Recibido:
Aceptado:
Esta revisión de literatura tiene como objetivo analizar los aspectos éticos de la inteligencia artificial en el cuidado de enfermería, mediante la identificación de los riesgos y las oportunidades. Se utilizó un diseño basado en la revisión de literatura reciente (2018 a 2024), analizando casos de uso y modelos de inteligencia artificial aplicados en distintos contextos de la atención en salud, especialmente en la disciplina de la enfermería. Los resultados muestran que la inteligencia artificial puede promover condiciones de desigualdad, dependencia tecnológica, sesgo algorítmico, deshumanización, posibles afectaciones en la privacidad, la seguridad de datos y la automatización. Pero también puede tener un impacto positivo en la mejora de la eficiencia, los diagnósticos y tratamientos avanzados, la educación y capacitación continua, la personalización del cuidado, el acceso a la información y la colaboración interdisciplinaria. En conclusión, esta revisión resalta el potencial transformador de la inteligencia artificial en el cuidado de enfermería, siempre que se implemente de manera ética y responsable logrando contribuir a mejorar los resultados clínicos y la calidad del cuidado. Se recomienda que las investigaciones futuras se centren en la forma de minimizar los riesgos y aprovechar al máximo su implementación.
Palabras clave: automatización del cuidado, cuidado de enfermería, ética en salud, ética en tecnología, innovación tecnológica, inteligencia artificial.
This scoping review aims to analyze the ethical implications of Artificial Intelligence (AI) in nursing care by identifying its associated risks and opportunities. To achieve this, a literature review was conducted, examining research published between 2018 and 2024. Specifically, the analysis focused on AI applications and models implemented in diverse healthcare contexts, with particular attention to nursing. The results show that AI poses several risks, including increased inequality, technology dependence, algorithmic bias, dehumanization, privacy breaches, data security vulnerabilities, and challenges related to automation. Nevertheless, AI also offers significant benefits, such as enhanced efficiency, advanced diagnostic and treatment capabilities, continuing education and training, personalized care, expanded access to information, and strengthened interdisciplinary collaboration. In conclusion, this review highlights AI’s transformative potential in nursing care, provided it is integrated ethically and responsibly. Indeed, an ethical integration of AI can contribute to better clinical outcomes and higher-quality care. Looking ahead, future research should explore strategies to minimize risks while maximizing AI’s implementation.
Keywords: healthcare automation, nursing care, healthcare ethics, ethics of technology, technological innovation, artificial intelligence.
A lo largo de la historia, la innovación ha impulsado el avance de la civilización (
La IA se define como la capacidad de un sistema para interpretar datos, aprender de ellos y adaptarse para alcanzar objetivos específicos (
La IA está revolucionando el sector de la salud, facilitando diagnósticos y tratamientos más precisos. Herramientas de reconocimiento de imágenes, por ejemplo, han sido más eficaces que los médicos en la detección de cáncer de piel, transformando el enfoque diagnóstico (
La IA plantea serios dilemas éticos en el cuidado de enfermería, y un reto importante: la posible disminución de personal clínico y administrativo (
Por otro lado, la IA también presenta desafíos significativos en cuanto a la privacidad y la seguridad de los datos, pues una brecha en la protección podría comprometer la confidencialidad del paciente (
Para desarrollar esta revisión sistemática, nos fundamentamos en la guía PRISMA (
Para el análisis de calidad y riesgo de sesgo de los artículos incluidos en este estudio, se utilizaron criterios de calidad basados en guías metodológicas ampliamente reconocidas. Específicamente, se emplearon como referencia las siguientes guías: STROBE (
Posteriormente se extrajeron los datos en una matriz previamente diseñada en Excel considerando toda la información relevante de los estudios seleccionados, e incluyendo objetivos, metodologías, hallazgos y conclusiones en relación con el fenómeno de interés. Luego se analizaron los datos para identificar patrones, tendencias y brechas en la literatura relacionada con la IA y sus riesgos y oportunidades en el cuidado de enfermería. Se establecieron categorías de análisis de forma inductiva a través de una matriz categorial con base en los patrones comunes; en los riesgos de la IA se consideraron las categorías: desigualdad, dependencia tecnológica, sesgo algorítmico, deshumanización, privacidad y seguridad, responsabilidad y transparencia, y automatización. En las oportunidades, las categorías que emergieron fueron: mejora de la eficiencia, diagnóstico y tratamiento avanzado, educación y capacitación, personalización del cuidado, acceso a información y colaboración interdisciplinaria.
