Página |
54
Revista
C
ientífica Zambos
ISSN:
3028
-
8843
Vol.
4
-
Núm.
2
/
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
Enfermería e inteligencia artificial en la Unidad de Cuidados
Intensivos.
Revisión sistemática integrativa
Nursing and artificial intelligence in the Intensive Care Unit.
Integrative systematic review
Borja
-
Aguilar, Mariana Narcisa
1
Trejo
-
Carvajal, Luisa Alexandra
2
https://orcid.org/0009
-
0003
-
9968
-
6689
https://orcid.org/0009
-
0009
-
7234
-
1756
mnborjaa@puce.edu.ec
Latrejo@puce.edu.ec
Ecuador
,
Guayaquil
,
Pontificia Universidad Católica
del Ecuador
Ecuador
,
Guayaquil
,
Pontificia Universidad Católica
del Ecuador
Cambizaca
-
Mora
, Grace del Pilar
3
https://orcid.org/0000
-
0002
-
7126
-
5677
gdcambizaca@puce.ecu.ec
Ecuador
,
Guayaquil
,
Pontificia Universidad Católica
del Ecuador
Autor de correspondencia
1
DOI / URL:
https://doi.org/10.69484/rcz/v4/n2/108
Resumen:
Esta investigación examina el papel de la
Inteligencia Artificial (IA) en la gestión de pacientes dentro de
las Unidades de Cuidados Intensivos (UCI). Se buscó analizar
las ventajas y desventajas de su implementación. Se llevó a
cabo una revisión sistemáti
ca integrativa siguiendo las
directrices de PRISMA utilizando PubMed, Scopus, Google
Scholar, y el proceso de selección fue gestionado con el
software Rayyan. De 1273 estudios revisados, se
seleccionaron 55 después de aplicar los criterios de incl
usión
y exclusión. Los resultados demuestran que la IA ha mejorado
la precisión diagnóstica de algunas patologías críticas como la
Sepsis e Insuficiencia
Respiratoria
, lo que permite una
intervención oportuna y una mejor utilización de recursos
dentro de los hospitales. También se observó que su
incorporación en los sistemas de telemedicina permite una
atención remota más eficiente, especialmente en áreas que
están des
atendidas por especialistas. Sin embargo, existen
desafíos como el sesgo algorítmico, la f
ragmentación de datos
y la renuencia del personal. En conclusión, a pesar de los
avances y beneficios que la tecnología de IA ha mostrado,
todavía es necesario mejorar la capacitación profesional y
formular marcos éticos y legales definitivos para la integ
ración
segura y efectiva de estas tecnologías en el cuidado crítico.
Palabras clave:
Inteligencia artificial, Unidades de Cuidados
Intensivos, Enfermería crítica, Algoritmos predictivos.
Research Article
Recibido
:
04
/
Ene
/202
5
Aceptado
:
24
/
Feb/
202
5
Publicado
:
3
1
/
May
/202
5
Cita:
Borja
-
Aguilar, M. N., Trejo
-
Carvajal, L. A., & Cambizaca
-
Mora, G.
del P. (
2025
). Enfermería e inteligencia
artificial en la Unidad de Cuidados
Intensivos. Revisión sistemática
integrativa.
Revista Científica Zambos
,
4(2), 54
-
70.
https://doi.org/10.69484/rcz/v4/n2/108
Ecuador, Santo Domingo, La
Concordia
Universidad Técnica Luis Vargas
Torres de Esmeraldas
–
Sede Santo
Domingo
Revista Científica Zambos
(
RCZ
)
https://revistaczambos.utelvtsd.edu.ec
Este artículo es un documento de
acceso abierto distribuido bajo los
términos y condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
Página |
55
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
Abstract:
This research examines the role of Artificial Intelligence (AI) in patient management
within Intensive Care Units (ICU).
We sought to analyze the advantages and
disadvantages of its implementation. An integrative systematic review was conducted
following PRISMA guidelines using PubMed, Scopus, Google Scholar, and the
selection process was managed with Rayyan software.
Out of 1273 studies reviewed,
55 were selected after applying inclusion and exclusion criteria. The results
demonstrate that AI has improved
the diagnostic accuracy of some critical pathologies
such as Sepsis and Respiratory Insufficiency, allowing timely intervention and better
utilization of resources within hospitals. It was also noted that their incorporation into
telemedicine systems allow
s for more efficient remote care, especially in areas that
are underserved by specialists. However, there are challenges such as algorithmic
bias, data fragmentation and staff reluctance. In conclusion, despite the advances and
benefits that AI technology
has shown, there is still a need to improve professional
training and formulate definitive ethical and legal frameworks for the safe and effective
integration of these technologies in critical care.
Keywords:
Artificial intelligence, Intensive care units, Critical care nursing, Predictive
algorithms.
1.
Introducción
La implementación de inteligencia artificial en las unidades de cuidados intensivos
(UCI) marca, probablemente, uno de los mayores avances en la medicina actual. Las
UCI son zonas clínicas complejas que necesitan que las decisiones sean tomadas con
rapidez
y precisión para ofrecer a los pacientes gravemente enfermos una oportunidad
para sobrevivir. La IA ha cambiado en gran medida el concepto de bienes con su
desarrollo. Ahora, gracias a la IA, existe la posibilidad de brindar apoyo integral al
monitoreo pe
rmanente, optimizar las intervenciones terapéuticas y hacer pronósticos
precisos de eventos adversos
(Topol, 2019)
. Recientes avances han reiterado la
creciente capacidad de realizar un cambio transformacional en la entrega de atención
dentro de las UCI, no solo en resultados clínicos, sino también en la eficacia de los
procesos de atención
.
La más investigada y relevante de las aplicaciones de IA son los sistemas de apoyo a
la decisión médica. Estos sistemas hacen uso de técnicas de algoritmos de
aprendizaje automático y aprendizaje profundo para atender en tiempo real y buscar
correlaciones
en un conjunto variado de datos clínicos que son propensos a pasar
desapercibidos por los médicos. Por ejemplo, se sabe que ciertos algoritmos de
predicción de sepsis son capaces, con hasta 24 horas de anticipación, de predecir el
desarrollo de sepsis much
o antes del que clínicamente necesita un tratamiento y por
ende facilitar la intervención médica que salva vidas. Además, la IA se ha
Página |
56
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
implementado para aumentar la precisión de la ventilación mecánica y para hacer
ajustes farmacoterapéuticos
a nivel individual
(Komorowski et al., 2018)
.
