Editorial:

Con preocupación quienes tenemos digitalizados nuestros establecimientos hemos observado con gran perplejidad, como importantes y poderosas sistemas de provisión de medicamentos, instituciones de salud con internación, centros de diagnóstico en red de la Ciudad Autónoma de Buenos Aires, sufrieron ataques que afectaron severamente el funcionamiento esencial de los establecimientos asistenciales, su conectividad, Inter operatividad, información sensible, con serios problemas operativos y de prestigio, y encima sufriendo extorsiones,

A medida que avanzamos en la transformación digital se incrementan los riesgos, de las interrupciones operativas, las cadenas de suministros, la información de los resultados de estudios complementarios ya realizados y que los solicitantes y los propietarios no conocen.

Los ataques maliciosos a la atención sanitaria han crecido exponencialmente en los últimos años. Según la Oficina de Derechos Civiles (OCR) del HHS, las grandes infracciones aumentaron un 93 % entre 2018 y 2022. Además, las grandes infracciones que implican ransomware aumentaron un 278 %. La atención sanitaria en particular es un objetivo principal. La información de los clientes es valiosa para el robo de identidad y el chantaje, mientras que muchos sistemas de salud todavía funcionan con tecnologías heredadas. La atención sanitaria está experimentando una rápida modernización. Las nuevas tecnologías en este campo pueden mejorar drásticamente los resultados, mientras que los nuevos modelos de prestación de atención hacen que la experiencia de recibir atención sea mucho más agradable para los pacientes. Esto también introduce un nuevo nivel de riesgo que debe abordarse: una superficie de ataque en constante expansión en la atención sanitaria.

Las aplicaciones y los servicios ahora se alojan en centros de datos y en la nube, o son entregados por proveedores de SAAS, mientras que los médicos brindan atención desde cualquier lugar utilizando una variedad de dispositivos médicos conectados. Muchos de estos funcionan con sistemas operativos anticuados y, a menudo, no se pueden aplicar parches ni proteger de manera efectiva. Los equipos de seguridad tienen la tarea de administrar estos entornos de TI cada vez más complejos, que requieren importantes recursos técnicos.

Los ciberataques proliferaron en las cadenas farmacias que afectó a millones de usuarios en 2023. Este fue un Hackeo realizado por una organización internacional que pidió dinero para recuperar los datos. La empresa hackeada no perdió los datos porque los sistemas de recuperación funcionaron. Las detecciones de ciberataques crecieron un 200% en Argentina durante el último año, según un reporte de Fortinet, empresa de seguridad informática: fueron más de 10 millones de positivos en 2022. Se produjeron dos ataques más a centros asistenciales de los principales caracterizados y reconocidos, que El día 6 de diciembre se produjo un ransomware contra un Grupo importante de diagnóstico.

En lo que respecta a informes de incidentes, la empresa ESET, compañía global de soluciones de software de seguridad menciona en su reporte anual que el 69% de las organizaciones en América Latina ha sufrido un incidente de seguridad y el 66% casos, ha sido por robo o fuga de información y que , la gran mayoría de las organizaciones no se encuentran preparadas para detener este fenómeno. Es importante destacar que cuando se habla de una violación de datos sobre todo en organismos vinculados a la salud, debemos pensar que se trata de datos de carácter sensible, confidenciales, que su divulgación no ha sido autorizada y que requieren de una mayor protección por parte de las empresas y organizaciones dada la gravedad del daño y las consecuencias que pueden resultar en caso de que ocurriese una fuga de datos.

Las organizaciones hoy deben enfocarse sobre cómo las inversiones cibernéticas pueden optimizar, preservar, proteger y crear valor para la organización. Eso incluye sentar una base sólida para el futuro crecimiento a través de prácticas cibernéticas que permiten que los datos seguridad e integridad en todos los productos digitales y infraestructura. Esa fundación también debería incorporar los fundamentos de una infraestructura receptiva y ecosistema digital, para permitir el crecimiento futuro y resiliencia empresarial.

La ciberseguridad en el ámbito de la atención médica consiste en garantizar que las organizaciones que prestan servicios de atención médica cuenten con la estrategia, los procesos, la tecnología y el personal adecuados para reconocer y evaluar las amenazas, evitar que afecten las operaciones de atención médica y recuperarse rápida y completamente en caso de un ataque.

Un enfoque eficaz de la ciberseguridad debería:

Amplíe más allá del enfoque tradicional en el incidente respuesta. Debería ahondar en el núcleo de cómo Las empresas necesitan integrar el ciberriesgo, la seguridad, y confianza— en su estrategia general. La adopción de un Una perspectiva holística y orientada al negocio le permite Un puente entre los objetivos de negocio y las operaciones más amplias necesidades. Este enfoque garantiza que la cibernética no sea solo una medida reactiva, pero que forma parte proactiva e integral del negocio estratégico de la organización, la tecnología, y el marco operativo. Por otra parte, el Las investigaciones demuestran que los más cibermaduros Las organizaciones en el mercado están ganando a través de un enfoque similar orientado al negocio. Nuestra superficie de amenaza está aumentando rápidamente.

El camino hacia la madurez cibernética se está volviendo aún más claro a medida que miramos hacia el futuro. Las organizaciones que recorran ese camino integrarán estrategias de riesgo de ciberseguridad, prácticas de seguridad y enfoques de fomento de la confianza en su transformación empresarial y tecnológica, con la ayuda de un alto nivel de seguridad cibernética y un CISO muy influyente. Esas organizaciones pueden esperar ver un mayor impacto en lo que respecta a las medidas de éxito, posicionando a sus organizaciones para emprender la transformación de manera más efectiva en un panorama digital en rápida evolución.

A medida que las organizaciones toman medidas continuas para convertirse en cibermaduras, pueden diferenciarse de sus pares al priorizar y construir conexiones de ciberseguridad en sus operaciones comerciales y tecnológicas, y su liderazgo. Hacerlo les permitirá lograr con más éxito los resultados estratégicos.

La tecnología digital también es esencial para garantizar el funcionamiento eficiente y sin problemas de la infraestructura crítica de atención médica, como los sistemas de energía, calefacción, ventilación y aire acondicionado y comunicaciones. Además, una amplia gama de “cosas inteligentes conectadas”, como los dispositivos médicos de IoT (conocidos como Internet de las cosas médicas, IoMT) , están estrechamente integrados en la infraestructura digital de un proveedor.

Esta amplia gama de tecnología digital incluye una amplia gama de hardware, software y servicios en la nube, todos los cuales son objetivos potenciales para los piratas informáticos. Ya sea que estos piratas busquen obtener ganancias económicas, interrumpir la prestación de servicios de salud vitales o algún otro motivo, sus ciberataques representan una amenaza peligrosa para todos los aspectos de la continuidad de la atención. Esto hace que la ciberseguridad sea una misión crítica para los líderes de la atención médica.

Elementos de la ciberseguridad:

Proteger los datos de los pacientes, garantizar la continuidad de los servicios, las operaciones de atención médica deben continuar sin problemas y de manera confiable en caso de un ciberataque. Normas de seguridad. Tener la información médica protegida. Las reglamentaciones exigen que las entidades cubiertas (personas u organizaciones que brindan atención médica) protejan la información relacionada con la salud física o mental pasada, presente o futura de un paciente. El plan de salud de cualquier paciente debe tener en cuenta la garantía de una protección confiable y constante de la PHI.

n un entorno hospitalario, las operaciones ininterrumpidas son una necesidad absoluta y deben existir sistemas, procesos y reglas en caso de que se produzca una interrupción. La seguridad de los datos del hospital abarca una amplia lista de cuestiones, entre las que se incluyen:

• Proteger equipos y arquitecturas de TI tradicionales, como puntos finales, servidores, redes y aplicaciones.
• Cosas inteligentes y conectadas, como dispositivos IoMT y otras infraestructuras críticas controladas digitalmente.
• Implementar planes de seguridad física diseñados para evitar el robo de dispositivos o el acceso no autorizado a las instalaciones.
• Adherencia a las políticas de cumplimiento normativo, legal y de gobernanza de datos del hospital.

Resumen de una encuesta de Deloitte sobre ciber seguridad.

Se deberán capacitar a los empleados, al cumplimiento normativo, actualizaciones y parches regulares del sistema, realizar inversiones en soluciones avanzadas de ciberseguridad.

La ciberseguridad en el ámbito sanitario seguirá volviéndose más compleja y, por lo tanto, más importante que nunca. El panorama de amenazas está evolucionando más rápido que nunca, por lo que resulta esencial encontrar socios y asesores tecnológicos de confianza que actúen como multiplicadores de fuerza para ampliar virtualmente sus defensas.

Muchas organizaciones también luchan con una escasez de talento en ciberseguridad, lo que hace necesaria la externalización de algunos aspectos de la planificación, implementación, monitoreo y gestión de la defensa de la ciberseguridad.

Además, las organizaciones deben asegurarse de haber reservado los recursos presupuestarios adecuados para herramientas, sistemas y servicios para fortalecer los perímetros de sus sistemas y sus sistemas internos contra amenazas en rápida expansión.

Por último, me solidarizo con las instituciones atacadas y los difíciles momentos que han transcurrido, solicitándoles que difundan un poco más sus casos, el origen de los ataques, independientemente del ambiente competitivo en el cual se encuentran, pero es imperioso, que todos los sistemas informáticos mejoren en su ciberseguridad.

Hay tres desarrollos aplicados a la cirugía, la realidad ampliada, la virtual y la mixta, esta última está avanzando con buenas perspectivas para mejorar la precisión de la cirugía y disminuir la posibilidad de complicaciones, por eso les entrego este artículo de revisión que nos introduce en este aspecto la aplicación de las imágenes de realidad ampliada y virtual en un mismo dispositivo.

Los avances en realidad mixta (RM) han dado lugar a enfoques innovadores en la cirugía guiada por imágenes (IGS). 

1. Introducción

Las tecnologías de realidad aumentada (RA), realidad virtual (RV) y realidad mixta (RM) se estudian y utilizan cada vez más en la cirugía guiada por imágenes (IGS). Para diferenciar brevemente estos términos: la RA mejora el mundo real con contenido digital o virtual, la RV sumerge a los usuarios en un entorno completamente virtual y la RM, que combina elementos de ambos, se considera un continuo [Citación1 ] entre los dos extremos de un mundo plenamente real y uno virtual.

Las tecnologías de realidad mixta se han estudiado en varios contextos quirúrgicos, incluidos la educación quirúrgica, la planificación, la capacitación, el ensayo de procedimientos y las tareas de guía en tiempo real, como la planificación de incisiones, la navegación hacia objetivos quirúrgicos, la evitación de estructuras críticas y la determinación del alcance de la resección. La integración de las tecnologías de RM en los sistemas IGS ha generado varios beneficios, incluidos procedimientos más precisos y exactos, menor riesgo de errores y complicaciones, flujos de trabajo quirúrgicos mejorados y mejores resultados para los pacientes.

En este artículo, nuestro objetivo es evaluar el progreso reciente de las tecnologías de RM en IGS. En concreto, queríamos cuantificar los avances desde un artículo de revisión de 2013 sobre la visualización de vanguardia en IGS por RM [Citación2 ]. Las conclusiones extraídas de la revisión de 2013 destacaron que, a pesar de las numerosas innovaciones tecnológicas, solo un número limitado de sistemas de RM fueron probados o utilizados por los médicos en el quirófano (OR) durante procedimientos clínicos reales. En vista de la creciente popularidad de los sistemas IGS de RM durante la última década, nuestro objetivo era determinar si se habían utilizado más sistemas en estudios clínicos o en la práctica. Para garantizar la comparabilidad con los hallazgos de Kersten-Oertel et al. [Citación2 ] revisión, adoptamos el uso de la Taxonomía DVV [Citación3 ] para describir los sistemas IGS de RM y los criterios de inclusión de artículos similares, con una distinción clave: nuestro enfoque principal estuvo en los estudios que informaron pruebas en el quirófano. En la revisión de 2013, el interés en determinar el alcance del sistema IGS utilizado en el quirófano condujo a una sección dedicada a cubrir los sistemas probados en casos clínicos reales. Sin embargo, esta sección consistió en solo 15 artículos y la mayoría de los sistemas descritos solo se utilizaron en unos pocos casos quirúrgicos. Dado el aumento de publicaciones recientes sobre sistemas IGS de RM, nos centramos exclusivamente en artículos que describen pruebas de los sistemas IGS de RM en el quirófano publicados en los últimos 7 años.

En nuestra búsqueda actual se observó un aumento significativo en el uso de sistemas de resonancia magnética en quirófanos. En el período de revisión anterior, la tasa de publicación anual promedio fue de 24,6 artículos por año. En contraste, en el período actual se publicó un promedio de 137,9 artículos por año, lo que refleja un aumento sustancial.

3. Estado del arte en el uso de la taxonomía DVV

Nuestro análisis comienza con un examen exhaustivo de cada componente dentro de la taxonomía DVV, seguido de una exploración del dominio quirúrgico.

3.1. Datos

El primer componente de la taxonomía DVV, Datos, comprende datos específicos del paciente y datos procesados ​​visualmente. Los datos específicos del paciente incluyen datos demográficos, puntuaciones clínicas, datos de imágenes sin procesar e información similar, mientras que los datos procesados ​​visualmente se refieren a los datos presentados a los usuarios a través del componente Ver . El propósito de considerar los datos como un componente de los sistemas IGS es subrayar la importancia de determinar qué tipo de datos se deben mostrar durante la cirugía y en qué etapa del procedimiento.

3.1.1. Datos específicos del paciente

En consonancia con el estudio de 2013 [Citación2 ], la mayoría de los artículos analizados (63,3%) utilizan predominantemente la tomografía computarizada (TC) preoperatoria como su modalidad de imagen primaria. Aproximadamente el 12,7% de las publicaciones utilizan tanto la TC como la resonancia magnética (RM), mientras que la RM sola representa el 11,4% de los casos. Como se ilustra enFigura 2Una mayoría significativa (87,4%) de las publicaciones de este estudio utilizaron TC, RM o una combinación de estas dos tecnologías de imágenes.

Figura 2. Distribución de modalidades de imagen en diferentes estudios.

Se han publicado algunos artículos en los que se han utilizado otras modalidades de obtención de imágenes. Por ejemplo, en los estudios de Gorpas et al. [Citación6 ] y Alfonsoso-García et al. [Citación7 ] Se utilizó fluorescencia de infrarrojo cercano (NIRF). La obtención de imágenes moleculares con NIRF implica el uso de agentes de contraste que exhiben propiedades fluorescentes dentro de la ventana del infrarrojo cercano (NIR), que generalmente varía de 700 a 900 nanómetros (nm). Cabrilo et al. [Citación8 ] utilizaron la angiografía por sustracción digital (DSA), una técnica fluoroscópica utilizada en radiología intervencionista para visualizar los vasos sanguíneos, con TC y RMN. En el estudio de Liu et al. [Citación9 ] La tomografía por emisión de positrones (PET), que implica el uso de un fármaco radiactivo (trazador) para visualizar la actividad metabólica normal y anormal en el tejido, se utilizó en combinación con la resonancia magnética. Por último, Simone et al. [Citación10 ] combinaron PET, CT, MRI y rayos X para realizar una cirugía de resección multivisceral abierta para un adenocarcinoma gástrico avanzado.

3.1.2. Datos procesados ​​visualmente

El enfoque principal de los datos procesados ​​visualmente es su aspecto semántico, que se refiere a la interpretación de la información en una etapa quirúrgica específica. Este aspecto semántico puede ser anatómico, operativo o estratégico. La semántica anatómica se relaciona con la anatomía, fisiología o patología del paciente, mientras que la semántica operativa se relaciona con acciones o tareas, y la semántica estratégica implica planificación y orientación. La mayoría de los sistemas IGS de RM emplean una semántica anatómica. En otras palabras, crean representaciones visuales de la anatomía del paciente para ayudar a los cirujanos a localizar y navegar hacia un objetivo designado.

Un nuevo caso de uso que no se vio en el artículo de 2013 sobre semántica operativa proviene del uso de la telecirugía. Lu et al. [Citación11 ] desarrollaron un sistema que permite la videoconferencia en RA así como la presencia virtual de expertos remotos para orientación intraoperatoria en tiempo real. De manera similar, Sauer et al. [Citación12 ] describió el uso de HoloLens para consultas a distancia. El sistema permite una transmisión en vivo desde el HMD de un cirujano, lo que permite que los expertos remotos vean y se comuniquen en tiempo real con el cirujano que realiza la operación. Los expertos también podrían marcar estructuras dentro del sitio quirúrgico utilizando un lápiz en una tableta que luego podría ver el cirujano.

Existen tres subclases de datos procesados ​​visualmente: datos de imágenes analizados, datos de conocimiento previo y datos derivados. Los datos de imágenes analizados se refieren a los datos primitivos utilizados en un sistema IGS de RM para mostrar información, como líneas, contornos, planos, superficies, estructuras alámbricas/mallas y volúmenes. Los datos de conocimiento previo incluyen información derivada de modelos genéricos, como atlas, mediciones o planes previos, modelos de herramientas e información de incertidumbre específica del sistema IGS. Los datos derivados son información procesada a partir de datos específicos del paciente o datos de conocimiento previo e incluyen etiquetas y mediciones intraoperatorias como distancias entre regiones de interés (ROI).

La mayoría de los sistemas se centran principalmente en la visualización de datos de imágenes analizados y, específicamente, modelos de pacientes preoperatorios obtenidos a partir de exploraciones de resonancia magnética y tomografía computarizada. En concreto, la mayoría de los artículos describieron la visualización de la estructura objetivo (por ejemplo, tumor, vértebras, hígado, etc.), la anatomía relevante alrededor de las estructuras objetivo, así como las estructuras de riesgo (por ejemplo, estructuras de riesgo vascular, como el nervio óptico o las arterias carótidas) como objetos anatómicos renderizados en 3D. Un número menor de artículos utilizó líneas o contornos para representar los márgenes de los objetos de interés. Por ejemplo, los investigadores que utilizaron la Navegación Microscópica de BrainLab con Leica ARveo (Brainlab, Múnich, Alemania) [Citación13–22 ] se presentaron con contornos que delineaban las estructuras anatómicas de interés que se proyectaban en el microscopio quirúrgico. Por último, algunos artículos utilizaron datos planos en forma de cortes axiales, sagitales o coronales. En los trabajos de Butler et al. [Citación23 ] y Bhatt y col. [Citación24 ] Se utilizó el sistema de realidad aumentada (RA) aprobado por la FDA para cirugía de columna, el sistema xvision-Spine (XVS) (Augmedics, Ltd, Filadelfia, PA, EE. UU.). En este sistema, no solo se puede proyectar la reconstrucción 3D de los elementos de la columna en la RA, sino que también se pueden mostrar cortes axiales y sagitales de TC en el campo visual. Otro ejemplo de uso de datos planares proviene del trabajo de Borgmann et al. [Citación25 ] que utilizaron gafas inteligentes (Google Glass) durante la cirugía. Debido a las limitaciones de este hardware específico, no se pueden registrar modelos anatómicos 3D para orientación, por lo que se mostraron cortes de TC del paciente en la esquina superior de las gafas (Figura 3(A)).

