{"id":98651,"date":"2026-06-08T13:01:43","date_gmt":"2026-06-08T11:01:43","guid":{"rendered":"https:\/\/xn--daocerebral-2db.es\/?post_type=portfolio&p=98651"},"modified":"2026-06-08T15:32:05","modified_gmt":"2026-06-08T13:32:05","slug":"la-ia-como-copiloto-clinico-en-neurorrehabilitacion","status":"publish","type":"portfolio","link":"https:\/\/xn--daocerebral-2db.es\/en\/publicacion\/la-ia-como-copiloto-clinico-en-neurorrehabilitacion\/","title":{"rendered":"La IA como copiloto cl\u00ednico en neurorrehabilitaci\u00f3n"},"content":{"rendered":"

La irrupci\u00f3n de la inteligencia artificial en el \u00e1mbito sanitario plantea una pregunta que los profesionales de la neurorrehabilitaci\u00f3n no podemos seguir aplazando: \u00bfes la IA una amenaza para el papel del cl\u00ednico, o una herramienta que puede devolvernos tiempo para lo que realmente importa: el paciente?<\/p>\n

Escrito por: Dr.\u00a0Juan I. Mar\u00edn Ojea<\/strong><\/a><\/h4>\n

Especialista en Medicina F\u00edsica y Rehabilitaci\u00f3n.\u00a0<\/span>Servicio de Neurorrehabilitaci\u00f3n y Da\u00f1o Cerebral,\u00a0Ospitalarioak Fundazioa Euskadi<\/a><\/span><\/h4>\n

 <\/p>\n

\"\"<\/a><\/p>\n

El problema que nadie nombra en las reuniones<\/strong><\/h4>\n

La neurorrehabilitaci\u00f3n se enfrenta a una contradicci\u00f3n estructural que no aparece en los comunicados institucionales pero que cualquier profesional del sector conoce de primera mano: la demanda de atenci\u00f3n a pacientes con da\u00f1o neurol\u00f3gico crece cada a\u00f1o \u2014m\u00e1s supervivientes de ictus, m\u00e1s personas con da\u00f1o cerebral adquirido, poblaci\u00f3n que envejece\u2014 mientras que el n\u00famero de profesionales especializados no crece al mismo ritmo.<\/p>\n

La Organizaci\u00f3n Mundial de la Salud proyecta un d\u00e9ficit global de 10 millones de trabajadores sanitarios para 2030, y la rehabilitaci\u00f3n es una de las especialidades m\u00e1s afectadas [1]. En la pr\u00e1ctica cl\u00ednica diaria, esto se traduce en sesiones m\u00e1s cortas, menos tiempo de valoraci\u00f3n individualizada y una carga documental que puede consumir m\u00e1s del 25% del tiempo laboral de un profesional sanitario \u2014tiempo que no se dedica al paciente [4].<\/p>\n

Este es el contexto real en el que debe situarse el debate sobre la IA. No es un debate tecnol\u00f3gico. Es un debate sobre c\u00f3mo distribuimos el recurso m\u00e1s escaso del sistema: la atenci\u00f3n cl\u00ednica especializada.<\/p>\n

 <\/p>\n

El modelo correcto: copiloto, no piloto autom\u00e1tico<\/strong><\/h4>\n

Cuando hablamos de IA en neurorrehabilitaci\u00f3n, la distinci\u00f3n conceptual m\u00e1s importante no es t\u00e9cnica sino de responsabilidad: la diferencia entre un copiloto y un piloto autom\u00e1tico.<\/p>\n

En el modelo de copiloto, la IA procesa, sintetiza y sugiere; el cl\u00ednico decide, contextualiza y act\u00faa. El diagrama siguiente ilustra las tres zonas funcionales de este modelo:<\/p>\n

 <\/p>\n

\"\"<\/a><\/p>\n

<\/h4>\n

\u00bfQu\u00e9 dice la evidencia?<\/strong><\/h4>\n

La IA en neurorrehabilitaci\u00f3n no es una tecnolog\u00eda \u00fanica. Es un conjunto de aplicaciones con perfiles de evidencia distintos. La tabla siguiente resume los dominios con mayor respaldo cient\u00edfico actual:<\/p>\n

