Inteligencia artificial en la práctica médica:
aplicaciones y consideraciones
Artificial intelligence in medical practice: applications
and considerations
Revista Ecuatoriana de Pediatría
Editorial: Sociedad Ecuatoriana de Pediatría (Núcleo de Quito, Ecuador)
Tipo de estudio: Artículo de Revisión
Área de estudio: Ciencias Médicas
Páginas: 34-39
Codígo DOI: https://doi.org/10.52011/RevSepEc/e346
URL: https://rev-sep.ec/index.php/johs/article/view/346
RESUMEN
La inteligencia artificial (IA) está revolucionando la práctica médica en múltiples niveles, desde el diagnóstico
hasta la optimización en la gestión de medicamentos en atención primaria y especializada. Este trabajo ana-
liza el funcionamiento de la IA, su implementación en la toma de decisiones clínicas y su impacto en diversas
especialidades médicas, como imagenología, oftalmología, oncología y cardiología. Además, se abordan sus
beneficios, limitaciones y el papel de la convergencia entre la inteligencia humana y artificial en la medicina
moderna. También se discuten los desafíos relacionados con la aceptación de esta tecnología por parte del
personal de salud y la necesidad de regulación para garantizar su uso seguro y efectivo en la práctica clínica.
Palabras clave: IA; práctica médica; especialidades médicas.
ABSTRACT
Artificial intelligence (AI) is revolutionizing medical practice at multiple levels, from diagnosis to medication
management optimization in primary and specialized care. This paper analyzes the functioning of AI, its imple-
mentation in clinical decision-making, and its impact on various medical specialties, such as imaging, ophthal-
mology, oncology, and cardiology. It also addresses its benefits, limitations, and the role of the convergence
between human and artificial intelligence in modern medicine. It also discusses the challenges related to the
acceptance of this technology by healthcare personnel and the need for regulation to ensure its safe and
effective use in clinical practice.
Keywords: AI; medical practice; medical specialties.
Artículo de Revisión
Jonathan Víctor Lozada Pazmiño
1
1. Universidad Central del Ecuador; Quito, Ecuador.
Jonathan Víctor Lozada Pazmiño https://orcid.org/0000-0003-0989-8649
Correspondencia: Jonathan Víctor Lozada Pazmiño; Av. Universitaria, 170129 Quito, Ecuador; pazmi.nene@gmail.com
Recibido: 10/feb/2025 - Aceptado: 12/sep/2025 - Publicado: 29/agos/2025
Revista Ecuatoriana de Pediatría | ISSNe: 2737-6494
Pagína 35 | VOL.26 N°2 (2025)Mayo-Agosto
Introducción
Los avances en inteligencia artificial (IA) y
biotecnología han cambiado drásticamen-
te la forma en que se practica la medici-
na, ofreciendo nuevas herramientas para
mejorar la precisión diagnóstica, optimizar
tratamientos y minimizar errores médicos.
En este contexto, la IA ha demostrado ser
una herramienta poderosa en la interpre-
tación de imágenes médicas, la predicción
de enfermedades y la personalización del
tratamiento.
El objetivo de este estudio es analizar el
impacto de la IA en el diagnóstico médico,
la toma de decisiones clínicas y la gestión
de medicamentos en atención primaria y
especializada, así como evaluar sus aplica-
ciones en diferentes ramas de la medicina
(Sanal et al., 2019). También se revisan los
desafíos éticos y técnicos asociados con su
implementación, tales como el sesgo algo-
rítmico y la privacidad de los datos (Topol,
2019).
Desarrollo
La Inteligencia Artificial (IA) junto con las
técnicas en evolución en biotecnología,
cambiarán la práctica médica de manera
significativa. La forma en que pensamos
sobre las enfermedades cambiará. Ya no
será posible para los médicos hacer un
diagnóstico, recordar los nombres de las
enfermedades, los nombres de los medica-
mentos o los protocolos de manejo sin la
ayuda de computadoras (Sanal MG, 2019).
Hoy en día, estamos utilizando la inteligen-
cia artificial en el diagnóstico y la predic-
ción para ayudar a los médicos. Los algo-
ritmos clínicos y la experiencia humana no
pueden ser reemplazados por máquinas.
Tomará muchos años fusionar completa-
mente o reemplazar a los humanos con
máquinas. Sin embargo, necesitamos modi-
ficar nuestro sistema de educación médica
para preparar a la comunidad médica y
sensibilizar a la sociedad con suficiente an-
telación para una transición sin contratiem-
pos (Sanal MG, 2019).
