2026, Número S1
<< Anterior Siguiente >>
Rev Mex Anest 2026; 49 (S1)
Inteligencia artificial para el apoyo en la toma de decisiones clínicas en cirugía compleja
Baptista W
Idioma: Español
Referencias bibliográficas: 9
Paginas: 493-495
Archivo PDF: 730.83 Kb.
FRAGMENTO
INTRODUCCIÓN
La cirugía compleja –cardíaca, hepatobiliar
mayor, trasplante, vascular mayor, torácica,
neuroquirúrgica y oncológica de alto riesgo– se
caracteriza por densidad de decisiones secuenciales
bajo incertidumbre, información heterogénea
y equipos multidisciplinarios rotantes; el
volumen y la velocidad de información intraoperatoria
excede sistemáticamente la capacidad
cognitiva del operador único en tiempo real.
La inteligencia artificial (IA) ha sido propuesta
como complemento del juicio clínico para reducir
variabilidad e integrar más datos de los que un
humano puede procesar. Una lectura escépticapragmática
exige tres operaciones previas: distinguir
familias tecnológicas con perfiles de error
distintos, jerarquizar la evidencia disponible para
cada una y declarar honestamente qué decisiones
clínicas son apropiadas para qué herramienta.
Este manuscrito propone ese marco y lo ilustra
con la experiencia de una plataforma desplegada
en el Programa Nacional de Trasplante Hepático
de Uruguay.
REFERENCIAS (EN ESTE ARTÍCULO)
Ren Y, Loftus TJ, Datta S, et al. Performance of a machine learningalgorithm using electronic health record data to predict postoperativecomplications and report on a mobile platform. JAMA Netw Open.2022;5:e2211973.
Wijnberge M, Geerts BF, Hol L, et al. Effect of a machine learningderivedearly warning system for intraoperative hypotension vs standardcare on depth and duration of intraoperative hypotension during electivenoncardiac surgery: the HYPE randomized clinical trial. JAMA.2020;323:1052-1060.
Ripollés-Melchor J, Carrasco-Sánchez L, Tomé-Roca JL, et al.Hemodynamic management guided by the Hypotension PredictionIndex in abdominal surgery: a multicenter randomized clinical trial.Anesthesiology. 2025;142:639-654.
Ke YH, Jin L, Elangovan K, et al. Real-world deployment and evaluationof PEri-operative AI CHatbot (PEACH): a large language model chatbotfor peri-operative medicine. Anaesthesia. 2026;81:62-71.
Hasjim BJ, Azarfar G, Lee FG, et al. A multiagent large languagemodel-based system to simulate the liver transplant selectioncommittee: a retrospective cohort study. Lancet Digit Health.2026;8:100966.
Arina P, Kaczorek MR, Hofmaenner DA, et al. Prediction ofcomplications and prognostication in perioperative medicine: asystematic review and PROBAST assessment of machine learning tools.Anesthesiology. 2024;140:85-101.
Tripodi A, Mannucci PM. The coagulopathy of chronic liver disease. NEngl J Med. 2011;365:147-156.
Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement:updated guidance for reporting clinical prediction models that useregression or machine learning methods. BMJ. 2024;385:e078378.
World Health Organization. Ethics and governance of artificialintelligence for health: guidance on large multi-modal models. Geneva:WHO; 2024.
Texto completo
Cómo citar este artículo