\"\"<\/a><\/p>\n

La evidencia no es perfecta, y ser\u00eda deshonesto afirmar lo contrario. Los tama\u00f1os muestrales son frecuentemente peque\u00f1os y el seguimiento a largo plazo es insuficiente en muchos estudios. Pero la pregunta relevante no es si la evidencia es perfecta: es si es suficiente para justificar una integraci\u00f3n cautelosa y monitorizada en contextos bien definidos. En entrenamiento rob\u00f3tico de la marcha, interfaces cerebro-ordenador y predicci\u00f3n de resultados, la respuesta es afirmativa.<\/p>\n

 <\/p>\n

Las cr\u00edticas que merecen respuesta<\/strong><\/h4>\n

 <\/p>\n

\n

Reconocer las limitaciones no es debilidad argumentativa. <\/span><\/h4>\n

Es la \u00fanica forma de construir una propuesta que sea a la vez honesta y sostenible.<\/span><\/h4>\n<\/blockquote>\n

\u00abLa IA va a sustituir al cl\u00ednico\u00bb. <\/strong>Esta es la preocupaci\u00f3n m\u00e1s extendida y la menos fundamentada en el modelo que proponemos. Ning\u00fan algoritmo puede replicar el conocimiento del paciente como persona, la lectura del esfuerzo y la motivaci\u00f3n, o la gesti\u00f3n de la incertidumbre cl\u00ednica real. Lo que la IA puede hacer \u2014y hace bien\u2014 es liberar al cl\u00ednico de tareas que no requieren ese juicio.<\/p>\n

\u00abUsar IA deteriora las competencias cl\u00ednicas\u00bb. <\/strong>El riesgo es real y est\u00e1 documentado [15]. Una revisi\u00f3n reciente identific\u00f3 vulnerabilidades en exploraci\u00f3n f\u00edsica y juicio diagn\u00f3stico cuando la IA se adopta sin gobernanza adecuada. La respuesta no es rechazar la tecnolog\u00eda sino dise\u00f1ar su integraci\u00f3n. Abdulnour et al. publicaron en el New England Journal of Medicine (2025) un marco de supervisi\u00f3n cl\u00ednica del uso de IA espec\u00edficamente dise\u00f1ado para preservar el razonamiento cl\u00ednico durante la formaci\u00f3n [17].<\/p>\n

\u00abLos datos est\u00e1n sesgados\u00bb. <\/strong>Es el argumento m\u00e1s s\u00f3lido. Los modelos entrenados con datos hist\u00f3ricos heredan las desigualdades del sistema [18]. La respuesta correcta es tratar la gobernanza del dato como prioridad de primer orden, no como un problema que se resolver\u00e1 solo [19].<\/p>\n

 <\/p>\n

Condiciones para una integraci\u00f3n responsable<\/strong><\/h4>\n

Integrar IA sin condiciones ser\u00eda irresponsable. Hacerlo con las condiciones adecuadas es una obligaci\u00f3n \u00e9tica hacia los pacientes que no reciben la atenci\u00f3n que merecen:<\/p>\n

    \n
  1. Transparencia del modelo. <\/strong>El cl\u00ednico debe conocer qu\u00e9 hace el sistema, con qu\u00e9 datos fue entrenado y en qu\u00e9 poblaciones ha sido validado. La opacidad no es aceptable en entornos cl\u00ednicos.<\/li>\n
  2. Supervisi\u00f3n activa. <\/strong>La IA no act\u00faa como primera ni \u00fanica opini\u00f3n. Toda sugerencia es revisada por un profesional con competencia para evaluarla.<\/li>\n
  3. Formaci\u00f3n espec\u00edfica. <\/strong>El equipo debe estar formado en los l\u00edmites del sistema, sus sesgos conocidos y los escenarios en que su rendimiento se degrada.<\/li>\n
  4. Monitorizaci\u00f3n de resultados. <\/strong>La implementaci\u00f3n incluye recogida sistem\u00e1tica de datos de resultado y publicaci\u00f3n de los hallazgos, independientemente de su direcci\u00f3n.<\/li>\n
  5. Gobernanza del dato. <\/strong>Datos de pacientes gestionados con minimizaci\u00f3n, prop\u00f3sito espec\u00edfico y acceso auditado. Consentimiento informado expl\u00edcito sobre el uso de IA en el proceso asistencial.<\/li>\n<\/ol>\n