La aplicación de IA se extiende a la creación de algoritmos sofisticados capaces de
predecir la probabilidad de falla renal aguda o shock séptico, que tienden a avanzar
de manera insidiosa en las UCI. Un ejemplo de esto es un estudio realizado por
(Komorowski et al., 2018)
donde informaron haber aplicado IA a la interpretación de
datos proporcionados por registros electrónicos y afirmaron una precisión diagnóstica
de más del 85%. De la misma manera, la imagenología impulsada por IA ha
demostrado ser invaluable para el recon
ocimiento de algunas características
patológicas, incluyendo neumonías, y ha actuado al nivel de radiólogos
experimentados. Todo esto refuerza la noción de que el uso de la IA en medicina es
para ayudar y mejorar el esfuerzo humano en lugar de reemplazarlo
.
La evolución progresiva en el uso de inteligencia artificial (IA) en las UCI es su
integración de diversas fuentes de información, como monitores de signos vitales y
resultados de laboratorio, para construir modelos predictivos.
Se ah
discut
ido
cómo
sistemas de aprendizaje profundo han sido desarrollados recientemente para
reconocer patrones relacionados a inestabilidad clínica antes de que el paciente
presente rasgos evidentes de deterioro.
Shickel et al. (2018)
notaron que estas
herramientas ayudan a la cantidad de decisiones que deben tomarse y al mismo
tiempo la carga cognitiva que debe asumirse por el personal de salud.
Independientemente de los avances logrados, para la implementación de inteligencia
artificial en las unidades de cuidados intensivos (UCI), se presentan numerosos
problemas como la confiabilidad y precisión en la algoritmia aplicada a sistemas
médicos dive
rsificados y a otros emplazamientos hospitalarios. El nivel de sesgo o
información incompleta de los datos resulta ser una de las muchas restricciones que
afectan la calidad de resultados proporcionados por la IA. Estos sesgos, junto a otros,
resultan en c
ompromisos de generalización que aumentan la probabilidad de un juicio
clínico incorrecto
(Kohane et al., 2018; Topol, 2019)
,
propone que el marco normativo
que contenga ética y juicios evaluativos garantice la representatividad y calidad de los
datos que se utilizan en los modelos de IA.
Un desafío adicional es la brecha entre la inteligencia artificial y el personal médico.
Tratar con estas tecnologías en la práctica clínica se ha implementado de manera
bastante lenta debido a una falta de confianza y comprensión por parte del personal
de
salud. Muchos profesionales expresan preocupaciones sobre la opacidad de los
algoritmos y la inexplicabilidad de las recomendaciones generadas por la IA
(Morley
et al., 2020)
. Además, la implementación de nuevas tecnologías requiere
actualizaciones frecuentes para asegurar que los equipos de atención médica puedan
utilizar efectivamente las nuevas tecnologías. En este tema, se debe prestar especial
atención a los programas edu
cativos sobre IA para el personal de la UCI.
Las implicaciones éticas son también un tema fundamental respecto a la IA en las
UCI. El proceso de toma de decisiones clínicas algorítmicas conlleva dilemas éticos
Página |
57
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
complejos, especialmente en casos donde los valores y preferencias del paciente o
su familia no corresponden con las recomendaciones de la IA. Tal como ocurre en el
caso de los sistemas de apoyo a la decisión de IA para limitar el tratamiento que
sostiene
la vida, donde las preferencias de los pacientes pueden entrar en conflicto
con otras directrices deseadas o el tratamiento prescrito por el equipo médico
(Morley
et al., 2020)
. Junto a esto, la protección y seguridad de los datos de los pacientes son
extremadamente preocupantes. Algunos estudios recientes enfatizan la necesidad de
regulaciones muy diferentes que aseguren que la información médica sensible se
proteja éticamente,
mientras garantizan que la información proporcionada a los
sistemas de IA se maneje con estándares técnicos éticos y de alto nivel
.
Desde un ángulo de la enfermería, la IA puede transformar la práctica clínica mediante
la asistencia en el trabajo humano. Los sistemas de IA pueden ser útiles en la
organización de tareas, el monitoreo de signos vitales y el aviso de cambios sutiles en
el
estado de un paciente que pueden llevar a un debilitamiento de su condición
(Shickel et al., 2018)
. Además, la necesidad de atender las necesidades de los
profesionales de enfermería en el diseño de sistemas que permitan su efectiva
integración en los flujos de trabajo clínicos.
Al mismo tiempo, hay que evaluar los problemas sociales y económicos que el uso de
IA conlleva en las UCI. La enorme inversión que se necesita para el desarrollo e
implementación de estas tecnologías puede hacer que su uso sea prohibitivo en los
países de
bajos ingresos y, por lo tanto, aumentar las disparidades que ya existen con
respecto a la calidad en el cuidado de la salud
(Kohane et al., 2018)
.
Desafortunadamente, la necesidad de recursos científicos y técnicos puede aumentar
la disparidad entre los sistemas de salud que están desarrollados y los que son
subdesarrollados, lo cual forma otro problema que hay que resolver para los políticos
de sa
lud.
2.
Metodología
Este estudio fue preparado como una revisión sistemática integrativa para evaluar el
impacto de la inteligencia artificial (IA) en el cuidado de pacientes hospitalizados en
las Unidades de Cuidados Intensivos (UCI). La metodología adoptada cumplió con las
directrices PRISMA (Elementos de Informe Preferidos para Revisiones Sistemáticas y
Meta
-
Análisis), que aseguran transparencia, reproducibilidad y rigor en la selección,
evaluación y síntesis de la literatura científica relevante
.
Para construir la pregunta de investigación, se aplicó la metodología PICO con los
siguientes componentes y respectivas alternativas: pacientes en la UCI (P),
intervención que involucra el uso de IA para la gestión y optimización del tratamiento
(I), la co
mparación se realiza con la gestión clínica tradicional (C), y el resultado está
relacionado con la mejora de la precisión diagnóstica, la reducción de la mortalidad,
la duración de la estancia y la aceptación por parte del personal de salud (O).