Figura 3. Diferentes tipos de datos visualizados y procesamiento. (A) Imagen de corte de TC visualizada en la esquina de Google Glass [Citación25 ]. (B) Contornos y transparencia utilizados en el HUD de BrainLab que muestran la lesión (amarillo), las arterias carótidas (azul), el quiasma (amarillo) y los nervios ópticos (naranja) [Citación26 ]. (C) Representación en malla de alambre del útero con tumor mostrado en amarillo [Citación27 ]. (D) Representación superficial de la columna vertebral, la vasculatura y la anatomía del tumor tal como se ve a través de HoloLens [Citación28 ]. (E) Representación del volumen de los vasos en cirugía neurovascular con colores que representan el flujo venoso/arterial [Citación29 ]

Algunos artículos visualizaron datos de conocimiento previo . Por ejemplo, Pratt et al. [Citación30 ] junto con una superposición de RA de la anatomía 3D de los músculos, huesos y articulaciones de la pierna, mostraba flechas codificadas por colores que se utilizan para identificar la ubicación subsuperficial de los perforantes vasculares, guiando al cirujano en la cirugía de reconstrucción de extremidades. Un grupo del Hospital Universitario Karolinska (Estocolmo, Suecia) que ha estado estudiando el impacto clínico de la RA en la cirugía de columna, utilizó la RA para visualizar datos de conocimiento previo en forma de planes quirúrgicos [Citación31–34 ]. Por ejemplo, en las referencias. [Citación32 ,Citación33 ], el punto de entrada del hueso identificado antes de la cirugía se muestra utilizando RA para orientación durante la cirugía. Utilizando el mismo sistema, Burström et al. también determinaron la ubicación de los marcadores de piel adhesivos a partir de transmisiones de video [Citación31 ]. Los marcadores adhesivos se resaltaron en verde y se visualizó una cuadrícula de referencia virtual que conecta los marcadores alrededor del campo quirúrgico para permitir que el cirujano comprenda el seguimiento y registro del paciente.

Un estudio reciente de Lim et al. introdujo un nuevo tipo de datos (vídeos quirúrgicos) que no se había encontrado anteriormente en la revisión de 2013. Los autores investigaron los beneficios ergonómicos de utilizar gafas de realidad aumentada en comparación con los monitores tradicionales en la cirugía asistida por vídeo. Al proyectar el vídeo laparoscópico en gafas de realidad aumentada, observaron una mejor postura del cirujano y una reducción de la fatiga muscular en comparación con el vídeo que se mostraba en un monitor durante la cirugía.

Sólo hubo un par de artículos que informaron sobre el uso de datos derivados . Los trabajos de Alphonso-García et al. [Citación7 ] y Gorpas et al. [Citación6 ] utilizaron medidas intraoperatorias de autofluorescencia (utilizando NIRF) para determinar tipos de tejidos cancerosos/necróticos u otros.

3.2 Procesamiento de la visualización

El segundo componente de la taxonomía DVV, el procesamiento de visualización, describe cómo se transforman y visualizan los datos. El propósito de considerar el procesamiento de visualización es enfatizar la importancia de determinar los métodos óptimos para la transformación y visualización de datos para tareas o escenarios quirúrgicos específicos. El procesamiento de visualización implica determinar si los datos deben segmentarse y renderizarse en superficie o en volumen, cómo deben colorearse y determinar cómo, en un entorno de RM, deben combinarse con el mundo real para permitir una guía quirúrgica intuitiva.

En consonancia con los hallazgos de 2013, la mayoría de los artículos utilizaron técnicas simples de procesamiento de visualización.

La representación de superficies con codificación de colores y/o transparencia fue el enfoque más común para representar objetos virtuales. En las publicaciones seleccionadas, como se ilustra enFigura 4Más de la mitad de los artículos (54,4 %) utilizaron la representación de superficies y la codificación por colores de los datos anatómicos, mientras que el 22,8 % mencionó la representación de superficies sin especificar la codificación por colores. Solo el 5,1 % utilizó la representación de superficies con codificación por colores y transparencia. Curiosamente, a diferencia de los hallazgos de 2013, donde aproximadamente un tercio de las publicaciones no detallaron los métodos de visualización, solo el 3,8 % de los artículos seleccionados no especificaron (o no era evidente a partir de las figuras incluidas) alguna forma de procesamiento de visualización. Esto sugiere un creciente reconocimiento entre los investigadores de la importancia de la visualización de datos reflexiva para proporcionar una guía eficaz a los usuarios finales.

Figura 4. Distribución del procesamiento de visualización en diferentes estudios.

La representación de superficies fue el método más común para representar datos virtuales. Normalmente, los investigadores segmentan los datos anatómicos relevantes para el procedimiento quirúrgico y aplican códigos de colores a diferentes objetos anatómicos para facilitar su identificación. Por ejemplo, en el trabajo de Golse et al. [Citación35 ] que describe un sistema de RA para cirugía abierta de hígado, los autores combinan la representación de la superficie del hígado (en color caqui) con transparencia para revelar el árbol biliar y los vasos (verde y azul) dentro del hígado.

Un ejemplo de uso de la transparencia proviene de los estudios que utilizaron la plataforma de navegación de BrainLab con el HUD de microscopios Zeiss o Leica ARveo (Brainlab, Múnich, Alemania). Aquí, las representaciones 3D semitransparentes de datos preoperatorios, como tumores, tractografía y vértebras, se codifican por colores y se proyectan en la vista del cirujano (verFigura 3(B)). Los estudios que utilizaron este sistema incluyen el trabajo de Carl et al. [Citación17 ] quienes utilizaron el HUD del microscopio quirúrgico Pentero (Zeiss, Oberkochen, Alemania) con el sistema BrainLab para proyectar vértebras semitransparentes codificadas por colores (y ocasionalmente nervios espinales) en la vista del microscopio. Las vértebras podrían ser representadas en superficie, es decir ( modo 3D ) o mostradas como contornos ( modo de línea ). En el modo de línea, se visualizan los contornos de la extensión de la anatomía perpendicular al eje de visualización del microscopio en el plano focal y una línea de puntos indica la extensión máxima del objeto más allá del plano focal. El mismo sistema y procesamiento de visualización fueron utilizados por Carl et al. [Citación36 ] en cirugía transesfenoidal para visualizar datos anatómicos, como tumores, arterias carótidas, nervios ópticos y el quiasma. En trabajos similares [Citación16 ], los autores destacaron la flexibilidad de la visualización, señalando que el color del objeto podría ajustarse fácilmente para lograr un mejor contraste si el color de fondo comienza a parecerse demasiado al color del objeto.

Un pequeño subconjunto de artículos utilizó renderizado de estructura alámbrica/malla (verFigura 3(C)) para visualizar datos anatómicos. Por ejemplo, en el estudio de Bourdel et al. [Citación37 ], que examinó un sistema de RA para cirugía ginecológica para visualizar adenomiomas, los autores emplearon la representación en malla. En este enfoque, el objeto virtual se representa como una malla en lugar de un objeto representado en la superficie, lo que permite a los espectadores percibir la anatomía real a través de la malla. De manera similar, Golse et al. [Citación35 ] utilizaron una malla de superficie virtual superpuesta sobre el hígado en su trabajo. La malla se deforma en función de un modelo elástico del hígado basado en la física, para guiar a los cirujanos durante la cirugía hepática abierta.

A pesar de los avances en hardware gráfico, solo una pequeña fracción de los artículos (<2%) utilizaron renderización de volumen para visualizar los objetos virtuales. Un ejemplo de renderización de volumen proviene de Wierzbicki et al. [Citación38 ] quienes realizaron un estudio con ocho pacientes utilizando HoloLens2 para guiar la ablación por microondas en el contexto de tumores gastrointestinales. Los autores proporcionaron hologramas de imágenes torácicas renderizadas en volumen para facilitar la planificación y servir como herramienta de apoyo a la toma de decisiones durante la operación. Llegaron a la conclusión de que la visualización 3D de la anatomía renderizada en volumen ayudó a la localización del tumor y a la planificación del acceso óptimo a la patología.

3.3. Vista

El tercer componente de la taxonomía DVV, Vista, abarca tres componentes: percepción, ubicación, visualización y herramientas de interacción.

3.3.1. Ubicación de la percepción

La ubicación de percepción se refiere al área específica dentro del entorno del usuario donde se presenta la visualización de RM.Tabla 3clasifica los artículos en función de la ubicación de percepción utilizada en el sistema. Mientras que la revisión de 2013 encontró que el 43% de los artículos identificaron el paciente/campo quirúrgico como la ubicación de percepción, la mayoría de los estudios (63,3%) ahora utilizaron el paciente/campo quirúrgico. Este cambio refleja una tendencia hacia la incorporación de información visual directamente en el campo quirúrgico a través de técnicas, como la proyección de datos sobre el paciente utilizando HMD o integrándolos dentro de la vista del microscopio.

En la revisión de 2013 [Citación2 ], hubo tres artículos (3,4 %) que permitieron que la ubicación de la percepción fuera tanto una pantalla como el paciente, nuestra revisión identificó un subconjunto más grande de artículos (15,6 %) que adoptaron un enfoque híbrido, utilizando tanto el campo quirúrgico como el monitor . Esta combinación tiene las ventajas de la visualización directa dentro del campo quirúrgico y también los beneficios de los sistemas de visualización basados ​​en pantallas externas visibles para todo el personal en el quirófano. Además, esta configuración proporciona un alto grado de flexibilidad en la visualización de información aumentada, lo que permite presentaciones personalizadas según las demandas únicas de cada paso o procedimiento quirúrgico.

Si bien la mitad de los artículos de la revisión de 2013 [Citación2 ], en los que se utilizaron únicamente monitores, observamos que una minoría de los artículos (11,4 %) empleaban pantallas de monitor . Este método puede facilitar la colaboración y la comunicación entre el equipo quirúrgico al proporcionar una visualización compartida durante los procedimientos. Sin embargo, este enfoque requiere desviar la atención de los cirujanos del campo quirúrgico, lo que provoca cambios de enfoque que pueden ser perjudiciales para la tarea quirúrgica [Citación39 ], específicamente en los casos en que el cirujano no navega basándose en transmisiones de video, como en la cirugía endoscópica o laparoscópica.

Cabe destacar en cuatro publicaciones [Citación10 ,Citación12 ,Citación25 ,Citación40 ], identificamos la ubicación de la percepción como el campo de visión . Usamos el término campo de visión (FOV) para caracterizar situaciones en las que las imágenes no se registran en la anatomía del paciente, sino que se muestran a través de anteojos inteligentes o un HMD (verFigura 3(A)). En estos casos, incluso si los cirujanos desvían su atención del campo quirúrgico, aún pueden ver las imágenes. Este grupo representó el (5,1%) del total de estudios que hemos analizado.

La fracción restante de publicaciones, que representa el 6,4% en este estudio, optó por un enfoque más diversificado al combinar dos o tres lugares de percepción diferentes. Por ejemplo, Chengrun Li et al. [Citación41 ] utilizaron una combinación de campo quirúrgico, campo de visión y monitor como su ubicación de percepción. Este enfoque sugiere un esfuerzo deliberado por integrar múltiples configuraciones de visualización, lo que permite una mayor flexibilidad en la forma en que se presentan los datos visualizados al equipo quirúrgico.

3.3.2. Visualización

La pantalla se refiere al hardware específico utilizado para presentar la vista de RM a los usuarios, por ejemplo, HMD, monitores, microscopios, etc. (consulteFigura 5).

Figura 5. Ejemplos de tipos de pantalla utilizados para MR IGS. (A) Google Glass permite la proyección de imágenes/texto simples en la esquina de las gafas [Citación25 ]. (B) El HMD HoloLens muestra hologramas de los planes preoperatorios y la anatomía en el campo de visión quirúrgico en un caso de cirugía de cáncer abdominal [Citación28 ]. (C) Un dispositivo iPad utilizado para mostrar una vista de realidad aumentada de la anatomía del paciente en neurocirugía [Citación42 ]. (D) El monitor del sistema de neuronavegación se utiliza para mostrar la vista AR [Citación29 ]. (E) El HUD del microscopio quirúrgico se puede utilizar para mostrar la vista AR en los oculares [Citación17 ].

Dominio quirúrgico

Nuestro objetivo fue identificar tendencias en el uso de IGS por RM en dominios quirúrgicos específicos entre el artículo de 2013 [Citación2 ] y ahora.Figura 7presenta los resultados comparativos de estas dos revisiones de literatura.Figura 8ilustra el porcentaje de cada tipo de cirugía incluido en esta revisión. En el artículo de 2013, la mayoría de los artículos describían sistemas de RM para neurocirugía, en consonancia con que se trata de una de las primeras aplicaciones para cirugía guiada por imágenes o asistida por computadora. Como mencionó Shuhaiber [Citación65 ] esto puede atribuirse a la naturaleza compleja y sensible de la neurocirugía, donde existe la necesidad de minimizar el daño a áreas elocuentes del cerebro. La neurocirugía representa el 20,3% (16 artículos) de los artículos revisados; sin embargo, de ellos, cabe mencionar que cinco artículos [Citación15 ,Citación16 ,Citación18 ,Citación45 ,Citación66 ] se centraron en la neurocirugía de la columna, mientras que el resto, 11 de 16 artículos, se centraron en la cirugía de tumores cerebrales.

Figura 7. Tipo de cirugía: comparación entre la revisión de 2013 [Citación2 ] y la revisión actual para el recuento de artículos para cada tipo de cirugía.

Como se puede ver enFigura 7La cirugía ortopédica ha aumentado significativamente en términos de pruebas en el quirófano, 5 artículos publicados entonces y 18 ahora. Esto representa el 22,8% de las publicaciones revisadas, el dominio más dominante en nuestra revisión. Los sistemas IGS se utilizaron para mejorar la precisión de la colocación de implantes y la reducción de fracturas en procedimientos ortopédicos. Cabe destacar que, dentro de este dominio, 16 artículos (88%) se centraron en la cirugía de columna, mientras que 2 artículos [Citación30 ,Citación67 ] estaban en el ámbito de la cirugía articular.

La cirugía craneomaxilofacial también ha experimentado un aumento en los sistemas IGS de RM que se han incorporado al quirófano (de 12 artículos a 15 artículos). La cirugía craneomaxilofacial surgió como el tercer dominio quirúrgico más prevalente, representando el 19,0% de las publicaciones revisadas. Dentro de este dominio, un subconjunto notable de la investigación (13,3%) se dedicó a la condición específica de la craneosinostosis [Citación49 ], una anomalía congénita caracterizada por la fusión prematura de las suturas craneales que conduce a una forma anormal del cráneo y posibles complicaciones neurológicas.

Las cirugías endoscópicas y laparoscópicas, en las que se utiliza una lente telescópica con una cámara de video para guiar los instrumentos quirúrgicos hacia la anatomía del paciente a través de pequeñas incisiones o cerraduras, representaron la cuarta proporción más alta de estudios, lo que representa el 7,6% del total [Citación21 ,Citación22 ,Citación35 ,Citación36 ,Citación59 ,Citación68 ,Citación69 ]. Sin embargo, en términos de recuento, se trata de una reducción con respecto a la revisión de 2013, donde 14 artículos analizaron los sistemas de RM para cirugía endoscópica, mientras que en nuestras publicaciones seleccionadas solo lo hicieron 6. La cirugía endoscópica y laparoscópica se utilizó en el contexto del hígado [Citación35 ,Citación59 ,Citación68 ], basado en el cráneo [Citación21 ,Citación22 ], transesfenoidal [Citación36 ], y cirugía de los senos nasales [Citación22 ].

Procedimientos de hepatectomía (hígado) [Citación12 ,Citación35 ,Citación52 ,Citación62 ,Citación70 ] representaron el 6,3% de los artículos publicados en esta área y fueron consistentes en términos de conteo con respecto a la revisión de 2013 (6 artículos entonces y 5 ahora).

Además de los dominios quirúrgicos mencionados anteriormente, la RM en IGS encontró aplicación en otros dominios quirúrgicos, urología [Citación25 ,Citación71 ], torácico [Citación41 ,Citación54 ,Citación64 ], tiroidectomía [Citación40 ,Citación53 ,Citación72 ], y laparotomía [Citación10 ,Citación28 ], que en conjunto constituyen el 13,9% de las publicaciones revisadas. Por ejemplo, en cirugía hepática, se utilizó la guía por RM para identificar y navegar alrededor de estructuras anatómicas críticas, incluidos los vasos sanguíneos y los conductos biliares [Citación70 ]. En cirugía vascular, la RM se utilizó para guiar los procedimientos de cateterización y optimizar la colocación del stent para mejorar los resultados clínicos [Citación14 ].

Aproximadamente el 10,1% de los estudios abarcaron el uso de RM examinado en otras especialidades quirúrgicas, incluida la cirugía plástica de mama [Citación54 ], cirugía colorrectal, ginecología [Citación37 ], tumorectomía de mama [Citación73 ], cirugía gastrointestinal [Citación38 ], prostatectomía [Citación74 ], cirugía vascular [Citación14 ] y colecistectomía (es decir, extirpación de la vesícula biliar) [Citación75 ]. Dentro de estos dominios quirúrgicos, la RM se estudió para tareas como la localización de tumores, la resección precisa de ganglios linfáticos y la identificación de estructuras anatómicas críticas.

Por último, si bien las cirugías cardíacas representaron el 7% de los sistemas IGS en la revisión de 2013 [Citación2 ], no encontramos ningún artículo reciente que introduzca sistemas IGS de RM en este dominio. Esto indica un alejamiento de la adopción de la RM en la cirugía cardíaca, posiblemente debido a la complejidad de estos procedimientos.

4. Validación y evaluación

En la siguiente sección, describimos la validación y evaluación de los sistemas IGS de RM en los artículos seleccionados. Comenzamos brindando una descripción general del número de casos quirúrgicos por especialidad médica y luego, para los estudios clínicos más completos, describimos los criterios cualitativos y cuantitativos que se utilizaron para evaluar los sistemas descritos.

4.1 Casos quirúrgicos

Tabla 4proporciona un resumen del número de estudios y el número de casos quirúrgicos, es decir, pacientes, investigados para cada tipo de cirugía. Como se puede ver en la tabla, la cirugía ortopédica surgió como el dominio con la investigación de RM más extensa, con un total de 18 estudios clínicos. Estos estudios abarcaron colectivamente 440 casos quirúrgicos, lo que constituye el 27,6% del total de casos analizados en nuestra revisión.

Tabla 4. Número de casos estudiados en varios tipos de cirugías (otras incluye plástica, hepatectomía, gastrointestinal, ginecológica, colorrectal, tumorectomía).

Descargar CSVMesa de exhibición

La neurocirugía fue el foco principal de 16 estudios de investigación que, en conjunto, examinaron 369 casos quirúrgicos, lo que representa el 23,2 % del total de casos incluidos en el análisis. La importante cantidad de estudios refleja la importancia de los procedimientos guiados por imágenes en el contexto de la neurocirugía.

Las cirugías endoscópicas y laparoscópicas fueron el foco de seis estudios de investigación, que involucraron un total acumulado de 340 casos quirúrgicos, lo que representó el 21,4% del total de casos quirúrgicos analizados. Estos estudios fueron diseñados para explorar las posibles aplicaciones de la RM en procedimientos mínimamente invasivos.

La toracoscopia, una técnica quirúrgica para examinar y tratar la cavidad torácica, fue el foco de tres estudios de investigación. Estas investigaciones examinaron colectivamente 145 casos quirúrgicos, lo que representa el 9,1% del total de casos en el análisis. Las cirugías maxilofaciales, que abarcan procedimientos craneofaciales y dentales, representaron 15 estudios de investigación distintos con 77 casos quirúrgicos, lo que representa el 4,8% del total de casos considerados en nuestro análisis. Por último, la aplicación de RM en IGS en dominios quirúrgicos adicionales, como cirugía vascular, cirugía hepática, tiroidectomía, urología y prostatectomía, se exploró en un número limitado de estudios. Estos dominios representaron una proporción menor de casos, que oscilaron entre el 1,1 y el 3,6% del total.

4.2 Estudios clínicos a gran escala

En esta sección, nos centramos en los artículos que probaron un sistema de RM en 15 o más casos quirúrgicos.Tabla 5, hacemos referencia a cada uno de los trabajos, su contexto clínico, el número de casos quirúrgicos que se realizaron y los criterios de evaluación que se utilizaron.

Tabla 5. Estudios incluidos: componentes evaluados o validados (≥15 pacientes).

