Resumen: Esta revisión de literatura tiene como objetivo analizar los aspectos éticos de la inteligencia artificial en el cuidado de enfermería, mediante la identificación de los riesgos y las oportunidades. Se utilizó un diseño basado en la revisión de literatura reciente (2018 a 2024), analizando casos de uso y modelos de inteligencia artificial aplicados en distintos contextos de la atención en salud, especialmente en la disciplina de la enfermería. Los resultados muestran que la inteligencia artificial puede promover condiciones de desigualdad, dependencia tecnológica, sesgo algorítmico, deshumanización, posibles afectaciones en la privacidad, la seguridad de datos y la automatización. Pero también puede tener un impacto positivo en la mejora de la eficiencia, los diagnósticos y tratamientos avanzados, la educación y capacitación continua, la personalización del cuidado, el acceso a la información y la colaboración interdisciplinaria. En conclusión, esta revisión resalta el potencial transformador de la inteligencia artificial en el cuidado de enfermería, siempre que se implemente de manera ética y responsable logrando contribuir a mejorar los resultados clínicos y la calidad del cuidado. Se recomienda que las investigaciones futuras se centren en la forma de minimizar los riesgos y aprovechar al máximo su implementación.
Palabras clave: automatización del cuidado, cuidado de enfermería, ética en salud, ética en tecnología, innovación tecnológica, inteligencia artificial.
Abstract: This scoping review aims to analyze the ethical implications of Artificial Intelligence (AI) in nursing care by identifying its associated risks and opportunities. To achieve this, a literature review was conducted, examining research published between 2018 and 2024. Specifically, the analysis focused on AI applications and models implemented in diverse healthcare contexts, with particular attention to nursing. The results show that AI poses several risks, including increased inequality, technology dependence, algorithmic bias, dehumanization, privacy breaches, data security vulnerabilities, and challenges related to automation. Nevertheless, AI also offers significant benefits, such as enhanced efficiency, advanced diagnostic and treatment capabilities, continuing education and training, personalized care, expanded access to information, and strengthened interdisciplinary collaboration. In conclusion, this review highlights AI’s transformative potential in nursing care, provided it is integrated ethically and responsibly. Indeed, an ethical integration of AI can contribute to better clinical outcomes and higher-quality care. Looking ahead, future research should explore strategies to minimize risks while maximizing AI’s implementation.
Keywords: healthcare automation, nursing care, healthcare ethics, ethics of technology, technological innovation, artificial intelligence.
Revisión
Riesgos y oportunidades de la inteligencia artificial en el cuidado de enfermería: una revisión de alcance*
Risks and Opportunities of Artificial Intelligence in Nursing Care: A Scoping Review
Kenider Alexis Castrillón Isaza kenider.castrillon.4507@miremington.edu.co
Juan Camilo Giraldo Restrepo juan.giraldo.2962@miremington.edu.co
John Camilo García Uribe johnc.garcia@udea.edu.co
Recepción: 02 Octubre 2024
Aprobación: 04 Marzo 2025
A lo largo de la historia, la innovación ha impulsado el avance de la civilización (Von Hippel y Suddendorf, 2018). Desde las antorchas hasta las bombillas eléctricas, la evolución técnica ha sido clave para nuestra supervivencia y progreso (Molina Gómez et al., 2015). Esta tendencia innovadora ha trascendido hacia el desarrollo de sistemas complejos como la inteligencia artificial (en adelante IA). Hoy, esta representa una de las innovaciones más importantes, reflejando tanto el dominio técnico como nuestra creciente comprensión del mundo que nos rodea (Liu et al., 2018).
La IA se define como la capacidad de un sistema para interpretar datos, aprender de ellos y adaptarse para alcanzar objetivos específicos (Haenlein y Kaplan, 2019). Esta tecnología imita funciones cognitivas humanas, permitiéndoles a las máquinas resolver problemas, reconocer imágenes y voces, y tomar decisiones informadas (Jiang et al., 2017). Gracias al big data y a los avances en potencia informática, la IA ha pasado de ser experimental a integrarse en sectores como el empresarial y el sanitario (Haenlein y Kaplan, 2019).