Funcionamiento de una inteligencia arti-
ficial avanzada
Un algoritmo sofisticado de IA necesita ser
expuesto a flujos de datos estructurados y
etiquetados de una manera que el algo-
ritmo pueda reconocer (es decir, números,
píxeles, colores). Ng y Dean, de Stanford y
Google respectivamente, líderes en ciencias
de la computación, crearon una red neu-
ronal artificial que aprendió a reconocer
conceptos de alto nivel, como rostros hu-
manos, cuerpos humanos o animales (La-
rentzakis A, 2021).
El preentrenamiento no supervisado, el au-
mento de la potencia informática mediante
múltiples unidades de procesamiento gráfi-
co y la computación distribuida permitieron
el uso de redes más grandes con mayor
número de nodos y más profundas capas
informativas, lo que llevó al desarrollo del
aprendizaje profundo o deep learning (DL)
(Larentzakis A, 2021).
Desarrollo e implementación en la toma
de decisiones clínicas
Los pasos implicados en el desarrollo del
apoyo a la toma de decisiones clínicas con
IA inician con que las partes interesadas
deben ser reclutadas temprano en el pro-
ceso para evaluar los modelos existentes,
identificar prioridades clave y desarrollar un
modelo de aprendizaje automático. Luego,
los modelos deben ser validados externa-
mente con una consideración específica a
las medidas de equilibrio, incluyendo fal-
sos positivos y negativos, y el rendimien-
to del modelo en minorías y/o subgrupos
socioeconómicamente desfavorecidos. Pos-
teriormente, los modelos pueden ser im-
plementados en el registro electrónico de
salud con una evaluación subsiguiente. Los
modelos deben ser estudiados y compa-
rados con el estándar de atención y, si se
demuestra que son favorables, pueden ser
difundidos (figura 1) (EJ., 2019).
Artículo de Revisión
Revista Ecuatoriana de Pediatría | ISSNe: 2737-6494
Pagína 36 | VOL.26 N°2 (2025)Mayo-Agosto
Evaluar la evidencia
existente.
Desarrollar
el modelo
utilizando
técnicas
estadísticas
y
basadas en IA
con
validación
interna o
cruzada,
utilizando
fuentes
de datos
retrospectivas
o
prospectivas.
Inspeccionar
predicciones
inexactas
en busca de
errores
sistémicos.
Evaluar
el
rendimiento
del
modelo
en subgrupos
potencialmente
vulnerables.
Desarrollo de un AI-
CDS
utilizando
factores
humanos
Implementación
piloto
en un solo
centro.
Evaluar
la adopción
entre
los
proveedores.
Evaluar
medidas de
equilibrio
Evaluar validez
estadística,
clínica y
económica.
Comparar con
el
estándar
de atención.
Evaluar la evidencia
existente.
Desarrollar
el modelo
utilizando
técnicas
estadísticas
y
basadas en IA
con
validación
interna o
cruzada,
utilizando
fuentes
de datos
retrospectivas
o
prospectivas.
Construcción de
modelo
Validación
Implementación
Demostración
Difusión
Figura 1. Desarrollo e implementación de una IA en la toma de decisiones clínicas. Adap-
tado de: Ramgopal S, Sanchez-Pinto LN, Horvat CM, Carroll MS, Luo Y, Florin TA. Artificial
intelligence-based clinical decision support in pediatrics. Pediatr Res. 2023 Jan;93(2):334-341.
doi: 10.1038/s41390-022-02226-1. Epub 2022 Jul 29. PMID: 35906317; PMCID: PMC9668209.
(Ramgopal S, 2023).
Apoyo a la toma de decisiones clínicas
El apoyo a la toma de decisiones clínicas
(CDS, siglas en inglés de clinical decision
support) son sistemas informáticos diseña-
dos para influir en la toma de decisiones
de los médicos sobre pacientes individuales
en el momento en que se toman dichas
decisiones.
El CDS generalmente abarca tres pasos:
1. Adquirir datos del paciente.
2. Resumir los datos.
3. Sugerir un curso de acción apropiado.
El CDS puede incluir alertas, recordatorios,
conjuntos de órdenes, cálculos de dosis
de medicamentos, paneles de resumen de
atención y sistemas de recuperación de in-
formación en el punto de atención (Ram-
gopal S, 2023).
