA, donde la IA no solo almacena datos de pacientes, sino que también proporciona activamente asesoramiento sanitario personalizado e información predictiva para cada paciente. La IA también podría utilizarse para predecir tendencias sanitarias, como brotes de enfermedades, y ayudar a los proveedores de atención médica a asignar recursos en consecuencia [ 32 ].La tecnología blockchain podría integrarse con la IA para garantizar la seguridad y la privacidad de los datos de los pacientes. Al utilizar blockchain para crear un sistema descentralizado y seguro para almacenar información de pacientes, las instituciones sanitarias podrían abordar muchas de las preocupaciones sobre la privacidad de los datos asociadas con la IA [ 102 ].B.
Imágenes
Los sistemas de imágenes de próxima generación aumentados con IA podrían permitir la obtención de imágenes en tiempo real durante las cirugías, lo que permitiría a los cirujanos tomar decisiones basadas en datos en el momento. La IA también podría utilizarse para crear protocolos de imágenes personalizados basados en el historial médico del paciente, mejorando la precisión de los diagnósticos [ 40 ].La IA también puede permitir imágenes más rápidas y accesibles para poblaciones desatendidas al reducir el costo de los equipos de imágenes. Los dispositivos de imágenes portátiles impulsados por IA podrían usarse en áreas remotas para proporcionar imágenes de diagnóstico de alta calidad, mejorando el acceso a la atención médica para pacientes que de otro modo carecerían de ella [ 65 ].DO.
Diagnóstico
La IA ha permitido soluciones más eficaces para el Internet de las Cosas (IoT) que tienen el potencial de proporcionar herramientas de autodiagnóstico a los pacientes, permitiéndoles controlar su salud mediante teléfonos inteligentes y dispositivos portátiles. Al combinar datos en tiempo real con modelos avanzados de IA, la atención preventiva personalizada podría convertirse en una realidad [ 8 ].La IA también podría utilizarse para desarrollar modelos predictivos que identifiquen a los pacientes con riesgo de desarrollar enfermedades crónicas, como la diabetes o las enfermedades cardiovasculares. Mediante el análisis de información genética, factores del estilo de vida y datos clínicos, la IA podría proporcionar recomendaciones personalizadas para prevenir la aparición de estas enfermedades [ 75 ].
Intervención
La intervención quirúrgica es otra área donde la IA ha demostrado potencial, particularmente con el auge de la cirugía robótica. Los sistemas robóticos, como el Sistema Quirúrgico da Vinci, pueden proporcionar mayor precisión, destreza y control durante los procedimientos mínimamente invasivos [ 103 ]. El sistema robótico MAKO es una plataforma líder para cirugías ortopédicas que también puede beneficiarse de la IA, ya que utiliza tomografías computarizadas preoperatorias para una planificación quirúrgica detallada y proporciona retroalimentación háptica durante los procedimientos para garantizar una resección ósea precisa [ 104 ].La frontera de la IA en la intervención quirúrgica incluye robots quirúrgicos totalmente autónomos capaces de realizar procedimientos de alto riesgo con mínima intervención humana. El papel de la IA en la mejora de las capacidades de telecirugía podría hacer que la atención especializada esté disponible a nivel mundial, especialmente en regiones remotas [ 105 ]. La rehabilitación impulsada por IA es otra área de desarrollo prometedora. Al utilizar la IA para analizar el progreso de un paciente y ajustar la terapia en tiempo real, se podrían crear programas de rehabilitación personalizados para optimizar la recuperación y mejorar los resultados del paciente [ 106 ].
Figura 5. Aplicaciones futuras de la IA en la atención médica inteligente.
4. Debate
4.1. Superar las deficiencias en la atención médica con IA
La IA tiene el potencial de resolver muchas de las ineficiencias de la atención médica, especialmente en administración, imágenes, diagnóstico y cirugías. Sin embargo, es necesario abordar barreras como la estandarización de datos, las preocupaciones sobre la privacidad y los altos costos antes de que la IA pueda alcanzar su máximo potencial [ 107 ]. La integración de la IA en las tareas administrativas requiere mejoras en la infraestructura, la interoperabilidad y la gestión segura de datos [ 108 ].En imagenología y diagnóstico, los modelos de IA presentan dificultades debido a la variabilidad y el sesgo de los datos, lo que limita su capacidad de generalización entre diferentes poblaciones de pacientes [ 109 ]. Además, los altos costos y las exigencias de capacitación de los sistemas quirúrgicos basados en IA plantean desafíos, especialmente para los hospitales en entornos con recursos limitados. Superar estos obstáculos requerirá tecnologías más asequibles y marcos regulatorios más sólidos [ 110 ].