Página |
58
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
La estrategia de búsqueda empleó tanto los términos controlados de tesauro Medical
Subject Headings (MeSH), así como también; las palabras clave relacionadas con
"inteligencia artificial", "aprendizaje automático", como también "Unidad de Cuidados
Intensiv
os". Estas búsquedas se realizaron en las bases de datos especializadas
PubMed, Scopus y Google Scholar. Se utilizaron operadores booleanos para unir
palabras y filtrar el idioma a inglés, español y portugués exclusivamente, en un período
de 2019 a 2023.
El flujo de selección de estudios fue subdividido en las fases de identificación, cribado,
elegibilidad y final para la síntesis. Primeramente, mediante el programa Rayyan, se
recolectaron los títulos y resúmenes de los artículos, lo que proporcionó un con
trol
automatizado del material recolectado. Los estudios que pasaron la etapa inicial
fueron chequeados en sus textos completos para averiguar si cumplían con los
criterios de inclusión, que eran temáticos y de confiabilidad metodológica según las
medidas
de evaluación propuestas por Johns Hopkins. Artículos que no eran
considerados suficientemente rigurosos, proveyendo datos relevantes o que no
trataban el uso de IA en UCI fueron descartados.
La cantidad de información recabada de los estudios escogidos se presentó en un
diagrama el cual permitió identificar la cantidad de estudios encontrados en las
diferentes bases de datos, así como también; la cantidad de bases de datos excluidos
y los incl
uidos para su análisis final en el cual se identificaron elementos importantes
como: diseño del estudio, población, intervención y resultados principales. La
apreciación del riesgo de sesgo se realizó con otras herramientas de la misma guía,
brindando un j
uicio valorativo de posibles errores sistemáticos en los estudios
analizados.
La síntesis de resultados tuvo un desarrollo secuencial, tratando de captar lo más
importante de cada uno de estos temas: exactitud diagnóstica, resultados clínicos,
satisfacción del personal sanitario y dimensión ética. De esta manera, se permite la
inter
relación lógica de la evidencia existente y la formulación de decisiones que
ayudan a comprender el alcance y las restricciones de la inteligencia artificial dentro
de las UCI.
En este apartado escribirá de forma clara todos los procesos, experimentos, pasos,
técnicas realizadas en su investigación. Es muy importante
que
describa de forma
precisa y clara, con el objetivo que otros lectores puedan replicar su estudio. En el
mayor de los casos si este apartado no es claro, existe una alta probabilidad de
rechazo para su documento. Use tablas, diagramas, figuras, formulas…
Incluirá
apartados de
diseño, tipo, nivel y modalidad de investigación, métodos,
procedimientos y técnicas de investigación.
Se d
efin
e
la población o grupo de estudio,
así como los criterios de inclusión, exclusión y eliminación. Especificar aspectos éticos
de la investigación, como autorización de instituciones, consejos científicos, comité de
ética, consentimiento informado.
Página |
59
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
El diagrama PRISMA ilustra el proceso de identificación, selección y elegibilidad de
estudios en esta revisión sistemática. Inicialmente, se identificaron 1,273 registros a
partir de bases de datos como PubMed, Google Académico y Scopus. Para gestionar
y f
iltrar estos artículos de manera eficiente, se utilizó Rayyan, una plataforma
especializada en revisiones sistemáticas que facilita la organización y evaluación de
estudios.
Durante la fase de depuración, 270 estudios duplicados fueron eliminados
automáticamente. Además, 450 registros fueron descartados por herramientas
automatizadas debido a su falta de relevancia, y 15 registros fueron excluidos por
otras razones. Posteriorm
ente, 535 estudios pasaron a la fase de cribado, donde 285
fueron eliminados por no cumplir con los criterios de inclusión.
En la fase de evaluación detallada, se intentó recuperar 250 estudios, de los cuales
15 no pudieron ser recuperados. De los 235 estudios evaluados en profundidad, 85
fueron descartados por no estar directamente relacionados con la inteligencia artificial
y
95 por no abordar su aplicación en Unidades de Cuidados Intensivos.
Es así como, tras este proceso meticuloso de selección y validación, 55 estudios
fueron incluidos en la revisión sistemática. La implementación de Rayyan optimizó la
eficiencia del cribado y permitió asegurar que solo los estudios más relevantes y
metodoló
gicamente rigurosos fueran considerados en el análisis final.
Figura
1
Diagrama PRISMA del proceso de selección de estudios en la revisión sistemática
Nota:
El uso de inteligencia artificial en la gestión y tratamiento de pacientes en Unidades de Cuidado
Intensivo.
Página |
60
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
3.
Resultados
La expansión del uso de registros electrónicos de salud y el machine learning han
hecho posible la incorporación de algoritmos predictivos en la atención de pacientes
en la UCI. Gracias a la captura de datos clínicos y de vigilancia, los algoritmos de IA
h
an podido reconocer patrones en pacientes críticos, lo que ha facilitado diagnósticos
más rápidos y precisos.
E
l monitoreo activo de pacientes con insuficiencia respiratoria
y el reconocimiento temprano de sepsis han sido mejorados por sistemas de IA, lo q
ue
mejora la calidad de la atención médica en tiempo real.
La consulta que
Jentzer et al. (2020)
publicó señala que, en la UCI, el uso de
electrocardiografía con aumento de IA ha sido una herramienta eficaz en la detección
de disfunción ventricular izquierda y, en general, el modelo tuvo un desempeño
aceptable (AUC=0.83), tuvo mejores resultados en i
ndividuos más jóvenes y sin
síndrome coronario agudo, lo que puede indicar que esta tecnología es útil para el
diagnóstico de insuficiencias cardíacas en situaciones límites.
El
sesgo relacionado con la toma de decisiones algorítmicas dentro de los entornos
clínicos, se necesita una revisión ética exhaustiva al implementar modelos de IA en la
atención médica, particularmente dentro del ámbito de los modelos diagnósticos
predictivo
s en la UCI. Es imperativo que la integración del modelo mantenga la
autonomía del paciente junto con la equidad respecto a la provisión de opciones de
tratamiento personalizadas. En relación, la aplicación de tecnologías de aprendizaje
automático y big
data ha cambiado profundamente la forma en que se monitorean a
los pacientes en cuidados críticos en la UCI, de modo que ahora pueden recibir
intervenciones oportunas para la hipertensión intracraneal y la insuficiencia
respiratoria.
