Detección precoz de patologías neurológicas mediante inteligencia artificial: una experiencia interdisciplinar desde enfermería. Revisión sistemática

AUTORES

1. Ana Isabel Gimeno Uruen. TSIDNM, Zaragoza, España.
2. Minerva Mínguez Blasco, TCAE y TSIDNM. Instituto Aragonés de Servicios Sociales. Teruel. España.
3. Gisela del Carmen Aguirre Quiroga. TCAE. Instituto Aragonés de Servicios Sociales. Teruel. España.
4. Noelia Gascón Ferrero. TCAE. Instituto Aragonés de Servicios Sociales. Teruel. España.
5. Judith Ruiz Campos. TCAE. Instituto Aragonés de Servicios Sociales. Teruel. España.
6. Ramona Ascensión Omedas Torres. TCAE. Instituto Aragonés de Servicios Sociales. Teruel. España.

RESUMEN

La inteligencia artificial (IA) aplicada a la neuroimagen está despuntando como herramienta clave para la detección precoz de alteraciones neurológicas^1-4.

Se presenta un caso clínico de una paciente que presenta esclerosis múltiple, identificada de forma precoz mediante algoritmo de aprendizaje profundo aplicado a resonancia magnética (RM) cerebral, llevado a cabo en el servicio de radiodiagnóstico de un hospital de tercer nivel.

Este trabajo describe la participación de enfermería (valoración inicial, preparación del paciente, acompañamiento, gestión ética y comunicativa) y técnicos de imagen (optimización del protocolo, control de calidad, validación técnica) a lo largo del proceso diagnóstico.

Se discuten los beneficios: reducción del tiempo diagnóstico, mejora en precisión, experiencia del paciente, así como aquellas limitaciones éticas, formativas y tecnológicas. Se concluye que la integración efectiva de IA en salud, requiere capacitación interdisciplinar, transparencia en el uso clínico, y políticas que garanticen la calidad y seguridad del paciente durante todo el proceso.

PALABRAS CLAVE

Inteligencia artificial, neuroimagen, esclerosis múltiple, enfermería, diagnóstico precoz.

ABSTRACT

Artificial intelligence (AI) applied to neuroimaging is emerging as a key tool for the early detection of neurological disorders^1-4.

We present a clinical case of a patient with multiple sclerosis, identified early using a deep learning algorithm applied to brain magnetic resonance imaging (MRI), carried out in the radiology department of a tertiary hospital.

This paper describes the participation of nursing staff (initial assessment, patient preparation, accompaniment, ethical and communicative management) and imaging technicians (protocol optimization, quality control, technical validation) throughout the diagnostic process.

The benefits are discussed: reduction in diagnostic time, improvement in accuracy, patient experience, as well as ethical, training, and technological limitations. It is concluded that the effective integration of AI in healthcare requires interdisciplinary training, transparency in clinical use, and policies that guarantee quality and patient safety throughout the process.

KEY WORDS

Artificial intelligence, neuroimaging, multiple sclerosis, nursing, early diagnosis.

INTRODUCCIÓN

El empleo de la IA como herramienta de apoyo para el diagnóstico, ha transformado el campo de la imagen médica durante las últimas décadas. En la especialidad de neurología, patologías como la esclerosis múltiple, el Alzheimer o los pequeños accidentes cerebrovasculares, presentan lesiones estructurales sutiles que pueden pasar desapercibidas en fases iniciales si solo se analizan mediante la interpretación humana. Algoritmos basados en deep learning permiten analizar grandes volúmenes de RM, identificar zonas de alteración en la sustancia blanca, cuantificar volumen y número de lesiones, y generar predicciones de evolución clínica^1-4.

El rol del personal sanitario, concretamente enfermería y técnicos en imagen, evoluciona en este contexto; enfermería no solo está para la atención directa del paciente, sino como puente de unión en la comunicación, gestión de consentimiento, acompañamiento y garantía ética; por otro lado, los técnicos en imagen aseguran que las imágenes sean de calidad, adecuadas para ser procesadas por IA, y para validar los outputs técnicos del algoritmo.

El objetivo de este artículo es describir cómo la implementación de una herramienta de IA en neuroimagen permitió la detección precoz de una esclerosis múltiple, analizando así las funciones de enfermería y técnicos, los beneficios y limitaciones del proceso, y las implicaciones para la práctica clínica y formación del personal implicado^1-4.