La IA está revolucionando el sector de la salud, facilitando diagnósticos y tratamientos más precisos. Herramientas de reconocimiento de imágenes, por ejemplo, han sido más eficaces que los médicos en la detección de cáncer de piel, transformando el enfoque diagnóstico (Haenlein y Kaplan, 2019). En enfermería, permite detectar signos de alarma y mejorar estrategias de cuidado. Para su efectividad, estas herramientas deben entrenarse con datos clínicos, lo que implica algunos riesgos (Jiang et al., 2017). Además, en la administración de servicios, la IA optimiza costos, recursos y eficiencia, mejorando el servicio al paciente (Sunarti et al., 2021).
La IA plantea serios dilemas éticos en el cuidado de enfermería, y un reto importante: la posible disminución de personal clínico y administrativo (López Baroni, 2019). También, si se usan datos sesgados, la IA puede tomar decisiones erróneas o injustas en diagnósticos y tratamientos, por lo cual es crucial evaluar la ética del doble efecto (Seibert et al., 2021; Sunarti et al., 2021). El temor a que la tecnología reemplace la fuerza de trabajo humano tiene antecedentes históricos en el movimiento ludita del siglo xix,[1] cuando los trabajadores ingleses destruían máquinas por temor a perder sus empleos. Aunque en enfermería este escenario parece lejano por el déficit global de enfermeras en el mundo y porque la compasión (García Uribe, 2020), las emociones, y la dimensión subjetiva son esenciales para brindar un cuidado de calidad (Seibert et al., 2021). A diferencia de los luditas, el desafío actual no radica en resistir la tecnología, sino en integrarla como una herramienta.
Por otro lado, la IA también presenta desafíos significativos en cuanto a la privacidad y la seguridad de los datos, pues una brecha en la protección podría comprometer la confidencialidad del paciente (Stahl et al., 2023). La responsabilidad legal es otro punto crítico: si un sistema de IA comete un error que causa daño a un paciente, ¿quién debería asumir la responsabilidad? (Sung et al., 2020). Estos dilemas invitan a integrar la IA en el cuidado de enfermería respetando los principios éticos fundamentales, como la autonomía, justicia, beneficencia y no maleficencia (López Baroni, 2019; Sunarti et al., 2021). Este artículo ofrece un panorama general de los riesgos y las oportunidades de la IA en el cuidado de enfermería, promoviendo aquella como un complemento, no como un reemplazo.
Para desarrollar esta revisión sistemática, nos fundamentamos en la guía PRISMA (Tricco et al., 2018), usada para este tipo de estudios. Se hizo una búsqueda de literatura en 4 bases de datos (Pubmed, Scielo, Scopus y Science Direct) de artículos publicados entre 2018 y 2024. Se diseñaron estrategias de búsqueda con los términos clave en inglés: nursing, artificial intelligence, caring, machine learning, deep learning, health automation, combinados con operadores booleanos. Se afinaron las ecuaciones de búsqueda por cada base de datos y se tuvieron en cuenta artículos en inglés y español. Posteriormente se realizó una selección por título descargando todos los metadatos de los artículos que cumplieran con los siguientes criterios de inclusión: Estudios observacionales, experimentales, transversales, diagnósticos, de casos y controles, de cohorte, cualitativos, revisiones de alcance, revisiones sistemáticas y narrativas, ensayos clínicos; publicados entre el 2018 y 2024; que analicen el uso de IA en el cuidado de enfermería. Los artículos duplicados se identificaron y descartaron utilizando una matriz de categoría, comparando títulos, autores y DOI. Luego se eliminaron artículos por medio de revisión de resumen y texto completo. Finalmente, se analizó la calidad y el riesgo de sesgo de acuerdo con el diseño del estudio y con base en la propuesta de Munn (2014) para estudios de revisiones; este proceso fue realizado por dos investigadores de forma independiente. Las discrepancias fueron resueltas con la intervención del tercer investigador.
Para el análisis de calidad y riesgo de sesgo de los artículos incluidos en este estudio, se utilizaron criterios de calidad basados en guías metodológicas ampliamente reconocidas. Específicamente, se emplearon como referencia las siguientes guías: STROBE (Cuschieri, 2019), para estudios observacionales y de cohorte; PRISMA (Page et al., 2021), para revisiones sistemáticas; PRISMA ScR (Tricco et al., 2018), para revisiones de alcance; SANRA (Baethge et al., 2019), para revisiones narrativas; COREQ (Tong et al., 2007), para estudios cualitativos; CONSORT (Butcher et al., 2022), para ensayos clínicos; STARD (Cohen et al., 2016), para estudios de pruebas diagnósticas; y TRIPOD (Collins et al., 2015), para modelos de predicción. Estas guías se emplearon como propuestas de referencia para orientar la evaluación de aspectos clave como la claridad en la formulación de los objetivos, descripción y elección de metodología, población y muestra, análisis de la información, reporte de sesgos y limitaciones de los estudios.