Chee et al. (2021)
condujo un estudio donde notaron que durante la pandemia de
COVID
-
19, el uso de IA en la UCI estaba relacionado con la mejora en la asignación
de recursos y la optimización en la estratificación de riesgo de pacientes. Por otro lado,
los autores notaron q
ue la heterogeneidad de los datos usados para entrenar los
modelos generaba problemas en la validez externa. Asimismo,
Kindle & Badawi
(2019)
sostienen que la telemedicina impulsada por Inteligencia Artificial A permite
ahora la extensión de la UCI a través de los sistemas de monitoreo remoto, lo que ha
mejorado la toma de decisiones y los tiempos de respuesta para emergencias
médicas.
L
a IA ha resultado ser útil también en la anticipación de la necesidad de transfusiones
en pacientes con hemorragia gastrointestinal atendidos en la UCI, ellos reportan que
un algoritmo de machine learning alcanzó más del 80% de precisión identificando los
pacientes que requerirían transfusiones, esto ayudaría a mejorar la distribución de
recursos en los servicios críticos.
El estudio de
Kashou et al., (2021)
afirmó que el algoritmo de IA utilizado en ECGs ha
mejorado la detección de disfunción ventricular en pacientes con enfermedades
Página |
61
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
cardiovasculares en camas de UCI, mostrando una precisión diagnóstica similar a la
exploración por ultrasonido y el ecocardiograma. Sin embargo, la IA es muy útil en la
UCI para mejorar el diagnóstico diferencial de condiciones respiratorias y
cardiovascul
ares, especialmente donde la detección de EPOC y otras exacerbaciones
de condiciones críticas son preocupaciones.
La IA ha demostrado competencia en la predicción de eventos adversos y en la gestión
de datos clínicos en la UCI, su uso en la práctica clínica todavía está restringido por
la falta de validación en entornos de la vida real. Subrayan la necesidad de estudi
os
de evaluación para probar la efectividad de estos modelos para la toma de decisiones
clínicas.
Como señalaron
Moazemi et al., (2023)
, el papel de la inteligencia artificial, destacado
en los últimos años, es el de la optimización del monitoreo en la Unidad de Cuidados
Intensivos (UCI); ahora era posible integrar modelos de aprendizaje profundo que
analizan datos en tiempo real para ide
ntificar patrones de deterioro clínico. La
implementación de estas tecnologías ha mejorado la capacidad predictiva para
eventos adversos como la insuficiencia respiratoria y la falla de múltiples órganos, lo
que mejora la toma de decisiones clínicas y redu
ce las tasas de mortalidad general en
pacientes críticamente enfermos.
Completando esta visión,
Rafie et al. (2022)
mencionan que los sistemas de IA
enfocados en la predicción de muertes son más eficaces en la estratificación del riesgo
de los pacientes de la UCI. Estos modelos han facilitado la personalización del
tratamiento de acuerdo a la evolución del paciente y l
a optimización de recursos
hospitalarios, lo que ha permitido aumentar la precisión en la programación de
intervenciones médicas.
En
Chee et al. (2021)
se señala que el uso de inteligencia artificial en la gestión
hospitalaria durante la pandemia de COVID
-
19 ayudó en la optimización del flujo de
pacientes en unidades de cuidados intensivos. Se utilizaron modelos de IA para
predecir el estado crítico de l
os pacientes, lo que permitió una planificación de
recursos más eficiente y prevenir la sobrecarga en los hospitales. De manera similar,
la
IA en dispositivos portátiles como los ventiladores inteligentes ha mejorado
enormemente la automatización del monit
oreo de signos vitales en tiempo real. Estos
dispositivos potenciados por IA son capaces de optimizar la entrega de oxígeno y
reducir la necesidad de personal altamente calificado durante escenarios de
emergencia.
Como lo cita
Chang et al. (2019)
, explica cómo la inteligencia artificial implementada
en las unidades de cuidados intensivos (UCI) ha podido optimizar estrategias en
tiempo real con el uso de técnicas de aprendizaje automático, que han demostrado
una notable capacidad para predecir la m
ortalidad en niños gravemente enfermos al
combinar datos clínicos con algoritmos de aprendizaje profundo.
L
a inteligencia
artificial, a través del análisis de registros electrónicos de salud, ha mejorado la gestión
de riesgos en el ámbito de la UCI, su rev
isión sistemática sustenta que los modelos
Página |
62
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
predictivos de IA han reducido la incidencia de eventos adversos como la sepsis y la
lesión renal aguda al aumentar la anticipación y la capacidad de respuesta del
personal de salud ante condiciones críticas.
E
l uso de modelos de inteligencia artificial basados en árboles de decisión ha
superado a los modelos tradicionales de regresión logística en la predicción de la
mortalidad en la UCI. Estos algoritmos han permitido una mejor evaluación de las
condiciones de
los pacientes en las primeras horas de admisión, lo que permite
intervenciones oportunas y efectivas. En este sentido, la aplicación de inteligencia
artificial también ha sido efectiva en la toma de decisiones sobre la extubación de
pacientes críticament
e enfermos; sus resultados sugieren que la IA ha mejorado la
tasa de éxito de liberar a los pacientes de la ventilación mecánica mientras se
minimizan las posibilidades de re
-
intubación y otras complicaciones relacionadas.
E
l uso de redes neuronales artificiales (ANN) ha mejorado la predicción de la
mortalidad a 30 días para los pacientes admitidos en una unidad de cuidados
intensivos (UCI). La comparación de modelos predictivos tradicionales como el
Simplified Acute Physiolo
gy Score 3, y el modelo ANN predice que los modelos
impulsados por IA pueden mejorar la evaluación clínica oportuna de las condiciones
de los pacientes y proporcionar mejores predicciones que permitan intervenciones
más apropiadas. En este sentido,
Kindle & Badawi (2019)
explican cómo los sistemas
de telemedicina en la UCI, apoyados con inteligencia artificial y big data, pueden
mejorar el cumplimiento de las mejores prácticas en cuidados intensivos,
particularmente los sistemas de soporte de decisiones clínicas (CDSS) ba
sados en
inteligencia artificial que permiten el monitoreo remoto en tiempo real y mejoran el
control del personal y la asignación de recursos dentro de la UCI, lo que optimiza los
tiempos de respuesta ante situaciones críticas.
