El problema
La IA puede acercar una interpretación especializada al punto de atención, pero no basta con que el algoritmo parezca acertar.
Muchas zonas, centros pequeños y entornos con pocos recursos no tienen siempre un radiólogo, dermatólogo, oftalmólogo o ecografista disponible. Sin embargo, sí pueden disponer de dispositivos portátiles capaces de capturar imágenes útiles.
La IA promete convertir esas imágenes en apoyo a la decisión: clasificar un hallazgo, priorizar una derivación, señalar una zona sospechosa o ayudar a descartar enfermedad.
El riesgo es confundir rendimiento técnico con beneficio clínico. Una sensibilidad alta no demuestra por sí sola que el paciente mejore, que el profesional entienda la recomendación o que el sistema funcione igual en otro hospital, país o población.
Por qué es difícil
La imagen depende del contexto
La calidad de una ecografía, una fotografía clínica o una radiografía portátil cambia según dispositivo, operador, paciente y entorno.
No todo es precisión
Una herramienta puede clasificar bien en un estudio y aun así no demostrar que mejora decisiones, tiempos, derivaciones o resultados en salud.
La explicación casi no se evalúa
El paper muestra que muchas publicaciones ni siquiera mencionan XAI, y ninguna mide si la explicación cambia la decisión clínica.
La responsabilidad cambia
Si personal no especialista usa IA para interpretar imágenes, hay que definir formación, supervisión, límites y responsabilidad.
La idea principal
La revisión mira la IA en imagen médica de punto de atención como un sistema completo, no como un modelo aislado. Importa la imagen, el operador, la recomendación, la explicación, el flujo clínico y lo que ocurre después.
Los autores proponen dos formas sencillas de ordenar la evidencia. Una cascada de explicabilidad mide si el sistema no menciona XAI, si la usa solo durante el desarrollo, si la muestra al usuario y si se comprueba que el usuario la entiende. Una pirámide de impacto clínico distingue entre precisión técnica, cambios de proceso, acciones clínicas y resultados reales en pacientes.
Esa mirada es muy útil porque evita una trampa frecuente: publicar una IA con buenos números y dar por hecho que ya está lista para cambiar la práctica clínica.
La pregunta no es solo si la IA acierta, sino si ayuda a decidir mejor en el lugar donde se atiende al paciente.
Una forma sencilla de verlo
Es como llevar un experto en el bolsillo. Puede ayudar mucho, pero solo si sabemos cuándo confiar, cuándo pedir confirmación y qué hacer con su recomendación.
Cómo se resolvió
Los autores hicieron una revisión sistemática de estudios publicados entre enero de 2018 y noviembre de 2025 sobre IA aplicada a imagen médica portátil con salida de apoyo a la decisión clínica.
Buscar estudios en varias bases
La búsqueda incluyó PubMed, Scopus, IEEE Xplore y Web of Science, con criterios estrictos para exigir validación clínica en punto de atención.
Filtrar usos realmente clínicos
Se excluyeron trabajos puramente técnicos, retrospectivos sin validación clínica, imágenes no portátiles o estudios que solo mencionaban el punto de atención de forma aspiracional.
Extraer rendimiento y contexto
Se revisaron modalidad de imagen, enfermedad, operador, entrenamiento, arquitectura de IA, comparador, sensibilidad, especificidad y resultados más allá de la precisión.
Evaluar explicabilidad e impacto
La revisión usa una cascada de XAI y una pirámide de impacto clínico para ver si la evidencia llega al usuario y al paciente, no solo al benchmark.
PRISMA 2020
Guía para realizar y reportar revisiones sistemáticas de forma transparente.
QUADAS-2
Herramienta para evaluar riesgo de sesgo en estudios de precisión diagnóstica.
GRADE
Marco para valorar la certeza global de la evidencia disponible.
El experimento
La revisión partió de 2.113 registros. Tras eliminar duplicados y aplicar criterios de inclusión, quedaron 20 estudios con aproximadamente 78.000 pacientes de 15 países.
Los casos cubrieron tuberculosis, cáncer de mama, trombosis venosa profunda, retinopatía diabética y otras enfermedades. Las modalidades incluyeron ecografía, radiografía de tórax, fotografía clínica, fondo de ojo, microscopía y dermoscopia.
