Inteligencia Artificial para Evaluación Pre-Anestésica
La inteligencia artificial puede utilizarse como herramienta de apoyo para generar borradores estructurados de evaluación pre-anestésica, pero actualmente NO debe reemplazar el juicio clínico del anestesiólogo debido a errores clínicamente relevantes en estratificación de riesgo y planificación anestésica que requieren corrección experta obligatoria.
Marco de Implementación Basado en Evidencia
Capacidades Actuales Demostradas
Los modelos de lenguaje grandes (LLMs) como GPT-4o han mostrado capacidad para:
- Integrar datos estructurados y no estructurados del expediente electrónico para generar evaluaciones pre-anestésicas 1
- Clasificación ASA: GPT-4o demostró alta concordancia con clasificaciones asignadas por clínicos (κ=0.883) cuando se incorporaron datos de la nube del seguro nacional de salud, pero concordancia baja sin estos datos (κ=0.518) 1
- Estratificación de riesgo NVPO: Especificidad del 99.1% pero sensibilidad limitada del 34.7%, identificando subgrupo pequeño de alto riesgo pero sin capturar todos los pacientes que desarrollaron NVPO 1
Limitaciones Críticas Identificadas
Los estudios más recientes (2025-2026) documentan errores sistemáticos que comprometen la seguridad:
Errores en Planificación Anestésica 2, 3, 4:
- Recomendaciones inapropiadas de manejo de vía aérea (fallo en recomendar intubación traqueal en pacientes con alto riesgo de aspiración pulmonar)
- Manejo inadecuado del dolor postoperatorio
- Evaluación inconsistente de riesgo cardiopulmonar
- Ausencia de técnicas locorregionales (preferencia repetitiva por anestesia general)
- 32 instancias de error identificadas en 15 casos complejos, principalmente en evaluación de riesgo y formulación del plan anestésico 3
Deficiencias Específicas 5:
- No aborda adecuadamente configuraciones del ventilador
- Planes de fluidos incompletos
- Dosis de medicamentos no especificadas
Algoritmo de Implementación Segura
Paso 1: Selección de Casos Apropiados
- Casos rutinarios de bajo riesgo: ASA I-II, cirugías electivas sin comorbilidades complejas
- EVITAR en: Casos complejos con múltiples comorbilidades, disfunción orgánica relevante, dispositivos implantados, enfermedad cardiopulmonar o vascular mayor 3
Paso 2: Generación del Borrador
- Utilizar sistema que integre datos estructurados del expediente electrónico
- Crítico: Incorporar datos de sistemas de salud integrados (mejora concordancia de κ=0.518 a κ=0.883) 1
- Aplicar prompts estandarizados basados en guías locales
Paso 3: Revisión Experta Obligatoria
Antes de cualquier uso clínico, anestesiólogo experimentado debe revisar:
- Clasificación ASA y estratificación de riesgo cardiopulmonar
- Indicaciones de intubación traqueal y manejo de vía aérea
- Plan de analgesia postoperatoria
- Selección de técnica anestésica (considerar alternativas locorregionales)
- Dosis específicas de medicamentos y configuraciones del ventilador
Paso 4: Marco de Supervisión
Según guías DECIDE-AI 6, la evaluación clínica debe incluir:
- Transparencia: Documentar versión del sistema de IA utilizado
- Reproducibilidad: Mantener registro de cambios en el algoritmo
- Efectividad: Monitoreo continuo de desenlaces clínicos
- Ética: Consentimiento informado sobre uso de IA en evaluación
- Engagement: Involucrar a pacientes y usuarios finales en desarrollo
Consideraciones de Implementación
Flujo de Trabajo Recomendado
- IA genera borrador estructurado → 2. Anestesiólogo senior corrige errores → 3. Documento corregido se utiliza como apoyo educativo o clínico
Este flujo es factible pero la corrección experta es esencial antes de uso con residentes o aplicación clínica 3.
Trampa Común: Sesgo de Automatización
Los residentes reportan percepciones favorables de materiales generados por IA, pero su capacidad auto-reportada para identificar errores anotados por expertos permanece limitada 3. Riesgo: Confianza excesiva en outputs de IA sin reconocimiento de errores clínicamente relevantes.
Divergencia en la Evidencia
- Estudios con GPT-4o (2026) muestran mejor desempeño cuando se integran datos completos del sistema de salud 1
- Estudios con ChatGPT-4.0 (2025) documentan desacuerdo frecuente con consultores en estimación de riesgo cardiopulmonar y recomendaciones inapropiadas 4
- Evaluación comparativa (2026) muestra que ChatGPT supera a Mistral y modelos específicos de dominio en conformidad con guías, pero Mistral mostró mayor proporción de outputs inseguros 2
Marco Regulatorio y de Calidad
Las guías de 2022 establecen que la evaluación clínica de sistemas de IA debe ser continua y basada en métodos científicos para evaluar desempeño clínico, efectividad y seguridad 6, 7. Los cinco pilares identificados son:
- Transparencia
- Reproducibilidad
- Ética
- Efectividad
- Engagement (participación de usuarios finales)
Brecha identificada: Las guías actuales ofrecen menos orientación sobre el rol del engagement en supervisión y sobre la etapa traslacional de vigilancia 7.
Posición Clínica Definitiva
Los LLMs actuales NO cumplen consistentemente estándares clínicos mínimos y es improbable que sus outputs resulten de razonamiento clínico genuino 4. Por tanto, ChatGPT y sistemas similares no se recomiendan actualmente para planificación preoperatoria autónoma 4.
La IA debe permanecer como herramienta adjunta, supervisada, y explícitamente enmarcada para reducir sesgo de automatización 3. Futuros modelos entrenados con datasets específicos de anestesia podrían mejorar desempeño, pero deben someterse a evaluación rigurosa antes de uso clínico 4, 8.