De las bases de datos Pubmed, Scielo, Scopus, Science direct, se incluyeron 1008 artículos por título; por duplicado se excluyeron 334, para un total de 674 artículos; por resumen y texto completo se excluyeron 300 y 189 respectivamente, basándonos en los siguientes criterios: carta al editor n = 17, editoriales n = 16, preprints n = 2, texto completo no disponible n = 63, no relación temática n = 391, quedando un total de 185 artículos. 133 estudios no cumplían con los elementos esenciales establecidos en estas guías de calidad, por lo que fueron excluidos, y finalmente 52 estudios fueron considerados aptos para su uso en esta revisión. En la Figura 1 se puede evidenciar este proceso.

El estudio más antiguo data del 2018, y el estudio más reciente data de 2024. De Pubmed se incluyeron 51 estudios, de Science Direct se incluyó 1 estudio. A continuación (Tabla 1), se presentan las guías utilizadas para cada tipo de artículo, junto con el promedio del rango de calidad y el porcentaje del más y menos valorado de cada uno.
Guía | Número de artículos | Promedio de rango de calidad | Más valorado | Menos valorado |
STROBE | 12 | 97 % | 100 % | 91 % |
PRISMA | 7 | 92 % | 100 % | 85 % |
PRISMA SCR | 13 | 92 % | 98 % | 86 % |
SANRA | 2 | 88 % | 92 % | 83 % |
COREQ | 1 | 91 % | 91 % | 91 % |
CONSORT | 5 | 88 % | 92 % | 84 % |
STARD | 7 | 88 % | 93 % | 80 % |
TRIPOD | 5 | 87 % | 93 % | 81 % |
De acuerdo con la anterior revisión, los principales riesgos y oportunidades de la IA en relación con el cuidado de enfermería se pueden agrupar en las subcategorías que se describen a continuación:
Impacto en grupos vulnerables y factores técnicos individuales: la aplicación de IA para predecir caídas en pacientes hospitalizados puede exacerbar desigualdades debido a los sesgos presentes en los datos de entrenamiento. Estos sesgos afectan la equidad del modelo, lo que podría llevar a una atención insuficiente de pacientes de grupos marginados o poblaciones vulnerables, aumentando el riesgo de errores en la predicción y manejo del cuidado (
Barreras tecnológicas y económicas: el acceso desigual a tecnologías avanzadas como la IA y la realidad virtual en la formación de enfermería pone en desventaja a las instituciones con menos recursos. Esto limita la capacidad de sus estudiantes para desarrollar habilidades críticas, causando disparidad en la calidad educativa recibida (
Sobreconfianza en los resultados: si bien la IA ha mejorado la precisión diagnóstica y optimizado los procesos clínicos, la dependencia excesiva en estos modelos tecnológicos podría disminuir la capacidad de los profesionales para tomar decisiones basadas en su juicio clínico. Esto es problemático en casos complejos en los que la IA no ofrece una solución adecuada, debido a las limitaciones en los datos o en el entrenamiento de los modelos (
Pérdida de habilidades críticas: en enfermería, el uso de IA puede limitar la capacidad de los profesionales para abordar casos complejos que no se ajustan a modelos predefinidos (
Sesgo en el desarrollo de algoritmos: si bien existen ejemplos destacados de IA desarrollada en colaboración con profesionales de la salud, como IBM Watson for Oncology (
Variabilidad en la precisión: se han mostrado limitaciones al no generalizar datos adecuadamente en diversos contextos clínicos, lo que ha generado falsos positivos y negativos que podrían afectar la toma de decisiones clínicas. Además, la variabilidad en la precisión depende de factores como la calidad de los datos de entrada y las condiciones de la captura de imágenes (
Disparidad en la recolección de datos: la calidad y diversidad de datos utilizados para entrenar los modelos de IA es otro factor que contribuye al sesgo algorítmico. Los sistemas entrenados con datos de poblaciones específicas tienden a subrepresentar esas minorías, perpetuando desigualdades en la atención, realidad problemática al momento de predecir factores sociales determinantes de la salud, en tanto los datos históricos no reflejan adecuadamente a las poblaciones marginadas (