La precisión agregada fue prometedora: sensibilidad mediana de 93,6% y especificidad mediana de 90,6%. Pero la propia revisión insiste en interpretar estos números con cautela por la heterogeneidad y el riesgo de sesgo.
Qué se descubrió
El hallazgo más positivo es que la IA puede facilitar task-shifting: en 13 de 20 estudios, personal no especialista pudo realizar tareas de imagen con apoyo de IA. En algunos trabajos, la formación reportada fue breve, con una mediana de una hora entre los estudios que daban una duración concreta.
El hallazgo más incómodo es la brecha de explicabilidad. El 75% de los estudios no mencionó XAI. Solo el 10% mostró explicaciones a usuarios clínicos, y ninguno evaluó si esas explicaciones se entendían o modificaban decisiones.
También falta evidencia de impacto final. Algunos estudios midieron procesos, tiempos o acciones clínicas, pero ninguno midió resultados de salud en pacientes. Además, el 70% de los estudios tuvo riesgo de sesgo alto o muy alto.
- La precisión diagnóstica parece prometedora, pero la certeza global de la evidencia fue muy baja.
- La IA puede apoyar a profesionales no especialistas, pero eso exige formación y protocolos claros.
- La explicabilidad se usa poco como herramienta de comunicación clínica.
- Faltan estudios que demuestren mejora real en pacientes, no solo en métricas técnicas.
- La validación local es imprescindible antes de trasladar un sistema a otro país, dispositivo o flujo clínico.
La IA en el punto de atención no debe venderse como piloto automático, sino como apoyo clínico que aún necesita evaluación seria.
Por qué importa
Este trabajo conecta muy bien con tus publicaciones sobre decision support, reglas clínicas, optimización de eficiencia diagnóstica e IA gobernada. El mensaje de fondo es el mismo: una herramienta médica debe ayudar a decidir, no solo producir una salida automática.
También enlaza con la idea de medir el impacto real. En laboratorio, imagen o triaje, no basta con mejorar una métrica aislada; hay que comprobar si la decisión cambia de forma útil y si el paciente se beneficia.
Para cualquier sistema clínico basado en IA, la lección práctica es clara: precisión, explicabilidad, validación local y resultados en salud deben ir juntos.
Aplicaciones reales
Atención primaria
Apoyar decisiones iniciales con dispositivos portátiles cuando el especialista no está disponible.
Cribado móvil
Usar radiografía portátil, fondo de ojo o fotografía clínica en unidades móviles y programas comunitarios.
Reglas y triaje clínico
Integrar la salida de imagen con reglas de derivación, prioridad y seguimiento.
Evaluación de IA clínica
Exigir estudios que midan comprensión de la explicación, decisiones clínicas y resultados del paciente.
Qué podemos aprender
Una IA médica útil no termina en una predicción. Debe encajar en una decisión humana, explicar lo suficiente, funcionar en el contexto real y demostrar que mejora algo que importa al paciente.
Preguntas frecuentes
¿Este comentario es una publicación propia?
No. Es una explicación divulgativa de un trabajo de Peter Wadie, Bishoy Zakher, Khalid Elgazzar, Abdulhamid Alsbakhi y Abdul-Mohsen G. Alhejaily.
¿El trabajo dice que la IA no sirve en imagen médica?
No. Dice que la precisión es prometedora, pero que faltan mejores estudios sobre explicabilidad, resultados en pacientes y validación en distintos contextos.
¿Qué significa task-shifting?
Significa trasladar parte de una tarea tradicionalmente especializada a profesionales no especialistas, con apoyo de herramientas, formación y supervisión.
¿Por qué importa para decision support clínico?
Porque muestra que un sistema de apoyo no debe evaluarse solo por sensibilidad o especificidad, sino por cómo se entiende, cómo cambia decisiones y si mejora resultados reales.
Trabajo comentado
Publicación original y recursos
Wadie, P.; Zakher, B.; Elgazzar, K.; Alsbakhi, A.; Alhejaily, A.-M.G. AI in Point-of-Care Imaging for Clinical Decision Support: Systematic Review of Diagnostic Accuracy, Task-Shifting, and Explainability. JMIR AI 2026, 5, e80928.