     <\/p>\n

    La pregunta que importa<\/strong><\/h4>\n

    El debate sobre IA en neurorrehabilitaci\u00f3n no se resuelve eligiendo entre tecnolog\u00eda y humanismo. Se resuelve reconociendo que la atenci\u00f3n humanista al paciente \u2014el tiempo de calidad, el juicio experto, la relaci\u00f3n terap\u00e9utica\u2014 es precisamente lo que el modelo de copiloto est\u00e1 dise\u00f1ado para proteger.<\/p>\n

    Cada hora que un profesional rehabilitador destina a documentaci\u00f3n administrativa, s\u00edntesis de registros dispersos o formulaci\u00f3n de objetivos desde cero es una hora que no dedica al paciente. La IA puede devolver algunas de esas horas. El objetivo no es la adopci\u00f3n acr\u00edtica, sino la integraci\u00f3n estructurada, monitorizada y responsable de herramientas que la evidencia disponible respalda.<\/p>\n

    \n

    La IA informa. El cl\u00ednico decide. La responsabilidad nunca se delega.<\/span><\/h4>\n<\/blockquote>\n

    <\/h4>\n

    <\/h4>\n

    <\/h4>\n

     <\/p>\n

    Referencias bibliogr\u00e1ficas<\/strong><\/h4>\n
      \n
    1. World Health Organization. Rehabilitation 2030: A Call for Action \u2014 3rd Global Meeting Report. Ginebra: OMS; 2023. https:\/\/iris.who.int\/handle\/10665\/376162<\/li>\n
    2. McMaster Health Forum. Artificial Intelligence and Administrative Burden in Healthcare: Rapid Response Report 129. Hamilton: McMaster University; 2024.<\/li>\n
    3. Bundy H, Gerhart J, Baek S, et al. Can the administrative loads of physicians be alleviated by AI-facilitated clinical documentation? J Gen Intern Med. 2024;39:2441\u20132448. doi: 10.1007\/s11606-024-08870-z<\/li>\n
    4. Ammenwerth E, Sp\u00f6tl HP. The time needed for clinical documentation versus direct patient care. Methods Inf Med. 2009;48(1):84\u201391. doi: 10.3414\/ME0569<\/li>\n
    5. Lee JH, Kim G. Effectiveness of robot-assisted gait training in stroke rehabilitation: a systematic review and meta-analysis. J Clin Med. 2025;14(13):4809. doi: 10.3390\/jcm14134809<\/li>\n
    6. Chen X, Yin L, Hou Y, et al. Effect of robot-assisted gait training on improving cardiopulmonary function in stroke patients. J Neuroeng Rehabil. 2024;21:92. doi: 10.1186\/s12984-024-01388-9<\/li>\n
    7. Hu M, Wang S, Wu CQ, et al. Efficacy of robot-assisted gait training on lower extremity function in subacute stroke patients. J Neuroeng Rehabil. 2024;21(1):165. doi: 10.1186\/s12984-024-01463-1<\/li>\n
    8. Jin L, Jiang C, Chen Y, et al. Effects of brain-computer interface based training on post-stroke upper-limb rehabilitation: a meta-analysis. J Neuroeng Rehabil. 2025;22(1):44. doi: 10.1186\/s12984-025-01588-x<\/li>\n
    9. Ren C, Li X, Gao Q, et al. The effect of BCI controlled functional electrical stimulation training on rehabilitation of upper limb after stroke. Front Hum Neurosci. 2024;18:1438095. doi: 10.3389\/fnhum.2024.1438095<\/li>\n
    10. Zhang M, Zhu F, Jia F, et al. Efficacy of brain-computer interfaces on upper extremity motor function rehabilitation after stroke. NeuroRehabilitation. 2023;54(2):199\u2013212. doi: 10.3233\/NRE-230215<\/li>\n
    11. Zu W, Huang X, Xu T, et al. Machine learning in predicting outcomes for stroke patients following rehabilitation. PLoS ONE. 2023;18(6):e0287308. doi: 10.1371\/journal.pone.0287308<\/li>\n
