Visión de los profesionales sanitarios sobre la inteligencia artificial aplicada en la atención al paciente
Una revisión sistemática que se enfocó en el análisis de los factores facilitadores y obstaculizadores en diferentes niveles, relativos a la utilización de la IA dirigida a la atención de pacientes, fue realizada por investigadores de Alemania y Países Bajos, y publicada en la edición del 1º de mayo de 2025 de BMC Health Services Research*.
A este artículo se dedicará hoy la NOTICIA DEL DÍA.
Los autores partieron de admitir que la inteligencia artificial (IA) se utiliza cada vez más para procesar e interpretar grandes conjuntos de datos médicos.
A pesar del continuo desarrollo y prueba de aplicaciones de IA en el cuidado de la salud, la implementación de sistemas de IA médica en la atención clínica aún se encuentra en sus primeras etapas.
La tecnología de IA tiene amplias aplicaciones dentro del cuidado de la salud, incluyendo diagnóstico y tratamiento, promoviendo la participación y adherencia del paciente y apoyando procesos administrativos.
Por ejemplo, la IA podría potencialmente predecir enfermedades críticas o eventos de salud antes de que ocurran o al evaluar el riesgo relativo de enfermedad para individuos, la IA podría informar medidas preventivas.
Además, la IA también se puede aplicar a la investigación médica y desarrollo de fármacos (p. ej. fabricación automatizada), administración y planificación de sistemas de salud (p. ej. asignación de recursos) y actividades de salud pública (p. ej. promoción de la salud, vigilancia y respuesta a brotes)
Para materializar este potencial, la implementación de la IA en el ámbito sanitario requiere comprender las perspectivas de las principales partes interesadas, como profesionales sanitarios, pacientes, gestores sanitarios, líderes y organismos reguladores, que utilizarán o se verán afectados por esta tecnología emergente.
Para ello, una revisión sistemática de los factores que obstaculizan y facilitan la implementación de una tecnología o un programa puede proporcionar a las partes interesadas información pertinente.
Este conocimiento puede ayudar a identificar posibles retos, mitigar riesgos y maximizar los beneficios asociados a la IA médica en aplicaciones clínicas, lo que fundamenta el desarrollo de estrategias específicas para los profesionales directamente afectados por su implementación.
Varias revisiones ya han examinado las perspectivas de diversas partes interesadas.
Por ejemplo, una revisión de Young y colegas resumió la literatura sobre las actitudes de los pacientes y el público hacia las aplicaciones de IA en la atención médica.
Otras revisiones se han centrado en las perspectivas de los profesionales de la salud sobre temas que no involucran directamente la atención al paciente, como la investigación y el desarrollo de fármacos.
Por lo tanto, el objetivo de esta revisión sistemática fue proporcionar una síntesis integral de la evidencia disponible sobre los factores que obstaculizan o facilitan el papel de la IA en la atención al paciente desde la perspectiva de los profesionales de la salud.
Esto, a su vez, permitió un examen más profundo de cómo estos profesionales perciben el impacto de la IA en sus funciones, así como sus implicancias para sus organizaciones y pacientes.
Para explicar mejor la interacción dinámica de los factores facilitadores y obstaculizadores que operan en múltiples niveles sociales, los autores utilizaron el modelo socioecológico (SEM por sus siglas en inglés de socio-ecological model).
Este modelo ayuda a identificar tanto los determinantes individuales como las influencias contextuales en el comportamiento de los profesionales de la salud, así como su capacidad o incapacidad para implementar y utilizar la IA en la práctica.
En esta revisión, el SEM coloca a los profesionales de la salud en el centro, rodeados de cinco niveles de influencia:
individual,
interpersonal,
institucional,
comunitario y
político.
La revisión se basó en la pregunta principal de investigación:
«¿Cuáles son los factores obstaculizadores y facilitadores percibidos para la implementación y el uso de IA por parte de los profesionales de la salud que participan en la atención directa al paciente?».
Si bien una revisión integrativa reciente de Lambert et al. exploró los facilitadores y las barreras que influyen en la aceptación de la IA entre los profesionales de la salud, esta revisión se sumó a este enfoque de varias maneras.
Lambert et al. presentaron sus resultados con base en la Teoría Unificada de Aceptación y Uso de la Tecnología (UTAUT por sus siglas en inglés de Unified Theory of Acceptance and Use of Technology), que explica la intención de un usuario de adoptar sistemas de tecnología de la información.