En otro orden de ideas,
el
“Deep Learning” en la “Predicción de Deterioro Clínico” ha
proporcionado mayor sensibilidad y especificidad en la detección del deterioro clínico
que los métodos convencionales; estos sistemas detectan signos de deterioro, con
hasta un 257% más de sensibil
idad que los enfoques tradicionales. Esto es crucial
para la toma de decisiones clínicas en la UCI.
L
a inteligencia artificial en el manejo de
la ventilación mecánica mejora la precisión en el volumen corriente, la detección de
a
synchronía y el destete del ventilador, no solo optimizando la atención al paciente,
sino también reduciendo las complicaciones asociadas con la ventilación prolongada,
mejorando los resultados clínicos y disminuyendo la carga de trabajo enfermera.
La
aplicación de inteligencia artificial en la gestión de riesgos en unidades de cuidados
intensivos (UCI) mejora la seguridad del paciente con modelos predictivos que utilizan
registros de salud electrónicos; estos modelos han demostrado ser herramientas
ef
icaces para la detección temprana de eventos adversos y son predictivos de sepsis,
úlceras por presión y falla multiorgánica, lo que conduce a una mejor toma de
decisiones y reduce la carga de atención para el personal de salud. De la misma
manera,
Rafie et al., (2022)
describen que el uso de algoritmos de inteligencia artificial
Página |
63
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
en UCI cardiacas ha permitido la integración de varios parámetros clínicos para
predecir con mayor precisión la mortalidad hospitalaria en comparación con métodos
tradicionales; la aplicación de modelos de aprendizaje profundo en la interpretación
de elect
rocardiogramas y la detección de disfunción del ventrículo izquierdo ha
resultado en nuevas avenidas para el monitoreo dinámico de pacientes críticos,
facilitando intervenciones oportunas y mejorando los resultados clínicos.
La sensibilidad emocional en el cuidado de la salud de los pacientes en terapia
intensiva ha mejorado también por el uso de la inteligencia artificial, en la
implementación de automatización por voz, un sistema que hace uso de tecnología
de reconocimiento
de voz para estimular voces familiares que ayudan con la atención
personalizada de recuperación. Este tipo de tecnología fue diseñado especialmente
para ayudar a pacientes en estado de coma, neonatos y lactantes que se encuentran
en estado crítico
,
la IA
e
s notablemente
útil para reducir el estrés y la ansiedad, que
son perjudiciales para la sanación.
H
a habido notables cambios sobre el uso de
inteligencia artificial en cuidados críticos; no solo ha generado la posibilidad de hacer
predicciones de muerte y complicaciones como sepsis y fallo renal agudo, sino que
también ha permitido mejoras en las relaci
ones de trabajo de ventilación médica,
anticipándose a la aparición de sepsis con 12 horas de antelación y dando la
oportunidad de actuar a los clínicos ante
s de que el daño surja.
L
a inteligencia artificial surge como un nuevo recurso en la medicina intensiva, que
abarca desde la optimización de la toma de decisiones clínicas hasta la
implementación de Sistemas de Alerta Temprana para pacientes críticos, la
integración de modelos bas
ados en Machine Learning como ChatGPT
-
4 está
transformando la atención médica al predecir eventos adversos y automatizar la
recolección de datos dentro de las Unidades de Cuidados Intensivos (UCI). Sin
embargo,
(Sakagianni et al., 2023)
utilizan modelos de machine learning para predecir
la mortalidad de pacientes críticos con COVID
-
19 en la UCI y encontraron que
variables como urea, edad y niveles de proteína C
-
reactiva son algunos de los factores
más discriminativos, su estudio resalta
el potencial de la IA en la asignación de
recursos y en los procesos de toma de decisiones clínicas en entornos de atención de
alta dependencia.
La inteligencia artificial ha optimizado el monitoreo ambiental en las Unidades de
Cuidados Intensivos Neonatales (UCIN) como lo demuestra. Los modelos de
aprendizaje automático hacen posible anticipar la temperatura y regularla
automáticamente. Este model
o mejora no solo el control térmico del recién nacido,
sino que también minimiza la complicación de los cambios térmicos en pacientes
críticamente enfermos. Por otro
lado, la
IA aplicada a infecciones en la UCI y enfatizan
la capacidad de prever la neumoní
a asociada a ventiladores (NAV) y la septicemia.
Estos modelos también permiten la detección temprana de infecciones, así como la
administración agresiva de antibióticos, lo que reduce la resistencia microbiana y
mejora la supervivencia del paciente.
Página |
64
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
L
os modelos de IA aplicados al control de infecciones para pacientes en UCI como
beneficiosos para la carga de trabajo de enfermería y diagnósticos precisos,
promoviendo así un cambio hacia enfoques más precisos e integrados en el cuidado
crítico. Este tamb
ién es el caso de
(
Kashou et al., 2021)
, quienes señalan que la IA es
capaz de mejorar la eficiencia de las unidades de cuidados intensivos al ayudar a los
médicos en el diagnóstico de infecciones.
Según
Kobayashi et al., 2023)
su
investigación de validación integrada de IU de IA sobre el dolor en pacientes en
condiciones críticas revisita problemas previamente identificados con el uso de
modelos de evaluación del dolor mediante aprendizaje automático que incorporan
signos vita
les y la escala de observación del dolor en pacientes críticamente enfermos
(CPOT). Sus hallazgos indican que la integración de la IA puede mitigar
potencialmente la variabilidad subjetiva de la evaluación humana y el control de la
evaluación del dolor mie
ntras se optimiza la administración de analgésicos.