Posteriormente se extrajeron los datos en una matriz previamente diseñada en Excel considerando toda la información relevante de los estudios seleccionados, e incluyendo objetivos, metodologías, hallazgos y conclusiones en relación con el fenómeno de interés. Luego se analizaron los datos para identificar patrones, tendencias y brechas en la literatura relacionada con la IA y sus riesgos y oportunidades en el cuidado de enfermería. Se establecieron categorías de análisis de forma inductiva a través de una matriz categorial con base en los patrones comunes; en los riesgos de la IA se consideraron las categorías: desigualdad, dependencia tecnológica, sesgo algorítmico, deshumanización, privacidad y seguridad, responsabilidad y transparencia, y automatización. En las oportunidades, las categorías que emergieron fueron: mejora de la eficiencia, diagnóstico y tratamiento avanzado, educación y capacitación, personalización del cuidado, acceso a información y colaboración interdisciplinaria.
De las bases de datos Pubmed, Scielo, Scopus, Science direct, se incluyeron 1008 artículos por título; por duplicado se excluyeron 334, para un total de 674 artículos; por resumen y texto completo se excluyeron 300 y 189 respectivamente, basándonos en los siguientes criterios: carta al editor n = 17, editoriales n = 16, preprints n = 2, texto completo no disponible n = 63, no relación temática n = 391, quedando un total de 185 artículos. 133 estudios no cumplían con los elementos esenciales establecidos en estas guías de calidad, por lo que fueron excluidos, y finalmente 52 estudios fueron considerados aptos para su uso en esta revisión. En la Figura 1 se puede evidenciar este proceso.
El estudio más antiguo data del 2018, y el estudio más reciente data de 2024. De Pubmed se incluyeron 51 estudios, de Science Direct se incluyó 1 estudio. A continuación (Tabla 1), se presentan las guías utilizadas para cada tipo de artículo, junto con el promedio del rango de calidad y el porcentaje del más y menos valorado de cada uno.
De acuerdo con la anterior revisión, los principales riesgos y oportunidades de la IA en relación con el cuidado de enfermería se pueden agrupar en las subcategorías que se describen a continuación:
Impacto en grupos vulnerables y factores técnicos individuales: la aplicación de IA para predecir caídas en pacientes hospitalizados puede exacerbar desigualdades debido a los sesgos presentes en los datos de entrenamiento. Estos sesgos afectan la equidad del modelo, lo que podría llevar a una atención insuficiente de pacientes de grupos marginados o poblaciones vulnerables, aumentando el riesgo de errores en la predicción y manejo del cuidado (Chen y Xu, 2023).
Barreras tecnológicas y económicas: el acceso desigual a tecnologías avanzadas como la IA y la realidad virtual en la formación de enfermería pone en desventaja a las instituciones con menos recursos. Esto limita la capacidad de sus estudiantes para desarrollar habilidades críticas, causando disparidad en la calidad educativa recibida (Harmon et al., 2021).
Sobreconfianza en los resultados: si bien la IA ha mejorado la precisión diagnóstica y optimizado los procesos clínicos, la dependencia excesiva en estos modelos tecnológicos podría disminuir la capacidad de los profesionales para tomar decisiones basadas en su juicio clínico. Esto es problemático en casos complejos en los que la IA no ofrece una solución adecuada, debido a las limitaciones en los datos o en el entrenamiento de los modelos (Huqh et al., 2022).
Pérdida de habilidades críticas: en enfermería, el uso de IA puede limitar la capacidad de los profesionales para abordar casos complejos que no se ajustan a modelos predefinidos (Ibuki et al., 2024). Esta dependencia tecnológica incrementa el riesgo de perder habilidades esenciales como la empatía y la adaptabilidad, fundamentales para ofrecer una atención personalizada (Ibuki et al., 2024).