Descargar CSVMesa de exhibición

4.2.1. Cirugía ortopédica

Butler y otros. [Citación23 ] realizaron un estudio prospectivo que incluía 164 casos de cirugía de columna mínimamente invasiva que incluían la colocación de 606 tornillos pediculares. Evaluaron el tiempo de colocación percutánea de tornillos en procedimientos quirúrgicos y encontraron un tiempo promedio de 3 min y 54 s por tornillo y que la curva de aprendizaje no afectó significativamente los tiempos quirúrgicos. El estudio también encontró una baja tasa de reemplazos de tornillos intraoperatorios (0,49%) y la ausencia de complicaciones posoperatorias, como radiculopatía o déficit neurológico.

Aoyama y otros. [Citación76 ] realizó un estudio en el que participaron 49 pacientes para evaluar el uso de RA en cirugía de columna. Su investigación se centró en la precisión de la identificación del nivel de la apófisis espinosa durante la cirugía, tanto con el uso de un HMD de RA como sin él. Los resultados del estudio mostraron que sin un HMD, la tasa de identificación errónea del nivel fue significativamente mayor (26,5 %) que cuando se utilizó RA para superponer información de guía holográfica sobre el paciente (14,3 %). El estudio también mostró que en los casos en los que se produjo una identificación errónea sin un HMD, la adición de una evaluación de HMD ayudó a reconfirmar con precisión el nivel en casi la mitad de los casos (46,2 %). Además, la tasa de identificación errónea tendió a ser mayor en la columna toracolumbar, pero el uso de un HMD redujo significativamente el rango de identificación errónea a un cuerpo vertebral.

Edström y otros [Citación33 ] realizó un estudio comparativo que incluyó un total de 44 casos, donde 15 casos de deformidad se trataron utilizando navegación quirúrgica AR (ARSN), mientras que 29 casos se trataron utilizando un enfoque convencional de manos libres (FH). Todas las cirugías fueron realizadas por el mismo cirujano ortopédico de columna. El estudio evaluó varios resultados clave, con un enfoque principal en la densidad del implante, incluido el tornillo pedicular, el gancho y la densidad combinada del implante. El estudio también consideró varios resultados secundarios, incluido el tiempo del procedimiento, la efectividad de la corrección de la deformidad, la duración de la estadía hospitalaria y la pérdida de sangre. Los autores encontraron que tanto los grupos ARSN como FH tenían una construcción general de alta densidad (>80% de densidad total de implantes) pero que el grupo ARSN tenía una densidad de tornillos pediculares significativamente mayor (86,3 frente a 74,7%, p  <  0,05). El tiempo del procedimiento y la corrección de la deformidad no fueron significativamente diferentes entre los grupos.

En otro estudio del sistema ARSN [Citación32 ], los investigadores utilizaron un quirófano híbrido para facilitar los ajustes en tiempo real comparando la colocación real de los tornillos con las trayectorias planificadas previamente mediante superposiciones de realidad aumentada. Los autores descubrieron que el sistema ARSN minimizaba la exposición a la radiación al reducir la necesidad de fluoroscopia continua. Aunque los tiempos quirúrgicos iniciales aumentaron debido a la obtención de imágenes y la planificación adicionales (que representan aproximadamente el 8 % del tiempo total de la cirugía), estos pasos mejoraron significativamente la eficiencia quirúrgica general, lo que redujo el riesgo de complicaciones y la necesidad de cirugías de revisión. Además, con las optimizaciones del flujo de trabajo, los investigadores pudieron reducir significativamente el tiempo total medio del quirófano de 84 a 46 minutos por nivel.

El estudio ARSN también fue evaluado en el trabajo de Elmi-Terander et al. [Citación34 ], donde se comparó con la técnica FH en pacientes con escoliosis, cifosis y otras afecciones. Cada grupo comprendía 20 pacientes, que estaban bien emparejados en función del diagnóstico clínico y la proporción de tornillos colocados en la columna torácica frente a la lumbosacra. El grupo ARSN demostró una proporción significativamente mayor de tornillos clínicamente precisos (93,9 frente a 89,6 %, p  <  0,05) y el doble de tornillos colocados sin una ruptura cortical (63,4 frente a 30,6 %, p  <  0,0001) en comparación con el grupo FH.

En otro estudio de colocación de tornillos pediculares realizado por Bhatt et al. [Citación24 ], se probó la eficacia de HMD AR en 32 pacientes con un total de 222 tornillos. Se emplearon imágenes 3D intraoperatorias para evaluar la precisión de los tornillos, utilizando la escala de clasificación de Gertzbein-Robbins (GR). Solo cuatro tornillos (1,8 %) se consideraron mal colocados y requirieron revisión, mientras que los 218 tornillos restantes (98,2 %) se colocaron con precisión. Más específicamente, de los 208 tornillos colocados con AR con confirmación de imágenes 3D, el 97,1 % se consideró clínicamente preciso, con el 91,8 % clasificado como Grado A y el 5,3 % como Grado B. Además, no hubo eventos adversos o complicaciones intraoperatorias, y la tecnología AR no se abandonó en ningún caso. Además, el estudio no informó complicaciones quirúrgicas posoperatorias tempranas ni necesidad de cirugías de revisión durante el período de seguimiento de 2 semanas.

En un estudio de Guo et al. [Citación55 ], que revisó retrospectivamente a 21 pacientes con fracturas de escápula, los autores compararon dos grupos: el Grupo I (nueve pacientes) que se sometieron a fijación convencional y el Grupo II (12 pacientes) que tuvieron simulación virtual preoperatoria y fijación asistida por navegación intraoperatoria utilizando un sistema AR-escapular. En el Grupo II, la simulación virtual preoperatoria tomó un promedio de 44,42 min, con 16,08 min necesarios para el contorno de la placa. El Grupo II mostró tiempos de operación significativamente más cortos y pérdida de sangre reducida (28,75 min y 81,94 ml menos, respectivamente; p  <  0,05) en comparación con el Grupo I. El número de placas utilizadas fue ligeramente menor en el Grupo II, pero no estadísticamente significativo y los resultados funcionales en el seguimiento no fueron estadísticamente significativos entre los dos grupos. No se observaron complicaciones para ningún paciente. Estos hallazgos sugieren que AR en la cirugía de fractura de escápula puede conducir a tiempos de cirugía más cortos, pérdida de sangre reducida y resultados funcionales similares en comparación con las técnicas convencionales.

En un estudio de Burström et al. [Citación31 ] que involucró cuatro cadáveres y 20 pacientes que se sometieron a cirugía de columna con colocación de tornillos pediculares, se utilizó tecnología AR para identificar el punto de entrada al hueso. El estudio incluyó un total de 366 dispositivos pediculares. La precisión técnica media general para la colocación de tornillos pediculares fue de 1,65 ± 1,24 mm en el punto de entrada al hueso. En particular, la precisión técnica para el estudio cadavérico ( n  = 113) fue de 0,94 ± 0,59 mm, mientras que el estudio clínico ( n  = 253) informó una precisión ligeramente menor de 1,97 ± 1,33 mm. Un análisis de 253 tornillos pediculares en 35 CBCT no encontró diferencias estadísticamente significativas entre la posición relativa de CBCT y la precisión técnica. Además, un subanálisis de todos los CBCT que involucraban específicamente la unión toracolumbar, donde la respiración podría afectar teóricamente la precisión, no reveló diferencias en la precisión entre los niveles lumbar o torácico ( p  = 0,22).

Por último, en un estudio prospectivo de casos y controles realizado por Hu et al. [Citación79 ], se investigaron un total de 18 pacientes, con nueve pacientes en el grupo de cirugía de columna asistida por computadora AR (ARCASS) que tenían 11 niveles de lesiones, y el grupo de control que consistía en nueve pacientes con 10 niveles de lesiones. El grupo ARCASS había reducido significativamente el uso de fluoroscopia (6 frente a 18, p  < 0,001) y tiempos operatorios más cortos (78 frente a 205 s, p  < 0,001) durante el proceso de identificación del punto de entrada y anestesia local. Además, el grupo ARCASS logró una precisión superior, con una proporción significativamente mayor de puntos de entrada «buenos» en comparación con el grupo de control tanto en las vistas lateral (81,8 frente a 30,0 %, p  = 0,028) como anteroposterior (72,7 frente a 20,0 %, p  = 0,020).

Estos estudios combinados muestran que la tecnología de RA ofrece beneficios significativos en comparación con las técnicas a mano alzada en el contexto de la colocación de tornillos pediculares. La RA mejora la eficiencia de la colocación de tornillos pediculares en cirugías de columna mínimamente invasivas, reduciendo el tiempo promedio por tornillo y dando como resultado tasas de complicaciones más bajas. Tiene una alta precisión, independientemente del nivel de la columna, y se ha demostrado que supera la cirugía tradicional a mano alzada en términos de densidad de implantes. Además, se encontró que los procedimientos guiados por RA eran seguros, con una colocación incorrecta mínima de los tornillos y sin complicaciones. Los resultados de la cirugía de fractura de escápula mostraron que las técnicas asistidas por RA tienen el potencial de conducir a tiempos de operación más cortos y una pérdida de sangre reducida, manteniendo resultados funcionales similares en comparación con los métodos convencionales. Estos hallazgos sugieren que la RA tiene el potencial de mejorar la precisión y la eficiencia en una variedad de procedimientos quirúrgicos ortopédicos.

4.2.2. Neurocirugía

Liu y otros. [Citación9 ] realizaron un estudio con planificación preoperatoria utilizando Slicer y guía de RA usando un teléfono inteligente en 77 casos de glioma cerebral. Evaluaron varios indicadores quirúrgicos entre el grupo experimental y el grupo de control, incluidas las tasas de resección total, la estadía hospitalaria después de la cirugía, el tiempo de cirugía y la calidad de vida del paciente (QOL) utilizando la escala de desempeño de Karnofsky (KPS). Los resultados de su estudio mostraron que el número de casos con resección total, la estadía hospitalaria después de la cirugía y el tiempo de cirugía fueron significativamente mejores en el grupo del teléfono inteligente en comparación con el grupo de control. También encontraron que después del tratamiento, la puntuación KPS fue significativamente mayor en el grupo experimental (75,66 ± 4,01 frente a 65,3 ± 5,23). Los resultados sugieren que la planificación preoperatoria en 3D Slicer combinada con la guía intraoperatoria del teléfono inteligente puede mejorar la precisión de la cirugía del glioma cerebral, facilitando la resección total al tiempo que salvaguarda la función neuronal de los pacientes.

En otro estudio sobre tumores cerebrales realizado por Kim et al. [Citación19 ], se investigaron los posibles beneficios de utilizar un sistema de RA en 34 casos. El estudio fue un estudio de un solo brazo sin un grupo de control y no incluyó análisis estadístico ni medidas de resultados específicas. Sin embargo, los resultados sugirieron que la integración de un sistema de RA es beneficiosa para los neurocirujanos, en particular aquellos que pueden tener menos experiencia, y que la visualización de RA puede mejorar los flujos de trabajo al proporcionar información de guía intuitiva.

El trabajo de Incekara et al. presenta un estudio tumoral que incluyó a 25 pacientes. En este trabajo, los autores compararon la localización del tumor utilizando HoloLens con el sistema de neuronavegación estándar. Encontraron que en el 40% de los casos, los tumores se localizaron como con el sistema de neuronavegación y que, en promedio, la desviación en la localización de HoloLens con respecto a la ubicación real del tumor fue de 0,4 cm. Se encontró que el tiempo promedio para la planificación preoperatoria utilizando Hololens (5 min 20 s) fue significativamente más largo que utilizando el sistema de neuronavegación estándar (4 min 25 s); sin embargo, los autores informaron una mejor ergonomía y concentración al utilizar HoloLens.

Goto y otros. [Citación44 ] estudiaron la eficacia de un sistema de navegación de RA en una cohorte de 15 pacientes consecutivos con tumores selares y paraselares. El sistema de navegación de RA demostró una utilidad significativa para mejorar la comprensión tridimensional inmediata de las lesiones y las estructuras circundantes. Utilizando una escala original de cinco puntos, dos neurocirujanos y tres residentes superiores que participaron en las cirugías endoscópicas de la base del cráneo evaluaron el sistema de navegación de RA como altamente efectivo en 5 de los 15 casos y con una puntuación de 4 o más en 13 casos. La puntuación media en todos los casos fue de 4,7 (intervalo de confianza del 95 %: 4,58-4,82), lo que significa que el sistema de navegación de RA fue tan útil o incluso más beneficioso que la navegación convencional, y solo dos casos presentaron ligeros desafíos en la percepción de la profundidad.

Bopp y otros. [Citación26 ] informan sobre una serie de 165 cirugías transesfenoidales realizadas por un solo cirujano, en las que 81 pacientes se sometieron a cirugía sin AR y 84 pacientes con AR. Se utilizó un registro basado en iCT y se descubrió que mejoraba significativamente la precisión del AR (medido por el error de registro del objetivo, TRE) a 0,76 ± 0,33 mm, en comparación con el abordaje basado en puntos de referencia con un TRE de 1,85 ± 1,02 mm. En términos de duración quirúrgica, el tiempo no fue significativamente diferente entre los dos grupos; sin embargo, el tiempo requerido para el registro del paciente aumentó en ∼12 min (32,33 ± 13,35 frente a 44,13 ± 13,67 min). Esto se consideró razonable, dado que se consideró que el AR mejoraba la orientación quirúrgica, aumentaba la comodidad del cirujano y mejoraba la seguridad del paciente. Estos beneficios se observaron no solo en pacientes con cirugía transesfenoidal previa, sino también en casos que involucraban variaciones anatómicas.

Carl y otros. [Citación16 ] realizaron un estudio que incluía 42 procedimientos neuroespinales, incluidos 12 tumores intradurales y ocho extradurales, otras siete lesiones intradurales, 11 casos degenerativos, dos infecciones y dos deformidades. En estos procedimientos, se utilizó el sistema Zeiss Brain Lab HUD AR. Los autores analizaron el error de registro, el flujo de trabajo quirúrgico, la visualización de RA y la radiación. Los resultados de sus estudios mostraron que la RA se podía integrar fácilmente en un procedimiento de flujo de trabajo quirúrgico normal y que la visualización de estructuras anatómicas superpuestas en el campo quirúrgico permitía una guía intuitiva. También informaron un error de registro medio bajo (≈1 mm) y una dosis de radiación reducida para los procedimientos de iCT de aproximadamente el 70%.

En otro estudio de Carl et al. [Citación14 ], que involucra a 20 pacientes y 22 aneurismas, los autores utilizaron un ICG-AR (Angiografía AR con Verde de Indocianina) con el microscopio quirúrgico Kinevo900. El ICG-AR mejoró la manipulación quirúrgica y la interpretación del flujo sanguíneo durante la angiografía con ICG. Los cirujanos podían ver la información del ICG-AR directamente a través de los oculares del microscopio con luz blanca, eliminando la necesidad de pantallas separadas. La visualización AR mejoró la comprensión de la anatomía vascular 3D para el clipado del aneurisma. Además de informar TRE (0,71 ± 0,21 mm) y la dosis efectiva intraoperatoria de TC de baja dosis (42,7  µSv ), los autores informaron la cantidad de veces que se realizaron ajustes para compensar el desplazamiento del cerebro y crear una vista AR más precisa. Se realizaron ajustes lineales y rotacionales (en 2D) en 18 de 20 pacientes y se aplicaron 28 veces (traslación, n  = 28; rango  = 1–8,5 mm; ajuste rotacional, n  = 3; rango  = 2,9–14,4°). Aunque esto generó una AR más precisa, no pudo compensar las deformaciones 3D en profundidad. Por último, los autores también informaron que ocurrieron complicaciones quirúrgicas en dos casos (10 %), lo que es una tasa similar en comparación con la videoangiografía con ICG tradicional. En un caso, la ICG-AR reveló una oclusión incompleta del aneurisma, lo que llevó a la colocación de un clip adicional. En otro caso, la ICG-AR identificó un flujo insuficiente en una rama del vaso, lo que resultó en el reposicionamiento del clip.

Rychen y otros. [Citación20 ] también estudiaron la guía de RA para procedimientos neurovasculares en un estudio de 18 procedimientos de revascularización consecutivos en una cohorte de 15 pacientes. Los procedimientos abarcaron varias patologías, incluida la enfermedad/síndrome de Moyamoya, oclusión vascular intracraneal, oclusión carótida interna extracraneal y aneurisma de la arteria cerebral media (ACM). La tecnología de RA demostró ser una herramienta valiosa durante toda la cirugía, mejorando significativamente la seguridad y la eficacia durante pasos quirúrgicos específicos, incluida la disección microquirúrgica del vaso donante (STA), la adaptación de la craneotomía por encima del vaso receptor (rama M4 de la ACM), los ajustes de la craneotomía para preservar la arteria meníngea media (AMM) y las modificaciones para preservar la arteria precentral (CPM).

Como se puede observar en los estudios descritos, las tecnologías de RM han demostrado ser prometedoras en la mejora de la precisión quirúrgica, la reducción de errores de registro y la mejora de los resultados de los pacientes en una variedad de procedimientos neuroquirúrgicos. Los estudios destacan además el potencial de la RM para aumentar los flujos de trabajo quirúrgicos, mejorar la visualización y contribuir a obtener mejores resultados quirúrgicos.

4.2.3. Endoscópica/laparoscópica

Zeiger y otros. [Citación22 ] realizaron un estudio que incluía 134 casos con diversas afecciones patológicas, incluidos tumores de la base del cráneo anterior, enfermedad inflamatoria de los senos nasales y fugas de líquido cefalorraquídeo. Los datos de imágenes preoperatorias se utilizaron para generar modelos 3D de la anatomía del paciente que se utilizaron en la planificación quirúrgica y permitieron a los cirujanos anticipar estructuras críticas durante los procedimientos endoscópicos utilizando el sistema de Brainlab. Los autores informaron que los cirujanos encontraron que la tecnología era útil para guiar la disección ósea e identificar puntos de referencia anatómicos importantes, como las arterias carótidas internas y los nervios ópticos.

Linxweiler y otros [Citación69 ] realizaron un estudio exhaustivo en el que participaron 100 pacientes con enfermedad sinusal crónica, comparando el software de navegación convencional con la navegación con RA. Sus resultados no demostraron ninguna diferencia significativa en el tiempo de operación entre los dos sistemas, lo que indica la viabilidad de la integración con RA sin comprometer la eficiencia. El estudio también destacó la importancia de la experiencia del cirujano, ya que las operaciones realizadas por médicos experimentados fueron notablemente más cortas. Sin embargo, todos los cirujanos informaron altos niveles de precisión con la guía basada en RA.

Carl y otros. [Citación36 ] llevaron a cabo una serie consecutiva de un solo cirujano que incluía 288 procedimientos transesfenoidales. En esta extensa serie, 47 pacientes (16,3%) se sometieron a RA basada en microscopio para visualizar las estructuras objetivo y de riesgo durante las intervenciones quirúrgicas. La precisión de la RA dependía de la precisión de la navegación y la calibración del microscopio. Los pacientes con registro basado en fiduciales tenían un error de registro objetivo de 2,33 ± 1,30 mm. El registro automático basado en iCT, que es independiente del usuario, mejoró significativamente la precisión de la RA (TRE = 0,83 ± 0,44 mm, p  < 0,001). Además, el uso de protocolos de iCT de baja dosis redujo la dosis efectiva del escaneo de registro de iCT, y no se observaron lesiones vasculares ni empeoramiento de los déficits neurológicos en la serie. La RA mejoró en gran medida la orientación durante las reoperaciones y en pacientes con variaciones anatómicas, contribuyó a aumentar la comodidad del cirujano y a mejorar los flujos de trabajo quirúrgicos. Los autores mencionaron además que las visualizaciones de AR mejoraron la percepción 3D en comparación con la visualización estándar de líneas discontinuas a través del HUD del microscopio quirúrgico.