Paredes Arellano et al., (2024)
analizan el potencial uso de herramientas de
inteligencia artificial para prevenir el riesgo de lesiones por presión en pacientes que
se encuentran en la Unidad de Cuidados Intensivos (UCI). La investigación utilizó
algoritmos de machine learning y retó a
sí mismos el problema de como aislamiento
de ciertos riesgos como inactividad prolongada, ventilación mecánica y uso de
vasopresores podría mejorar la asistencia y prevención en etapas tempranas en un
contexto de terapia intensiva. Del mismo modo, en est
a línea de investigación,
Issaiy
et al. (2023)
estudiaron el uso de inteligencia artificial para el diagnóstico y pronóstico
de apendicitis en pacientes adultos y confirmaron que las redes neuronales artificiales
superaron los métodos tradicionales en precisión con valores de AUC de 0.985 para
predeci
r complicaciones postoperatorias. Esta evidencia muestra el posible uso de la
IA hacia una mejor toma de decisiones clínicas en la UCI, especialmente en lo que
respecta a la detección temprana de condiciones que amenazan la vida.
Por otro lado,
Chee et al., (2021)
realizaron una revisión sistemática sobre el uso de
inteligencia artificial para el manejo de pacientes con COVID
-
19 en entornos de
emergencia y UCI, los hallazgos sugirieron que las metodologías de aprendizaje
profundo, especialmente las redes convolucio
nales, han sido efectivas en predecir la
gravedad de la enfermedad y optimizar la asignación de recursos críticos, aunque la
mayoría de los estudios aún deben pasar validaciones clínicas exhaustivas.
L
os
modelos de árboles de decisión podrían mejorar la ev
aluación diagnóstica de los
escaneos tomográficos computarizados preoperatorios altamente engañosos de
casos de apendicitis y ofreció evidencia sólida para la toma de decisiones en
emergencias médicas.
Además,
Helman et al., (2023)
se centran en desarrollar la interfaz gráfica de usuario
de inteligencia artificial para sistemas de apoyo a la decisión en unidades de cuidados
intensivos, prestando especial atención a cuestiones de transparencia y confianza del
sistema. En este sentido
,
Aslan et al. (2023)
, quienes intentan abordar las
oportunidades y amenazas de la IA en la gestión y resultados de la sepsis pediátrica,
observan que el modelado predictivo avanzado aumenta la precisión de la detección
Página |
65
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
temprana de condiciones críticas y, en consecuencia, de la intervención oportuna. Los
autores sostienen que es el uso de algoritmos predictivos de IA y su rentabilidad en la
gestión de pacientes encamados en unidades de cuidados críticos.
Los autores
(Paredes Arellano et al., 2024)
contienden que es el uso de algoritmos de
IA para la predicción y su costo eficacia en el manejo de pacientes encamados en
unidades críticas.
A este respecto,
Moazemi et al. (2023)
subrayan la importancia del
tratamiento personalizado a la vía clínica de los pacientes en el recinto, sugiriendo que
el fusionado de datos clínicos y aprendizaje profundo hace a proyecciones de
complicaciones más precisas y disminuye la carga del persona
l de salud. También
(Aslan et al., 2023)
se enfocan en los problemas éticos y operativos que plantea el
uso de IA en salud, afirmando que la validación de los instrumentos debe hacerse
usando diferentes poblaciones para no crear inequidades en la atención sanitaria;
estos estudios justifican el
uso del pensamiento multicéntrico para tratar de
implementar IA en los cuidados intensivos, a fin de que su concepción y aplicación
mejorarán la calidad del servicio.
L
a IA también ha transformado el campo de la medicina de cuidados críticos al
incorporar el uso de registros electrónicos de salud para predecir complicaciones
como sepsis y falla renal aguda. Junto con otros sistemas, ha mejorado enormemente
el poder predi
ctivo del big data, la precisión diagnóstica y ha proporcionado
personalización del tratamiento en entornos altamente sofisticados.
Por otro lado, la precisión de la IA en comparación con una evaluación experta para
la medición de algunos parámetros hemodinámicos fue probada por
Zhai et al. (2022)
,
demostrando que los algoritmos podían aproximar razonablemente la fracción de
eyección del ventrículo izquierdo, lo que contribuye al monitoreo avanzado de
pacientes críticamente enfermos. Este nivel de precisión es vital para manejar la
estabilidad hemo
dinámica en unidades de cuidados intensivos, ya que reduce la
dependencia de la habilidad individual de los operadores.
Monteiro et al., (2021)
revela que la IA ha mejorado la predicción de mortalidad en
Unidades de Cuidados Intensivos (UCIs) a través de la aplicación de técnicas de
selección de características y reducción de dimensionalidad, como la biometría y el
modelado de datos fisiológicos
de pacientes críticamente enfermos. Se ha
demostrado que el análisis de componentes principales híbrido y el clustering
espectral aumentan la precisión de los modelos predictivos al disminuir la variabilidad
intraclase, lo que resulta en una toma de decisi
ones más eficiente en la asignación de
recursos hospitalarios. En este sentido,
Bender et al., (2019)
se centran en la
aplicación de la telemedicina integrada con IA en el monitoreo remoto de pacientes
críticos, demostrando que la combinación de tele
-
UCI y sistemas de apoyo a la
decisión ha mejorado la cobertura de atención en áreas con escasez de especia
listas,
al mismo tiempo que se mejora la adherencia a los protocolos clínicos y se reducen
costos en gastos hospitalarios.
Página |
66
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
4.
Discusión
La información reunida en esta pregunta abierta comprueba que la inteligencia artificial
(IA) ha cambiado la administración clínica sofisticada de los servicios de atención
médica intensiva (UCI), incorporando nuevas tecnologías para la predicción de
event
os adversos, automatización de la toma de decisiones y manejo terapéutico de
los pacientes
(Jentzer et al., 2020; Monteiro et al., 2021)
. La investigación analiza que
la implementación de los algoritmos de aprendizaje automático ha aumentado la
precisión del diagnóstico en comparación con los métodos tradicionales, sobre todo
en el caso de detección de sepsis, insuficiencia respiratoria y
fallo multiorgánico en
sus etapas más iniciales
Paredes Arellano et al., 2024)
. Esa tendencia apoya la
posibilidad que ofrece la IA en la disminución de la carga del trabajo asistencial de los
profesionales de la salud por el aumento de la supervisión continua y efectiva de los
enfermos críticos
(Bender et al., 2019)
.
