{
  "schema": "pocus-chapter/v1",
  "key": "cap32",
  "shortTitle": "IA, tele-ultrasonido y ética",
  "number": 32,
  "part": 4,
  "frontmatterYaml": "type: chapter\nkey: cap32\nnumber: 32\npart: 4\nshortTitle: IA, tele-ultrasonido y ética\nsummary: Decidir qué automatizar y qué juicio no delegar; validar localmente, vigilar la deriva y evaluar datos, sesgo, privacidad y equidad antes de implementar.\nlevel: Programa y práctica profesional\nquestion: ¿Qué debe automatizarse y qué juicio no debe delegarse?\nevidence: Aplicaciones de IA autorizadas para tareas delimitadas; rendimiento dependiente de población, equipo y flujo; evidencia de desenlaces limitada.\nsafeExit: Ante una salida algorítmica discordante con la clínica o de calidad dudosa, prevalece la evaluación humana; registre versión y salida que influyeron en la decisión.\nopeningGraphic: false\nclinicalIndex:\n  symptoms: []\n  findings: []\n  procedures:\n    - IA de adquisición\n    - Tele-POCUS\n  transducers:\n    - Dispositivo de bolsillo\n  errors:\n    - Sesgo de IA\n    - Salida algorítmica como diagnóstico\n    - Pérdida de habilidades\n    - Deriva no vigilada",
  "body": "\n# Capítulo 32. Inteligencia artificial, tele-ultrasonido, datos, ética y equidad\n\n*El software dibuja el contorno ventricular y entrega una fracción de eyección con dos decimales. La imagen era técnicamente pobre, el paciente no se parece a la población de entrenamiento y el algoritmo no sabe decir «no sé». El número viaja a la historia clínica con más autoridad que el operador que lo duda.*\n\n**Estado de este capítulo: agosto de 2026.** Debe revisarse con cada edición; la edición digital lo mantiene actualizable.\n\nEste capítulo examina la automatización y la conectividad: qué pueden asistir, qué exigen antes del uso clínico y qué juicio no se delega. La gobernanza que lo sostiene está en el capítulo 31; los contextos remotos, en el 30.\n\n## Tres mensajes\n\n- **Técnico:** la IA puede asistir adquisición, calidad, clasificación y medición en tareas delimitadas, pero su rendimiento depende de población, equipo y flujo.\n- **Clínico:** el clínico conserva la responsabilidad sobre contexto, incertidumbre y acción.\n- **Seguridad:** datos, sesgo, privacidad, acceso y dependencia tecnológica deben evaluarse antes de implementar.\n\n## Lectura de 90 segundos\n\n- **Hallazgo central:** la autorización corresponde a un producto, versión, población e indicación; nada de eso se transfiere automáticamente a otro escenario.\n- **Línea roja:** no presentar una salida algorítmica como diagnóstico autónomo ni ocultar su incertidumbre.\n- **Conducta:** validación externa y local antes del uso, vigilancia de deriva y fallos silenciosos después, y registro de versión y salida que influyeron en cada decisión.\n- **Clip principal:** comparación humano-IA con casos de falla por dominio.\n\n## Qué puede asistir la automatización\n\nLa inteligencia artificial puede guiar la adquisición hacia la ventana correcta, clasificar la calidad de imagen, automatizar mediciones y clasificar tareas delimitadas [1,2,3]. Estas funciones prometen acortar curvas de aprendizaje y estandarizar mediciones operador-dependientes; su valor real depende de que el rendimiento publicado sobreviva al equipo, la población y el flujo locales.\n\nLa regla operativa para las salidas cuantitativas es conservadora: las tareas de clasificación gruesa suelen comportarse mejor que la estimación continua fina, y una cifra automatizada con decimales no es más válida que la imagen de la que salió. Ante calidad pobre o casos fuera de distribución, el sistema útil se abstiene; el que siempre responde es el más peligroso [2,3].\n\n## Condiciones antes del uso clínico\n\nLa autorización corresponde a un producto, versión, población e indicación. Antes del uso clínico se requieren **validación externa y local**: equipos, operadores, prevalencia, manejo de mala calidad y análisis por subgrupos relevantes [1,2,3]. La validación local no es burocracia: los modelos entrenados en otra población, con otros equipos, fallan de formas que la métrica global no muestra, y los subgrupos infrarrepresentados pagan ese sesgo primero.