En un estudio dirigido por Schneider et al. [Citación59 ], se utilizó un sistema AR IGS, SmartLiver, en la resección hepática laparoscópica (LLR). En este estudio que involucró a 18 pacientes, siete se sometieron a LLR y 11 a una laparoscopia de estadificación convencional. El objetivo principal del estudio fue lograr un registro exitoso según lo determinado por el cirujano operador, y los objetivos secundarios incluyeron evaluar la usabilidad del sistema a través de un cuestionario para el cirujano y comparar la precisión del registro manual frente al semiautomático. En 16 de los 18 pacientes, el punto final primario se cumplió con éxito después de superar un problema inicial relacionado con la distinción de la superficie del hígado de las estructuras circundantes, gracias a la implementación de un algoritmo de aprendizaje profundo. La precisión media del registro fue de 10,9 ± 4,2 mm para el registro manual y de 13,9 ± 4,4 mm para el registro semiautomático, con comentarios positivos de los cirujanos con respecto al manejo del sistema y la orientación intraoperatoria mejorada. Sin embargo, hubo sugerencias para simplificar el proceso de configuración y mejorar la integración con la ecografía laparoscópica. El estudio no evaluó el impacto de SmartLiver en los resultados perioperatorios ya que aún está en desarrollo.

Los resultados de estos estudios demostraron la viabilidad de integrar la RM en la cirugía laparoscópica y endoscópica para diversos procedimientos. Los resultados iniciales no muestran un impacto significativo en el tiempo de operación y subrayan la importancia de la experiencia del cirujano y la posible mejora en la precisión que se puede lograr con los sistemas de RM.

4.2.4. Colecistectomía

Diana y otros. [Citación75 ] realizó un estudio con 58 pacientes sometidos a colecistectomía por litiasis de vesícula biliar. En su estudio, la planificación se realizó en modelos de VR y se utilizó AR. Además, se inyectó verde de indocianina por vía intravenosa antes y después de la disección del triángulo de Calot. Los autores encontraron que el uso de la planificación de VR 3D identificó con éxito 12 variantes anatómicas en ocho pacientes, y solo siete de estas variantes fueron informadas con precisión por los radiólogos, lo que indica una diferencia estadísticamente significativa ( p  = 0,037). Además, la VR permitió la detección de una variante peligrosa, lo que motivó el uso de un enfoque de «fondo primero». La visualización de la unión cístico-conducto biliar común se logró antes de la disección del triángulo de Calot en el 100% de los casos con VR, en el 98,15% con NIR-C y en el 96,15% con IO. Además, la duración para obtener imágenes relevantes se redujo significativamente con NIR-C en comparación con VR ( p  = 0,008) y IOC ( p  < 10 ⁻⁷ ). Por último, la calidad de las imágenes se evaluó utilizando una escala Likert de 5 puntos, revelando que NIR-C puntuó comparativamente más bajo en comparación con AR ( p  = 0,018) y IOC ( p  < 0,0001). Estos hallazgos demuestran el uso de imágenes multimodales con RM para una colecistectomía precisa, destacando el potencial de estas técnicas de visualización para complementarse entre sí y mitigar el riesgo de lesiones biliares.

4.2.5 Cirugía torácica

Li y otros. [Citación41 ] investigaron la aplicación de RA en la segmentectomía o subsegmentectomía toracoscópica para cánceres de pulmón tempranos, en un estudio que incluyó a 142 pacientes. El estudio comparó el uso de modelos pulmonares 3D mostrados en pantalla ( n  = 87) o impresos y mostrados usando RA ( n  = 55) durante la cirugía en el quirófano. Los datos de resultados quirúrgicos, tanto antes como después del emparejamiento por puntaje de propensión, demostraron que el uso de impresión 3D con RA resultó en una duración reducida de la cirugía ( p  = 0,001 y 0,001, respectivamente), disminución de la pérdida de sangre intraoperatoria (= 0,024 y 0,006, respectivamente) y una estadía hospitalaria más corta ( p  = 0,001 y 0,001, respectivamente) en comparación con el grupo en pantalla. Sin embargo, no hubo diferencias significativas en las complicaciones y la tasa de éxito del procedimiento ( p  = 0,846 y >0,999, respectivamente) y ( p  = 0,567 y >0,999, respectivamente). Además, los cirujanos asignaron puntuaciones más altas al grupo tangible en comparación con el grupo en pantalla ( p  = 0,001 frente a 0,001, respectivamente). Esta investigación destaca la viabilidad y los beneficios potenciales de la RA con impresión 3D para mejorar la visualización y la precisión quirúrgicas.

4.2.6 Urología

Borgmann y otros. [Citación25 ] realizaron un estudio en el que participaron siete cirujanos urológicos, entre ellos tres urólogos certificados y cuatro residentes de urología. En el estudio, se utilizó tecnología de RA en 10 tipos diferentes de cirugías y un total de 31 procedimientos urológicos. La viabilidad de la cirugía asistida por RA se evaluó utilizando metadatos técnicos, que incluían la cantidad de fotografías tomadas, la cantidad de videos grabados y el tiempo total de video grabado durante los procedimientos. Además, se realizaron entrevistas estructuradas con los urólogos participantes para recopilar información sobre su uso de la guía quirúrgica. También se registraron y calificaron las complicaciones según la clasificación de Clavien-Dindo. No se observaron complicaciones específicas durante los procedimientos quirúrgicos. Sin embargo, durante el curso posoperatorio, se produjeron un total de 6 complicaciones entre la serie de 31 cirugías urológicas de diversa complejidad, que iban desde procedimientos simples, como la vasectomía, hasta procedimientos complejos como la cistectomía. Las complicaciones de grado I incluyeron dos infecciones del tracto urinario (después de la RTUB y la adenomectomía de próstata) y una infección superficial de la herida (después de la adenomectomía de próstata). Las complicaciones de grado II comprendieron dos casos de íleo (después de una cistectomía abierta) y un caso de fuga anastomótica (después de una prostatectomía radical laparoscópica). Es importante destacar que todos los cirujanos informaron que no experimentaron distracciones relevantes mientras usaban la guía quirúrgica AR durante la cirugía. Esta investigación subraya la viabilidad de implementar AR en cirugía urológica en una variedad de procedimientos.

4.2.7. Prostatectomía

En un estudio de Porpiglia et al. [Citación74 ], 40 pacientes se sometieron a procedimientos de cáncer de próstata. Veinte pacientes se sometieron a prostatectomía radical asistida por robot con AR elástica 3D (3D AR-RARP), mientras que el grupo de control tuvo el procedimiento cognitivo 2D tradicional (2D Cognitive RARP). En ambos enfoques, AR 3D y Cognitivo 2D, la afectación capsular (CI) se identificó con precisión en las imágenes preoperatorias, y la evaluación microscópica confirmó la presencia de cáncer en áreas sospechosas identificadas por ambos métodos. El grupo AR 3D mostró una identificación de CI más precisa (100%) que el grupo Cognitivo 2D (47,0%). Además, hubo una ventaja estadísticamente significativa para el grupo AR 3D en la detección de lesiones cancerosas durante la fase de conservación de nervios (NS). A pesar de la necesidad de segmentación y alineación manual de imágenes, que los autores mencionaron como una deficiencia del sistema, los autores concluyeron que la introducción de modelos virtuales 3D elásticos simula eficazmente la deformación de la próstata durante la cirugía, lo que conduce a una localización precisa de la lesión, reduciendo potencialmente la tasa de margen quirúrgico positivo y optimizando simultáneamente los resultados funcionales.

4.2.8. Craneomaxilofacial

El estudio de Zhu et al. [Citación78 ] introdujeron un sistema de RA para visualizar los nervios alveolares inferiores (IAN) en 20 pacientes sometidos a cirugía craneomaxilofacial. La investigación se centró en evaluar la precisión del sistema y la precisión del registro en los 20 casos y se descubrió que era de 0,96 ± 0,51 mm. Los autores concluyeron además que la cirugía maxilofacial con RA ofrece los beneficios de una operación fácil de usar y precisión, lo que en última instancia mejora el rendimiento quirúrgico general.

5. Desafíos y limitaciones

La aplicación de los sistemas MR IGS ha demostrado un gran potencial, sin embargo, siguen existiendo algunos desafíos y limitaciones que fueron mencionados en los artículos encuestados.

En primer lugar, la integración de los sistemas IGS de RM introduce una curva de aprendizaje para los cirujanos, que, si bien no afecta necesariamente a los tiempos quirúrgicos, enfatiza la importancia de la capacitación y la familiaridad. Múltiples estudios han demostrado que los casos iniciales y los realizados por cirujanos experimentados tienen tiempos quirúrgicos comparables, lo que indica un impacto mínimo en la eficiencia quirúrgica [Citación23 ]. En neurocirugía craneal, los equipos experimentados no informaron ninguna curva de aprendizaje debido a la experiencia previa con el apoyo de RA basado en microscopio [Citación15 ]. Sin embargo, aún queda por determinar la importancia de la curva de aprendizaje en la cirugía de columna, en particular para la educación de los residentes [Citación16 ]. Cabe destacar que la baja adopción de la navegación manual o robótica por computadora en las cirugías de columna se atribuye a menudo a curvas de aprendizaje de adopción pronunciadas [Citación80 ].

En términos de visualización, si bien los HMD son una herramienta prometedora para la cirugía asistida por RM, HoloLens y dispositivos similares tienen limitaciones notables. La baja resolución de estos dispositivos a veces es perjudicial para la calidad y fidelidad de las imágenes 3D que reproducen, lo que puede impedir la precisión requerida en entornos quirúrgicos. Además, el campo de visión horizontal restringido de 30° puede dificultar la experiencia general del usuario al limitar su percepción espacial [Citación11 ]. Además del campo de visión limitado, el rendimiento de la cámara, las limitaciones en el aumento y los problemas con la fuente de luz también pueden afectar negativamente la capacidad de capturar campos quirúrgicos profundos con precisión [Citación47 ,Citación61 ]. Además, es importante señalar que la batería recargable, que normalmente admite de 2 a 3 horas de uso activo, plantea una limitación adicional, especialmente durante procedimientos quirúrgicos más prolongados [Citación61 ]. Por último, el uso prolongado de gafas puede provocar incomodidad e incluso mareos, lo que plantea dudas sobre su practicidad durante procedimientos quirúrgicos prolongados [Citación24 ,Citación40 ]. Finalmente, como lo demostraron Condino et al. [Citación81 ] En un estudio de laboratorio, los HMD ópticos transparentes actuales sufren limitaciones tecnológicas que reducen su idoneidad para aplicaciones quirúrgicas. En concreto, sus señales de enfoque incorrectas a corta distancia pueden afectar negativamente a la precisión de localización, que es fundamental en aplicaciones quirúrgicas.

En el trabajo de Cecceraglia et al. [Citación58 ] los autores mencionaron varios desafíos específicos basados ​​en sus experiencias con el uso de HoloLens. Estos incluían que cuando el cirujano está operando con un asistente, la imagen virtual o el holograma pueden aparecer en una posición espacial diferente en cada una de sus vistas (incluso después del registro manual por parte del cirujano), además, las luces del quirófano pueden afectar la calidad de los hologramas y la superposición del holograma en el campo quirúrgico puede obstruir la vista del sitio quirúrgico y las estructuras anatómicas. Este último punto también fue mencionado en el trabajo de Bopp et al. [Citación26 ] quienes escribieron que la gran cantidad de información de RA visualizada dentro de la vista microscópica del sistema que probaron puede ocultar la visión clara del campo quirúrgico. Tang et al. [Citación52 ] que utilizaron un iPad para la realidad aumentada también mencionaron que la vista de realidad aumentada puede cubrir partes del campo quirúrgico que pueden no ser deseadas. Además, la línea de visión de la cámara intraoperatoria en sus estudios a veces estaba obstruida por las manos del cirujano o los instrumentos quirúrgicos, lo que en consecuencia reducía la precisión de las imágenes 3D superpuestas.

Aunque no son específicos de los sistemas de RM, se mencionaron los desafíos relacionados con la deformación de los tejidos blandos, el movimiento de los órganos y la ausencia de puntos de referencia óseos fijos como factores que complican la precisión de los sistemas IGS de RM [Citación56 ,Citación59 ]. Además, numerosos artículos mencionaron problemas en términos de flujo de trabajo, ya sea preoperatoriamente, incluido el tiempo para crear modelos virtuales y configurar sistemas (por ejemplo, [Citación44 ,Citación56 ,Citación71 ]) así como introspectivamente el tiempo necesario para el registro. Por ejemplo, Sasaki et al. [Citación82 ] mencionan que el tiempo necesario para registrar la imagen virtual 3D en el campo quirúrgico (lo cual hacen de forma manual) es complicado y provoca una interrupción en el proceso quirúrgico cada vez que se debe realizar. En algunos casos, también surge la necesidad de registro postoperatorio y registro retrospectivo debido a dificultades intraoperatorias [Citación59 ]. De hecho, numerosos grupos mencionaron la precisión del registro como una limitación de sus sistemas (por ejemplo, [Citación11 ,Citación28 ]).

A pesar del aumento en el número de estudios clínicos, el diseño de estudios para acceder a sistemas IGS de RM para procedimientos quirúrgicos ha tenido algunas limitaciones, incluido el uso de estudios retrospectivos y no prospectivos, tamaños de muestra pequeños y la ausencia de grupos de control [Citación17 ,Citación33 ,Citación34 ,Citación55 ,Citación56 ]. Medir los beneficios específicos de la resonancia magnética y abordar el sesgo potencial en las evaluaciones subjetivas durante los ensayos aleatorizados también son aspectos desafiantes. Estas limitaciones resaltan la necesidad de diseños de estudios clínicos más sólidos y estandarizados para evaluar el impacto de los sistemas de IGS de resonancia magnética en los resultados quirúrgicos.

En términos de costo, la inversión inicial necesaria para adquirir y mantener sistemas de RM también puede limitar su accesibilidad, especialmente para instituciones de salud con restricciones presupuestarias [Citación46 ,Citación61 ,Citación72 ,Citación83 ,Citación84 ]. Además, la participación de un miembro del equipo de tecnología para operar y mantener estos sistemas puede aumentar los costos operativos y puede generar dificultades para encontrar personal calificado para administrar la tecnología de manera efectiva. A pesar de algunos esfuerzos para lograr sistemas de bajo costo, estos también pueden tener limitaciones. Por ejemplo, Yodrabum et al. [Citación51 ] mencionaron algunas desventajas de sus enfoques de AR de bajo costo, entre ellas la distorsión de la imagen y la necesidad de un asistente que sostenga el dispositivo móvil quieto y fijo a una distancia y un ángulo adecuados para capturar el campo quirúrgico. Esto provocó que el movimiento del cirujano fuera limitado y tuviera que moverse entre el paciente y el dispositivo para aprovechar la vista aumentada.

6. Discusión

En esta sección, presentamos los aspectos más destacados y las observaciones extraídas de la literatura revisada sobre las aplicaciones de la RM en procedimientos guiados por imágenes.

6.1. Datos

En términos de datos de imágenes en bruto, como se esperaba, la mayoría de los sistemas se basan en datos de imágenes de TC o RM. Sorprendentemente, a pesar del aumento del uso de ultrasonidos en el ámbito clínico, no encontramos sistemas que integraran el ultrasonido con la RM. Sin embargo, con el reciente aumento de la investigación que combina tecnologías de RM con ultrasonidos, como ayuda en la adquisición de ultrasonidos (p. ej., [Citación85 ]), facilitando el aprendizaje y la interpretación de la ecografía [Citación86 ] y volver a registrar imágenes intraoperatorias para tener en cuenta factores como el desplazamiento cerebral [Citación87 ]), anticipamos que el ultrasonido se utilizará cada vez más con RM en sistemas IGS.

En lo que respecta a los datos visualizados, casi todos los sistemas aprovechan las representaciones visuales en 3D de la anatomía del paciente para ayudar a los cirujanos. Sorprendentemente, pocos artículos abordaron la visualización de datos de conocimiento previo, como atlas, y hubo usos o representaciones novedosas limitadas en términos de datos. A pesar del uso limitado de conocimiento previo y datos derivados en los artículos de la encuesta, postulamos que en el futuro se integrarán más sensores en los quirófanos y se utilizarán más modelos de IA, lo que dará como resultado nuevos tipos de mediciones preoperatorias e intraoperatorias. Por lo tanto, anticipamos la visualización de incertidumbres inherentes a los modelos de IA o la información de guía, así como la cuantificación de distancias intraoperatorias y volúmenes tumorales residuales en vistas de RA.

6.2 Procesamiento de la visualización

Nuestra revisión destaca que la mayoría de los artículos de investigación todavía tienden a favorecer las técnicas de visualización convencionales, que se basan principalmente en la representación de superficies. Este enfoque a menudo se complementa con codificación por colores y transparencia para facilitar la distinción de objetos anatómicos. Sin embargo, también hemos notado una creciente conciencia entre los investigadores con respecto a la importancia de una visualización de datos bien pensada para mejorar la eficacia de la guía quirúrgica. Cabe destacar los casos en los que la RA se integra perfectamente con el procesamiento de la visualización, como se ve en los casos que involucran a Microscope Navigation de BrainLab y Leica ARveo. Estos casos brindan una visión prometedora del futuro de la investigación en este dominio. Aunque la representación de volumen sigue subutilizándose, sus posibles beneficios, como la localización de tumores y la planificación quirúrgica, son evidentes en un estudio realizado por Wierzbicki et al. [Citación38 ]. La exploración y el desarrollo continuos en el procesamiento de la visualización son importantes para maximizar el potencial de la RM en la cirugía.

6.3. Vista

En cuanto a las pantallas, la creciente popularidad de los HMD en los últimos años se puede atribuir en gran medida a los avances en ergonomía y facilidad de interacción. Estos dispositivos ofrecen ventajas significativas, ya que se pueden ajustar cómodamente delante de ambos ojos, lo que proporciona una experiencia inmersiva. Además, los modelos de HMD modernos son más ligeros que sus predecesores, lo que aborda las preocupaciones relacionadas con la fatiga física entre los usuarios.

Las tabletas y los teléfonos inteligentes no se utilizaron con frecuencia en los artículos encuestados, sin embargo, creemos en los resultados prometedores de los que se probaron en el quirófano [Citación48–50 ,Citación52 ,Citación56 ,Citación57 ] animará a más grupos a considerar estas soluciones de bajo costo. Léger et al. [Citación42 ], por ejemplo, proporcionan un sistema de neuronavegación interactiva de RA móvil de código abierto (MARIN) que realiza RA en tiempo real en un dispositivo móvil en el contexto de neurocirugía guiada por imágenes y puede allanar el camino para que otros traigan sistemas similares para realizar pruebas en el quirófano.

A pesar de la creciente popularidad de los HMD, es importante señalar que el panorama de las pantallas en el ámbito quirúrgico sigue siendo diverso. Se adaptan diversos dispositivos de visualización para satisfacer los requisitos únicos de diferentes dominios quirúrgicos. Al elegir dispositivos específicos para un procedimiento quirúrgico específico, resulta evidente que no existe una solución única para IGS. Para tomar la decisión adecuada para la pantalla, es esencial considerar cuidadosamente factores como el campo quirúrgico, las tareas específicas, los flujos de trabajo del cirujano y el entorno del quirófano.

En términos de dispositivos de interacción, el panorama se está alejando lentamente de las herramientas de interacción tradicionales, como teclados y ratones, y se están adoptando cada vez más métodos más avanzados y diversos, incluidas pantallas táctiles, gestos con las manos y comandos de voz que se usan más comúnmente con hardware, como tabletas y HMD.

6.4. Dominio quirúrgico

Descubrimos que, si bien muchas tendencias eran similares entre el estado del arte de 2013 y nuestro análisis, hubo algunos hallazgos nuevos. Por ejemplo, si bien la frecuencia de los sistemas utilizados para cirugías específicas fue similar en 2013 en términos de los dominios quirúrgicos más populares, surgieron varios dominios nuevos en los que se probó la RM (por ejemplo, cirugía torácica, urología, etc.), lo que subraya la creciente utilización de la RM en un espectro de dominios quirúrgicos. Además, el aumento de los artículos y, específicamente, los estudios clínicos que prueban la RM indican una creciente adopción de tecnologías de RM en la práctica clínica. Los estudios a gran escala en neurocirugía y cirugía de columna se pueden atribuir parcialmente a dos sistemas comerciales aprobados por la FDA para tecnología de RM, el Microscope Navigation de BrainLab con Leica ARveo o Zeiss Pentero y el sistema xvision de Augmedics.