Asimismo, los modelos de IA han demostrado ser efectivos en la optimización de la
ventilación mecánica y en la predicción de la mortalidad
intrahospitalaria
, lo que
permite una mejor asignación de
recursos,
así como un aumento en la precisión en la
estratificación de riesgos
(Issaiy
et al., 2023; Zhai et al., 2022)
. Sin embargo, el
problema relacionado con la variabilidad de la aplicabilidad del modelo en diferentes
entornos hospitalarios sigue siendo relevante, acentuando la importancia de validar
algoritmos en poblaciones heterogéneas antes de su uso generalizado
.
Además, la
integración de la IA en el monitoreo remoto de pacientes ha mejorado la atención en
áreas con pocos especialistas, lo que subraya su importancia para la telemedicina
(Bender et al., 2019)
.
El uso de IA todavía tiene limitantes, tales como sesgos de interpretabilidad de modelo
y la falta de disposición del personal. Estudios han demostrado que la IA es un recurso
útil para automatizar decisiones clínicas y predecir eventos críticos, pero la r
esistencia
por parte de los trabajadores de la salud para aceptar su empleo limita su
implementación
(Helman et al., 2023)
. Esto lleva a la conclusión de que la
implementación de la IA en clínicas de negocios requerirá cambios fundamentales al
capacitar al personal directamente involucrado en el uso de la IA
(Sakagianni et al.,
2023)
.
Con respecto al uso específico de la IA, su empleo para la disfunción ventricular
izquierda y la neumonía asociada a ventilación mecánica se ha tratado en la literatura
junto con su empleo en la evaluación hemodinámica e interpretación de imágenes
médicas
(Kobayashi et al., 2023; Zhai et al., 2022)
. A pesar de esto, se necesita más
investigación que estudie la variabilidad en la precisión de los modelos y la ausencia
de una validación clínica estricta para ciertos estudios, particularmente en lo que
respecta a su
generalidad
en varios entornos hospitalarios.
Los autores deben discutir los resultados y cómo pueden ser interpretados desde la
perspectiva de estudios previos y de las hipótesis de trabajo. Los hallazgos y sus
Página |
67
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
implicaciones deben ser discutidos en el contexto más amplio posible. También se
pueden destacar las direcciones futuras de la investigación.
5.
Conclusiones
Esta revisión sistemática ha demostrado que la IA ha desempeñado un papel central
en la interrelación de los sistemas de unidades de cuidados intensivos. Su uso ha
avanzado de manera importante en la incorporación de la predicción de eventos
adversos, opti
mización de la monitorización clínica y atención centrada en el paciente.
El uso de algoritmos de aprendizaje automático ha permitido una alta sensibilidad y
especificidad en la detección de sepsis, fallo respiratorio, deterioro hemodinámico y
disfunción v
entricular debido a la capacidad de proporcionar tratamiento temprano y
mejor gestión de los recursos del hospital.
La IA también resultó útil en la administración hospitalaria durante la pandemia de
COVID
-
19 al ayudar a optimizar la asignación de camas, ventiladores y otros recursos
vitales en situaciones de crisis. Los modelos predictivos ayudaron a estratificar a los
pacientes según su gravedad, lo que ha sido crucial en la toma de decisiones durante
situaciones de alta demanda asistida. Asimismo, la integración de estos sistemas en
telemedicina permite que se brinden cuidados intensivos en áreas que carecen de
especi
alistas, ayudando así a mejorar la equidad en la relación médico
-
paciente.
De cualquier forma, la implementación de tecnología de IA aún tiene muchos
problemas que sortear en el área UCI. Uno de los principales inconvenientes es la
heterogeneidad existente del volumen y de la calidad de los datos disponibles para el
modelado, ya
que esto puede comprometer la habilidad del modelo para ser utilizado
en otros hospitales. También, el no estandarizar los registros de salud electrónicos
dificulta la interoperabilidad del sistema, lo que limita las funcionalidades de la IA en
la toma de
decisiones clínicas. Otro problema importante está relacionado con el
comportamiento de los profesionales de la salud, quienes pueden simular incredulidad
en los algoritmos debido a la falta de supuesta transparencia y la posible naturaleza
de caja negra d
e algunos de estos componentes.
Al mismo tiempo, hay una creciente preocupación ética y regulatoria respecto al uso
de la inteligencia artificial en el contexto de la atención crítica, particularmente en
relación con el sesgo y la seguridad del paciente. Existe una clara falta de polític
as
que aseguren la transparencia algorítmica y la no discriminación o la implementación
irresponsable de tecnologías de IA en la atención clínica real.
Los problemas actuales en la atención a los pacientes críticos se pueden resolver por
medio de la inteligencia artificial, la cual puede ayudar significativamente en la
atención en la UCI. Su correcta implementación requiere, sin embargo, un enfoque
delibe
rado, ordenado y específico en varios territorios. Hay que realizar una amplia
verificación clínica, formar al personal de salud y establecer una legislación que
permita un uso seguro y ético de la IA. Estos pasos, sin ninguna duda, permitirán
Página |
68
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
pensar en otras mejoras y optimizar la atención al paciente crítico y consolidar el
cuidado intensivo en los distintos niveles de atención hospitalaria
.
Referencias
B
ibliográficas
Aslan, A.T., Permana, B.,
Harris, P.N.A.
et al.
The Opportunities and Challenges for
Artificial Intelligence to Improve Sepsis Outcomes in the Paediatric Intensive
Care Unit.
Curr Infect Dis Rep
25, 243
–
253 (2023).
https://doi.org/10.1007/s11908
-
023
-
00818
-
4
Bender, W., Hiddleson, C. A., & Buchman, T. G. (2019). Intensive Care Unit
Telemedicine.
Critical Care Clinics
,
35
(3), 497
–
509.
https://doi.org/10.1016/j.ccc.2019.02.011
Chang, A., Intelligence, C., Officer, I., Sharon, T., Lund, D., & Intelligence, M. (2019).
Precision Intensive Care: A Real
-
Time Artificial Intelligence Strategy for the
Future*
. 194
–
195.
https://doi.org/10.1097/PCC.0000000000001883
Chee, M. L., Eng, M., Ong, H., Siddiqui, F. J., Zhang, Z., Lim, S. L., Fu, A., Ho, W., &
Liu, N. (2021).
Artificial Intelligence Applications for COVID
-
19 in Intensive Care
and Emergency Settings : A Systematic Review
.
https://doi.org/10.3390/ijerph18094749
Helman, S., Terry, M. A., Pellathy, T., Hravnak, M., George, E., Al
-
Zaiti, S., & Clermont,
G. (2023). Engaging Multidisciplinary Clinical Users in the Design of an Artificial
Intelligence
–
Powered Graphical User Interface for Intensive Care Unit Instability
Decision Support.