\n\nDespués del despliegue se vigilan **fallos silenciosos, anulaciones por los operadores, deriva del rendimiento y efecto sobre las habilidades** [1,3]. Conserve la versión y la salida que influyeron en cada decisión: sin ese registro, ninguna discrepancia posterior puede investigarse (capítulo 31). La salida automatizada debe expresar incertidumbre y abstenerse ante lo que no reconoce; el informe humano que la incorpora declara que hubo asistencia y de qué tipo.\n\n## Tele-ultrasonido\n\nTele-POCUS puede apoyar adquisición guiada y sobrelectura remota con conectividad, privacidad, tiempos y responsabilidad definidos [1,4,5]. Sus preguntas de diseño son las del capítulo 31 aplicadas a distancia: quién responde por la decisión, dónde quedan las imágenes, qué pasa cuando la conexión cae. En entornos remotos (capítulo 30) puede ser la diferencia entre práctica supervisada y soledad profesional; su límite estructural —depender de la conectividad que suele faltar donde más se necesita— exige un plan sin ella.\n\n## Datos, ética y equidad\n\nLas imágenes y salidas son datos del paciente: privacidad, seguridad, retención y uso secundario siguen las reglas institucionales, y la docencia o el entrenamiento de modelos usan circuitos autorizados con desidentificación [1,6]. El sesgo es una cuestión de equidad clínica: un modelo que rinde peor en cuerpos, equipos o entornos infrarrepresentados no es neutral, y la validación por subgrupos es la herramienta mínima para verlo antes de que lo muestre el daño.\n\nLa dependencia tecnológica tiene su propia ética: las habilidades que la automatización sustituye se atrofian, y el día que el sistema falla —o simplemente no está— el operador debe seguir siendo competente [7]. Los programas deben decidir qué habilidades protegen del desuso y cómo. El acceso desigual a estas herramientas, entre centros y entre países, puede ampliar brechas en lugar de cerrarlas; la selección de tecnología es también una decisión de equidad [1,3].\n\n## Razonamiento contextual\n\nLa pregunta del título —qué automatizar, qué no delegar— tiene una respuesta de principio: se automatiza lo que tiene verdad de referencia verificable y falla de forma detectable; no se delega la integración del contexto, la declaración de incertidumbre ni la decisión de actuar. El eslabón más débil de la cadena del capítulo 1 no desaparece con la automatización: se desplaza hacia la validación, la vigilancia y el registro, que ahora forman parte de la técnica.\n\n## Conducta proporcional\n\nHerramienta nueva: piloto con validación local, métricas por subgrupo y criterios de retirada antes del despliegue. Salida discordante con la clínica: prevalece la evaluación humana y se registra la discrepancia. Deriva detectada: suspensión o recalibración según el protocolo, no tolerancia silenciosa. Decisión influida por IA: versión y salida archivadas con el examen.\n\n## Operador y factores humanos\n\nEl sesgo de automatización es la trampa central: la cifra en pantalla pesa más que la duda del operador, sobre todo bajo fatiga y presión de tiempo. La defensa es la misma calibración del capítulo 5 aplicada a la máquina: conocer sus condiciones de validez, declarar la confianza en su salida y revisar las discordancias. El riesgo inverso también existe: descartar sistemáticamente la asistencia útil por desconfianza general. Ambos se corrigen con datos locales, no con opiniones.\n\n## Documentación modelo\n\n«FoCUS con asistencia de IA (producto X, versión 3.2): clasificación automática de función \"reducida\", calidad de imagen aceptada por el sistema; concordante con impresión visual del operador. Salida y versión archivadas con el estudio. La clasificación asistida no sustituye la ecocardiografía reglada solicitada para cuantificación.»\n\n## Casos de contraste\n\n**Concordante.** Un servicio valida localmente una herramienta de guía de adquisición para operadores en formación: la tasa de ventanas interpretables sube, las mediciones siguen siendo humanas y supervisadas, y la deriva se revisa cada trimestre. La máquina hace lo que demostró saber hacer, y nada más.