Sesgo en el desarrollo de algoritmos: si bien existen ejemplos destacados de IA desarrollada en colaboración con profesionales de la salud, como IBM Watson for Oncology (Somashekhar et al., 2018), que buscan atender necesidades clínicas específicas, varios estudios (Abbasgholizadeh Rahimi et al., 2021; Abràmoff et al., 2023) han señalado que esta participación no siempre es la norma. En algunos casos, los algoritmos son entrenados sin una comprensión adecuada del contexto clínico, lo que puede llevar a resultados que perpetúan sesgos existentes. Esto resalta la importancia de garantizar una integración constante y significativa del personal de salud en todas las etapas del diseño y la implementación de estas tecnologías.
Variabilidad en la precisión: se han mostrado limitaciones al no generalizar datos adecuadamente en diversos contextos clínicos, lo que ha generado falsos positivos y negativos que podrían afectar la toma de decisiones clínicas. Además, la variabilidad en la precisión depende de factores como la calidad de los datos de entrada y las condiciones de la captura de imágenes (Li et al., 2021; Liu et al., 2019). Esta situación es especialmente preocupante en entornos pediátricos críticos, donde la exactitud en la predicción de complicaciones, como la trombosis venosa, es esencial para la seguridad del paciente (Lei et al., 2023; Li et al., 2021).
Disparidad en la recolección de datos: la calidad y diversidad de datos utilizados para entrenar los modelos de IA es otro factor que contribuye al sesgo algorítmico. Los sistemas entrenados con datos de poblaciones específicas tienden a subrepresentar esas minorías, perpetuando desigualdades en la atención, realidad problemática al momento de predecir factores sociales determinantes de la salud, en tanto los datos históricos no reflejan adecuadamente a las poblaciones marginadas (Ronquillo et al., 2022).
Reducción de la supervisión y las habilidades humanas: la implementación de tecnologías como la angiografía digital en pacientes con hemodiálisis y el uso de IA en la educación médica ha planteado preocupaciones sobre la reducción de la intervención humana en la atención. La dependencia excesiva en la tecnología puede disminuir la supervisión clínica y afectar el desarrollo de habilidades esenciales como la empatía y la comunicación. En consecuencia, se impacta la formación de los nuevos profesionales de la salud, quienes pueden volverse menos capaces de abordar aspectos emocionales y éticos del cuidado, al centrarse demasiado en las soluciones tecnológicas (Lee, Wu et al., 2021; Mi, 2022).
Debilitamiento de la relación paciente-profesional: los pacientes temen que la tecnología reemplace el contacto humano, afectando la confianza y la calidad de la relación con los profesionales de la salud. Además, la falta de formación adecuada en el uso de IA aumenta el riesgo de errores y limita la efectividad de estas herramientas, lo que puede impactar negativamente la calidad de la atención (Fazakarley et al., 2024).
Manejo y protección de datos: la IA gestiona abundantes datos personales, lo que ha generado preocupaciones sobre cómo se protegen y utilizan. En muchos casos, los pacientes no están completamente informados sobre la forma en que se recopila y gestiona su información, lo que puede comprometer su privacidad (Ng et al., 2022). Esto es crítico en aplicaciones de salud directas al consumidor, donde la falta de transparencia sobre el uso de la información personal puede generar vulnerabilidades significativas (He et al., 2023).
Desafíos en la interoperabilidad y seguridad: el uso de chatbots de IA en programas como la pérdida de peso ha demostrado que la integración con múltiples dispositivos y plataformas puede elevar los riesgos relacionados con la protección de datos personales. Los usuarios pueden no estar conscientes de las implicaciones de esta integración, lo que los deja expuestos a violaciones de privacidad si las plataformas no cuentan con protecciones adecuadas (Chew, 2022).
Transparencia en la toma de decisiones y rendición de cuentas: la opacidad de los sistemas de IA impide que los profesionales de la salud y los pacientes comprendan por qué se toman determinadas decisiones clínicas, lo que dificulta la rendición de cuentas en caso de errores o daños (Masoumian Hosseini et al., 2023). En situaciones críticas, como en la atención de emergencias, la falta de explicaciones claras por parte de los sistemas de IA puede generar desconfianza y limitar la intervención humana, lo que agrava las consecuencias de un posible fallo (Barwise et al., 2024; Masoumian Hosseini et al., 2023).