    12. Stinear CM, Byblow WD, Ackerley SJ, et al. PREP2: a biomarker-based algorithm for predicting upper limb function after stroke. Ann Clin Transl Neurol. 2017;4(11):811\u2013820. doi: 10.1002\/acn3.488<\/li>\n
    13. Stinear CM, Byblow WD, Ackerley SJ, et al. Predicting recovery potential for individual stroke patients increases rehabilitation efficiency. Stroke. 2017;48(4):1011\u20131019. doi: 10.1161\/STROKEAHA.116.015790<\/li>\n
    14. Alwadai B, Lazem H, Almoajil H, et al. Telerehabilitation and its impact following stroke: an umbrella review. J Clin Med. 2024;14(1):50. doi: 10.3390\/jcm14010050<\/li>\n
    15. Natali C, Marconi L, Duran LDD, Cabitza F. AI-induced deskilling in medicine: a mixed-method review. Artif Intell Rev. 2025;58:356. doi: 10.1007\/s10462-025-11352-1<\/li>\n
    16. Tarhouny SEA, Farghaly A. Deskilling dilemma: brain over automation. Front Med. 2026;13:1765692. doi: 10.3389\/fmed.2026.1765692<\/li>\n
    17. Abdulnour REE, Gin B, Boscardin CK. Educational strategies for clinical supervision of artificial intelligence use. N Engl J Med. 2025;393(8):786\u2013797. doi: 10.1056\/NEJMra2503232<\/li>\n
    18. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447\u2013453. doi: 10.1126\/science.aax2342<\/li>\n
    19. Yang J, Soltan AAS, Eyre DW, Clifton DA. Algorithmic fairness and bias mitigation for clinical machine learning. Nat Mach Intell. 2023;5:884\u2013894. doi: 10.1038\/s42256-023-00697-3<\/li>\n<\/ol>\n

       <\/p>\n","protected":false},"excerpt":{"rendered":"

      La irrupci\u00f3n de la inteligencia artificial en el \u00e1mbito sanitario plantea una pregunta que los profesionales de la neurorrehabilitaci\u00f3n no podemos seguir aplazando: \u00bfes la IA una amenaza para el papel del cl\u00ednico, o una herramienta que puede devolvernos tiempo para lo que realmente importa: el paciente? Escrito por: Dr.\u00a0Juan I. Mar\u00edn Ojea Especialista en…<\/p>\n","protected":false},"author":3,"featured_media":98655,"menu_order":0,"comment_status":"open","ping_status":"open","template":"","format":"standard","meta":{"footnotes":""},"categories":[1004,1036,1003,1002],"tags":[3912,1311],"class_list":["post-98651","portfolio","type-portfolio","status-publish","format-standard","has-post-thumbnail","hentry","category-actividades-en","category-destacados-en","category-general-en","category-noticias-en","tag-ia","tag-neurorrehabilitacion-en","description-off"],"_links":{"self":[{"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/portfolio\/98651","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/portfolio"}],"about":[{"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/types\/portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/comments?post=98651"}],"version-history":[{"count":23,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/portfolio\/98651\/revisions"}],"predecessor-version":[{"id":98813,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/portfolio\/98651\/revisions\/98813"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/media\/98655"}],"wp:attachment":[{"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/media?parent=98651"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/categories?post=98651"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/xn--daocerebral-2db.es\/en\/wp-json\/wp\/v2\/tags?post=98651"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}