6.5. General

Un aspecto importante que ha ganado atención a lo largo de los años es el costo de implementar sistemas de RM en entornos clínicos. Los investigadores y los profesionales están explorando cada vez más soluciones de bajo costo para hacer que estas tecnologías sean más accesibles y asequibles. Este cambio de enfoque hacia soluciones rentables demuestra la creciente conciencia e interés en democratizar el uso de estas tecnologías para una gama más amplia de aplicaciones y entornos quirúrgicos. Es probable que la asequibilidad del hardware, junto con las soluciones basadas en la nube y el software de procesamiento de imágenes inteligente, impulse la expansión de las aplicaciones de RM en un amplio espectro de dominios quirúrgicos [Citación54 ].

En términos de democratizar la atención clínica de alta calidad, un aspecto que fue mencionado por Balci et al. [Citación68 ], fue que las tecnologías de RM emergentes permitirán a los equipos quirúrgicos menos experimentados reducir la disparidad con sus contrapartes más experimentadas, mejorando la precisión de la planificación y la seguridad del procedimiento, reduciendo en última instancia la probabilidad de complicaciones derivadas de variaciones anatómicas desafiantes y permitiendo que el equipo opere dentro de márgenes de error específicos.

A pesar de los avances logrados, persisten varios desafíos en el campo de la resonancia magnética para procedimientos guiados por imágenes. Estos desafíos incluyen la necesidad de mejorar la precisión del registro, la visualización de datos en tiempo real, el seguimiento sólido y la integración perfecta de estas tecnologías en los flujos de trabajo quirúrgicos. Abordar estos desafíos será un paso importante para garantizar la utilización segura y eficaz de estas tecnologías en la práctica clínica diaria.

7. Conclusión

En la última década se han producido avances significativos en la aplicación de la RM para procedimientos guiados por imágenes. El aumento del uso de estas tecnologías en la fase preoperatoria, la creciente adopción en el quirófano, el desarrollo de dispositivos de visualización facial más ergonómicos y el enfoque en soluciones rentables demuestran la madurez de este campo. Sin embargo, siguen existiendo desafíos y se necesita más investigación para abordarlos y aprovechar al máximo el potencial de la RM para mejorar las intervenciones quirúrgicas. El futuro ofrece posibilidades apasionantes para la integración continua de estas tecnologías en la práctica clínica, lo que en última instancia conducirá a mejores resultados quirúrgicos y al avance de las técnicas quirúrgicas.

Sankalp Yadav ^1,

PMCID: PMC11027446  PMID: 38646390

Abstract

La rápida evolución de las tecnologías emergentes en la atención médica está remodelando el campo de las prácticas médicas y los resultados de los pacientes, marcando el comienzo de una era de innovación sin precedentes. Esta revisión narrativa aborda los impactos transformadores de varias tecnologías, incluida la realidad virtual (VR), la realidad aumentada (AR), el Internet de las cosas médicas (IoMT), el monitoreo remoto de pacientes (RPM), la integración de la tecnología financiera (fintech), la migración a la nube y el papel fundamental del aprendizaje automático (ML). Enfatiza el impacto colaborativo de estas tecnologías, que está remodelando el panorama de la atención médica. La realidad virtual y la RA revolucionan la formación médica, el IoMT amplía los límites de la atención sanitaria, el RPM facilita la atención proactiva y la integración de la tecnología financiera mejora los procesos financieros. La migración a la nube garantiza una gestión de datos escalable y eficiente, mientras que el aprendizaje automático aprovecha los algoritmos para la precisión del diagnóstico y el tratamiento personalizado.

Palabras clave: fintech, machine learning, iomt, tecnología, tecnología sanitaria, realidad virtual, realidad aumentada (ar)

Introducción y antecedentes

El rápido avance de la tecnología ha marcado el comienzo de una nueva era de innovación, impactando significativamente en varias industrias, y quizás en ningún lugar es más evidente esta transformación que en el campo de la atención médica [1]. El campo de la salud se encuentra en la cúspide de una transformación revolucionaria, impulsada por una convergencia de tecnologías de vanguardia que prometen redefinir las prácticas médicas y elevar la atención al paciente a niveles sin precedentes.

Entre la variedad de tecnologías emergentes, la realidad virtual (VR) y la realidad aumentada (AR) han surgido como herramientas poderosas con el potencial de remodelar las prácticas médicas y mejorar las experiencias de los pacientes [2].

Los profesionales médicos recurren cada vez más a la realidad virtual y la realidad aumentada para capacitarse y mejorar las habilidades quirúrgicas. Las simulaciones de realidad virtual proporcionan un entorno realista y sin riesgos para que los cirujanos practiquen procedimientos complejos, mientras que la RA superpone datos en tiempo real durante las cirugías para mejorar la precisión [3]. Estas tecnologías también benefician a los pacientes al proporcionar representaciones visuales interactivas de las condiciones médicas, lo que facilita una mejor comprensión y la toma de decisiones informadas sobre su atención médica [4]. Además, la terapia de realidad virtual está emergiendo como un tratamiento eficaz para las afecciones de salud mental como el trastorno de estrés postraumático y los trastornos de ansiedad, ofreciendo entornos inmersivos personalizados para la terapia de exposición [5, 6].

Si bien el potencial de la realidad virtual y la realidad aumentada en la atención médica es enorme, se deben sortear desafíos como el costo, la complejidad técnica y los obstáculos de estandarización [7]. Este artículo de revisión tiene como objetivo embarcarse en un viaje a través de las fronteras transformadoras de la realidad virtual y la realidad aumentada, el internet de las cosas médicas (IoMT), las medidas de ciberseguridad para dispositivos médicos, la monitorización remota de pacientes (RPM), la integración de la tecnología financiera (fintech) y la aplicación de técnicas de aprendizaje automático (ML) en el ámbito de la atención sanitaria.

Revisión

Realidad virtual y realidad aumentada

Tanto la RV como la RA han trascendido sus aplicaciones iniciales de entretenimiento y están haciendo importantes avances en el sector sanitario [8]. En el ámbito de la formación médica, la RV ofrece un entorno de aprendizaje inmersivo que permite a los profesionales sanitarios simular cirugías y procedimientos médicos. Los cirujanos, en particular, se benefician de simulaciones quirúrgicas realistas que mejoran sus habilidades y proporcionan un espacio libre de riesgos para practicar procedimientos complejos [9].

Además, la RV se emplea cada vez más en la educación del paciente para mejorar la comprensión y el cumplimiento de los planes de tratamiento. Los pacientes pueden experimentar recorridos virtuales de sus condiciones médicas, visualizando el impacto de las enfermedades y los posibles tratamientos de una manera comprensible. Esto no solo mejora la participación del paciente, sino que también contribuye a la toma de decisiones informadas [10].

En los entornos quirúrgicos, la RA desempeña un papel crucial al superponer la información digital a la vista del cirujano durante los procedimientos. La visualización de datos en tiempo real, como las reconstrucciones tridimensionales (3D) de la anatomía del paciente, permite a los cirujanos navegar con una precisión sin igual. Esta precisión es especialmente valiosa en cirugías mínimamente invasivas, donde la conciencia espacial precisa es crítica [11].

Más allá de las aplicaciones quirúrgicas, la RV y la RA están demostrando ser beneficiosas en las intervenciones terapéuticas. La terapia de realidad virtual se está explorando para tratar afecciones como el trastorno de estrés postraumático, los trastornos de ansiedad y las fobias. La naturaleza inmersiva de la realidad virtual permite a los terapeutas crear entornos controlados para la terapia de exposición, lo que contribuye a intervenciones de salud mental más efectivas y personalizadas [5, 6].

Los desafíos para la adopción generalizada de la realidad virtual y la realidad aumentada en la atención médica incluyen el costo del equipo, la complejidad técnica y la necesidad de protocolos estandarizados [7]. Sin embargo, los avances continuos y un creciente cuerpo de evidencia que respalda la eficacia de estas tecnologías subrayan su potencial para revolucionar la formación médica, la educación del paciente y las intervenciones terapéuticas en el panorama de la atención médica. A medida que la tecnología continúa avanzando, la realidad virtual y la realidad aumentada están preparadas para convertirse en herramientas integrales para mejorar las habilidades de los profesionales de la salud y mejorar los resultados de los pacientes. En la Tabla 1 se dan algunos ejemplos.

Tabla 1. Aplicación y ejemplos de realidad virtual y realidad aumentada en salud.

Aplicación	Ejemplo 1	Ejemplo 2
Formación quirúrgica	Osso VR	Cirugía táctil
Educación del paciente	Anatomía 3D de Organon VR	AccuVein
Manejo del dolor	AppliedVR	EaseVRx
Terapia de salud mental	Limbix	Psious
Rehabilitación	Laberinto Mental	Rehametrics
Consultas a distancia/Telemedicina	Proximidad	Augmedix
Navegación quirúrgica	Microsoft HoloLens	AccuVein

El internet de las cosas médicas

El IoMT representa una fuerza transformadora dentro del panorama de la atención médica, ya que interconecta dispositivos médicos, sensores y sistemas para mejorar la atención al paciente, agilizar los procesos y revolucionar la prestación de atención médica [12].

El IoMT abarca una amplia gama de dispositivos interconectados, que van desde rastreadores de actividad física portátiles hasta sensores médicos avanzados. Los dispositivos portátiles monitorean los signos vitales y la actividad física, e incluso realizan un monitoreo de glucosa en tiempo real, lo que brinda a los profesionales de la salud información valiosa sobre la salud de los pacientes fuera de los entornos de atención médica tradicionales. Este monitoreo continuo y remoto fomenta la detección temprana de problemas de salud, lo que permite una intervención oportuna y planes de tratamiento personalizados [13].

Además, el IoMT facilita el intercambio fluido de datos entre los pacientes y los proveedores de atención médica, lo que contribuye a un enfoque más centrado en el paciente. A través de plataformas de salud interconectadas y registros de salud electrónicos, los médicos pueden acceder a datos en tiempo real, lo que permite una toma de decisiones más informada y estrategias de atención personalizadas. Los pacientes, a su vez, adquieren un papel más activo en su gestión sanitaria, fomentando un enfoque colaborativo y proactivo del bienestar [13,14].

La monitorización remota (RM) de los dispositivos electrónicos implantables cardíacos (CIED) ha experimentado una mayor adopción, especialmente durante la reciente pandemia de COVID-19, ofreciendo una mejor accesibilidad a la atención sanitaria y allanando el camino para una terapia más personalizada. Esta tecnología se aplica a varios dispositivos cardíacos activos como desfibriladores (DCI), marcapasos (PM) y terapia de resincronización cardíaca (CRT), ya sea como función accesoria o como herramienta de monitoreo principal para dispositivos como registradores de bucle implantables y CardioMEMS.™

Los datos de estos dispositivos se transmiten en tiempo real a una base de datos accesible para los profesionales de la salud, lo que permite una intervención rápida en casos de mal funcionamiento del dispositivo o detección de arritmias potencialmente mortales. Los pacientes también pueden iniciar la transmisión de datos si experimentan alteraciones o sospechan un deterioro en su estado clínico. En general, la RM mejora la atención al paciente al permitir una monitorización continua y una intervención oportuna cuando sea necesario.

Sin embargo, la integración de IoMT no está exenta de desafíos. Las preocupaciones de privacidad y seguridad que rodean las grandes cantidades de datos de salud confidenciales intercambiados requieren medidas estrictas para salvaguardar la confidencialidad del paciente. Los problemas de interoperabilidad entre diversos dispositivos y sistemas también plantean desafíos que deben abordarse para garantizar el flujo continuo de información. Además, mantener un equilibrio entre la dependencia de la tecnología y el contacto humano es crucial para su uso efectivo [13,14].

De cara al futuro, el IoMT tiene un inmenso potencial para la innovación sanitaria. Desde la mejora de las capacidades de diagnóstico a través de la monitorización continua hasta la optimización de los planes de tratamiento a través de información basada en datos, el IoMT está a la vanguardia de la revolución digital en la atención sanitaria. En la Tabla 2 se mencionan algunos ejemplos.

Tabla 2. Algunos ejemplos del internet de las cosas médicas.

Aplicación	Ejemplo 1	Ejemplo 2
Monitorización remota de pacientes	Soluciones de telemedicina de Philips Healthcare	El monitor portátil de Biobeat
Integración de dispositivos médicos	Soluciones SmartLinx de Capsule Technologies	Cápsula Vitals Plus de Qualcomm Life
Gestión de activos	AeroScout RTLS de Stanley Healthcare	Zebra Savanna de Zebra Technologies
Gestión de la medicación	Solución Hailie® de Adherium	Soluciones de dispensación de medicamentos de Philips
Consultas a distancia/Telemedicina	Salud de Teladoc	Médico a la carta
Análisis de datos e información	IBM Watson Health	Análisis de salud de SAS

Medidas de ciberseguridad para dispositivos médicos

Si bien los avances en la tecnología médica ofrecen beneficios sin precedentes, no se pueden subestimar los riesgos potenciales asociados con medidas de ciberseguridad inadecuadas. En una era en la que los dispositivos médicos están cada vez más interconectados y dependen de las tecnologías digitales, es fundamental garantizar medidas sólidas de ciberseguridad. La proliferación de dispositivos médicos conectados, que van desde bombas de infusión hasta equipos de diagnóstico, ha mejorado innegablemente la atención al paciente y la eficiencia de la atención sanitaria. Sin embargo, esta interconexión también expone a estos dispositivos a posibles amenazas cibernéticas, lo que genera preocupaciones sobre violaciones de datos, acceso no autorizado e incluso la posible manipulación de equipos médicos [15].

Según la Organización Mundial de la Salud, existen más de dos millones de tipos diferentes de dispositivos médicos [16]. Uno de los principales desafíos en la ciberseguridad de los dispositivos médicos radica en la diversidad de dispositivos, cada uno con sus propias especificaciones, software y posibles vulnerabilidades. La naturaleza dinámica de las amenazas cibernéticas complica aún más el panorama, lo que requiere estrategias de ciberseguridad proactivas y adaptables [17]. Los informes del Centro de Análisis e Intercambio de Información de Salud, Finite State y Securin destacaron que el 64% de los problemas estaban relacionados con el software [18].

Para contrarrestar estos desafíos, la industria de la salud está adoptando cada vez más medidas integrales de ciberseguridad. Esto incluye la implementación de protocolos de cifrado sólidos, el desarrollo de marcos de software seguros y el establecimiento de protocolos para actualizaciones y parches de software regulares. Además, los proveedores de atención médica están invirtiendo en programas de capacitación para mejorar la conciencia de ciberseguridad de los profesionales médicos, lo que garantiza un enfoque colaborativo para mantener un entorno de atención médica seguro [19].

Los organismos reguladores y las organizaciones de normalización también desempeñan un papel fundamental a la hora de dar forma al panorama de la ciberseguridad de los dispositivos médicos. La implementación de regulaciones, como el Reglamento de Dispositivos Médicos en Europa y la guía previa y posterior a la comercialización emitida por la Administración de Alimentos y Medicamentos de EE. UU., tiene como objetivo establecer pautas claras para los fabricantes, exigiéndoles que prioricen la ciberseguridad en el diseño y la gestión del ciclo de vida de los dispositivos médicos [20,21]. En la Tabla 3 se mencionan algunos ejemplos.

Tabla 3. Algunos ejemplos de medidas de ciberseguridad de dispositivos médicos.

Medida de ciberseguridad	Ejemplo 1	Ejemplo 2
Encriptación de datos	Estándar de cifrado avanzado (AES)	Cifrado Rivest-Shamir-Adleman (RSA)
Mecanismos de autenticación	Autenticación biométrica (por ejemplo, huella dactilar, escaneo del iris)	Autenticación multifactor (p. ej., contraseña, token, tarjeta inteligente)
Proceso de arranque seguro	Garantiza que solo se ejecute código de confianza durante el inicio	Proceso de arranque seguro basado en hardware
Actualizaciones periódicas de software	Parches y actualizaciones oportunas para abordar las vulnerabilidades de seguridad	Actualizaciones inalámbricas (OTA) para actualizaciones de firmware y software
Sistemas de detección de intrusos (IDS)	Supervisa el tráfico de red y alerta sobre comportamientos sospechosos	El IDS basado en host (HIDS) supervisa las actividades en el propio dispositivo
Políticas de control de acceso	Control de acceso basado en roles (RBAC)	Principio de acceso con privilegios mínimos
Endurecimiento de dispositivos	Deshabilitar servicios, puertos y funcionalidades innecesarias	Implementación de reglas de firewall y medidas de segmentación de red
Protocolos de comunicación seguros	Seguridad de la capa de transporte (TLS)	Red privada virtual (VPN) para un acceso remoto seguro

Monitorización remota de pacientes

La monitorización remota de pacientes representa un cambio de paradigma en la prestación de asistencia sanitaria, aprovechando la tecnología para permitir la monitorización continua de pacientes fuera de los entornos clínicos tradicionales [22]. Utiliza una gama de tecnologías, incluidos dispositivos portátiles, aplicaciones móviles de salud y dispositivos médicos conectados, para recopilar y transmitir datos de pacientes en tiempo real. Estas tecnologías permiten a los proveedores de atención médica monitorear de forma remota los signos vitales, los parámetros fisiológicos y otras métricas de salud relevantes, proporcionando una vista completa y continua del estado de salud de un paciente [23].

Una de las principales ventajas de RPM es su capacidad para facilitar la detección temprana de problemas de salud. Al monitorear continuamente a los pacientes con afecciones crónicas o aquellos que se recuperan de procedimientos médicos, los proveedores de atención médica pueden identificar cambios sutiles en las métricas de salud con prontitud. Esta detección temprana permite intervenciones oportunas, reduciendo la probabilidad de complicaciones y reingresos hospitalarios [24].

Además, el RPM mejora la participación y el empoderamiento del paciente. Los pacientes pueden participar activamente en la gestión de su atención sanitaria mediante el seguimiento regular de sus métricas de salud y el acceso a comentarios personalizados a través de interfaces fáciles de usar. Este nivel de compromiso fomenta un sentido de responsabilidad y alienta a las personas a tomar decisiones informadas sobre su estilo de vida, lo que contribuye a su bienestar general [25].

La integración de RPM es particularmente beneficiosa en el manejo de enfermedades crónicas como la diabetes, la hipertensión y las afecciones cardíacas. Permite planes de atención personalizados basados en datos en tiempo real, optimizando las estrategias de tratamiento y mejorando los resultados de los pacientes [26]. Además, durante emergencias de salud pública o crisis globales, el RPM se convierte en una herramienta valiosa para monitorear a las personas de forma remota, lo que garantiza la continuidad de la atención y minimiza la exposición innecesaria a las instalaciones de atención médica [27].

A pesar de sus innumerables beneficios, la adopción generalizada de RPM enfrenta desafíos, incluidos los problemas relacionados con el reembolso, los marcos regulatorios y la garantía de un acceso equitativo a la tecnología, especialmente en las comunidades desatendidas [28]. En la Tabla 4 se mencionan algunos ejemplos.

Tabla 4. Algunos ejemplos de monitorización remota de pacientes (RPM).