Por el contrario, la presente revisión sistemática puso mayor énfasis en factores contextuales, como campos específicos de la medicina, adaptando el SEM como su marco teórico.
Además, Lambert et al. incluyeron principalmente estudios sobre Sistemas de Apoyo a la Decisión Clínica (CDSS por sus siglas en inglés de Clinical Decision Support Systems) y limitaron su revisión a entornos hospitalarios.
Para considerar las diferencias entre los tipos de IA, esta revisión empleó la tipología propuesta por Davenport y Kalakota, que clasificaron los sistemas de IA en
– aprendizaje automático,
– modelos de procesamiento del lenguaje natural, – sistemas expertos basados en reglas
– automatización robótica de procesos.
Finalmente, la búsqueda realizada por Lambert et al. en junio de 2022 fue seguida por un aumento significativo de estudios relacionados con la IA en medicina, que podrían incluirse en esta revisión.
El documento estuvo estructurado de la siguiente manera:
La introducción presentó una descripción general de la investigación previa sobre el tema y destacó las contribuciones únicas de la revisión a la literatura.
La sección de métodos describió el enfoque metodológico para buscar, seleccionar, extraer y sintetizar datos de los estudios incluidos.
Los resultados descriptivos se presentaron con base en el diagrama de flujo de Elementos de informe preferidos para revisiones sistemáticas y metaanálisis (PRISMA) y las características clave del estudio.
Los resultados del análisis y la síntesis de datos se categorizaron en factores facilitadores y obstaculizadores, estructurados de acuerdo con las dimensiones del SEM.
En la discusión, los hallazgos se interpretaron en relación con las perspectivas de los profesionales de la salud sobre los cambios anticipados de la IA en su rol profesional, sus organizaciones y pacientes.
Además, se abordaron las limitaciones del estudio.
La conclusión resumió los conocimientos clave y brindó una perspectiva sobre la investigación futura.
En resumen, las aplicaciones de la inteligencia artificial (IA) ofrecen oportunidades para mejorar el diagnóstico, el pronóstico y el tratamiento de diversas enfermedades.
Para integrar y utilizar con éxito la IA en la atención médica, es fundamental comprender las perspectivas de los profesionales sanitarios y abordar los desafíos que asocian con su adopción desde una etapa temprana.
Por lo tanto, el objetivo de esta revisión fue proporcionar una visión general completa de estudios empíricos que exploraran las perspectivas de los profesionales sanitarios sobre la IA en la atención médica.
La revisión se realizó según el marco de elementos de informe preferidos para revisiones sistemáticas y metaanálisis.
Se realizaron búsquedas en las bases de datos MEDLINE, PsycINFO y Web of Science entre 2017 y 2024, utilizando términos relacionados con «profesionales de la salud», «inteligencia artificial» y «perspectivas».
Se incluyeron artículos revisados por pares que emplearon enfoques cuantitativos, cualitativos o de métodos mixtos.
Los factores facilitadores y obstaculizadores extraídos se analizaron según las dimensiones del modelo socioecológico.
La búsqueda arrojó 4499 artículos publicados hasta febrero de 2024.
Tras la revisión del título y el resumen, se evaluaron 150 textos completos para determinar su elegibilidad, y 72 estudios se incluyeron finalmente en la síntesis.
Las perspectivas extraídas sobre la IA se analizaron temáticamente mediante el modelo socioecológico para identificar diversos niveles de influencia y categorizarlos en factores facilitadores y obstaculizadores.
En total, se identificaron 49 factores facilitadores y 43 obstaculizadores en todos los niveles del modelo socioecológico.
Al poner en consideración sus observaciones, los autores plantearon que su revisión demostró que categorizar las perspectivas de los profesionales de la salud según las características del SEM ayudó a comprender los factores que obstaculizan y facilitan el uso y las actitudes hacia las aplicaciones de IA.
Además, permitió identificar recomendaciones para tomar medidas para mitigar las barreras o fortalecer los facilitadores en los diferentes niveles del SEM.
Una gran parte de los estudios incluidos ( n = 34) se publicaron a partir del año 2022, lo que demostró la necesidad de una actualización de las perspectivas de los profesionales de la salud sobre las aplicaciones de IA, ya que la aparición de nuevas herramientas aumenta continuamente.
Por lo tanto, se pudieron incluir en este estudio estudios más recientes que revisiones similares hasta este momento.
Una intención inicial de esta revisión fue resaltar las diferencias en los factores que facilitan y obstaculizan los diferentes tipos de aplicaciones de IA.