Reducción de la supervisión y las habilidades humanas: la implementación de tecnologías como la angiografía digital en pacientes con hemodiálisis y el uso de IA en la educación médica ha planteado preocupaciones sobre la reducción de la intervención humana en la atención. La dependencia excesiva en la tecnología puede disminuir la supervisión clínica y afectar el desarrollo de habilidades esenciales como la empatía y la comunicación. En consecuencia, se impacta la formación de los nuevos profesionales de la salud, quienes pueden volverse menos capaces de abordar aspectos emocionales y éticos del cuidado, al centrarse demasiado en las soluciones tecnológicas (
Debilitamiento de la relación paciente-profesional: los pacientes temen que la tecnología reemplace el contacto humano, afectando la confianza y la calidad de la relación con los profesionales de la salud. Además, la falta de formación adecuada en el uso de IA aumenta el riesgo de errores y limita la efectividad de estas herramientas, lo que puede impactar negativamente la calidad de la atención (
Manejo y protección de datos: la IA gestiona abundantes datos personales, lo que ha generado preocupaciones sobre cómo se protegen y utilizan. En muchos casos, los pacientes no están completamente informados sobre la forma en que se recopila y gestiona su información, lo que puede comprometer su privacidad (
Desafíos en la interoperabilidad y seguridad: el uso de chatbots de IA en programas como la pérdida de peso ha demostrado que la integración con múltiples dispositivos y plataformas puede elevar los riesgos relacionados con la protección de datos personales. Los usuarios pueden no estar conscientes de las implicaciones de esta integración, lo que los deja expuestos a violaciones de privacidad si las plataformas no cuentan con protecciones adecuadas (
Transparencia en la toma de decisiones y rendición de cuentas: la opacidad de los sistemas de IA impide que los profesionales de la salud y los pacientes comprendan por qué se toman determinadas decisiones clínicas, lo que dificulta la rendición de cuentas en caso de errores o daños (
Necesidad de mecanismos claros de responsabilidad: se plantea la necesidad de definir claramente quién es responsable en caso de errores. En muchas ocasiones, los sistemas automatizados toman decisiones sin intervención directa de los profesionales, lo que dificulta atribuir responsabilidades cuando algo sale mal (
Reducción del contacto humano: la automatización de procesos como la evaluación del dolor mediante IA puede disminuir la interacción directa entre los profesionales de salud y los pacientes, lo cual puede deshumanizar el cuidado, limitando la empatía y afectando la calidad de la atención brindada. Además, si en los modelos de IA hay ausencia de datos representativos, su eficacia en diferentes entornos clínicos puede verse comprometida, generando dudas sobre su aplicabilidad universal (
Incertidumbre laboral: la automatización plantea preocupaciones sobre el impacto en el desempleo. A medida que más tareas son automatizadas, la necesidad de personal podría reducirse, generando incertidumbre sobre la estabilidad laboral. Este problema se ha observado en otros sectores, donde los trabajadores enfrentan altos niveles de estrés debido a la inseguridad laboral generada por la automatización. Además, no siempre se consideran los factores psicosociales que afectan el bienestar de los trabajadores (
Para la síntesis de los resultados presentados anteriormente, la Tabla 2 muestra cómo se agruparon los estudios por categorías temáticas con relación al fenómeno de interés.