Necesidad de mecanismos claros de responsabilidad: se plantea la necesidad de definir claramente quién es responsable en caso de errores. En muchas ocasiones, los sistemas automatizados toman decisiones sin intervención directa de los profesionales, lo que dificulta atribuir responsabilidades cuando algo sale mal (Barwise et al., 2024). Se hace evidente, entonces, la importancia de establecer marcos regulatorios y mecanismos de supervisión que permitan identificar quién debe rendir cuentas, ya sea el desarrollador de la tecnología, el proveedor de salud o ambos.
Reducción del contacto humano: la automatización de procesos como la evaluación del dolor mediante IA puede disminuir la interacción directa entre los profesionales de salud y los pacientes, lo cual puede deshumanizar el cuidado, limitando la empatía y afectando la calidad de la atención brindada. Además, si en los modelos de IA hay ausencia de datos representativos, su eficacia en diferentes entornos clínicos puede verse comprometida, generando dudas sobre su aplicabilidad universal (Abuzaid et al., 2022; Zhang et al., 2023).
Incertidumbre laboral: la automatización plantea preocupaciones sobre el impacto en el desempleo. A medida que más tareas son automatizadas, la necesidad de personal podría reducirse, generando incertidumbre sobre la estabilidad laboral. Este problema se ha observado en otros sectores, donde los trabajadores enfrentan altos niveles de estrés debido a la inseguridad laboral generada por la automatización. Además, no siempre se consideran los factores psicosociales que afectan el bienestar de los trabajadores (Abuzaid et al., 2022; Cheng et al., 2021).
Para la síntesis de los resultados presentados anteriormente, la Tabla 2muestra cómo se agruparon los estudios por categorías temáticas con relación al fenómeno de interés.
Optimización de los flujos de trabajo y recursos clínicos: en algunos contextos la ia ha demostrado optimizar los flujos de trabajo y la gestión de recursos en la atención clínica. Desde la automatización de documentación, creación de planes de cuidados personalizados, hasta la predicción de riesgos de caída y úlceras por presión, la IA les ha permitido a los enfermeros concentrarse más en la atención directa, mejorando la calidad del cuidado (Ng et al., 2022). En la gestión hospitalaria, la IA ha facilitado la predicción de la duración de la estancia hospitalaria y la mortalidad en pacientes con diabetes e hipertensión, optimizando el uso de camas y otros recursos clínicos (Barsasella et al., 2022).
Soporte en toma de decisiones clínicas: se ha descrito que la IA puede apoyar la toma de decisiones clínicas en áreas como la predicción de readmisiones hospitalarias y la gestión de infecciones respiratorias. Su implementación ha llevado a reducir significativamente las tasas de rehospitalización, mejorando los resultados clínicos (Romero-Brufau et al., 2020). Algunos sistemas han facilitado la clasificación de pacientes, para ofrecer intervalos de vigilancia basándose en las guías clínicas y mejorando así la precisión diagnóstica (Li et al., 2022). En casos de barreras lingüísticas, la IA ha mejorado la equidad en la atención al permitir la rápida identificación de pacientes que requieren servicios de interpretación (Barwise et al., 2024).
Reducción de la carga laboral: en el ámbito de la enfermería, la IA ha aliviado la carga laboral al automatizar tareas rutinarias como monitoreo de bolsas intravenosas, manejo de lesiones por presión (Hwang et al., 2023) y gestión de tareas administrativas, lo que ha liberado tiempo para realizar otras tareas (Chen et al., 2022). La introducción de robots en tareas repetitivas ha reducido el agotamiento físico, permitiéndoles a los profesionales centrarse en el juicio clínico y la empatía (Zrínyi et al., 2022).
Predicción de complicaciones: la IA ha sido esencial en la predicción de complicaciones. En pacientes diabéticos, los modelos de IA identificaron riesgos de neuropatía, nefropatía, retinopatía, y amputaciones, posibilitando las intervenciones personalizadas (Gosak et al., 2022; Mousa et al., 2023). En pacientes hospitalizados, la IA predijo hipoglucemia severa y el riesgo de desarrollar lesiones por presión, permitiendo predecir eventos adversos (Fralick et al., 2021; Pei et al., 2023).
Monitoreo en tiempo real: la IA también ha mejorado el monitoreo en tiempo real en diversas áreas. En departamentos de emergencia, los algoritmos predijeron complicaciones en pacientes con crisis hiperglucémicas (Hsu et al., 2023).