Solución RPM	Ejemplo 1	Ejemplo 2
Dispositivos wearables	Fitbit (en inglés)	Apple Watch, Samsung Galaxy Watch
Monitores remotos de signos vitales	Sensor Radius PPG™ de Masimo	El monitor portátil de Biobeat
Aplicaciones móviles de salud	Plataforma digital HealthSuite de Philips Healthcare	Plataforma Biovitals® de Biofourmis
Plataformas de telemedicina	Salud de Teladoc	Amwell Doctor on Demand
Sistemas de monitoreo remoto	Bosch Healthcare Solutions, plataforma de compañeros de salud	La plataforma de gestión de atención remota de Vivify Health
Dispositivos de monitoreo en el hogar	Dispositivo de monitorización remota de pacientes Genesis Touch de Honeywell	Máquina CPAP AirSense 10 de ResMed™ con conectividad AirView™
Sistemas de monitorización cardíaca remota	Sistema de monitorización cardíaca ePatch™ de BioTelemetry	Monitor cardíaco insertable Confirm Rx™ de Abbott

Integración de fintech en la sanidad

La integración de la tecnología financiera en el sector de la salud marca una intersección significativa de dos industrias dinámicas, que prometen procesos financieros optimizados, mayor seguridad y mayor eficiencia general [29]. La infraestructura financiera tradicional de la atención médica, a menudo caracterizada por sistemas de facturación complejos y procesos de reembolso retrasados, ha sido un punto débil de larga data tanto para los proveedores de atención médica como para los pacientes [30]. La infusión de soluciones fintech aborda estos desafíos mediante la introducción de innovaciones digitales que optimizan los flujos de trabajo financieros, reducen las cargas administrativas y contribuyen a un ecosistema financiero más transparente [29].

Una de las áreas clave en las que las fintech están teniendo un impacto transformador es en los sistemas de pago. Las plataformas de pago digital, las billeteras móviles y las soluciones de pago sin contacto agilizan el proceso de pago tanto para los pacientes como para los proveedores de atención médica. Esto no solo agiliza las transacciones, sino que también mejora la experiencia general del paciente al proporcionar opciones de pago convenientes y seguras [31].

Los procesos de facturación, conocidos por su complejidad y el potencial de errores, están experimentando una transformación digital a través de la integración de fintech. Los sistemas de facturación automatizados, la facturación electrónica y los contratos inteligentes facilitan transacciones financieras precisas y eficientes, minimizando las discrepancias y mejorando la precisión de los registros financieros [32].

Las transacciones de seguros, otro aspecto crítico de la financiación de la salud, también están evolucionando con la tecnología financiera. La tecnología blockchain, por ejemplo, se está explorando para mejorar la seguridad y la transparencia de las reclamaciones y acuerdos de seguros. Los contratos inteligentes en plataformas blockchain pueden automatizar y agilizar el proceso de reclamaciones, reduciendo la probabilidad de fraude y acelerando el ciclo de reembolso [33].

A pesar de estos avances, la integración de las fintech en las finanzas sanitarias no está exenta de desafíos. Las preocupaciones relacionadas con la seguridad de los datos, la privacidad y el cumplimiento normativo requieren una consideración cuidadosa. Además, garantizar la igualdad de acceso a los servicios financieros digitales y abordar la brecha digital es crucial para prevenir las disparidades en la financiación de la asistencia sanitaria [34]. En la Tabla 5 se mencionan algunos ejemplos.

Tabla 5. Algunos ejemplos de integración de la tecnología financiera (fintech) en la atención médica.

Integración de fintech en la sanidad	Ejemplo 1	Ejemplo 2
Soluciones de pago para el sector sanitario	Estrella del Camino	InstaMed
Cuentas de ahorro para la salud (HSA)	Vivo	Más lejos
Plataformas de financiación médica	Crédito de cuidado	Préstamos para el cuidado de la salud Prosper
Plataformas de seguros de salud	Óscar Salud	Salud brillante
Gestión de gastos sanitarios	Alegeo	Equidad en Salud
Automatización de la facturación sanitaria	Cedro	Patientco
Plataformas de crowdfunding médico	GoFundMe Médico	FundRazr Médico

Migración a la nube en el sector sanitario

La industria de la salud está experimentando un cambio transformador con la adopción de tecnologías de computación en la nube [35]. Tradicionalmente, las organizaciones sanitarias gestionaban grandes cantidades de datos de pacientes a través de servidores locales, lo que planteaba retos relacionados con la escalabilidad, la accesibilidad y la seguridad de los datos. La migración a la nube aborda estos desafíos al proporcionar un entorno escalable y seguro para almacenar, administrar y compartir datos de atención médica.

Una de las principales ventajas de la migración a la nube en la atención médica es la escalabilidad mejorada de los recursos de almacenamiento. Las plataformas basadas en la nube permiten a las organizaciones sanitarias escalar dinámicamente su capacidad de almacenamiento en función de la demanda, adaptándose al crecimiento exponencial de los datos médicos generados a partir de historias clínicas electrónicas (EHR), imágenes médicas y datos genómicos [36].

La accesibilidad y la colaboración son aspectos fundamentales de la prestación de atención médica moderna, y la computación en la nube facilita el acceso sin interrupciones a los datos de los pacientes desde varias ubicaciones. Los proveedores de atención médica pueden acceder de forma segura a los registros de los pacientes, las imágenes de diagnóstico y los planes de tratamiento desde cualquier dispositivo autorizado con conexión a Internet, lo que promueve una atención eficiente y colaborativa [37].

La nube también admite aplicaciones avanzadas de análisis de datos y aprendizaje automático, lo que permite a las organizaciones de atención médica obtener información significativa a partir de grandes conjuntos de datos. Esto es particularmente valioso para la medicina personalizada, la gestión de la salud de la población y el análisis predictivo, lo que contribuye a una toma de decisiones más informada y a mejores resultados para los pacientes [38].

Si bien los beneficios de la migración a la nube son sustanciales, los desafíos como la privacidad de los datos, la seguridad y el cumplimiento normativo deben abordarse cuidadosamente. Los proveedores de atención médica deben asegurarse de que los proveedores de servicios en la nube se adhieran a estrictos estándares de seguridad, implementen protocolos de cifrado y cumplan con las regulaciones de protección de datos de atención médica, como la Ley de Portabilidad y Responsabilidad de Seguros Médicos (HIPAA) en los Estados Unidos [37]. En la Tabla 6 se mencionan algunos ejemplos.

Tabla 6. Algunos ejemplos de migración a la nube en el sector sanitario.

Soluciones de migración a la nube en el sector sanitario	Ejemplo 1	Ejemplo 2
Sistemas de historia clínica electrónica (HCE)	Corporación de Sistemas Épicos	Corporación Cerner
Sistemas de comunicación y archivo de imágenes (PACS)	Salud de Ambra	Imagen de vida
Plataformas de intercambio de información sanitaria (HIE)	Redox	Gorila de salud
Plataformas de telemedicina	Salud de Teladoc	Amwell
Plataformas de análisis de atención médica	Google Cloud Healthcare	IBM Watson Health
Herramientas de análisis de imágenes médicas	Aidoc	Visión médica de Zebra
Plataformas de monitorización remota de pacientes	Biofourmis	Cuidado de la salud de Philips
Gestión de la información sanitaria (HIM)	Corporación Mirth (NextGen)	Hyland Healthcare (OnBase)

Técnicas de aprendizaje automático en la salud

Las técnicas de aprendizaje automático se han convertido en herramientas poderosas en la atención médica, que prometen revolucionar el diagnóstico, los planes de tratamiento y la atención general del paciente. En esencia, el ML implica el desarrollo de algoritmos que permiten a las computadoras aprender patrones y hacer predicciones o decisiones sin programación explícita. En el sector de la salud, esto se traduce en la capacidad de analizar grandes conjuntos de datos, identificar patrones complejos y obtener información significativa para informar la toma de decisiones médicas [38].

Una de las principales aplicaciones del ML en la atención médica es el diagnóstico. Los algoritmos de aprendizaje automático pueden analizar datos de imágenes médicas, como radiografías, resonancias magnéticas y tomografías computarizadas, con una precisión notable. El reconocimiento y la clasificación automatizados de imágenes ayudan a los profesionales de la salud a detectar anomalías, tumores y otras afecciones en una etapa temprana, lo que facilita la intervención y el tratamiento oportunos [39].

Más allá del diagnóstico, el ML contribuye a la personalización de los planes de tratamiento. Al analizar los datos de los pacientes, incluida la información genética, el historial médico y los factores del estilo de vida, los algoritmos de ML pueden ayudar a adaptar las estrategias de tratamiento a cada paciente. Este enfoque, conocido como medicina de precisión, tiene como objetivo maximizar la eficacia del tratamiento y minimizar los efectos adversos [40].

El análisis predictivo es otra área clave en la que sobresale el ML. Al analizar los datos históricos de los pacientes, los algoritmos de ML pueden predecir la progresión de la enfermedad, las posibles complicaciones y los resultados de los pacientes. Esta información permite a los proveedores de atención médica implementar medidas proactivas, como intervenciones preventivas y planes de atención personalizados, lo que contribuye a mejorar la atención al paciente y la asignación de recursos [41].

A pesar de las prometedoras aplicaciones, el ML en la atención médica no está exento de desafíos. Las consideraciones éticas, la privacidad de los datos y la interpretabilidad de algoritmos complejos se encuentran entre las cuestiones críticas que deben abordarse. Garantizar la transparencia y establecer la confianza en los modelos de ML son esenciales para su integración exitosa en la práctica clínica [42]. En la Tabla 7 se mencionan algunos ejemplos.

Tabla 7. Algunos ejemplos de técnicas de machine learning en salud.

Técnica/Aplicación	Ejemplo 1	Ejemplo 2
Análisis de imágenes médicas	Aprendizaje profundo para la interpretación de imágenes de resonancia magnética	Detección de enfermedades de la retina basada en inteligencia artificial (IA) de DeepMind Health de Google
Sistemas de apoyo a la toma de decisiones clínicas	Sistema de apoyo a la toma de decisiones clínicas de IBM Watson Health	Comprobador de síntomas impulsado por IA de Ada Health
Analítica predictiva	Predicción de reingresos de pacientes basada en historias clínicas electrónicas	Identificación de sepsis en pacientes de UCI mediante signos vitales y valores de laboratorio
Descubrimiento y desarrollo de fármacos	La plataforma de descubrimiento de fármacos impulsada por IA de Atomwise	La plataforma de IA de BenevolentAI para el descubrimiento y desarrollo de fármacos
Medicina personalizada	Secuenciación genómica y aprendizaje automático para planes de tratamiento personalizados	IBM Watson for Genomics para el tratamiento del cáncer
Detección de fraudes en la atención médica	Detección de reclamaciones de seguros fraudulentas mediante técnicas de detección de anomalías	Sistema de detección de fraudes basado en IA de Optum
Procesamiento del lenguaje natural	Extracción de información de notas e informes clínicos	Plataforma de NLP de Linguamatics para la minería de datos sanitarios no estructurados

La exploración de tecnologías emergentes en la atención médica revela un panorama de innovación sin precedentes, que promete impactos transformadores en las prácticas médicas y los resultados de los pacientes. Desde las experiencias inmersivas de la realidad virtual y la realidad aumentada hasta las redes interconectadas del IoMT, cada tecnología remodela el paradigma de la atención médica. Estas tecnologías redefinen la formación médica, proporcionando a los profesionales de la salud herramientas avanzadas para el desarrollo de habilidades y ofreciendo a los pacientes experiencias educativas inmersivas. El IoMT extiende la atención médica más allá de los límites tradicionales, lo que permite un monitoreo continuo e intervenciones personalizadas, avanzando así en la atención centrada en el paciente. Las medidas sólidas de ciberseguridad para los dispositivos médicos son fundamentales para garantizar la integridad de los datos de los pacientes y garantizar la fiabilidad de las tecnologías sanitarias. La monitorización remota de pacientes surge como un eje para la atención sanitaria proactiva, ya que permite intervenciones tempranas y permite a las personas gestionar su salud a distancia. La integración de fintech y la migración a la nube optimizan los procesos financieros y el almacenamiento de datos, ofreciendo ganancias de eficiencia y accesibilidad. El aprendizaje automático se destaca como una fuerza transformadora, ya que ofrece información de vastos conjuntos de datos para el diagnóstico, la personalización del tratamiento y el análisis predictivo. A pesar de los desafíos, el potencial de la medicina personalizada y la toma de decisiones basada en datos anuncia una nueva era en la atención médica. A medida que estas tecnologías avanzan, la industria de la salud está al borde de una era transformadora. Las consideraciones éticas, las preocupaciones sobre la privacidad y los desafíos de seguridad deben abordarse para garantizar la distribución equitativa de los beneficios y la preservación de la atención centrada en el paciente. Al fomentar una cultura de innovación responsable, la comunidad sanitaria puede liberar todo el potencial de las tecnologías emergentes, lo que conduce a un futuro en el que la atención sanitaria no solo sea tecnológicamente avanzada, sino también éticamente sólida y centrada en el paciente.

Conclusiones

En conclusión, el ámbito de la salud está experimentando una evolución profunda y transformadora impulsada por las tecnologías emergentes. Los impactos multifacéticos de estas tecnologías están remodelando la forma en que se llevan a cabo las prácticas médicas e influyendo en los resultados de los pacientes de maneras sin precedentes.

Dado que la industria de la salud se encuentra al borde de esta era transformadora, es crucial reconocer y abordar las consideraciones éticas, las preocupaciones de privacidad y los desafíos de seguridad. La innovación responsable es primordial para garantizar la distribución equitativa de los beneficios y la preservación de la atención centrada en el paciente.

Al cultivar una cultura de uso ético y responsable de estas tecnologías, la comunidad sanitaria puede desarrollar todo su potencial, lo que conduce a un futuro en el que la atención sanitaria no solo sea tecnológicamente avanzada, sino también éticamente sólida y verdaderamente centrada en el paciente

Jingshan Li ¹ , Pascale Carayón ¹

IISE Trans Healthc Syst Eng. 2021

Abstract

La Industria 4.0 ha transformado la industria manufacturera en un nuevo paradigma. De manera similar a la manufactura, la prestación de servicios de salud se encuentra en los albores de un cambio fundamental hacia la nueva era de la atención sanitaria inteligente y conectada, conocida como Atención Sanitaria 4.0.

En este artículo, analizamos la evolución histórica de la Atención Sanitaria 1.0 a la 4.0, describimos las características de la atención inteligente y conectada en la Atención Sanitaria 4.0, identificamos múltiples desafíos y oportunidades de investigación de la Atención Sanitaria 4.0 en términos de datos, modelos, dinámicas e integración, y esbozamos las implicaciones de las personas, los procesos, los sistemas y los resultados de salud.

Finalmente, se presentan conclusiones y recomendaciones en las áreas de

(1) participación de múltiples disciplinas y perspectivas,

(2) desarrollo de tecnologías y metodologías con una combinación de enfoques cuantitativos y cualitativos,

(3) integración de circuito cerrado del sistema sociotécnico, y

(4) diseño de un sistema centrado en la persona con atención específica a las necesidades humanas y la equidad en salud.

1. Introducción

En todo el mundo, se ha observado un creciente interés en los enfoques de ingeniería para la prestación de servicios de atención médica en un contexto de rápido desarrollo en dispositivos médicos, avances clínicos, análisis de datos y tecnología de la información.

Los recientes avances en tecnologías de salud digital (por ejemplo, registros médicos electrónicos, monitoreo de salud y dispositivos portátiles) no solo son transformadores para la reingeniería de los procesos de atención y la mejora de los resultados de la atención médica, como la calidad de la atención y la seguridad del paciente, sino que también pueden tener un gran impacto socioeconómico, ya que casi el 20% del PIB de los EE. UU. se dedica a gastos de salud.

Estos desarrollos tecnológicos han generado numerosas oportunidades de innovación, así como desafíos sustanciales para la prestación de servicios de atención, y ofrecen la oportunidad de ir más allá del alcance tradicional de la ingeniería de la atención médica, como la mejora de procesos y la implementación de tecnología.

Ha habido una creciente comprensión de que la tecnología de la información, las herramientas de ingeniería de sistemas y las innovaciones organizacionales desempeñan un papel crítico para abordar las crisis interrelacionadas de calidad y productividad que enfrentan los sistemas de atención médica en todo el mundo ( Kaplan et al. 2013 , Cassel et al. 2014 , Reid et al. 2005 ).

Estas tecnologías y herramientas pueden ayudar a los sistemas de atención de la salud a lograr el cuádruple objetivo de mejorar la experiencia del paciente, la salud de la población, el control de costos y la satisfacción de los médicos ( Sikka et al. 2015 ). La comunidad de ingeniería de sistemas de atención de la salud (HSE) tiene un papel fundamental que desempeñar para abordar estos desafíos.

La Industria 4.0 ha transformado la industria manufacturera en un nuevo paradigma ( Lasi et al. 2014 , Rubmann et al. 2015 , Liao et al. 2017 ): la era de la fabricación inteligente, cibernética y sostenible, y ha producido mejoras sustanciales en la productividad, la calidad y/o la satisfacción del cliente de los procesos, productos y servicios. Estos cambios revolucionarios pueden generar un impacto significativo no solo en la fabricación, sino también en todos los aspectos de nuestra sociedad, incluida la atención médica, que ha comenzado a adoptar estas innovaciones tecnológicas. De manera similar a la fabricación, la prestación de servicios de atención médica se encuentra en los albores de un cambio de paradigma para alcanzar la nueva era, conocida como Atención Médica 4.0 .

Varias opciones de diagnóstico y tratamiento se están introduciendo de forma continua y exponencial, se generan y reportan datos extensos, se han instalado numerosos equipos, sensores y dispositivos cableados e inalámbricos en hospitales, clínicas, hogares, farmacias y muchos otros entornos de atención. Además, se han logrado actualizaciones revolucionarias en el poder computacional, se están difundiendo más nuevos algoritmos de aprendizaje automático, estadísticas e inteligencia artificial (IA), se han desarrollado técnicas de modelado y optimización nuevas y complejas, y cada vez se tienen más en cuenta los impactos cognitivos y se integran métodos de factores humanos en el diseño de innovaciones tecnológicas. Estas innovaciones expandirán significativamente las capacidades sociales y técnicas de la prestación de atención médica y tienen el potencial, si se diseñan, implementan y utilizan bien, de mejorar la calidad de la atención, la experiencia y los resultados de los pacientes, la salud de la población y la satisfacción de los médicos; por lo tanto, generarán beneficios significativos para las comunidades y la sociedad en general.

Aunque hemos visto avances en la atención sanitaria inteligente y conectada, se necesita más innovación, difusión e impacto en la investigación para lograr la Atención Sanitaria 4.0. El objetivo de este artículo es analizar la transición a la Atención Sanitaria 4.0, identificar sus elementos y proponer oportunidades y desafíos para la investigación en Atención Sanitaria 4.0.

El resto del documento se estructura de la siguiente manera: las secciones 2 y 3 presentan la historia y evolución de la Industria 1.0 a la 4.0 y de la Atención Sanitaria 1.0 a la 4.0, respectivamente. Los elementos de la Atención Sanitaria 4.0 se presentan en la sección 4 , mientras que los desafíos y las implicaciones para la investigación se resumen en la sección 5. Finalmente, las conclusiones se formulan en la sección 6 .

2. Transición de la Industria 1.0 a la Industria 4.0

La industria 1.0 representa la primera revolución industrial, que comenzó en el siglo XVIII y ^se prolongó hasta mediados y fines del siglo XIX ^. Junto con las tecnologías emergentes de la máquina de vapor, las máquinas de coser, la fabricación de acero y los ferrocarriles, una revolución de mecanización facilitó el paso de la sociedad de la agricultura a la industrialización.

Desde finales del siglo XIX ^hasta principios del XX ^, la segunda revolución industrial, llamada Industria 2.0, supuso un cambio de paradigma: la fabricación individual o en pequeña escala se convirtió en una producción en serie de gran volumen, gracias al uso preponderante de la electricidad. Las cadenas de montaje de Henry Ford permitieron la distribución y conexión sistemática de numerosas operaciones y máquinas de forma eficiente, lo que cambió por completo los procesos de fabricación.

Durante las últimas décadas del siglo ^XX , el rápido desarrollo de la tecnología electrónica, informática y robótica ha dado lugar a aplicaciones masivas de sistemas de automatización, caracterizados por la digitalización y la interconexión en red de los procesos de fabricación y de negocio. Se han adoptado ampliamente los sistemas de fabricación flexibles e integrados por ordenador, los sistemas ejecutivos de fabricación, así como la planificación de recursos materiales y la planificación de recursos empresariales, lo que marcó la tercera revolución industrial, es decir, la Industria 3.0, y también dio lugar al nacimiento de la cuarta revolución.