Sin embargo, no se pudieron identificar diferencias debido a la baja cantidad de estudios que pudieran categorizarse claramente en los diferentes tipos de IA según Davenport y Kalakota,.
Para contextualizar los hallazgos, se resumieron brevemente los factores obstaculizadores y facilitadores más frecuentemente identificados en las diferentes dimensiones de SEM, se discutieron y se formularon recomendaciones temáticas según las perspectivas de los profesionales sanitarios sobre cómo las aplicaciones de IA podrían impactar
(i) a los profesionales sanitarios,
(ii) a los entornos de atención al paciente y
(iii) a los resultados de los pacientes.
La sección de discusión concluyó con una reflexión sobre las limitaciones.
Formularon una pregunta dirigida a los Profesionales de la salud: ¿Cómo me afecta la IA como profesional de la salud?”)
Los potenciales efectos positivos que pueden lograrse mediante el uso de aplicaciones de IA para tareas relacionadas con el trabajo fueron vistos como uno de los factores facilitadores más destacados por los profesionales de la salud.
El aumento de la eficiencia se informó principalmente en términos generales, pero ejemplos más concretos indicaron que trabajar con IA puede mejorar los flujos de trabajo individuales y la gestión del tiempo al proporcionar acceso rápido a información relevante (resumida), pero también puede disminuir el tiempo dedicado a tareas administrativas o repetitivas, como programar citas, recordatorios a pacientes o repetición de recetas.
Tareas como resumir información, realizar tareas administrativas o programar citas pueden realizarse mediante NLPM (por sus siglas en inglés de natural language processing model, -modelo de procesamiento del lenguaje natural-), como ChatGPT.
En esta revisión, solo cuatro estudios se centraron en aplicaciones de NLPM en medicina.
Por lo tanto, los factores obstaculizadores percibidos fueron una reducción del contacto humano en la atención médica, desafíos de comunicación con los pacientes y preguntas abiertas sobre la responsabilidad y la rendición de cuentas, así como problemas de seguridad y privacidad de los datos de los pacientes, que se analizaron con más detalle en las siguientes secciones.
Todos estos factores obstaculizadores se relacionaron con tareas de atención directa al paciente, mientras que algunas ganancias de eficiencia percibidas y esperadas, como se señaló en la revisión, no estuvieron necesariamente relacionadas directamente con tareas médicas sino también con tareas administrativas o con la gestión del conocimiento de los propios profesionales de la salud.
Las aplicaciones de IA que impactaron las condiciones de trabajo y los flujos de trabajo para la atención directa al paciente también debieron tener en cuenta el hecho de que muchos profesionales de la salud expresan temor o preocupación por la (futura) dependencia de las aplicaciones de IA, en la medida en que sus propias habilidades y competencias pueden disminuir como consecuencia de confiar demasiado en la tecnología.
Estas preocupaciones no son necesariamente específicas de la IA y se han expresado en desarrollos tecnológicos anteriores en medicina, como con la implementación del registro médico electrónico.
Es difícil determinar si la implementación de la IA conducirá a una pérdida de habilidades clínicas.
Sin embargo, compensar el uso de la IA exigirá el desarrollo de nuevas habilidades de los profesionales de la salud, por ejemplo, habilidades de gestión de la información, y fortalecer las habilidades que la IA probablemente no pueda sustituir, como las capacidades de comunicación y la empatía.
Además, la falta de conocimientos generales sobre IA o de programas educativos adecuados, o la imposibilidad de participar en ellos, se consideraron factores que dificultaron la adquisición de los conocimientos necesarios sobre las aplicaciones de IA.
Una forma de mitigar este factor fue desarrollar planes de estudio y métodos educativos médicos para capacitar a los futuros médicos en los fundamentos de la IA, su uso eficaz en la práctica y la prestación de servicios de salud con apoyo de aquélla.
Sin embargo, dado que persisten las brechas de conocimiento en la generación actual de profesionales sanitarios en activo, podría ser necesario aumentar las oportunidades de formación en el lugar de trabajo o como parte de programas de formación continua profesional.
Los autores respondieron la inquietud acerca de las Organizaciones sanitarias haciéndolo con esta pregunta: “¿Cómo impacta la IA en mi organización sanitaria?”)
Los profesionales sanitarios percibieron diversos factores facilitadores y obstaculizadores en el impacto que la IA podría tener en el ámbito de la atención al paciente.