Soporte en salud mental y adherencia a tratamientos: en el campo de la salud mental, la IA interpretó emociones humanas de manera precisa, facilitando el diagnóstico y apoyo emocional (Elyoseph et al., 2024). Los modelos de IA predijeron síntomas depresivos en adultos mayores sin necesidad de cuestionarios (Susanty et al., 2023). Además, la IA ayudó a monitorear la adherencia al tratamiento mediante el uso de relojes inteligentes, garantizando una toma adecuada de medicación (Odhiambo et al., 2023).
La integración de la IA y la realidad virtual ha demostrado mejorar la enseñanza del manejo del dolor, permitiéndoles a los estudiantes practicar en entornos simulados sin riesgos para los pacientes. Además, la IA personaliza los escenarios de aprendizaje, mejorando la retención de conocimientos (Harmon et al., 2021). En la práctica clínica, la IA ha facilitado la toma de decisiones basada en evidencia, apoyando la educación continua de los profesionales de enfermería, manteniéndolos actualizados en prácticas y tecnologías recientes (Abuzaid et al., 2022). El uso de robots humanoides en la promoción de la alfabetización en salud y la comprensión de las vacunas también ha sido efectivo, aumentando el conocimiento y la disposición hacia la vacunación tras las interacciones con el robot Pepper en un entorno hospitalario (McIntosh et al., 2022).
Cuidado continuo y emocional: la IA y los robots autónomos han transformado el cuidado de pacientes con enfermedades crónicas y demencia avanzada, demostrando que reducen la agitación, mejoran el bienestar emocional y ofrecen una atención más centrada en las necesidades emocionales y sociales (David et al., 2021). Con estas tecnologías el personal automatiza tareas físicas como la movilización, lo que libera tiempo para cuidados más especializados (Cai et al., 2021; Stokes y Palmer, 2020).
Predicción personalizada de riesgos: la IA ha mostrado su eficacia en la prevención de riesgos clínicos. En hogares de ancianos, los modelos predictivos identificaron factores clave para prevenir úlceras por presión (Lee, Shin et al., 2021). En el cuidado domiciliario, ha mejorado la predicción de hospitalizaciones mediante el análisis de notas clínicas (Topaz et al., 2020). La IA también optimiza el monitoreo remoto de adultos mayores, detectando caídas y deterioro cognitivo (Schütz et al., 2022), y mejora el coaching de salud para pacientes con diabetes tipo 2 (Di et al., 2022) y la intervención en el trastorno del espectro autista (Jia et al., 2023).
El uso de IA ha mejorado significativamente el acceso a información crítica en entornos hospitalarios, propiciando la toma de decisiones más informada y eficiente en situaciones de alta presión. Por ejemplo, el uso en los hospitales de chatbots basados en IA ha permitido responder preguntas de los cuidadores de manera rápida y precisa, reduciendo errores y carga de trabajo (Daniel et al., 2022). En departamentos de emergencias, los sistemas de asistencia de IA para la entrada de registros médicos en tiempo real (por medio de la conversión de datos de voz a texto) han demostrado mejorar la eficiencia y precisión en las tareas de triaje, capturando más información relevante para la atención de los pacientes (Cho et al., 2022).
La integración de IA en el ámbito de la salud ha abierto nuevas oportunidades para la colaboración interdisciplinaria, ya que enfermeros, ingenieros de software y otros profesionales trabajan juntos para desarrollar tecnologías más optimizadas (Shang, 2021). Involucrar a los pacientes y al público en el diseño de estas herramientas asegura su funcionalidad, y también fomenta una atención mucho más inclusiva y equitativa, que se ajusta a la diversidad de necesidades de los usuarios (Zidaru et al., 2021).
En síntesis, los resultados mencionados previamente se pueden apreciar en la Tabla 3. Se agruparon los estudios por categorías temáticas con relación al fenómeno de interés.
A pesar de lo reciente que resulta la aplicación de la IA en el ámbito de la salud, su impacto ha generado un cuerpo de evidencia considerable y en constante avance, que subraya tanto sus riesgos como sus oportunidades. La tecnología no debe entenderse como un instrumento neutral, ni como una amenaza de deshumanización, sino como una herramienta que amplía y redefine lo humano, al permitir la integración de capacidades tecnológicas con habilidades humanas esenciales en el cuidado de enfermería (Monterroza Ríos et al., 2015). En este contexto, la noción de tecnocuidado se consolida como un eje central para equilibrar la dimensión técnica y humana del cuidado (García-Uribe et al., 2024).