En el siglo ^XXI , la Industria 4.0 representa la cuarta revolución industrial y tiene como objetivo integrar los sistemas ciberfísicos con las tecnologías de información, procesos, equipos y operaciones. La Internet de las cosas (IdC) y los servicios asociados están ampliamente distribuidos y se utilizan junto con técnicas de inteligencia artificial y análisis de big data. A través del diagnóstico, la operación, el control y el mantenimiento de instalaciones, productos y procesos comerciales basados ​​en Internet y en la nube, podemos lograr una conexión inteligente, sostenible y rentable (es decir, integración) de suministro, fabricación y servicio. La evolución histórica de la Industria 1.0 a la 4.0 se ilustra en la Figura 1 .

Figura 1.

Evolución histórica de la Industria 1.0 a la Industria 4.0

Al observar la evolución de la Industria 1.0 a la Industria 4.0 (ver Figura 2 ), observamos que inicialmente se trataba de dispositivos y tecnologías de fabricación simples, que luego se actualizaron a procesos y técnicas más complejos e inteligentes. Comenzamos con un único y pequeño grupo de máquinas y equipos y ampliamos a múltiples máquinas, células y grupos, y ahora a una red de fabricación a gran escala. Al principio, solo había una instalación de fabricación; luego, nos expandimos a múltiples líneas, talleres, plantas y, finalmente, a la empresa y más allá, para integrar a los fabricantes con proveedores, prestadores de servicios y clientes, en una comunidad de fabricación. Los datos utilizados en la fabricación también crecieron de un conjunto pequeño a big data y a conjuntos de datos gigantes con diferentes volúmenes, variedades y variaciones. Durante esta evolución de la Industria 1.0 a la 4.0, se han incluido cada vez más componentes de automatización y se ha requerido cada vez menos participación de los trabajadores/operadores.

Figura 2:

Características de la Industria 1.0 a 4.0

3. Transición de la Atención Sanitaria 1.0 a la Atención Sanitaria 4.0

Los sistemas de atención de la salud comparten muchas características comunes con los sistemas de fabricación ( Zhong et al. 2017 ). Al igual que la fabricación u otros sectores industriales, la prestación de servicios de atención de la salud ha experimentado una larga historia de evoluciones y revoluciones. Utilizando nuestro conocimiento de la evolución de la Industria 1.0 a la 4.0 (ver arriba), describimos múltiples etapas similares para representar la evolución de la Atención de la Salud 1.0 a la Atención de la Salud 4.0.

La atención sanitaria 1.0 se refiere al encuentro básico entre el paciente y el médico. Durante dicho encuentro, el paciente visita una clínica y se reúne con un médico y otros miembros del equipo de atención. A través de la consulta, las pruebas y el diagnóstico, el médico (o el equipo de atención) proporciona la prescripción de medicamentos y un plan de atención para tratar una enfermedad, así como planes de seguimiento (por ejemplo, la orden de hacerse un análisis de laboratorio o una prueba de diagnóstico por imágenes, la derivación a un especialista). Este modelo ha prevalecido en la práctica de la atención sanitaria durante cientos de años.

Junto con el gran desarrollo en el campo de la salud, las ciencias biológicas y la biotecnología, se han inventado, desarrollado y probado numerosos equipos y dispositivos médicos nuevos, que se utilizan cada vez más en la prestación de servicios de salud. Por ejemplo, los equipos de diagnóstico por imagen (por ejemplo, resonancia magnética, ecografía, tomografía computarizada), los dispositivos de monitorización (por ejemplo, oxímetro de pulso, líneas arteriales) y los equipos quirúrgicos y de soporte vital (por ejemplo, robot Da Vinci, tubos torácicos) se utilizan cada vez más en hospitales y otros entornos de atención para respaldar el diagnóstico, el tratamiento y la monitorización. A este desarrollo lo denominamos Atención sanitaria 2.0.

Desde la última década, junto con el desarrollo de los sistemas de información, se han implementado registros médicos o de salud electrónicos (EHR o EMR) para gestionar la atención de los pacientes en las unidades y departamentos de las organizaciones de atención médica; estas tecnologías de información de salud han tenido un gran impacto en los procesos clínicos y operativos.

Numerosas actividades se marcan con tiempo y se registran en el EHR, y muchos procesos manuales se han informatizado (por ejemplo, ingreso de órdenes en CPOE o ingreso de órdenes de proveedor informatizado) y digitalizado (por ejemplo, AVS electrónico o resumen posterior a la visita).

Además, utilizando las redes informáticas disponibles, la atención remota y la telesalud se han vuelto posibles, y las visitas electrónicas (por ejemplo, la comunicación entre un paciente y su médico a través de un portal para pacientes) están comenzando a reemplazar algunos encuentros cara a cara. La actual pandemia de COVID-19 ha aumentado la demanda de telesalud y visitas virtuales. Todo esto ha llevado a múltiples cambios revolucionarios en la prestación de atención médica. Categorizamos esta revolución como Atención Médica 3.0.

La cuarta revolución de la atención sanitaria está surgiendo ahora en paralelo con la Industria 4.0. En un contexto de este tipo, el proceso de prestación de servicios de atención sanitaria se convierte en un sistema ciberfísico equipado con IoT, RFID (identificación por radiofrecuencia), wearables y todo tipo de dispositivos médicos, sensores inteligentes, robots médicos, etc., que se integran con la computación en la nube, el análisis de big data, la inteligencia artificial y las técnicas de apoyo a la toma de decisiones para lograr una prestación de servicios de atención sanitaria inteligente e interconectada. En un sistema de este tipo, no solo están conectadas las organizaciones y los centros de atención sanitaria (por ejemplo, hospitales, clínicas y centros de atención a largo plazo), sino que también están conectados todos los equipos y dispositivos, así como el hogar y las comunidades de los pacientes. La información relacionada con el paciente, por ejemplo, el historial de medicación, las notas de diagnóstico, los resultados de laboratorio, los planes de tratamiento, las recargas de farmacia, la facturación y las reclamaciones de seguros, se pueden compartir potencialmente a través de protocolos adecuados. Además, a través de técnicas de IA, podemos prever un tratamiento proactivo, la predicción y prevención de enfermedades, la medicina personalizada y una mejor atención centrada en el paciente. De esta manera, surge una comunidad de atención sanitaria omnipresente, inteligente e interconectada, que da lugar al paradigma de la Atención Sanitaria 4.0. Las transiciones de la Atención Sanitaria 1.0 a la 4.0 se ilustran en la Figura 3 .

Figura 3.

Evolución histórica de la atención sanitaria 1.0 a la atención sanitaria 4.0

Al estudiar la evolución de la Atención de la Salud 1.0 a la Atención de la Salud 4.0 (ver Figura 4 ), observamos que la prestación de servicios de salud ha pasado de la simple medicación a un tratamiento más complejo e inteligente de las enfermedades. La atención al paciente se brindaba principalmente a través de interacciones de un paciente con un solo médico, y luego se amplió al incluir múltiples médicos, equipos y comunidades. Inicialmente, la atención al paciente se centraba en una instalación o disciplina, y luego se amplió para incluir múltiples disciplinas, unidades y organizaciones. Ahora, la atención al paciente involucra grandes redes y comunidades de personas y organizaciones. Si bien al comienzo de la transformación de la atención de la salud se utilizaban pocos datos, ahora en la Atención de la Salud 4.0 se encuentran disponibles grandes y gigantescos flujos de datos con grandes variaciones en dimensión, calidad, formato y características. De manera similar a la evolución de la Industria 4.0, la Atención de la Salud 4.0 incluye una automatización creciente. La diferencia más distintiva y crítica entre la Industria 4.0 y la Atención de la Salud 4.0 tiene que ver con la participación de las personas. En la Atención Sanitaria 4.0, los pacientes (y sus cuidadores) y los médicos participan cada vez más y comparten responsabilidades en el control de su salud, la notificación de síntomas y la participación en la toma de decisiones compartidas para el tratamiento y la planificación de la atención. A medida que desempeñen papeles más importantes, los pacientes (y sus cuidadores), así como los médicos, estarán en el centro de la Atención Sanitaria 4.0.

Figura 4:

Características de la Atención Sanitaria 1.0 a 4.0

4. Elementos de la Atención Sanitaria 4.0

Hay dos elementos principales de la Sanidad 4.0:

1. Inteligencia, es decir, utilizar técnicas de IA para mejorar el diagnóstico, el tratamiento, la coordinación y la comunicación entre pacientes, médicos y otras partes interesadas, para lograr una gestión sanitaria inteligente individualizada y centrada en el paciente, que incluya las siguientes perspectivas:
   1. Estratificación y clasificación . Para lograr una atención individualizada o personalizada, es necesario comprender mejor las necesidades y características de los pacientes para poder estratificarlos en diferentes clases (por ejemplo, herramientas de estratificación de riesgo para accidente cerebrovascular, cáncer y delirio ( Stroke Risk in Atrial Fibrillation Working Group 2008 , Rodrigues et al. 2012 , Newman et al. 2015 )). Usando herramientas de estratificación y clasificación, se pueden identificar factores importantes correlacionados con una enfermedad específica. Podemos ir más allá del estudio de esta asociación y descubrir la relación causal entre los factores del paciente y una enfermedad específica, lo que puede ayudar a los médicos a crear planes de intervención específicos para el paciente dirigidos a esos factores. Esto puede proporcionar la base para desarrollar un apoyo a la toma de decisiones clínicas para el diagnóstico y el tratamiento que pueda satisfacer las necesidades individuales específicas del paciente.
   2. Análisis de predicción . Para cada paciente, se pueden hacer predicciones precisas del desarrollo y los resultados de la enfermedad basadas en la estratificación y la clasificación para ayudar al diagnóstico y el pronóstico (por ejemplo, predicción de reingreso hospitalario, enfermedad cardiovascular y diagnóstico de infección por COVID-19 ( Kansagara et al. 2011 , Damen et al. 2016 , Wynants et al. 2020 )). Dichos modelos no solo deben proporcionar valores de riesgo previstos, sino también clasificar e interpretar los factores significativamente involucrados en la predicción. La importancia de la clasificación de los factores correlacionados y el impacto potencial de los factores causales se pueden investigar más a fondo para proporcionar recomendaciones y pautas para la toma de decisiones médicas.
   3. Atención preventiva y proactiva . Los resultados de los análisis de predicción se pueden utilizar para crear planes de atención preventiva y proactiva ( Vlaeyen et al. 2017 , Struckmann et al. 2018 , Hendry et al. 2019 ). Además de prevenir o ralentizar el desarrollo de la enfermedad, podemos abordar mejor cómo prevenir errores de medicación y mejorar la seguridad del paciente ( Wetterneck et al. 2011 , Carayon et al. 2015 ). La investigación de los factores críticos que afectan los resultados del paciente y la respuesta al tratamiento puede proporcionar recomendaciones para desarrollar planes de atención.
   4. Monitoreo, intervención y tratamiento óptimo . Para mejorar los resultados del paciente, se necesita un monitoreo cercano de los signos vitales y otros factores críticos específicos del paciente (p. ej. , Zois et al. 2016 , Shah et al. 2016 , Correl et al. 2018 ), y un análisis y predicción continuos del estado del paciente para actualizar dinámicamente las intervenciones de atención y los planes de tratamiento y respaldar la toma de decisiones médicas óptimas para cada paciente. Los sensores inalámbricos, los dispositivos portátiles, así como la informática de borde y los portales para pacientes, brindan la posibilidad de automonitoreo o monitoreo remoto. Los modelos avanzados de análisis y optimización de datos pueden ayudar a desarrollar planes de intervención y tratamiento individualizados y adecuados.
   5. Circuito cerrado . Todos los elementos de la Atención Sanitaria 4.0 están conectados dinámicamente en un circuito cerrado. En otras palabras, los resultados de las decisiones sobre medicación y tratamiento deben retroalimentarse al modelo de análisis de predicciones para actualizar dinámicamente las predicciones y los factores importantes, así como el plan de atención e intervención de manera oportuna.

El procesamiento del lenguaje natural, el aprendizaje profundo y la inferencia estadística, la realidad virtual y la realidad aumentada, las técnicas de modelado y optimización desempeñan papeles clave para crear un sistema de atención sanitaria inteligente. Al igual que en la Industria 4.0, la IoT, la RFID, los dispositivos portátiles, la robótica y las tecnologías de cadena de bloques en los sistemas ciberfísicos crean un mecanismo para la recopilación, el seguimiento, el análisis, la intervención y la retroalimentación de datos. Vincularlos a la medicina personalizada puede ayudar a implementar enfoques de diagnóstico y tratamiento basados ​​en la genética y mejorar la eficacia de la terapia del paciente.

En la Figura 5 se muestra un ejemplo ilustrativo de atención médica inteligente , donde la medicina personalizada está dirigida a diferentes grupos de pacientes y los resultados luego se retroalimentan para reevaluar y diseñar la atención inteligente de forma iterativa.

2. Interconexión, es decir, integrar todos los aspectos de la atención de salud para construir una red de información eficaz conectando los siguientes elementos del sistema:
   1. Interacciones entre pacientes, cuidadores y otros miembros del equipo de atención. La comunicación entre pacientes y equipos de atención es fundamental para la calidad de la atención médica y la seguridad del paciente ( Rodin et al. 2009 , Thompson et al. 2012 , Kelly et al. 2014 ). No solo se deben comunicar a los pacientes los resultados del diagnóstico, los planes de tratamiento y los resultados clínicos, sino que también la participación de los pacientes y sus cuidadores en el proceso de atención y tratamiento debe convertirse en la norma. De este modo, los pacientes comprenderán mejor lo que se necesita para implementar su plan de atención y participarán más activamente en el proceso de atención. Dicha participación es aún más crítica cuando los pacientes tienen enfermedades crónicas y complejas. El desarrollo, la implementación y el uso juiciosos de la tecnología de la información, los portales de pacientes, las llamadas telefónicas, las videoconferencias y las aplicaciones, etc., pueden ayudar a facilitar la comunicación y la participación de los pacientes (y los cuidadores), en particular durante una pandemia o en un entorno remoto.
   2. Comunicaciones dentro del equipo de atención profesional . Todos los profesionales de la salud involucrados en la atención al paciente deben comunicarse y coordinarse de manera eficiente y eficaz ( Hewett et al. 2009 , Wu et al. 2012 , Nguyen et al. 2015 ). La atención fragmentada retrasa la prestación de la atención y conduce a un desperdicio sustancial y daño al paciente. La tecnología de la información avanzada y los nuevos equipos o dispositivos tienen el potencial de facilitar la comunicación del equipo y la coordinación de la atención. En particular, un centro de pacientes coordinado puede ayudar a lograr una coordinación efectiva y eficiente al respaldar el intercambio de información y la comunicación entre todos los miembros del equipo. Esto contribuiría en gran medida a respaldar el modelo mental compartido y la conciencia entre el equipo de atención, lo cual es fundamental para la calidad y la seguridad de la atención al paciente ( Schultz et al., 2007 ).
   3. Equipos y dispositivos . El uso generalizado de equipos complejos e inteligentes y numerosos dispositivos portátiles, sensores, IoT y diferentes tipos de funciones de conexión (por ejemplo, Scanaill et al. 2006 , Patel et al. 2012 , Vegesna et al. 2017 ) pueden ayudar a recopilar información continua y completa sobre la atención al paciente, independientemente de la ubicación de la atención. Las funciones de computación en la nube y en el borde permiten que estos dispositivos brinden capacidades adicionales de análisis, diagnóstico y predicción a nivel local y global.
   4. Organizaciones y comunidad . Todas las organizaciones de atención médica y las partes interesadas de la comunidad, incluidos los profesionales individuales, los consultorios de grupos pequeños, las clínicas, los hospitales, las farmacias, los centros de salud comunitarios, los centros de atención a largo plazo, los sistemas de salud individuales, regionales y públicos, así como la comunidad en general, estarán conectados. La mejora de la calidad de la atención requiere una colaboración significativa entre todas estas organizaciones de atención médica y la comunidad en general. La información disponible en cada entidad debe ser accesible para otras entidades a través de protocolos y procesos adecuados.
   5. Seguros, facturación y costos . Mediante el uso de tecnología de la información y herramientas de gestión de vanguardia, las prácticas de reembolso, los marcos regulatorios y los resultados deseados pueden alinearse mejor para eliminar barreras y reducir costos. Las conexiones a través de la selección y cobertura de seguros, la agilización de la codificación, la facturación y el reembolso, con el avance de la TI de salud en los sistemas de facturación son importantes.
   6. Transiciones de atención a lo largo del tiempo y el espacio . Las transiciones de atención existen a lo largo de la vida del paciente, como la atención pediátrica, de adultos y de ancianos, o a lo largo del espacio, como la atención ambulatoria, la hospitalización, el hogar o la atención a largo plazo. Cada fase o ubicación de atención tiene sus características únicas, así como características universales. Además de abordar los problemas específicos dentro de cada fase o ubicación, debemos prestar mucha atención a las transiciones entre las fases y ubicaciones de atención (Naylor y Keating 2008, Peter et al. 2009 , Gabriel et al. 2017 ). En particular, los problemas relacionados con la transferencia y la coherencia de la información, la seguridad del paciente, el manejo de enfermedades crónicas y la continuidad de la atención son de gran importancia y deben abordarse en la atención médica 4.0.
   7. Bucles cerrados . Nuevamente, todas las entidades conectadas están vinculadas dinámicamente en múltiples bucles cerrados entrelazados entre sí. La información a nivel de población, grupo e individuo se puede integrar con todos los demás elementos del sistema y alinearse de manera efectiva en el recorrido del paciente.

Figura 5.

Atención sanitaria inteligente y personalizada

No solo necesitamos la conexión de la información en cada aspecto, sino también la integración de la información a lo largo de todas las fases del recorrido del paciente. El intercambio seguro y autorizado de información entre las partes interesadas puede conducir a una mejora sustancial en la prestación de servicios de salud. El flujo de información entre las partes interesadas se produce a lo largo del recorrido del paciente, es decir, la «distribución espacio-temporal de las interacciones de los pacientes con múltiples entornos de atención a lo largo del tiempo» ( Carayon y Wooldridge 2020 ). Durante su recorrido, un paciente puede visitar múltiples organizaciones de atención médica, incluida la clínica de atención primaria, especialistas, hospital, sala de emergencias, centro de rehabilitación y atención a largo plazo ( Carayon et al. 2020 ). La atención médica 4.0 tiene como objetivo desarrollar tecnologías que respalden el flujo de información y la coordinación entre las diversas partes interesadas involucradas en el recorrido del paciente. La figura 6 proporciona un ejemplo ilustrativo de dicha atención conectada, donde los pacientes son el centro de toda la red.

Figura 6.

Atención sanitaria conectada

En resumen, los sistemas de atención sanitaria inteligentes e interconectados representan el nuevo paradigma de la prestación de servicios de salud en el futuro en el marco de la Atención Sanitaria 4.0. Para que la Atención Sanitaria 4.0 sea una realidad, se requieren múltiples campos y disciplinas de investigación, como los sistemas ciberfísicos, la tecnología de la información, la inteligencia artificial, la robótica, la informática, la seguridad, el modelado y la optimización, además de las ciencias de la salud (por ejemplo, medicina, enfermería, farmacia), la informática sanitaria, la bioinformática y los factores humanos y la ingeniería de sistemas. Además, es sumamente importante tener en cuenta las interacciones entre las personas (pacientes, cuidadores, médicos) y las máquinas (dispositivos, tecnología) en un sistema sociotécnico complejo. Los pacientes deben ser la característica central del sistema de atención sanitaria inteligente e interconectado y deben estar respaldados por todos los demás elementos, interacciones y actividades del sistema.