Publicación | País | Diseño del estudio | Población / Objeto de estudio | Conclusiones |
| Australia | Revisión de alcance | Enfermeras y estudiantes | Las enfermeras son clave en evaluar y tratar el dolor con habilidades clínicas y comunicativas. |
|
| Taiwán | Estudio caso y control | Pacientes | El aprendizaje automático mejora la detección de riesgo de caídas, optimizando la atención y aliviando la carga del personal. |
|
| Malasia | Revisión sistemática | Artículos | La IA permite software avanzado para detección, análisis cefalométrico, decisiones clínicas y predicción de tratamientos. |
|
| Japón | Revisión narrativa | Artículos | La implementación de la IA en enfermería debe equilibrarse con la intervención humana para preservar los valores fundamentales del cuidado, manteniendo la ética en su integración. |
|
| Estados Unidos | Revisión sistemática | Datos bibliográficos | La investigación en IA para el cáncer se enfoca en mejorar la detección, las terapias, la medicina personalizada y los resultados informados por los pacientes. |
|
| India | Estudio retrospectivo de observación | Pacientes con cáncer de mama | La IA (Watson for Oncology) mostró alta concordancia con las recomendaciones de tratamiento en cáncer de mama, especialmente en centros con recursos limitados. |
|
| Canadá | Revisión de alcance | Estudios que implementan la IA | Hay variaciones en la IA en cbphc y se necesitan más estudios para mejorar su implementación. |
|
| Estados Unidos | Revisión narrativa | No aplica | La integración de la IA debe abordar los sesgos en cada fase del ciclo de vida del producto para garantizar su equidad y efectividad. |
|
| Canadá | Revisión de alcance | No aplica | Faltan conceptos de equidad en la IA, pero incluir datos de enfermería y salud podría abordar esta limitación. |
|
| China | Estudio de cohorte | Expedientes médicos electrónicos | La investigación confirma que el ml supera los criterios actuales al identificar pacientes con cáncer en alto riesgo de trombosis por picc. |
|
| China | Estudio de cohorte retrospectivo | Pacientes pediátricos en uci | El 15 % de los niños en uci presentan alto riesgo de cadvt. |
|
| China | Estudio de cohorte prospectivo | Niños en estado crítico | Modelos de aprendizaje automático pueden identificar riesgo de delirio en niños críticos tras 24 h en ucip. |
|
| China | Estudio experimental | Pacientes | Pacientes con mhd fueron asignados a grupos para evaluar el valor diagnóstico de dsa en fav autógena. |
|
| Canadá | Revisión de alcance | Artículos científicos | Falta consenso sobre qué y cómo enseñar IA en el pregrado de educación médica (ume, por sus siglas en inglés); se requiere un marco estándar de competencias. |
|
| Reino Unido | Revisión sistemática | Artículos | El estudio destacó la necesidad de comunicación y más investigación cualitativa para mitigar riesgos y maximizar beneficios de la IA. |
|
| Singapur | Revisión de alcance | No aplica | La IA puede mejorar la atención de enfermería, pero se necesitan más ensayos clínicos en entornos reales. |
|
| China | Revisión de alcance | Estudios sobre aplicaciones de IA para salud directa al consumidor. | Las aplicaciones de IA en salud dtc presentan riesgos y oportunidades, requiriendo evaluación actual. |
|
| Singapur | Revisión de alcance | Estudios previos | Los chatbots de IA deben ser humanos, personalizados y divertidos para mejorar la experiencia y el cambio de comportamiento. |
|
| Estados Unidos | Estudio observacional cualitativo | Entrevistas | La IA puede mejorar la atención y reducir disparidades al priorizar pacientes con barreras idiomáticas para servicios de interpretación. |
|
| Irán | Revisión de alcance | Estudios previos | La investigación en IA en medicina de emergencia ha crecido, mostrando potencial en modelos predictivos, pero carece de transparencia en la toma de decisiones. |
|
| Estados Unidos | Revisión de alcance | No aplica | Las intervenciones de IA mejoran el reconocimiento, la predicción y el autocontrol del dolor, pero la mayoría son estudios piloto. |
|
| Reino Unido | Estudio transversal | Enfermeras | La enfermería carece de comprensión sobre IA; se necesita más educación para una integración segura en la práctica. |
|
| Taiwán | Estudio transversal | Trabajadores en ocupaciones con diferentes niveles de automatización | Trabajadores en empleos poco automatizables pueden enfrentar un estrés no reflejado en medidas tradicionales. |