En este sentido, la perspectiva de una mayor eficiencia en la organización sanitaria se consideró un factor facilitador a nivel institucional que también podría aliviar las tensiones derivadas de la crisis general de personal sanitario derivada de la creciente escasez de dicho personal.
Asimismo, las capacidades de las aplicaciones de IA, como la mejora de la precisión diagnóstica o la conexión de múltiples fuentes de información para detectar interacciones farmacológicas o posibles contraindicaciones, lo que podría generar recomendaciones personalizadas y ofrecer segundas opiniones, demostraron el impacto esperado que los profesionales sanitarios creen que tendrá la IA en el ámbito de la atención al paciente.
Sin embargo, para comprender los beneficios potenciales que la IA podría aportar a los entornos de atención al paciente, es importante que las organizaciones estén preparadas para la implementación de las nuevas tecnologías y puedan apoyar adecuadamente a su personal en su adaptación.
Como se indicó en la revisión, las barreras a nivel organizacional pueden ser estructurales, como la falta de infraestructura técnica, financiación inicial o modelos de reembolso a largo plazo, pero también porque hay una falta de personal responsable o departamento dedicado a la implementación de aplicaciones de IA en organizaciones de atención médica o a nivel de políticas.
Por ejemplo, en Alemania, las regulaciones y los problemas de gobernanza han retrasado la implementación a nivel nacional de tecnologías de atención médica bastante básicas, como el historial clínico electrónico.
Para la implementación de nueva tecnología, los estudios destacaron la relevancia de los individuos («líderes de atención médica») en el proceso de adaptación en las organizaciones de atención médica.
Por ejemplo, la inclusión de personal clínico como defensores de una nueva tecnología fue un factor positivo para su implementación en las organizaciones de atención médica.
Por lo tanto, identificar a las personas adecuadas para impulsar esos cambios en las organizaciones podría ser un factor importante para superar una variedad de factores obstaculizadores.
Esta noción resuena aún más con el hallazgo de esta revisión de que el respaldo de expertos confiables o líderes de la salud constituyó un factor facilitador para el uso de IA por parte de los profesionales de la salud.
Para abordar los factores que dificultan la atención al paciente, los gobiernos y las organizaciones sanitarias deberían priorizar la inversión en infraestructura de salud digital.
Además, los departamentos especializados debieran centrarse en la estrategia e implementación de la IA, gestionados por personas con roles de liderazgo, responsables de supervisar la integración de la IA en los procesos clínicos y operativos.
Acerca de los Resultados del paciente (“¿Cómo impacta la IA a mis pacientes?”) frente a la incorporación de la IA a la rutina de atención médica, se señaló que otro tema para el cual se identificaron factores facilitadores y obstaculizadores se relacionó con las perspectivas de los profesionales de la salud sobre el impacto de las aplicaciones de IA en la salud y el bienestar de sus pacientes.
La mayoría de los factores facilitadores se consideraron un impacto en la calidad de la atención, como mejoras generales en los resultados clínicos, la seguridad del paciente y la prestación de una atención de alta calidad que fuera consistente y no se viera afectada por el estado mental del profesional de la salud o circunstancias como la fatiga.
Esto se vió en su mayor parte a nivel de paciente individual, pero también se expresó cierta actitud positiva para la mejora de la salud general de la población, así como el acceso a los servicios de atención médica en general.
Por otro lado, el daño potencial a los pacientes causado por la IA y la falta de contacto humano en la prestación de servicios de salud fueron los factores obstaculizadores más frecuentes mencionados por los profesionales de la salud.
Especialmente, éstos temen que las aplicaciones de IA podrían no ser capaces de dar cuenta de la diversidad de pacientes, casos complejos y matices sociales contextuales que pudieran limitar su efectividad clínica, así como la idoneidad moral en situaciones específicas.
Hubo incertidumbre sobre si la IA podría incorporar aspectos individuales importantes obtenidos a través de la relación médico-paciente, hacer juicios éticos complicados o manejar «casos especiales» que fueran inesperados o únicos.
Esto también incluyó preocupaciones de que los conjuntos de datos en los que se estuvieran entrenando los modelos de IA no fueran representativos de la población a la que se aplican.
Estos factores obstaculizadores parecen revelar una contradicción con la creencia de los profesionales de la salud de que la IA puede mejorar la calidad de la atención al facilitar una atención más personalizada.
