Volumen 7, Número Especial 1, 2026
Research Article
Autor(es)
Objetivo
Principales hallazgos
Explorar
percepciones
de El 80% no usa IA actualmente y tiene bajo conocimiento.
Hoffman et al., profesionales de la salud aliados Barreras principales: falta de habilidades (77%) e
2024
(farmacia, fisioterapia, etc.) sobre infraestructura.
Ven
oportunidades
en
tareas
la IA clínica. administrativas y evaluación.
Proponer enfoques pragmáticos Se requiere gobernanza basada en riesgo a lo largo del ciclo
para evaluación y monitoreo de IA de vida de la IA (pre/post despliegue), priorizando
en atención cardiovascular y seguridad, equidad y generación continua de evidencia en
Jain et al., 2025
general.
el mundo real.
La IA transforma el descubrimiento de fármacos
(reduciendo costos/tiempo), personaliza dosis y gestiona
inventarios. Es crucial para reducir errores de medicación y
avanzar en medicina de precisión.
Analizar cómo la IA revoluciona la
industria farmacéutica y la práctica
de farmacia (farmacointeligencia).
Khan
2023
et
al.,
Evaluar el impacto del soporte de El uso de software de IA (e-Stroke) en una red de 28
Nagaratnam et decisión de imagen por IA en el hospitales se asoció con mayor tasa de trombectomía
al., 2025
tratamiento
cerebrovascular agudo.
del
accidente mecánica y reducción de tiempos de transferencia,
optimizando la toma de decisiones.
Se identificaron 12 conceptos clave (liderazgo, ética,
Crear un inventario detallado de
legalidad, etc.). El éxito requiere estrategias que aborden la
complejidad del sistema y la transición a flujos de trabajo
basados en datos.
Nair et al., 2024 barreras
y
estrategias para la
implementación de IA en salud.
Describir infraestructura
y La IA mejora el cribado (mama, cérvix), predice respuestas
National Cancer aplicaciones actuales de IA en a fármacos mediante secuenciación celular y analiza
Institute, 2024 investigación y tratamiento del determinantes sociales. Se destacan modelos para predecir
cáncer.
riesgo de cáncer pancreático.
Establece dimensiones de evaluación: gobernanza,
infraestructura, datos, talento y ética. Fundamental para la
planificación estratégica, equitativa y sostenible de la
adopción de IA en la región.
Proporcionar una herramienta para
evaluar la preparación de los países
para integrar IA en salud pública.
OPS
2024
y
BID,
Desarrollar
algoritmos
de Modelos con 100% de exactitud en clasificación de
Raschio et al., clasificación y segmentación en estructuras y 99.2% en cardiomegalia. La segmentación
2021
radiografía
Learning).
de
tórax
(Deep costal tuvo 93% de exactitud, mostrando potencial para
automatización diagnóstica local.
La IA puede prevenir daños, pero también introducirlos. Se
Discutir la seguridad del paciente
en relación con IA y proponer
recomendaciones de gobernanza.
Ratwani et al.,
2024
recomiendan: directrices de desarrollo, monitoreo de
amenazas a la seguridad y reporte sistemático de eventos
adversos por IA.
Se propone un sistema que clasifica datos (glucosa,
presión) con algoritmos (SMO, Random Forest) de alta
precisión para enviar alertas y diagnósticos preliminares,
facilitando el monitoreo remoto.
Diseñar arquitectura inteligente
para monitoreo de pacientes
diabéticos usando ML e IoT.
Rghioui et al.,
2020
La IA puede transformar la atención ambulatoria mediante
personalización, pero existe riesgo de "falsa accesibilidad"
con herramientas de baja calidad. Necesidad de "IA
etiquetada" y validada.
Analizar cómo la IA podría
mejorar la experiencia del paciente
en el ámbito ambulatorio.
Rubio et al.,
2025
Investigar
percepciones, Solo el 25% de enfermeras tiene conocimientos expertos.
Sommer et al.,
2024
experiencia y conocimientos de El 66% ve la IA como oportunidad para aliviar carga, pero
enfermeras sobre la IA.
teme pérdida de control y deshumanización del cuidado.
El modelo SepsisFinder superó al score NEWS2 (AUROC
0.950 vs 0.872) y alertó mediana de 5.5 horas antes del
antibiótico, demostrando eficacia con datos rutinarios fuera
de UCI.
Predecir inicio de sepsis usando red
Valik
2023
et
al.,
probabilística
causal
(SepsisFinder) en datos de HCE.
La IA automatiza tareas y mejora decisiones, como, por
ejemplo, la predicción de caídas, pero las competencias
humanas (razonamiento, empatía) son irremplazables. Se
aboga por un modelo híbrido humano-IA.
Discutir avance del juicio clínico y
toma de decisiones mediante IA en
enfermería.
Vitorino et al.,
2025
Zhou
2025
et
al., Desarrollar
modelo
de
ML Modelo XGBoost (validado en MIMIC-IV) predijo
personalizado para pronóstico de mortalidad a 28 días con alta precisión (AUROC interna
pág. 1595