Applied Clinical Informatics
,
14
(04), 789
–
802.
https://doi.org/10.1055/s
-
0043
-
1775565
Issaiy
, M., Zarei, D., & Saghazadeh, A. (2023). Artificial Intelligence and Acute
Appendicitis: A Systematic Review of Diagnostic and Prognostic Models.
World
Journal of Emergency Surgery
,
18
(1), 59.
https://doi.org/10.1186/s13017
-
023
-
00527
-
2
Jentzer, J. C., Kashou, A. H., Attia, Z. I., Lopez
-
jimenez, F., Kapa, S., Friedman, P. A.,
& Noseworthy, P. A. (2020). Left ventricular systolic dysfunction identi fi cation
using arti fi cial intelligence
-
augmented electrocardiogram in cardiac intensive
c
are unit patients.
International Journal of Cardiology
.
https://doi.org/10.1016/j.ijcard.2020.10.074
Kashou, A. H., Noseworthy, P. A., Lopez
-
jimenez, F., Attia, Z. I., Kapa, S., Friedman,
P. A., & Jentzer, J. C. (2021). The effect of cardiac rhythm on artificial
intelligence
-
enabled ECG evaluation of left ventricular ejection fraction
prediction in cardia
c intensive care unit patients.
International Journal of
Cardiology
,
339
(May), 54
–
55.
https://doi.org/10.1016/j.ijcard.2021.07.001
Kindle, R. D., & Badawi, O. (2019
).
Intensive Care Unit Telemedicine in the Era of Big
Data, Artificial Intelligence, and Computer Clinical Decision Support Systems
.
Critical Care Clinics
,
35
(3)
, 483
–
495.
https://doi.org/10.1016/j.ccc.2019.02.005
Página |
69
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
Kobayashi, N., Watanabe, K., Murakami, H., & Yamauchi, M. (2023). Continuous
visualization and validation of pain in critically ill patients using artificial
intelligence: a retrospective observational study.
Scientific Reports
,
13
(1),
17479.
https://doi.org/10.1038/s41598
-
023
-
44970
-
2
Kohane, I. S., Yu, K., & Beam, A. L. (2018). Artificial intelligence in healthcare.
Nature
Biomedical Engineering
,
2
(10), 719
–
731.
https://doi.org/10.1038/S41551
-
018
-
0305
-
Z
Komorowski, M., Celi, L. A., Badawi, O., Gordon, A. C., & Faisal, A. A. (2018). The
Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in
intensive care.
Nature Medicine
,
24
(11), 1716
–
1720.
https://doi.org/10.1038/S41591
-
018
-
0213
-
5
Moazemi, S., Vahdati, S., Li, J., Kalkhoff, S., Castano, L. J. V., Dewitz, B., Bibo, R.,
Sabouniaghdam, P., Tootooni, M. S., Bundschuh, R. A., Lichtenberg, A., Aubin,
H., & Schmid, F. (2023). Artificial intelligence for clinical decision support for
monito
ring patients in cardiovascular ICUs: A systematic review.
Frontiers in
Medicine
,
10
.
https://doi.org/10.3389/fmed.2023.1109411
Monteiro, M. M., de Abreu e Silva, J., Ingvardson, J. B., Nielsen, O. A., & Pinho de
Sousa, J. (2021).
Public Transport Use and Satisfaction by International
Students and Researchers.
Sustainability
,
13
(15).
https://doi.org/10.3390/su13158417
Morley, J., Machado, C. C. V., Burr, C., Cowls, J., Joshi, I., Taddeo, M., & Floridi, L.
(2020). The ethics of AI in health care: A mapping review.
Social Science &
Medicine (1982)
,
260
.
https://doi.org/10.1016/J.SOCSCIMED.2020.113172
Paredes Arellano, A. M., Cuti Riveros, E. A., & Meza Rodriguez, M. S. (2024).
Machine
Learning Models for Predicting the Length of ICU Stay Using Perioperative
Patterns.
2024 20th International Symposium on Medical Information
Processing and Analysis (SIPAIM)
, 1
–
4.
https://doi.org/10.1109/SIPAIM62974.2024.10783562
Rafie, N., Jentzer, J. C., Noseworthy, P. A., & Kashou, A. H. (2022). Mortality
Prediction in Cardiac Intensive Care Unit Patients: A Systematic Review of
Existing and Artificial Intelligence Augmented Approaches.
Frontiers in Artificial
Intelligence
,
5
.
https://doi.org/10.3389/frai.2022.876007
Sakagianni, A., Koufopoulou, C., Verykios, V., Loupelis, E., Kalles, D., & Feretzakis,
G. (2023).
Prediction of COVID
-
19 Mortality in the Intensive Care Unit Using
Machine Learning
.
https://doi.org/10.3233/SHTI230200
Shickel, B., Tighe, P. J., Bihorac, A., & Rashidi, P. (2018). Deep EHR: A Survey of
Recent Advances in Deep Learning Techniques for Electronic Health Record
(EHR) Analysis.
IEEE Journal of Biomedical and Health Informatics
,
22
(5),
1589
–
1604.
https://doi.org/10.1109/JBHI.2017.2767063
Topol, E. J. (2019). High
-
performance medicine: the convergence of human and
artificial intelligence.
Nature Medicine
,
25
(1), 44
–
56.
https://doi.org/10.1038/s41591
-
018
-
0300
-
7
Página |
70
Research Article
Mayo
–
Agosto
202
5
Revista Científica Zambos / Vol. 0
4
/ Num. 0
2
/ www.
revistaczambos.utelvtsd.edu.ec
Zhai, S., Wang, H., Sun, L., Zhang, B., Huo, F., Qiu, S., Wu, X., Ma, J., Wu, Y., & Duan,
J. (2022). Artificial intelligence (AI) versus expert: A comparison of left
ventricular outflow tract velocity time integral (LVOT
-
VTI) assessment between
ICU doctors and an AI tool.
Journal of Applied Clinical Medical Physics
,
23
(8).
https://doi.org/10.1002/acm2.13724