En pediatría, el CDS se ha utilizado en di-
versas aplicaciones, incluyendo:
• Traumatismo craneoencefálico.
• Asma.
• Infecciones del tracto urinario.
• Detección de trastornos del desarrollo.
• Soporte ventilatorio.
• Selección de antibióticos.
Una revisión sistemática que evaluó el im-
pacto de las herramientas CDS en 148 en-
sayos clínicos aleatorizados (principalmente
en adultos) demostró que el CDS mejora
los resultados en:
• Servicios preventivos (OR: 1.42; IC 95%:
1.27–1.58).
• Solicitud de estudios clínicos (OR: 1.72; IC
95%: 1.47–2.00).
• Prescripción de terapias (OR: 1.57; IC
95%: 1.35–1.82).
Sin embargo, pocos estudios han evalua-
do efectos adversos o consecuencias no
intencionadas, como falsos negativos o el
aumento de la carga laboral del médico
(Ramgopal S, 2023).
Aplicación en la pediatría y neonatolo-
gía
Como herramienta de apoyo para mejo-
rar los resultados de alud en la UCIN y la
UCIP, una revisión sistemática encontró aún
que pocos estudios han demostrado que
la IA ha mejorado directamente los resulta-
dos de salud en pacientes pediátricos en
cuidados críticos (Claudette O. Adegboro,
2022).
Con relación a la predicción del parto pre-
maturo se realizó una revisión sistemática
con las palabras clave ‘inteligencia artifi-
cial’, ‘aprendizaje profundo’, ‘aprendizaje
automático’ y ‘red neuronal’ combinadas
con ‘parto prematuro’. Se incluyeron 22 pu-
blicaciones entre 2010 y 2020. En cuanto
a los valores predictivos, se utilizaron prin-
cipalmente imágenes de electrohisterogra-
ma, seguidas de perfiles biológicos, pa-
neles metabólicos en líquido amniótico o
sangre materna, e imágenes cervicales en
Artículo de Revisión
Revista Ecuatoriana de Pediatría | ISSNe: 2737-6494
Pagína 37 | VOL.26 N°2 (2025)Mayo-Agosto
ecografía. La mayoría de los estudios con-
taban con muestras de cientos de casos,
demasiado pequeñas para el aprendizaje,
aunque solo tres utilizaron bases de datos
médicas con más de cien mil casos. La
precisión fue mayor en estudios que em-
plearon paneles metabólicos e imágenes
de electrohisterograma (Akazawa M, 2022).
Aplicación en el campo médico de otras
especialidades
Imagenología: Las radiografías simples se
usan en algoritmos de aprendizaje auto-
mático para diagnosticar afecciones pul-
monares como neumonía, enfisema y tu-
berculosis, así como para evaluar la edad
ósea y detectar fracturas. Enfermedades
pulmonares: Las redes neuronales analizan
tomografías computarizadas de fumadores
para identificar y clasificar la enfermedad
pulmonar obstructiva crónica y predecir la
mortalidad.
Oftalmología: La inteligencia artificial se
aplica en la evaluación del fondo de ojo
para detectar enfermedades como la reti-
nopatía diabética, la degeneración macu-
lar y las cataratas congénitas.
Oncología: Algoritmos y redes neuronales
han demostrado eficacia en la detección
de cáncer en mamografías, tomografías
computarizadas, resonancias magnéticas,
tomografía con emisión de positrones y en
imágenes clínicas de piel.
Enfermedades gastrointestinales: La IA
analiza imágenes y videos endoscópicos
para detectar neoplasias, incluyendo cán-
cer de esófago, gástrico y pólipos de co-
lon.
Enfermedades cardiovasculares: Algo-
ritmos procesan datos de electrocardio-
gramas, ecocardiografías y tomografías
coronarias para diagnosticar y clasificar
enfermedades del corazón. También pue-
den predecir la supervivencia en casos
como la hipertensión pulmonar.
Neurociencia: Las redes neuronales pro-
fundas permiten predecir el autismo en ni-
ños de alto riesgo, evaluar la progresión de
la demencia, diagnosticar esquizofrenia y
detectar hemorragias cerebrales mediante
imágenes de resonancia magnética y to-
mografía con emisión de positrones.
Enfermedades infecciosas: El aprendizaje
automático facilita la identificación de pa-
tógenos y pruebas de susceptibilidad a an-
tibióticos a través del análisis de espectros
Raman bacterianos y ARN mensajero viral
y bacteriano (Larentzakis A, 2021).
