Capítulo 32. Inteligencia artificial, tele-ultrasonido, datos, ética y equidad

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.

Estado de este capítulo: agosto de 2026. Debe revisarse con cada edición; la edición digital lo mantiene actualizable.

Este 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.

Tres mensajes

• Técnico: la IA puede asistir adquisición, calidad, clasificación y medición en tareas delimitadas, pero su rendimiento depende de población, equipo y flujo.
• Clínico: el clínico conserva la responsabilidad sobre contexto, incertidumbre y acción.
• Seguridad: datos, sesgo, privacidad, acceso y dependencia tecnológica deben evaluarse antes de implementar.

Lectura de 90 segundos

• Hallazgo central: la autorización corresponde a un producto, versión, población e indicación; nada de eso se transfiere automáticamente a otro escenario.
• Línea roja: no presentar una salida algorítmica como diagnóstico autónomo ni ocultar su incertidumbre.
• 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.
• Clip principal: comparación humano-IA con casos de falla por dominio.

Qué puede asistir la automatización

La 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.

La 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].

Condiciones antes del uso clínico

La 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.

Después 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.

Tele-ultrasonido

Tele-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.

Datos, ética y equidad

Las 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.

La 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].

Razonamiento contextual

La 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.

Conducta proporcional

Herramienta 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.

Operador y factores humanos

El 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.

Documentación modelo

«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.»

Casos de contraste

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.

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.

Autoevaluación

1. ¿Qué exige antes de usar clínicamente una herramienta de IA que llegó instalada en el equipo nuevo?
2. ¿Qué registra cuando una salida algorítmica influye en una decisión, y para qué servirá ese registro?
3. ¿Qué habilidades de su práctica protegería explícitamente de la atrofia por automatización?

Criterios de competencia

• Distingue lo que una herramienta demostró saber hacer de lo que su interfaz sugiere que hace.
• Opera con salidas algorítmicas declarando asistencia, incertidumbre y prevalencia del juicio clínico.
• Participa en validación local, vigilancia de deriva y análisis de discrepancias humano-máquina.

Referencias

1. Mani N, Rao S, Kim DJ. Point-of-care ultrasound in the modern era of emergency medicine: a narrative review of the recent literature. Current Opinion in Critical Care. 2026;32(3):262-268. doi:10.1097/mcc.0000000000001358. DOI ↗
2. Nazarian E, Sinnige JS, Bos LDJ, Smit MR. Advances in bedside imaging: lung ultrasound. Intensive Care Medicine Experimental. 2025;13(1):126. doi:10.1186/s40635-025-00838-5. PDF ↗
3. 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. npj Digital Medicine. 2025;8(1):213. doi:10.1038/s41746-025-01633-y. PDF oficial ↗
4. Oh L, Kirkpatrick AW, Liu RB. Emerging Applications in Point-of-Care Ultrasound. En: Advanced Point-of-Care Ultrasound. 2025; pp. 595-603. doi:10.1007/978-3-031-85308-1_29. DOI ↗
5. Maganti K, Chen C, Jamthikar AD, Parikh P, Yanamala N, Sengupta PP. Cardiopulmonary Point-of-Care Ultrasonography for Hospitalist Management of Undifferentiated Dyspnea. JAMA Network Open. 2025;8(9):e2530677. doi:10.1001/jamanetworkopen.2025.30677. PDF oficial ↗
6. 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. Journal of Imaging Informatics in Medicine. 2025;38(5):2585-2599. doi:10.1007/s10278-024-01365-7. PDF ↗
7. 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. The Ultrasound Journal. 2024;16(1):45. doi:10.1186/s13089-024-00392-3. PDF ↗