Telemedicina: del acceso remoto a la continuidad asistencial

La telemedicina en urgencias comprende el uso de tecnologías de comunicación para evaluación, orientación, interconsulta y seguimiento a distancia. Su expansión se aceleró durante la pandemia por COVID-19, pero su utilidad actual va más allá de aquel contexto. Puede emplearse en triage virtual, valoración inicial de pacientes seleccionados, apoyo especializado en sitios con menor disponibilidad de recursos y seguimiento posterior al egreso. Una revisión sistemática de ensayos clínicos publicada en 2024 encontró que, particularmente en pacientes no críticos, las intervenciones de telemedicina pueden alcanzar alta concordancia con la valoración presencial y favorecer indicadores como tiempos de atención, adherencia y satisfacción; su papel en escenarios de alta gravedad sigue requiriendo mayor evidencia [5].

IA aplicada al triage y la estratificación de riesgo

El triage constituye uno de los escenarios más atractivos para la IA porque combina información estructurada —edad, signos vitales, antecedentes y mecanismo de llegada— con datos clínicos menos estructurados, como el motivo de consulta. Los modelos pueden estimar gravedad, riesgo de hospitalización, necesidad de cuidados críticos o probabilidad de deterioro. Las revisiones recientes muestran resultados prometedores, aunque heterogéneos, y coinciden en que la IA debe utilizarse como apoyo al profesional que realiza el triage, no como un mecanismo autónomo de clasificación [6,7].

Detección de deterioro clínico y sepsis

Otra aplicación relevante es la identificación temprana del paciente que puede deteriorarse durante su estancia. Los algoritmos pueden integrar tendencias de signos vitales, laboratorio y datos de la historia clínica para generar alertas de riesgo. En sepsis, una revisión sistemática y metaanálisis de 2026 que incluyó 36 estudios y 98 modelos encontró un desempeño predictivo global favorable, pero también señaló problemas de heterogeneidad metodológica y validación externa insuficiente. En la práctica, una alerta útil no es la que simplemente “predice” sepsis, sino la que aparece con suficiente anticipación, es interpretable y conduce a una acción clínica apropiada sin incrementar de manera desproporcionada la fatiga por alarmas [8].

Interpretación diagnóstica y apoyo a decisiones

La IA también se utiliza en interpretación de imágenes, electrocardiografía, procesamiento de lenguaje natural y apoyo a decisiones diagnósticas. En urgencias, estas herramientas pueden funcionar como una segunda lectura o un sistema de priorización que señale estudios con hallazgos potencialmente graves. Su mayor valor parece encontrarse en la simbiosis IA–humano: el sistema identifica patrones y procesa información a gran velocidad, mientras el médico integra contexto, exploración física, preferencias del paciente, evolución temporal y consecuencias de cada decisión [3,4].

Herramientas clínicas especializadas frente a modelos de propósito general

No todas las herramientas de IA tienen el mismo propósito ni nivel de validación. Los modelos conversacionales de propósito general pueden ser útiles para tareas de apoyo informativo, síntesis o redacción, pero no deben confundirse con sistemas clínicos entrenados o ajustados para problemas médicos específicos, integrados a datos clínicos y sometidos a evaluación formal. En Medicina de Urgencias, la adopción responsable debería privilegiar soluciones con población objetivo definida, métricas transparentes, validación externa, evaluación prospectiva e integración segura al flujo de trabajo. La pregunta no es si un programa “sabe medicina”, sino si ha demostrado utilidad y seguridad para una decisión concreta en el contexto donde será utilizado.

Predicción de hospitalización, cuidados intensivos y flujo asistencial

Los modelos predictivos pueden anticipar la probabilidad de ingreso hospitalario, transferencia a cuidados intensivos o utilización de recursos. Esta información podría facilitar la gestión de camas y la preparación temprana de recursos en servicios saturados. Sin embargo, el beneficio operativo depende de que la predicción se produzca con anticipación suficiente y de que exista una respuesta organizacional vinculada al resultado. Un modelo aislado, sin un proceso asistencial que actúe sobre su predicción, difícilmente modificará los resultados [4,7].

Seguimiento posterior al egreso

La combinación de telemedicina, dispositivos conectados y sistemas de alerta ofrece una oportunidad para cerrar la brecha entre el alta del servicio de urgencias y la atención subsecuente. En pacientes seleccionados, el seguimiento remoto puede reforzar indicaciones, revisar resultados pendientes, identificar empeoramiento y orientar una reevaluación presencial cuando sea necesaria. La telemedicina debe entenderse como parte de una estrategia integrada y no como sustituto indiscriminado de la exploración física o de la atención presencial [5].

Limitaciones, sesgos y seguridad

Los beneficios potenciales deben analizarse junto con sus riesgos. El sesgo algorítmico puede aparecer cuando los datos de entrenamiento no representan a la población donde se pretende utilizar el modelo. También importan la calidad y completitud de los datos, la deriva del desempeño con el tiempo, la falta de explicabilidad, la privacidad, la ciberseguridad y la posibilidad de recomendaciones incorrectas. Un modelo puede presentar excelentes métricas internas y fallar al cambiar de hospital, población o proceso clínico. Por ello, la validación local, la supervisión continua y la posibilidad de que el médico cuestione o ignore la recomendación son componentes esenciales de seguridad [1,3,4,8].

Implementación: el reto real

La principal barrera no siempre es tecnológica. La interoperabilidad con el expediente clínico electrónico, la conectividad, los costos, la capacitación, la resistencia al cambio y la definición de responsabilidades pueden determinar el éxito o fracaso de una implementación. La educación médica en salud digital debe incluir no sólo el uso de herramientas, sino también comprensión básica de sus limitaciones, interpretación de métricas, sesgos y criterios para reconocer una recomendación poco confiable. La meta no es automatizar al médico de urgencias, sino liberar capacidad cognitiva y operativa para que pueda concentrarse en las decisiones que requieren juicio clínico, comunicación y responsabilidad profesional.