Sistemas de apoyo a la decisión clínica basados en inteligencia artificial en neurofisiología: marco conceptual, criterios de diseño y consideraciones éticas
DOI:
https://doi.org/10.36097/rgcs.v3i2.3254Palabras clave:
inteligencia artificial, sistema de apoyo a la decisión clínica, neurofisiología, potenciales evocados visuales, ética de la IA, marco regulatorioResumen
El diagnóstico en neurofisiología mediante potenciales evocados visuales (VEP) para esclerosis múltiple y neuropatías ópticas sigue siendo dependiente del especialista y sujeto a variabilidad. La inteligencia artificial (IA) ofrece potencial transformador, pero su implementación responsable se obstaculiza por métricas algorítmicas. Este artículo desarrolla un marco conceptual para sistemas de apoyo a la decisión clínica (CDSS) basados en IA en neurofisiología, articulado en tres dimensiones integradas: tipología y fundamentos de los CDSS, criterios de diseño responsable y consideraciones ético-regulatorias. Se proponen seis principios arquitectónicos: transparencia, anclaje en criterios clínicos validados (ISCEV 2023), preservación del juicio médico, minimización de falsas alarmas, reproducibilidad e interoperabilidad, aplicables a cualquier sistema en el campo. El marco se ilustra mediante un sistema EEG‑VEP sobre el dataset VEPCON, que integra clasificación automática, jerarquía clínica sobre umbrales estadísticos y un dashboard con advertencia ética explícita. El desarrollo responsable de CDSS en neurofisiología exige un enfoque sistémico que integre evidencia clínica, diseño operativo y regulación de dispositivos médicos, garantizando su rol como apoyo y no como sustituto del criterio clínico.
Descargas
Referencias
Abbas, M., et al. (2025). Explainable artificial intelligence in clinical neurophysiology: Current state and future directions. Artificial Intelligence in Medicine, 152, 102895. https://doi.org/10.1016/j.artmed.2024.102895
Arrieta, A. B., et al. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
Beauchamp, T. L., & Childress, J. F. (1979). Principles of biomedical ethics. Oxford University Press.
Cabitza, F., Rasoini, R., & Gensini, G. F. (2017). Unintended consequences of machine learning in medicine. JAMA, 318(6), 517–518. https://doi.org/10.1001/jama.2017.7797
Comisión Europea. (2019). Ethics guidelines for trustworthy AI. High-Level Expert Group on AI. https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
FDA. (2021). Artificial intelligence/machine learning (AI/ML)-based software as a medical device (SaMD) action plan. U.S. Food and Drug Administration. https://www.fda.gov/medical-devices/software-medical-device-samd
Fernández-Varela, I., et al. (2022). A unified deep learning framework for real-time clinical EEG analysis. Expert Systems with Applications, 187, 115895. https://doi.org/10.1016/j.eswa.2021.115895
Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089
Gorgolewski, K. J., et al. (2016). The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data, 3, 160044. https://doi.org/10.1038/sdata.2016.44
Ienca, M., & Andorno, R. (2017). Towards new human rights in the neurotechnology age. Life Sciences, Society and Policy, 13(1), 5. https://doi.org/10.1186/s40504-017-0050-1
IMDRF. (2013). Software as a Medical Device (SaMD): Key definitions. International Medical Device Regulators Forum. https://www.imdrf.org/documents/software-medical-device-samd-key-definitions
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2
Manz, P., et al. (2022). Clinical decision support systems for EEG-based neurological diagnosis: A systematic review of implementation gaps. Journal of Biomedical Informatics, 129, 104052. https://doi.org/10.1016/j.jbi.2022.104052
Markiewicz, C. J., et al. (2021). The OpenNeuro resource for sharing of neuroscience data. eLife, 10, e71774. https://doi.org/10.7554/eLife.71774
Martínez, R. (2018). Privacidad, datos de salud y tratamiento de datos sanitarios en el RGPD. Revista Española de Protección de Datos, 3, 1–32. https://doi.org/10.36151/reei.2018.09
Miller, R. A. (1994). Medical diagnostic decision support systems—past, present, and future. Journal of the American Medical Informatics Association, 1(1), 8–27. https://doi.org/10.1136/jamia.1994.95236141
Mittelstadt, B. D., et al. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 1–21. https://doi.org/10.1177/2053951716679679
Obermeyer, Z., et al. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
Odom, J. V., et al. (2023). ISCEV Standard for clinical visual evoked potentials: 2023 update. Documenta Ophthalmologica, 146(3), 169–186. https://doi.org/10.1007/s10633-023-09926-9
Organización Mundial de la Salud. (2021). Ethics and governance of artificial intelligence for health: WHO guidance. World Health Organization. https://www.who.int/publications/i/item/9789240029200
Pascucci, D., et al. (2022). VEPCON: Source imaging of high-density visual evoked potentials with multi-subject brain and connectivity data. Scientific Data, 9(1), 9. https://doi.org/10.1038/s41597-021-01116-1
Pinargote, C. A., Mero, J. G., Macías, V. D., Rodríguez, D., & García, M. A. (2025). Medicine of the future: Artificial intelligence, gene editing, and planetary health. eVitroKhem, 4, 213. https://evk.ageditor.ar/index.php/evk/article/view/213
Rodríguez, D., Chumbay, J. V., García, M. A., & Montero, Y. (2026). Tecnologías emergentes y aprendizaje universitario: revisión sistemática de su efectividad pedagógica y condiciones de implementación. Revista San Gregorio, 1(66), 120–136. https://doi.org/10.36097/rsan.v1i66.4039
Salas, L. E., Caamaño, S. R., Benalcazar, R. A., Turibbi, L. V., Quiroz, D. Z., & García, M. A. (2025). Artificial intelligence tools in the daily study of medical students. EthAIca, 4, 380. https://ai.ageditor.ar/index.php/ai/article/view/380
Shen, D., Wu, G., & Suk, H. I. (2019). Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 19, 221–248. https://doi.org/10.1146/annurev-bioeng-071516-044442
Shortliffe, E. H., & Sepúlveda, M. J. (2018). Clinical decision support in the era of artificial intelligence. JAMA, 320(21), 2199–2200. https://doi.org/10.1001/jama.2018.17163
Sutton, R. T., et al. (2020). An overview of clinical decision support systems: Benefits, risks, and strategies for success. npj Digital Medicine, 3(1), 17. https://doi.org/10.1038/s41746-020-0221-y
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
Wilkinson, M. D., et al. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3, 160018. https://doi.org/10.1038/sdata.2016.18
Descargas
Publicado
Declaración de disponibilidad de datos
No aplicable.
Número
Sección
Licencia
Derechos de autor 2026 Duliet Hong, Jaime E. Pérez, Jaime Azpiazu
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cómo citar