De acuerdo con la evidencia, la IA no está exenta de riesgos, lo cual hace necesario que se tome una actitud prudente y reflexiva sobre sus aplicaciones en el ámbito del cuidado de enfermería, con una mirada aristotélica que permita situar el punto medio respecto al uso de estas tecnologías en el campo de la salud. Asuntos como la desigualdad —con la especial mención a la escasez de estudios en varios países latinoamericanos, que refleja la disparidad en el acceso a la IA— y la automatización son de especial importancia en contextos geopolíticos ya de por sí inequitativos y con grandes problemáticas sociales. Los riesgos referidos a la dependencia tecnológica y la deshumanización del cuidado merecen un análisis a profundidad, en especial porque el ser humano es una «tecno persona» (Fazakarley et al., 2024; Huqh et al., 2022; Lee, Wu et al., 2021; Mi, 2022), por lo que no es posible concebir un cuidado ajeno a la tecnología en el siglo xxi.
Sin embargo, los resultados de esta revisión también evidencian las oportunidades que la IA ofrece para transformar el cuidado de enfermería. La automatización de tareas rutinarias, como el monitoreo clínico y la gestión administrativa, libera tiempo para que los profesionales enfoquen su atención en tareas que requieren más la esencia humana (Noorbakhsh-Sabet et al., 2019). Asimismo, las capacidades predictivas de la IA han mostrado ser útiles para anticipar complicaciones y personalizar las intervenciones, mejorando los resultados clínicos y por consiguiente la calidad del cuidado (Ng et al., 2022; Gosak et al., 2022).
Una mirada prudente a las aplicaciones e implicaciones de la IA en el cuidado de enfermería lleva a reconocer sus potencialidades y riesgos, tratando de orientar el juicio hacia un justo medio aristotélico entre la precaución y la exploración. En este sentido, autores como Maliandi (Salerno, 2016) sostienen que las nuevas tecnologías pueden generar problemas biotecnoéticos; por tanto, puede ser interesante explorar los principios biotecnoéticos propuestos por este autor: precaución, exploración, no discriminación y respeto a la diversidad, los cuales ayudan a situar un justo medio prudente respecto de los riesgos y las oportunidades de la IA en el cuidado de enfermería.
Es importante mencionar que la IA está evolucionando a pasos de gigante, por lo que la información reunida en el artículo puede verse desactualizada rápidamente. Así, es relevante tener una mirada abierta y flexible frente a estos avances. Este enfoque permitirá no solo mitigar riesgos asociados a su implementación, sino también aprovechar su potencial para transformar la práctica profesional de la enfermería, impulsando un cuidado más eficiente, equitativo y centrado en las necesidades humanas.
La IA tiene potencial para redefinir el cuidado de enfermería, desde la mejora de la eficiencia hasta la optimización de la colaboración interdisciplinaria. Aunque se identifican riesgos éticos, su adopción responsable podría mejorar significativamente la calidad del cuidado y los resultados clínicos.
Para que la implementación de la IA en el cuidado de enfermería sea efectiva y ética, es fundamental contar con guías éticas y normativas que prioricen la protección de datos, la transparencia y el respeto a la dignidad de los pacientes. Esto permitirá que la IA se convierta en una herramienta confiable y equitativa en los sistemas de salud. Las investigaciones futuras deberían centrarse en evaluar la forma en que estos riesgos podrían minimizarse, y las oportunidades maximizarse, asegurando así que la implementación de la IA se pueda aprovechar de la mejor manera, con el fin de contribuir al progreso en esta era tecnológica.
Cómo referenciar: Castrillón Isaza, K. A., Giraldo Restrepo, J. C., y García Uribe, J. C. (2025). Riesgos y oportunidades de la inteligencia artificial en el cuidado de enfermería: una revisión de alcance. Trilogía Ciencia Tecnología Sociedad, 17(35), e3272. https://doi.org/10.22430/21457778.3272
redalyc-journal-id: 5343
https://revistas.itm.edu.co/index.php/trilogia/article/view/3272 (html)
Los autores declaran no tener ningún conflicto de intereses económico, profesional o personal que pueda influir indebidamente en los resultados obtenidos o en las interpretaciones propuestas.
Todos los autores han contribuido al desarrollo de las ideas conceptuales, al diseño de los conceptos, a las reflexiones obtenidas y a la redacción y versión final de este artículo.