OBJETIVOS

• Dar a conocer el caso de una paciente de 32 años, que ha sido diagnosticada de forma precoz, de esclerosis múltiple, gracias al uso de la IA en la realización de la RM.
• Fomentar el uso de la IA como complemento al diagnóstico, en los distintos servicios de salud.

METODOLOGÍA

El caso de la paciente analizado (no es caso clínico) para este artículo refleja que la paciente en cuestión no presentaba antecedentes neurológicos relevantes y que acudió a su cita para estudio por presentar cefaleas intermitentes y parestesias en miembros inferiores.

• Valoración enfermera:
• Evaluación de signos y síntomas (cefalea, parestesias).
• Revisión de contraindicaciones para RM (implantes metálicos, claustrofobia).
• Información a la paciente sobre el procedimiento, tiempos, uso del contraste, expectativas, y manejo de su ansiedad.
• Acompañamiento psicológico previo y durante la prueba.

Técnico de imagen:

• Diseño del protocolo de RM de alta resolución, incluyendo secuencias FLAIR, T2.
• Garantía de calidad: calibrado de equipo, control señal/ruido, distorsión, artefactos.
• Integración del algoritmo de IA conectado al PACS o al módulo especializado, validación del mapa generado por IA.

Uso de la IA:

• Algoritmo de aprendizaje profundo entrenado en una base de datos amplia (>20.000 RM), con entrenamiento supervisado.
• Detección automática de lesiones hiperintensas en sustancia blanca.
• Confirmación final visual por médico radiólogo.

Resultados clínicos / diagnóstico:

El algoritmo identificó tres áreas hiperintensas periventriculares en la sustancia blanca derecha; tras valoración por neurología y realización de pruebas complementarias, se confirmó diagnóstico de esclerosis múltiple en fase inicial. Se inició tratamiento inmunomodulador de forma precoz.

DISCUSIÓN

Beneficios:

• Reducción significativa del tiempo diagnóstico (de 48 h a <12 h).
• Mayor precisión gracias a la combinación IA–radiólogo.
• Mejora en la experiencia del paciente mediante acción de enfermería (comprensión, menor ansiedad).
• Optimización de los recursos técnicos: menor necesidad de repetir exploraciones.

Limitaciones:

• Sesgos en bases de datos de entrenamiento del algoritmo (población, calidad de imagen, variabilidad entre escáneres).
• Dependencia tecnológica: necesidad de infraestructura compatible, mantenimiento.
• Aspectos éticos: consentimiento informado claro, transparencia en la interpretación automatizada.
• Necesidad de formación continua tanto de enfermería como de técnicos en imagen para manejar IA, interpretación de mapas, comprender fiabilidad estadística.
• Elevado coste.

Implicaciones para la práctica de enfermería:

• Valoración previa de las necesidades fundamentales del paciente (ansiedad, confort, seguridad).
• Diagnósticos de enfermería (según normas como NANDA, NIC, NOC), dirigidos a la ansiedad ante el procedimiento diagnóstico tecnológico, confianza, comprensión.
• Planificación de cuidados específicos: preparación física y psicológica, gestión del consentimiento, apoyo durante la prueba.

CONCLUSIÓN

La implementación de la IA en el campo de la neuroimagen puede transformar la detección temprana de patologías neurológicas, siempre y cuando exista coordinación interdisciplinar, infraestructuras adecuadas y formación tanto técnica como ética. Enfermería y técnicos de imagen tienen papeles complementarios esenciales para garantizar que la tecnología proporcione calidad asistencial y seguridad al paciente.

BIBLIOGRAFÍA

1. European Society of Radiology. AI in medical imaging: clinical applications and ethical considerations. Insights Imaging. 2024;15(1):101-115.
2. García-Santos P, López M. Aplicación de la inteligencia artificial en el diagnóstico por imagen: retos y oportunidades. Rev Esp Enferm Radiol. 2023;26(2):45-52.
3. Pérez A, Torres R. Nuevas tecnologías en neuroimagen y su impacto en la práctica enfermera. Rev Neurol. 2022;75(3):189-197.
4. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: WHO Press; 2023.