Una ventaja de usar el SEM fue su capacidad para revelar que al observar uno o ambos factores obstaculizadores y facilitadores dentro de las mismas dimensiones, a menudo se puede abordar el mismo problema o descubrir información adicional.
Se consideró un factor facilitador clave que la IA tuviera el potencial de manejar casos más complejos al integrar y conectar múltiples fuentes de información.
Esto resaltó que, si bien la IA se considera capaz de gestionar la diversidad de pacientes e incluso reducir la complejidad médica, hay otros aspectos de la diversidad que se percibe que la IA maneja con menor eficacia.
Por lo tanto, la categorización de estos factores según los niveles del SEM proporciona una imagen más completa de los facilitadores y las barreras de cada dimensión.
Además, a los profesionales de la salud les preocupa que, incluso con supervisión humana, los errores clínicos puedan resultar de sistemas de IA obsoletos o mal programados y representar riesgos para la seguridad del paciente, ya sea por diagnósticos incorrectos o dando lugar a tratamientos inapropiados.
Estos factores pueden verse exacerbados por la falta de claridad sobre la división de responsabilidades en el proceso de atención clínica y la rendición de cuentas de los resultados del mismo.
Estas preocupaciones se ven corroboradas por el deseo de muchos profesionales de la salud de precondicionar el uso de aplicaciones de IA en ensayos clínicos, con estudios aleatorizados idealmente grandes que respalden la validez de sus resultados.
Además, la generalización de dichos estudios y aplicaciones de IA probadas debe considerarse cuidadosamente.
Como los resultados de las aplicaciones de IA o aprendizaje automático en medicina pueden depender en gran medida de los datos que reciben para el entrenamiento, las diferencias en factores genómicos o ambientales pueden influir en los patrones de enfermedades y la presentación de las mismas.
Por lo tanto, el desarrollo de aplicaciones de IA debería basarse idealmente en datos de diferentes grupos étnicos y probarse regionalmente para validar su eficacia.
Además, los ensayos clínicos aleatorizados de IA médicas no siempre examinan los mecanismos médico-biológicos, sino más bien las vías organizativas o procedimentales que influyen en la modificación de las prácticas diagnósticas y terapéuticas.
Por lo tanto, los investigadores debieran garantizar que los resultados de los pacientes sean estables a lo largo del tiempo, de acuerdo con sus características y entre profesionales clínicos de diferentes especializaciones o niveles de experiencia.
Se deben considerar algunas limitaciones al interpretar los hallazgos de la presente revisión.
En primer lugar, los estudios incluidos mostraron que la implementación real de sistemas de IA en entornos de atención médica y clínicas aún es un trabajo en progreso.
Si bien en la mayoría de los estudios cuantitativos los participantes afirmaron tener conocimiento o experiencia en el uso de aplicaciones de IA, esto no se pudo verificar ni agregar de manera significativa.
Por lo tanto, la mayoría de los hallazgos de las perspectivas de los profesionales de la salud se consideran como carentes de experiencia con IA clínica.
Como se mencionó en otra parte, existe la necesidad de estudios que investiguen las aplicaciones de IA en entornos clínicos del mundo real.
En segundo lugar, la mayoría de los estudios identificados en esta revisión se asignaron a las disciplinas de radiología (análisis de imágenes radiológicas basado en IA) o a medicina general no especificada (definida ampliamente como la implementación de IA en medicina).
Esto pudo limitar la generalización de los hallazgos a otros campos médicos, aunque se pudieron incluir las perspectivas de profesionales de la salud de un total de 20 disciplinas médicas diferentes.
Además, no se pudieron identificar diferencias en los factores facilitadores y obstaculizadores al observar el tipo de IA.
Esto se debe a que solo se identificaron cuatro estudios que involucraron NLPM o RES, respectivamente.
Para futuras investigaciones, es fundamental diferenciar el tipo de IA de la forma más concreta posible, de modo que las diferencias según el tipo de IA se puedan atribuir con mayor facilidad.
Además, un revisor señaló que la tipología aplicada de Davenport y Kalakota para la IA en medicina podría estar algo anticuada, dado el dinamismo del campo.
Sin embargo, esta tipología sigue siendo ampliamente citada en la literatura científica, lo que la consolida como un marco relevante.
Sin embargo, los investigadores futuros podrían beneficiarse de la aplicación de marcos más recientes que reflejen los últimos avances en el campo.
Una posible limitación de esta revisión fue la inclusión de solo tres bases de datos y la exclusión de literatura gris, como tesis doctorales, informes o actas de congresos, que podrían introducir sesgo de publicación.