Optimización de los flujos de trabajo y recursos clínicos: en algunos contextos la ia ha demostrado optimizar los flujos de trabajo y la gestión de recursos en la atención clínica. Desde la automatización de documentación, creación de planes de cuidados personalizados, hasta la predicción de riesgos de caída y úlceras por presión, la IA les ha permitido a los enfermeros concentrarse más en la atención directa, mejorando la calidad del cuidado (
Soporte en toma de decisiones clínicas: se ha descrito que la IA puede apoyar la toma de decisiones clínicas en áreas como la predicción de readmisiones hospitalarias y la gestión de infecciones respiratorias. Su implementación ha llevado a reducir significativamente las tasas de rehospitalización, mejorando los resultados clínicos (
Reducción de la carga laboral: en el ámbito de la enfermería, la IA ha aliviado la carga laboral al automatizar tareas rutinarias como monitoreo de bolsas intravenosas, manejo de lesiones por presión (
Predicción de complicaciones: la IA ha sido esencial en la predicción de complicaciones. En pacientes diabéticos, los modelos de IA identificaron riesgos de neuropatía, nefropatía, retinopatía, y amputaciones, posibilitando las intervenciones personalizadas (
Monitoreo en tiempo real: la IA también ha mejorado el monitoreo en tiempo real en diversas áreas. En departamentos de emergencia, los algoritmos predijeron complicaciones en pacientes con crisis hiperglucémicas (
Soporte en salud mental y adherencia a tratamientos: en el campo de la salud mental, la IA interpretó emociones humanas de manera precisa, facilitando el diagnóstico y apoyo emocional (
La integración de la IA y la realidad virtual ha demostrado mejorar la enseñanza del manejo del dolor, permitiéndoles a los estudiantes practicar en entornos simulados sin riesgos para los pacientes. Además, la IA personaliza los escenarios de aprendizaje, mejorando la retención de conocimientos (
Cuidado continuo y emocional: la IA y los robots autónomos han transformado el cuidado de pacientes con enfermedades crónicas y demencia avanzada, demostrando que reducen la agitación, mejoran el bienestar emocional y ofrecen una atención más centrada en las necesidades emocionales y sociales (
Predicción personalizada de riesgos: la IA ha mostrado su eficacia en la prevención de riesgos clínicos. En hogares de ancianos, los modelos predictivos identificaron factores clave para prevenir úlceras por presión (
El uso de IA ha mejorado significativamente el acceso a información crítica en entornos hospitalarios, propiciando la toma de decisiones más informada y eficiente en situaciones de alta presión. Por ejemplo, el uso en los hospitales de chatbots basados en IA ha permitido responder preguntas de los cuidadores de manera rápida y precisa, reduciendo errores y carga de trabajo (
La integración de IA en el ámbito de la salud ha abierto nuevas oportunidades para la colaboración interdisciplinaria, ya que enfermeros, ingenieros de software y otros profesionales trabajan juntos para desarrollar tecnologías más optimizadas (
En síntesis, los resultados mencionados previamente se pueden apreciar en la Tabla 3. Se agruparon los estudios por categorías temáticas con relación al fenómeno de interés.
Autores | País | Diseño del estudio | Población / Objeto de estudio | Conclusiones |
| Singapur | Revisión de alcance | No aplica | La IA puede mejorar la calidad del cuidado de enfermería. |
|
| Estados Unidos | Estudio experimental | Pacientes hospitalizados | La IA reduce los reingresos hospitalarios al mejorar el apoyo en decisiones clínicas. |
|
| Estados Unidos | Estudio observacional | Beneficiarios de Medicare | El aprendizaje automático personalizado permite gestionar brotes de infecciones respiratorias con mayor precisión y eficacia. |
|
| China | Estudio de cohorte | Pacientes sometidos a endoscopias superiores | ENDOANGEL-AS demuestra alta precisión y eficacia en la vigilancia de pacientes con alto riesgo de cáncer del tubo digestivo superior. |
|
| Corea del Sur | Estudio experimental | Imágenes para entrenamiento-validación- pruebas | Se desarrolló un portasueros inteligente basado en dl para monitorear bolsas intravenosas en tiempo real, prevenir errores y reducir la carga del personal de enfermería. |
|
| Taiwán | Estudio experimental | Pacientes con diabetes tipo 2 e hipertensión | Se creó un modelo predictivo eficaz para la estancia hospitalaria y mortalidad en pacientes con dm2 y hta. |
|
| Hungría | Estudio observacional | Enfermeras | Las enfermeras mostraron menor preferencia por la capacidad de autoaprendizaje de los robots, reflejando inquietud por su impacto en competencias clave. |