Potencialidad de los algoritmos y la adop-
ción de inteligencia artificial para mejorar
la gestión de medicamentos en atención
primaria.
Una revisión sistemática identificó 14 estu-
dios que cumplían con los criterios de inclu-
sión, siendo la primera revisión de este tipo
sobre el uso de inteligencia artificial (IA) en
la gestión de medicamentos en atención
primaria. Se evaluó si los algoritmos inteli-
gentes reducían los errores de medicación
al minimizar errores humanos.
Resultados
Sistemas de apoyo a la decisión clínica: fue
la categoría de IA más utilizada, con siete
de nueve estudios mostrando una reduc-
ción significativa de errores de medicación.
Se recomienda ampliar la investigación a
mayor escala para evaluar su impacto.
Clases de medicamentos evaluadas: Nueve
estudios especificaron las clases de fárma-
cos analizadas. Cuatro de ellos se enfo-
caron en una única clase (antiinflamato-
rios no esteroides, agentes psicotrópicos,
hipoglucemiantes y anticoagulantes orales),
mostrando reducción significativa de erro-
res.
Errores de prescripción y administración: La
IA previno errores en alrededor del 80%
de los estudios. Se identificaron causas co-
munes como sobrecarga laboral, falta de
capacitación y herramientas obsoletas. Se
sugieren estrategias como la digitalización,
la capacitación y la reorganización del tra-
bajo.
Errores de dispensación: Algunas interven-
ciones con IA redujeron estos errores, es-
pecialmente en poblaciones vulnerables
como personas mayores. Se destaca la
Artículo de Revisión
Revista Ecuatoriana de Pediatría | ISSNe: 2737-6494
Pagína 38 | VOL.26 N°2 (2025)Mayo-Agosto
importancia de incluir farmacéuticos en el
proceso de prescripción y administración.
Aceptación por parte de los profesionales:
La implementación de IA en la rutina médi-
ca encontró resistencia, principalmente por
dificultades en la interacción con el softwa-
re. Se recomienda desarrollar soluciones
más intuitivas y centradas en el usuario.
Impacto económico: Los errores de medi-
cación representan un costo global estima-
do en 42 mil millones de dólares anuales.
La evaluación económica de la IA es difícil
debido a la falta de datos sobre costos
directos e indirectos. Sin embargo, estudios
sugieren que su implementación podría re-
ducir costos relacionados con errores mé-
dicos (Damiani G C group., 2023).
La convergencia de la inteligencia hu-
mana y artificial
El uso de la IA, y en particular el subtipo de
D.L, ha sido posibilitado por el uso de gran-
des volúmenes de datos etiquetados. En
medicina, esto está comenzando a tener
un impacto en tres niveles: para los clínicos,
principalmente a través de la interpretación
mejorando el flujo de trabajo y el potencial
de reducción de errores; y para los pa-
cientes, permitiéndoles procesar sus propios
datos para promover la salud (EJ., 2019).
Limitaciones
Las limitaciones actuales, incluyendo sesgo,
privacidad y seguridad, y falta de transpa-
rencia, junto con las futuras direcciones de
estas aplicaciones, serán discutidas en este
artículo. Con el tiempo, es probable que se
logren mejoras significativas en precisión,
productividad y flujo de trabajo, pero aún
está por verse si esto se utilizará para me-
jorar la relación médico-paciente o facilitar
su deterioro (EJ., 2019).
En pediatría, el CDS basado en reglas se
usa de manera rutinaria para mejorar la
atención del paciente, pero su eficacia sue-
le verse limitada por una baja especificidad
del modelo, lo que genera alertas falsas
positivas. Esto puede provocar insatisfac-
ción en los médicos, contribuir al agota-
miento y poner en riesgo a los pacientes.
Un estudio sobre alertas de medicamentos
en atención primaria mostró una disminu-
ción en el uso del CDS cuando se enviaban
múltiples recordatorios para el mismo pa-
ciente. La falta de respuesta a estas alertas
puede derivar en consecuencias adversas.
En un informe de una unidad de cuidados
intensivos pediátricos, los médicos ignora-
ron repetidamente las alertas de alergias
a medicamentos en un sistema de regis-
tros electrónicos de salud, lo que llevó al
deterioro progresivo de un paciente. Esto
resalta los posibles efectos perjudiciales de
la fatiga por alarmas (Ramgopal S, 2023).