4.2. Aprovechar el potencial de la IA
El potencial transformador de la IA en la atención médica reside en su capacidad para automatizar tareas, mejorar la precisión diagnóstica y optimizar la gestión de recursos. En la administración, la IA puede reducir los errores humanos y permitir que los profesionales de la salud se centren más en la atención al paciente. El análisis predictivo podría ayudar a los hospitales a gestionar mejor el flujo de pacientes y los recursos, mientras que en la imagenología médica, la IA puede ayudar a los radiólogos a detectar anomalías con mayor rapidez y precisión. La IA también promete ser clave para la medicina personalizada, al proporcionar recomendaciones de tratamiento adaptadas a cada paciente según sus datos. Además, los avances en telecirugía y rehabilitación asistida por IA podrían ampliar el acceso a la atención especializada en regiones desatendidas. Para aprovechar este potencial, la colaboración entre desarrolladores de IA, proveedores de atención médica y organismos reguladores es esencial para garantizar una implementación exitosa y ética.
4.3. Consideraciones éticas y legales
A medida que crece el papel de la IA en la atención médica, también lo harán las cuestiones éticas y legales que rodean su uso. Una de las preocupaciones más apremiantes es la cuestión de la responsabilidad. ¿Quién es responsable cuando un sistema de IA realiza un diagnóstico o toma una decisión quirúrgica incorrecta? A medida que los sistemas de IA se vuelven más autónomos, deben establecerse marcos legales para aclarar la responsabilidad en casos de mala praxis o error [ 19 , 111 ]. Además, la transparencia es esencial. Los desarrolladores de IA deben centrarse en crear sistemas explicables que permitan a los profesionales de la salud comprender y validar las decisiones tomadas por los modelos de IA.El sesgo en los modelos de IA es otro problema crucial, ya que los algoritmos sesgados pueden generar disparidades en los resultados de la atención médica. Para abordar este problema, se requiere el desarrollo de sistemas de IA imparciales y transparentes, junto con políticas que garanticen la equidad y la imparcialidad en los servicios de salud basados en IA [ 112 ]. La colaboración interdisciplinaria entre desarrolladores de IA, proveedores de atención médica, reguladores y especialistas en ética será necesaria para asegurar que las aplicaciones de IA en la atención médica no solo sean tecnológicamente sólidas, sino también éticamente responsables.
4.4. El camino a seguir: Direcciones futuras
El futuro de la IA en la atención médica es prometedor, pero es necesario superar varios desafíos para aprovechar todo su potencial. En primer lugar, se debe abordar el problema de la generalización y la escalabilidad de los modelos de IA. Esto requerirá conjuntos de datos amplios y diversos que representen a la población mundial de pacientes. Además, es necesaria una mayor colaboración entre los proveedores de atención médica, los investigadores de IA y los organismos reguladores para crear sistemas de IA estandarizados y validados que puedan implementarse de forma segura y eficaz en diversos entornos de atención médica [ 113 ]. El desarrollo de sistemas de IA explicable (XAI) es un paso fundamental. Los modelos de IA deben ser interpretables y transparentes para generar confianza tanto entre los profesionales sanitarios como entre los pacientes. Además, los desarrolladores de IA deben centrarse en crear sistemas que no solo asistan, sino que también complementen la toma de decisiones humanas, permitiendo a los profesionales sanitarios tomar decisiones informadas y basadas en datos con total seguridad. Al abordar estos desafíos y fomentar la colaboración entre industrias y sectores, la IA tiene el potencial de revolucionar la atención médica, lo que se traducirá en mejores resultados para los pacientes, mayor accesibilidad y una atención más eficiente.
5. Conclusiones
La integración de la IA en la atención médica requiere un marco regulatorio claro y prácticas estandarizadas para garantizar su aplicación segura y eficaz. Los responsables políticos deben establecer directrices específicas para la privacidad de los datos, la certificación de algoritmos y la IA explicable, a fin de fomentar la transparencia y la rendición de cuentas. La estandarización de la certificación de algoritmos de IA, similar a los protocolos de dispositivos médicos, garantizará que estas herramientas cumplan con los estándares de precisión y confiabilidad antes de su uso clínico. Además, las organizaciones de atención médica deben incorporar monitoreo continuo, auditorías periódicas y actualizaciones para mantener la eficacia de la IA. Promover el intercambio de datos entre instituciones, protegiendo al mismo tiempo la privacidad, fortalecerá los modelos de IA, y la colaboración entre las partes interesadas —incluidos desarrolladores, médicos y especialistas en ética— abordará las preocupaciones éticas. Finalmente, la educación y la capacitación en IA deben integrarse en los planes de estudio de medicina para preparar a los profesionales de la salud para la atención médica habilitada por la IA. Estas medidas pueden facilitar una implementación responsable de la IA que mejore los resultados de los pacientes y la confianza en la innovación en la atención médica.