Si bien la inclusión de estas fuentes podría haber ampliado el alcance de esta revisión, la decisión de centrarse en artículos de investigación primaria revisados por pares se tomó para garantizar un alto estándar de calidad metodológica.
Además, la revisión se limitó a estudios publicados en inglés y alemán, lo que pudo haber llevado a la omisión de investigaciones relevantes en otros idiomas.
Sin embargo, solo 22 de 3738 estudios fueron excluidos debido al idioma antes del proceso de selección del título y el resumen.
Si bien no se pudo descartar la posibilidad de que existieran estudios relevantes adicionales, dada la inclusión de 72 estudios y la baja proporción de estudios excluidos en idiomas distintos del inglés o el alemán, es improbable que estas limitaciones hayan afectado sustancialmente la exhaustividad de la revisión o alterado las conclusiones.
Además, no se realizó una evaluación de calidad de los estudios incluidos para esta revisión, lo que pudo haber llevado a la inclusión de estudios de menor calidad.
Finalmente, si bien el uso del SEM constituyó un marco útil para desglosar la complejidad de las perspectivas hacia la IA en diferentes factores obstaculizadores y facilitadores, se hicieron evidentes algunas limitaciones.
Primero, la elección de los niveles a los que pertenece un cierto tema identificado no siempre fue clara.
Por ejemplo, las «ganancias de eficiencia» esperadas a través del uso de la tecnología de IA podrían identificarse a nivel individual, institucional y de políticas.
Esta dificultad se abordó observando más de cerca la intención o el objetivo de la declaración dada, aclarando así si las realizaciones de eficiencia estaban destinadas a que los profesionales de la salud se volvieran más productivos personalmente, el flujo de trabajo general y los procesos en el entorno de atención al paciente o si las realizaciones de eficiencia general podrían lograrse desde la perspectiva de los sistemas de salud (nivel de políticas).
Cuando se trabaja con el SEM también es difícil calibrar cómo los factores en cada nivel podrían influirse entre sí.
Por ejemplo, podría ser de interés cómo una «falta de contacto humano» en el proceso de atención médica afecta la relación médico-paciente y, en consecuencia, los resultados de la atención al paciente.
Especialmente para fines de implementación práctica, identificar estas influencias e interdependencias podría ser importante cuando el contexto es un factor esencial.
Sin embargo, la presente revisión buscó únicamente mapear estos factores.
Investigaciones futuras podrían profundizar en estas cuestiones.
En conclusión, esta revisión sistemática exploró las perspectivas de los profesionales sanitarios sobre los factores que facilitan y dificultan el uso de la IA en la atención al paciente.
En general, se observó que los profesionales sanitarios generalmente tienen una visión positiva de la adopción de la IA en la atención médica y esperan diversos impactos positivos en la prestación de servicios de salud a sus pacientes.
Sin embargo, es necesario abordar diversos factores que dificultan la atención y adaptarlos a las necesidades específicas de los profesionales sanitarios y otras partes interesadas.
La revisión también reveló que la implementación de la IA clínica implicó factores complejos en diferentes dimensiones socioecológicas.
Por lo tanto, es crucial actuar a múltiples niveles para garantizar la integración exitosa de la IA en la atención médica.
Los hallazgos observados pudieron servir de base para el desarrollo de guías para la implementación de la IA entre diversas partes interesadas, desde profesionales sanitarios hasta responsables políticos.
Las investigaciones futuras debieran centrarse en las perspectivas de la IA actualmente en uso en entornos sanitarios y explorar las diferencias en los factores que facilitan y dificultan la atención entre los distintos tipos de IA.
Es fundamental que los estudios primarios especifiquen claramente el tipo de IA que se examina.
Además, los estudios cualitativos son especialmente importantes, ya que pueden aportar nuevas perspectivas de profesionales sanitarios que ya tienen experiencia con la IA en sus lugares de trabajo.
* Henzler D, Schmidt S, Koçar A, Herdegen S, Lindinger GL, Maris MT, Bak MAR, Willems DL, Tan HL, Lauerer M, Nagel E, Hindricks G, Dagres N, Konopka MJ. Healthcare professionals’ perspectives on artificial intelligence in patient care: a systematic review of hindering and facilitating factors on different levels. BMC Health Serv Res. 2025 May 1;25(1):633. doi: 10.1186/s12913-025-12664-2. PMID: 40312413.