Conclusiones
La inteligencia artificial ha transformado sig-
nificativamente la práctica médica, optimi-
zando diagnósticos y mejorando la gestión
de medicamentos. Sin embargo, persisten
desafíos relacionados con la interpretabili-
dad de los algoritmos, la regulación de su
uso y la resistencia a su adopción por parte
del personal de salud. La investigación fu-
tura debe centrarse en mejorar la equidad
en los modelos de IA, garantizar la segu-
ridad en su aplicación clínica y desarrollar
estrategias para una implementación más
efectiva y ética. Además, se requiere el es-
tablecimiento de normativas claras para el
uso de IA en el sector salud, asegurando
que su impacto sea positivo y sostenible a
largo plazo (Damiani et al., 2023).
Conflictos de intereses
Los autores declaran no tener conflictos de
intereses.
Financiamiento
Se trabajó con fondos propios de los au-
tores.
Contribución de autores
Jonathan Víctor Lozada Pazmiño: Concep-
ción y diseño del trabajo.
Jonathan Víctor Lozada Pazmiño: Recolec-
ción de datos y obtención de resultados.
Jonathan Víctor Lozada Pazmiño: Análisis e
interpretación de datos.
Jonathan Víctor Lozada Pazmiño: Redac-
ción del manuscrito.
Artículo de Revisión
Revista Ecuatoriana de Pediatría | ISSNe: 2737-6494
Pagína 39 | VOL.26 N°2 (2025)Mayo-Agosto
Bibliografía
1. Sanal MG, Paul K, Kumar S, Ganguly NK. Artificial Intelligence and Deep Learning: The Future of Medicine
and Medical Practice. J Assoc Physicians India. 2019 Apr;67(4):71-73. PMID: 31309802.
2. Larentzakis A, Lygeros N. Artificial intelligence (AI) in medicine as a strategic valuable tool. Pan Afr Med J.
2021 Feb 17;38:184. doi: 10.11604/pamj.2021.38.184.28197. PMID: 33995790; PMCID: PMC8106796.
3. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019
Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7. Epub 2019 Jan 7. PMID: 30617339.
4. Ramgopal S, Sanchez-Pinto LN, Horvat CM, Carroll MS, Luo Y, Florin TA. Artificial intelligence-based clinical
decision support in pediatrics. Pediatr Res. 2023 Jan;93(2):334-341. doi: 10.1038/s41390-022-02226-1. Epub 2022
Jul 29. PMID: 35906317; PMCID: PMC9668209.
5. Claudette O. Adegboro, Avishek Choudhury, Onur Asan, Michelle M. Kelly; Artificial Intelligence to Improve
Health Outcomes in the NICU and PICU: A Systematic Review. Hosp Pediatr January 2022; 12 (1): 93–110.
https://doi.org/10.1542/hpeds.2021-006094
6. Akazawa, M., C Hashimoto, K. (2022). Prediction of preterm birth using artificial intelligence: a systematic
review. Journal of Obstetrics and Gynaecology, 42(6), 1662– 1668. https://doi.org/10.1080/01443615.2022.2056
828.
7. Damiani G, Altamura G, Zedda M, Nurchis MC, Aulino G, Heidar Alizadeh A, Cazzato F, Della Morte G,
Caputo M, Grassi S, Oliva A; D.3.2 group. Potentiality of algorithms and artificial intelligence adoption to im-
prove medication management in primary care: a systematic review. BMJ Open. 2023 Mar 23;13(3):e065301.
doi: 10.1136/bmjopen-2022- 065301. PMID: 36958780; PMCID: PMC10040015.
Para referenciar aplique esta cita:
Lozada Pazmiño JV. Inteligencia artificial en la práctica médica: aplicaciones y consideraciones. REV-SEP. 29 de
agosto de 2025; 26(2):34-39. Disponible en: https://rev-sep.ec/index.php/johs/article/view/346
Artículo de Revisión
Jonathan Víctor Lozada Pazmiño: Revisión crítica del manuscrito.
Jonathan Víctor Lozada Pazmiño: Aprobación de su versión final
Jonathan Víctor Lozada Pazmiño: Aporte de paciente o material de estudio.
Jonathan Víctor Lozada Pazmiño: Obtención de financiamiento.
Jonathan Víctor Lozada Pazmiño: Asesoría estadística.
Jonathan Víctor Lozada Pazmiño: Asesoría técnica y administrativa