|
| Estados Unidos | Estudio observacional cualitativo | Entrevistas | La IA puede mejorar la atención médica al priorizar pacientes con barreras idiomáticas, reduciendo disparidades. |
|
| China | Revisión narrativa | No aplica | Hay una brecha conceptual y es necesario cerrarla, reconociendo posibles avances aún no documentados. |
|
| Eslovenia | Revisión sistemática | No aplica | La IA predice con precisión riesgos de complicaciones de la diabetes, siendo una herramienta clave para la atención preventiva en enfermería. |
|
| Egipto | Estudio de casos y controles. | Pacientes | La IA permite predecir con alta precisión las úlceras del pie diabético. |
|
| Taiwán | Estudio de cohorte | Registros médicos electrónicos de pacientes | La IA en tiempo real es una herramienta prometedora para predecir resultados adversos en pacientes con crisis hiperglucémicas en urgencias. |
|
| China | Revisión sistemática | Estudios | Los modelos de aprendizaje automático muestran un excelente desempeño en la predicción de lesiones por presión. |
|
| Canadá | Estudio observacional | Datos de registros médicos electrónicos | El aprendizaje automático identifica con precisión a pacientes hospitalizados en alto riesgo de hipoglucemia, con potencial para mejorar resultados clínicos. |
|
| Taiwán | Estudio observacional | Datos clínicos y demográficos de adultos mayores | El gds-15 podría usarse para seguimiento, ahorrando tiempo y esfuerzo a proveedores y adultos mayores, especialmente analfabetos. |
|
| Estados Unidos | Estudio experimental | Gestos de toma de medicamentos | Los relojes inteligentes monitorean los gestos al tomar medicamentos de forma precisa y no intrusiva, con potencial para mejorar la adherencia. |
|
| Israel | Estudio experimental piloto | No aplica | Chatgpt-4 destacó en mentalización visual, alcanzando estándares similares al desempeño humano, mientras que Bard necesita mejorar en interpretación de emociones visuales. |
|
| Australia | Revisión de alcance | Enfermeras y estudiantes | Las enfermeras son esenciales en la evaluación y el tratamiento del dolor, combinando habilidades clínicas y comunicativas. |
|
| Reino Unido | Estudio transversal | Enfermeras | La enfermería necesita más educación en IA para lograr una integración segura y efectiva en su práctica. |
|
| Australia | Estudio experimental | Pacientes, visitantes y personal hospitalario | Un robot humanoide social demostró ser útil para mejorar el conocimiento sobre prevención de la influenza y fomentar actitudes positivas hacia la vacunación. |
|
| Rumania | Revisión sistemática | Artículos | Las aplicaciones robóticas autónomas son una solución viable y rentable para pacientes con demencia avanzada, beneficiando tanto a los pacientes como al sistema de salud. |
|
| Estados Unidos | Revisión narrativa | No aplica | La implementación ética de la IA en enfermería debe respetar sus valores fundamentales, complementar el cuidado humano y potenciar los aspectos únicos y humanos de la profesión. |
|
| Corea del Sur | Estudio experimental | Residentes de hogares de ancianos | El modelo de bosque aleatorio fue el más preciso para predecir up en residencias de ancianos, identificando factores relacionados con residentes y características del entorno. |
|
| Estados Unidos | Estudio observacional retrospectivo | Notas clínicas | Este estudio exploró por primera vez cómo las notas clínicas de hhc pueden ayudar a identificar pacientes en riesgo de hospitalización o visitas a urgencias. |
|
| Suiza | Estudio observacional | Datos recopilados mediante sensores sin contacto en hogares de adultos mayores | Combinadas con aprendizaje automático, estas evaluaciones son tan efectivas como los enfoques móviles y permiten identificar nuevos biomarcadores digitales a gran escala. |
|
| Canadá | Estudio observacional prospectivo | Datos clínicos y demográficos | El aprendizaje por refuerzo puede automatizar el asesoramiento en diabetes y mejorar sus resultados en salud. |
|
| China | Revisión sistemática | Publicaciones base de datos | Este estudio analiza la IA en tea, destacando a Estados Unidos y China por volumen de publicaciones, Inglaterra por influencia y Stanford como institución líder. |
|
| China | Estudio experimental | Imágenes corporales humanas | Este artículo presenta un sistema de estimación de pose 3D para robots de cuidado en el hogar, utilizando Kinect 2 y tecnología de procesamiento de imágenes para predecir posiciones articulares y puntos axilares. |