5. Desafíos e implicaciones para la tecnología y la investigación

¿Qué desafíos debemos abordar para hacer realidad la visión de la Sanidad 4.0 de una sanidad inteligente y conectada? Desde la perspectiva del desarrollo tecnológico, existen numerosos desafíos:

1. Datos

La inteligencia del sistema depende de los datos. Además de los conocidos desafíos en materia de disponibilidad de datos y privacidad, la compatibilidad de los datos se vuelve crítica, ya que las entidades de atención médica utilizan diferentes bases de datos con diversos formatos: cómo unificarlas para que sean compatibles y se comuniquen no es fácil. En los sistemas de atención médica, aunque se ha recopilado una gran cantidad de datos, aún se desconoce la naturaleza fundamental de las enfermedades y los seres humanos; por lo tanto, no está claro cuáles serán los datos o componentes más críticos en cada sistema. Esto sin duda afectará la recopilación de datos y los análisis posteriores. Además, las tecnologías actuales de inteligencia artificial y aprendizaje automático se basan en conjuntos de datos de gran volumen y en reglas deterministas o de marcado claro. Pero muchos problemas de atención médica tienen características únicas o específicas relacionadas con una enfermedad, una persona o un entorno, lo que significa conjuntos de datos pequeños. Las reglas o mecanismos (o la “física”) que controlan el proceso o el comportamiento humano no se conocen. Además, las disparidades en materia de salud, las inequidades y el comportamiento humano pueden afectar la disponibilidad y el uso de tecnología avanzada, lo que podría dar lugar a datos desequilibrados entre grupos. Aún quedan desafíos sobre cómo utilizar conjuntos de datos tan pequeños e incompletos con un conocimiento de dominio limitado para hacer predicciones precisas y significativas y análisis posteriores.

2. Modelo

Para formular modelos para cada problema, proceso o sistema de atención de la salud, se deben considerar varios niveles de detalle y complejidad. Un nivel insuficiente de detalles puede generar poca confianza en los modelos y también podría dar como resultado resultados inadecuados. Además, los modelos de procesos de nivel superior dependen de configuraciones detalladas de modelos de nivel inferior y están acoplados a otros modelos de procesos o sistemas. Por ejemplo, un cambio en el número de asistentes médicos o el tiempo de alojamiento en una clínica de atención primaria dará como resultado variaciones en el tiempo de servicio en el modelo de flujo de pacientes, lo que puede generar actualizaciones en el cronograma de citas y cambios en el modelo de flujo de trabajo del médico, y afectar aún más la accesibilidad de la clínica al panel de pacientes. Por otro lado, los modelos con demasiado detalle pueden no ser viables en la práctica debido a problemas de computación e implementación. Además, el desequilibrio de datos causado por disparidades, desigualdades y comportamientos puede dar como resultado insumos insuficientes para los modelos. Se necesita investigación sobre atención inteligente y conectada para abordar de manera sistemática y eficaz el equilibrio entre la complejidad del proceso y la viabilidad metodológica, lo cual es extremadamente desafiante.

3. Dinámica

Muchos de los modelos y métodos disponibles abordan comportamientos estáticos o de largo plazo. Sin embargo, la dinámica temporal es crítica en los sistemas de atención médica, en particular para la seguridad del paciente, como los comportamientos transitorios en el rescate de pacientes, la prevención de infecciones y los procesos quirúrgicos ( Vincent y Amalberti 2016 ). Además, muchos análisis actuales se centran en cuestiones con altas probabilidades. Pero los eventos de atención médica con probabilidades muy pequeñas pueden tener un impacto sustancial. Cómo respaldar la toma de decisiones en tiempo real para abordar el comportamiento dinámico con pequeñas probabilidades y, al mismo tiempo, lograr buenos resultados para el desempeño general a largo plazo es un desafío.

4. Integración

La conectividad exitosa del sistema se basa en la integración de datos, modelos y metodologías. Cada elemento conectado tiene su propio modelo, con su propio enfoque, objetivos y prioridades, que pueden ser diferentes y, a veces, incluso conflictivos. Los modelos y metodologías pueden ser cuantitativos (por ejemplo, análisis estocástico y optimización, Brandeau et al. 2004 , Denton 2013 , Hall 2013 , Li et al. 2017 ), cualitativos (por ejemplo, enfoque de factores humanos, Holden et al. 2013 , Carayon 2016 , Carayon et al. 2020a, b), empíricos (por ejemplo, Worthington 2004 , Irving et al. 2009 ) y experimentales (como simulaciones médicas, por ejemplo, Gaba 2004 , McGaghie et al. 2010 ). Sin duda, es difícil integrarlos con los conjuntos de datos adecuados y aprovechar su complementariedad (es decir, aprovechar sus respectivas fortalezas y mitigar sus debilidades) para lograr la convergencia hacia las metas de atención al paciente y, al mismo tiempo, satisfacer cada objetivo. En esta integración, es fundamental abordar las cuestiones subyacentes de las disparidades e inequidades en materia de salud. Necesitamos poner la cuestión de la equidad en materia de salud en el centro de nuestro desarrollo tecnológico y de nuestros esfuerzos de investigación. Esto debería implicar, por ejemplo, un esfuerzo centrado en las poblaciones de pacientes vulnerables, como las que tienen desventajas socioeconómicas y un acceso limitado a las tecnologías. La Figura 7 presenta un ejemplo de dicha integración, en la que se integran diferentes enfoques, métodos, datos y resultados para formar un estudio de circuito cerrado.

Figura 7:

Ejemplo de un estudio de integración

La integración ilustrada en la Figura 7 puede beneficiarse de un marco conceptual general, como el modelo SEIPS (Iniciativa de Ingeniería de Sistemas para la Seguridad del Paciente) ( Carayon et al., 2006 , 2014 ). Según el modelo SEIPS, los resultados del paciente, como la seguridad del paciente o la calidad de la atención médica, dependen del diseño «adecuado» de varios elementos del sistema de trabajo y su integración en los procesos de atención. Necesitamos comprender mejor cómo cuantificar y calificar los elementos del sistema de trabajo y sus interacciones; esto requerirá acceso a datos representativos de alta calidad que se utilizan para desarrollar modelos analíticos y predictivos (ver arriba). En el ejemplo del estudio de integración de la Figura 7 , el modelo SEIPS podría usarse para garantizar que los estudios empíricos proporcionen datos sobre todos los elementos del sistema de trabajo, ya sean observacionales, objetivos, subjetivos, cuantitativos o cualitativos. Estos insumos luego se utilizan para desarrollar modelos cualitativos (por ejemplo, modelo cognitivo para una interfaz tecnológica) y modelos cuantitativos (por ejemplo, modelo estocástico de desempeño del proceso). Luego, los modelos cualitativos y cuantitativos se pueden mezclar e integrar. Esto puede ocurrir, por ejemplo, en el desarrollo de una tecnología o un proceso que pueda probarse experimentalmente antes de su implementación en un entorno de atención. El modelo SEIPS pone a las personas en el centro, incluidos los pacientes, los cuidadores y los médicos. Dado el papel clave de las personas en la Atención Sanitaria 4.0 (véase más arriba), este énfasis en las personas es fundamental y puede ayudar a lograr resultados óptimos tanto para los pacientes como para los médicos (véase más abajo el análisis del Cuádruple Objetivo).

Desde la perspectiva de la investigación, las siguientes implicaciones son de gran importancia:

1. Es necesario centrarse en las personas: por ejemplo, pacientes, cuidadores y profesionales de la salud.

Al comparar la evolución entre la Industria 1.0 y la 4.0 y la Atención Sanitaria 1.0 y la 4.0, observamos que en ambos dominios se están desarrollando y utilizando nuevas tecnologías, equipos y datos. En la Industria 4.0, la participación de las personas se vuelve menos significativa junto con la creciente automatización. Sin embargo, en la Atención Sanitaria 4.0, con una mayor automatización y uso de la tecnología, la participación y la importancia de las personas se vuelven realmente más críticas. No solo los pacientes, los médicos y el personal de apoyo y relevante están incluidos en el sistema, sino que también sus responsabilidades están aumentando. Por ejemplo, los pacientes tendrán un papel cada vez más proactivo para monitorear y ajustar su salud a través de la retroalimentación proporcionada por dispositivos portátiles e información en línea. El trabajo de las organizaciones de atención sanitaria no se limita al horario de oficina o al horario regular, y necesita integrar un análisis continuo y una respuesta regular a las solicitudes de los pacientes. Desde la perspectiva del profesional de la tecnología sanitaria, las características y necesidades individualizadas (tanto de los pacientes como de los médicos) deben considerarse en el diseño y el servicio de sus productos. La forma en que diseñamos sistemas y procesos para la atención médica 4.0 tendrá un impacto crítico en el comportamiento de los pacientes, los cuidadores y los trabajadores de la salud.

2. Es necesario centrarse en el sistema y el proceso: equipo, equipo de equipos, red de cuidadores, proceso distribuido a través de los límites organizacionales, participación de la comunidad.

La prestación de servicios de salud es un trabajo en “equipo”. Incluso una visita clínica estándar involucra a muchos miembros diferentes del equipo: pacientes, a veces cuidadores y múltiples médicos y trabajadores de la salud, por ejemplo, médicos, enfermeras, asistentes médicos, farmacéuticos, técnicos de laboratorio, etc. También pueden estar involucrados múltiples procesos, como el proceso de visita del paciente, el proceso de trabajo del cuidador, el proceso de gestión de la información, el proceso de documentos y facturación, etc. Estos equipos y procesos se expanden rápidamente cuando el sistema se vuelve más grande; por lo tanto, incluyen la extensión a otras organizaciones, la comunidad, varias redes sociales y la expansión de los límites físicos del sistema. No solo la comunidad de la salud, sino también otras partes de la sociedad y varias industrias (como la fabricación, el servicio, el transporte, las finanzas) estarán involucradas en la atención médica 4.0. Por ejemplo, la pandemia de COVID-19 ha afectado a todos y a todas las empresas, industrias y comunidades.

3. Es necesario garantizar que nos centremos en los resultados clave de la atención sanitaria: Cuádruple Objetivo (4)

El objetivo cuádruple consiste en diseñar y optimizar el rendimiento del sistema de atención sanitaria mediante (1) la revolución de la experiencia del paciente, (2) la mejora de la salud de la población, (3) el control de los costes sanitarios y (4) la mejora de la satisfacción de los médicos. Los cuatro objetivos están interconectados y sirven como brújula para señalar la dirección de un sistema de atención sanitaria inteligente y conectado. La Atención Sanitaria 4.0 debe centrarse en estos resultados clave para equilibrar la dependencia positiva y negativa de los objetivos e integrarlos sistemáticamente.

6. Conclusiones y recomendaciones

La asistencia sanitaria 4.0 ofrece numerosas oportunidades y desafíos a la ingeniería de sistemas sanitarios. Para aprovechar las oportunidades y abordar los desafíos con el fin de lograr una asistencia sanitaria inteligente y conectada, proponemos las siguientes recomendaciones:

• En primer lugar, es necesario que participen muchas partes interesadas, incluidos todos los campos, desde la ingeniería, las ciencias de la salud y la educación, la mejora de la prestación de servicios de salud y la salud y las tecnologías de la atención sanitaria. Los múltiples ámbitos de especialización abordan diferentes perspectivas de los sistemas de atención sanitaria; sus diferentes puntos de vista y objetivos deben converger para lograr una visión universal y el Cuádruple Objetivo. Esto requiere un esfuerzo significativo de compromiso mutuo, comunicación, coordinación y compromiso entre disciplinas y perspectivas.
• En segundo lugar, es necesario utilizar muchas tecnologías y metodologías. Además de utilizar métodos cuantitativos, como técnicas de modelado, simulación, computación y optimización, también se deben utilizar enfoques cualitativos, como encuestas, diseño centrado en el ser humano, evaluación y observaciones de campo. Se debe dar preferencia a la combinación de métodos cuantitativos y cualitativos y a la mezcla de diversos métodos y datos. Además, los estudios empíricos y los proyectos experimentales, como la simulación médica, la realidad virtual y los estudios piloto, son un complemento esencial del modelado, especialmente antes, durante y después de la implementación de nuevas prácticas. Esto permitirá el aprendizaje continuo y la mejora de los procesos y resultados de la atención.
• En tercer lugar, tanto el hardware (equipos médicos, dispositivos y herramientas) como el software (modelado, computación, evaluación, etc.) deben estar conectados en un circuito. En el enfoque sociotécnico propuesto, las interacciones entre humanos y máquinas o entre humanos y tecnología se vuelven fundamentales para garantizar conexiones efectivas y una implementación segura de tecnologías inteligentes.

Por último, los seres humanos, incluidos los pacientes, los cuidadores y los trabajadores de la salud, deben estar en el centro de la atención sanitaria inteligente y conectada, tanto en la investigación como en la práctica. Es importante tener en cuenta sus características, necesidades, capacidades y limitaciones a la hora de diseñar e implementar una atención sanitaria inteligente e interconectada. Es fundamental abordar la cuestión de las disparidades y las desigualdades y garantizar que la Atención Sanitaria 4.0 esté diseñada para mitigar y reducir dichas desigualdades y permitir que todas las personas tengan acceso a una atención segura y de alta calidad. Además, se debe abordar el posible impacto negativo de las tecnologías en los sistemas sociotécnicos, como la brecha digital, lo que podría requerir esfuerzos del sector de la salud pública y un mayor reconocimiento del papel de los determinantes sociales de la salud.

Premila Webster, Keith R. Neal

“Debemos trabajar juntos para lograr una IA que acorte las brechas sociales, digitales y económicas, no una que nos aleje aún más”. ¹

En su artículo ‘Getting AI Right’ ² James Maniyka escribe: ‘Si bien los titulares tienden a presentar resultados y demostraciones de un futuro por venir, la IA y sus tecnologías asociadas ya están aquí y permean nuestra vida diaria más de lo que muchos creen. Los ejemplos incluyen sistemas de recomendación, búsqueda, traductores de idiomas (que ahora cubren más de cien idiomas), reconocimiento facial, voz a texto (y viceversa), asistentes digitales, chatbots para servicio al cliente, detección de fraude, sistemas de apoyo a la toma de decisiones, sistemas de gestión de energía y herramientas para investigación científica, por nombrar algunos’. Continúa diciendo que en 2006 Nick Bostrom, ³ director del Future of Humanity Institute de la Universidad de Oxford señaló que «gran parte de la IA de vanguardia se ha filtrado en aplicaciones generales, a menudo sin llamarse IA porque una vez que algo se vuelve lo suficientemente útil y común, ya no se etiqueta como IA».

El término IA es complejo. Marvin Minsky ⁴ lo llamó una «palabra maleta» que, según él, «se empaqueta de diversas formas, según a quién le preguntes». No pretendo entender el complejo mundo de la IA. Mi comprensión de él es la que se describe en la introducción del informe de la UNESCO Inteligencia artificial e igualdad de género ⁵ : «En pocas palabras, la inteligencia artificial (IA) implica el uso de computadoras para clasificar, analizar y extraer predicciones de conjuntos de datos, utilizando un conjunto de reglas llamadas algoritmos. Los algoritmos de IA se entrenan utilizando grandes conjuntos de datos para que puedan identificar patrones, hacer predicciones, recomendar acciones y averiguar qué hacer en situaciones desconocidas, aprendiendo de nuevos datos y mejorando así con el tiempo. La capacidad de un sistema de IA para mejorar automáticamente a través de la experiencia se conoce como aprendizaje automático (ML)». Sin embargo, la IA es omnipresente y, si crees en algunos de los sitios web y directores ejecutivos de empresas de IA ^6 , 7 , se ofrece como una panacea para una variedad de problemas, desde acabar con la pobreza hasta revertir el cambio climático.

Cada vez hay más investigaciones sobre el impacto de la IA en la desigualdad. Una de las cuestiones que se debaten es si las tecnologías de IA y sus aplicaciones pueden, al menos en el corto y mediano plazo, aumentar la desigualdad debido a la automatización de la IA. ^8 , 9 Las investigaciones sugieren que la IA, de la que se espera que emita juicios objetivos e imparciales, termina reproduciendo los sesgos y las desigualdades de las sociedades en las que está «entrenada». «La equidad, la rendición de cuentas y la transparencia» se han convertido en una importante agenda de investigación en el campo del aprendizaje automático. ¹⁰ Los datos de entrenamiento inadecuados han dado lugar a modelos de IA inexactos para la evaluación del riesgo de enfermedades, la predicción pronóstica y el uso de medicamentos para las poblaciones desfavorecidas por los datos. ^11–14 Las investigaciones han documentado las formas en que «las decisiones automatizadas están privando a las personas de los beneficios gubernamentales, discriminando por motivos de sexo, color de piel, edad y muchas otras formas de diferencia, eligiendo a quién se vigila, a quién se encarcela o a quién se apunta para la explotación económica». ¹⁴ Según David Leslie et al. ¹³ , “el impacto del covid-19 ha recaído desproporcionadamente en las comunidades desfavorecidas y vulnerables, y el uso de tecnologías de inteligencia artificial (IA) para combatir la pandemia corre el riesgo de agravar estas desigualdades”.

Fisher y Rosella ¹⁵ opinan que «la IA tiene el potencial de mejorar la capacidad de la salud pública para promover la salud de todas las personas en todas las comunidades». En su artículo «Using artificial intelligence to improve public health: a narrativa review» (Uso de la inteligencia artificial para mejorar la salud pública: una revisión narrativa), David B. Olawade et al ¹⁶ sostienen que «la capacidad de la IA para reunir diversos conjuntos de datos permite obtener información que de otro modo sería difícil de desarrollar con los métodos tradicionales». Opinan que «los algoritmos se pueden emplear de manera iterativa, con resultados de políticas monitoreados y, posteriormente, informando y mejorando las políticas futuras. Aprovechar estos conocimientos permitirá desarrollar políticas mejor dirigidas, impactantes y oportunas». También advierten que, aunque «la IA tiene mucho que ofrecer a los responsables de las políticas, pero, como todas las nuevas tecnologías, la confianza y la educación sobre cómo usarla de manera eficaz y responsable son fundamentales para su futura adopción y utilidad».

Hay algunas evidencias de que la IA tiene usos en la salud pública, desde la vigilancia hasta el desarrollo de políticas específicas. Sin embargo, «las consideraciones para la salud pública son claramente diferentes de las que se aplican a los sistemas clínicos o de atención de la salud». ¹⁵ Como dijo António Guterres de la ONU en su discurso especial en el Foro Económico Mundial ¹⁷ : «Esta tecnología tiene un enorme potencial para el desarrollo sostenible, pero el Fondo Monetario Internacional acaba de advertir que es muy probable que empeore la desigualdad. Las poderosas empresas tecnológicas ya están buscando ganancias con un desprecio temerario por los derechos humanos, la privacidad personal y el impacto social. Esto no es ningún secreto. Estos dos temas (el clima y la IA) son discutidos exhaustivamente por los gobiernos, los medios de comunicación y los líderes aquí en Davos. Y, sin embargo, no tenemos una estrategia global efectiva para abordar ninguno de los dos».

‘A diferencia de otras aplicaciones de IA donde el objetivo es identificar un modelo único para superar una única métrica y punto de referencia, en situaciones donde las poblaciones vulnerables están en riesgo, se debe adoptar un enfoque más sensible con un enfoque en los valores atípicos como métricas para evaluar el fracaso así como el éxito’. ¹¹ El informe CIFAR AI for Public Health Equity ¹⁸ recomienda ‘la colaboración de los profesionales e investigadores de salud pública con investigadores de informática e IA, además de una amplia gama de otros grupos (por ejemplo, sociólogos, politólogos, ingenieros, sociedad civil y científicos ciudadanos, personas con experiencia vivida, formuladores de políticas) para ayudar a garantizar la equidad en salud al utilizar tecnologías de IA’.

La salud pública tiene un papel que desempeñar para aprovechar las posibilidades y los beneficios de la IA, considerando cuidadosamente los desafíos y las consecuencias no deseadas de la IA, trabajando en colaboración con una variedad de expertos y la sociedad civil para explorar y explotar el potencial de la IA para «mejorar la capacidad de la salud pública para promover la salud de todas las personas en todas las comunidades»