\n\n**Discordante.** Una fracción de eyección automatizada de 28 % dispara una cascada —inotrópicos, interconsulta, traslado— en un paciente con imagen pobre y clínica discordante. La ecocardiografía reglada muestra 55 %. El sistema nunca dijo su incertidumbre; nadie se la exigió. El fallo no fue del algoritmo sino del contrato de uso que no existía.\n\n## Autoevaluación\n\n1. ¿Qué exige antes de usar clínicamente una herramienta de IA que llegó instalada en el equipo nuevo?\n2. ¿Qué registra cuando una salida algorítmica influye en una decisión, y para qué servirá ese registro?\n3. ¿Qué habilidades de su práctica protegería explícitamente de la atrofia por automatización?\n\n## Criterios de competencia\n\n- Distingue lo que una herramienta demostró saber hacer de lo que su interfaz sugiere que hace.\n- Opera con salidas algorítmicas declarando asistencia, incertidumbre y prevalencia del juicio clínico.\n- Participa en validación local, vigilancia de deriva y análisis de discrepancias humano-máquina.\n\n## Referencias\n\n1. Mani N, Rao S, Kim DJ. [Point-of-care ultrasound in the modern era of emergency medicine: a narrative review of the recent literature](https://doi.org/10.1097/mcc.0000000000001358). *Current Opinion in Critical Care*. 2026;32(3):262-268. doi:10.1097/mcc.0000000000001358.\n2. Nazarian E, Sinnige JS, Bos LDJ, Smit MR. [Advances in bedside imaging: lung ultrasound](https://doi.org/10.1186/s40635-025-00838-5). *Intensive Care Medicine Experimental*. 2025;13(1):126. doi:10.1186/s40635-025-00838-5.\n3. Vega R, Dehghan M, Nagdev A, Buchanan B, Kapur J, Jaremko JL, et al. [Overcoming barriers in the use of artificial intelligence in point of care ultrasound](https://doi.org/10.1038/s41746-025-01633-y). *npj Digital Medicine*. 2025;8(1):213. doi:10.1038/s41746-025-01633-y.\n4. Oh L, Kirkpatrick AW, Liu RB. [Emerging Applications in Point-of-Care Ultrasound](https://doi.org/10.1007/978-3-031-85308-1_29). En: *Advanced Point-of-Care Ultrasound*. 2025; pp. 595-603. doi:10.1007/978-3-031-85308-1_29.\n5. Maganti K, Chen C, Jamthikar AD, Parikh P, Yanamala N, Sengupta PP. [Cardiopulmonary Point-of-Care Ultrasonography for Hospitalist Management of Undifferentiated Dyspnea](https://doi.org/10.1001/jamanetworkopen.2025.30677). *JAMA Network Open*. 2025;8(9):e2530677. doi:10.1001/jamanetworkopen.2025.30677.\n6. Ma IWY, Francavilla ML, Nomura JT, Kielski A, Fernandez F, Piro K, et al. [Governance Considerations for Point-of-Care Ultrasound: a HIMSS-SIIM Enterprise Imaging Community Whitepaper in Collaboration with AIUM](https://doi.org/10.1007/s10278-024-01365-7). *Journal of Imaging Informatics in Medicine*. 2025;38(5):2585-2599. doi:10.1007/s10278-024-01365-7.\n7. Perez-Sanchez A, Johnson G, Pucks N, Soni RN, Lund TJS, Andrade AJ, et al. [Comparison of 6 handheld ultrasound devices by point-of-care ultrasound experts: a cross-sectional study](https://doi.org/10.1186/s13089-024-00392-3). *The Ultrasound Journal*. 2024;16(1):45. doi:10.1186/s13089-024-00392-3.\n\n<!-- atlas-slot: cap32.tecnologia | Tecnología revisable -->\n<!-- atlas-slot: cap32.appendix | Apéndice multimedia -->\n",
  "atlasSlots": [
    {
      "id": "cap32.tecnologia",
      "label": "Tecnología revisable"
    },
    {
      "id": "cap32.appendix",
      "label": "Apéndice multimedia"
    }
  ],
  "editingNotes": [
    "Edite frontmatterYaml y body como texto; conserve el resto de campos sin cambios.",
    "Los comentarios <!-- atlas-slot: ... --> son espacios reservados de multimedia: deben conservarse todos, con su id exacto, y pueden reubicarse dentro del capítulo.",
    "Las llamadas [n] del cuerpo deben corresponder a la lista final «## Referencias»; no invente referencias, DOI ni cifras.",
    "El H1 debe mantener el formato «# Capítulo N. Título» y la clave del frontmatter no debe cambiar.",
    "Aplique el archivo con: npm run chapter:import -- <archivo.json>; después ejecute las validaciones del repositorio."
  ]
}