|
| Francia | Estudio experimental | Cuidadores de 5 servicios de salud | El chatbot es una herramienta útil para cuidadores hospitalarios, proporcionando información confiable sobre medicamentos y organización farmacéutica. |
|
| Corea del Sur | Estudio experimental prospectivo | Datos de triaje | rmis-ai acelera las tareas de clasificación respecto al método manual, pero requiere mejoras técnicas y más investigación para ser una alternativa confiable. |
|
| Canadá | Revisión de alcance | Artículos recopilados | Este análisis conceptual resalta la importancia de distinguir entre robots, cdss e IA, proponiendo evaluar la IA en enfermería según su impacto en pacientes, enfermeras y organizaciones. |
A pesar de lo reciente que resulta la aplicación de la IA en el ámbito de la salud, su impacto ha generado un cuerpo de evidencia considerable y en constante avance, que subraya tanto sus riesgos como sus oportunidades. La tecnología no debe entenderse como un instrumento neutral, ni como una amenaza de deshumanización, sino como una herramienta que amplía y redefine lo humano, al permitir la integración de capacidades tecnológicas con habilidades humanas esenciales en el cuidado de enfermería (
De acuerdo con la evidencia, la IA no está exenta de riesgos, lo cual hace necesario que se tome una actitud prudente y reflexiva sobre sus aplicaciones en el ámbito del cuidado de enfermería, con una mirada aristotélica que permita situar el punto medio respecto al uso de estas tecnologías en el campo de la salud. Asuntos como la desigualdad —con la especial mención a la escasez de estudios en varios países latinoamericanos, que refleja la disparidad en el acceso a la IA— y la automatización son de especial importancia en contextos geopolíticos ya de por sí inequitativos y con grandes problemáticas sociales. Los riesgos referidos a la dependencia tecnológica y la deshumanización del cuidado merecen un análisis a profundidad, en especial porque el ser humano es una «tecno persona» (
Sin embargo, los resultados de esta revisión también evidencian las oportunidades que la IA ofrece para transformar el cuidado de enfermería. La automatización de tareas rutinarias, como el monitoreo clínico y la gestión administrativa, libera tiempo para que los profesionales enfoquen su atención en tareas que requieren más la esencia humana (
Una mirada prudente a las aplicaciones e implicaciones de la IA en el cuidado de enfermería lleva a reconocer sus potencialidades y riesgos, tratando de orientar el juicio hacia un justo medio aristotélico entre la precaución y la exploración. En este sentido, autores como Maliandi (
Es importante mencionar que la IA está evolucionando a pasos de gigante, por lo que la información reunida en el artículo puede verse desactualizada rápidamente. Así, es relevante tener una mirada abierta y flexible frente a estos avances. Este enfoque permitirá no solo mitigar riesgos asociados a su implementación, sino también aprovechar su potencial para transformar la práctica profesional de la enfermería, impulsando un cuidado más eficiente, equitativo y centrado en las necesidades humanas.
La IA tiene potencial para redefinir el cuidado de enfermería, desde la mejora de la eficiencia hasta la optimización de la colaboración interdisciplinaria. Aunque se identifican riesgos éticos, su adopción responsable podría mejorar significativamente la calidad del cuidado y los resultados clínicos.
Para que la implementación de la IA en el cuidado de enfermería sea efectiva y ética, es fundamental contar con guías éticas y normativas que prioricen la protección de datos, la transparencia y el respeto a la dignidad de los pacientes. Esto permitirá que la IA se convierta en una herramienta confiable y equitativa en los sistemas de salud. Las investigaciones futuras deberían centrarse en evaluar la forma en que estos riesgos podrían minimizarse, y las oportunidades maximizarse, asegurando así que la implementación de la IA se pueda aprovechar de la mejor manera, con el fin de contribuir al progreso en esta era tecnológica.
Los autores declaran no tener ningún conflicto de intereses económico, profesional o personal que pueda influir indebidamente en los resultados obtenidos o en las interpretaciones propuestas.
Todos los autores han contribuido al desarrollo de las ideas conceptuales, al diseño de los conceptos, a las reflexiones obtenidas y a la redacción y versión final de este artículo.