La IA como copiloto clínico en neurorrehabilitación - 8 junio, 2026
La irrupción de la inteligencia artificial en el ámbito sanitario plantea una pregunta que los profesionales de la neurorrehabilitación no podemos seguir aplazando: ¿es la IA una amenaza para el papel del clínico, o una herramienta que puede devolvernos tiempo para lo que realmente importa: el paciente?
Escrito por: Dr. Juan I. Marín Ojea
Especialista en Medicina Física y Rehabilitación. Servicio de Neurorrehabilitación y Daño Cerebral, Ospitalarioak Fundazioa Euskadi
El problema que nadie nombra en las reuniones
La neurorrehabilitación se enfrenta a una contradicción estructural que no aparece en los comunicados institucionales pero que cualquier profesional del sector conoce de primera mano: la demanda de atención a pacientes con daño neurológico crece cada año —más supervivientes de ictus, más personas con daño cerebral adquirido, población que envejece— mientras que el número de profesionales especializados no crece al mismo ritmo.
La Organización Mundial de la Salud proyecta un déficit global de 10 millones de trabajadores sanitarios para 2030, y la rehabilitación es una de las especialidades más afectadas [1]. En la práctica clínica diaria, esto se traduce en sesiones más cortas, menos tiempo de valoración individualizada y una carga documental que puede consumir más del 25% del tiempo laboral de un profesional sanitario —tiempo que no se dedica al paciente [4].
Este es el contexto real en el que debe situarse el debate sobre la IA. No es un debate tecnológico. Es un debate sobre cómo distribuimos el recurso más escaso del sistema: la atención clínica especializada.
El modelo correcto: copiloto, no piloto automático
Cuando hablamos de IA en neurorrehabilitación, la distinción conceptual más importante no es técnica sino de responsabilidad: la diferencia entre un copiloto y un piloto automático.
En el modelo de copiloto, la IA procesa, sintetiza y sugiere; el clínico decide, contextualiza y actúa. El diagrama siguiente ilustra las tres zonas funcionales de este modelo:
¿Qué dice la evidencia?
La IA en neurorrehabilitación no es una tecnología única. Es un conjunto de aplicaciones con perfiles de evidencia distintos. La tabla siguiente resume los dominios con mayor respaldo científico actual:
La evidencia no es perfecta, y sería deshonesto afirmar lo contrario. Los tamaños muestrales son frecuentemente pequeños 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 integración cautelosa y monitorizada en contextos bien definidos. En entrenamiento robótico de la marcha, interfaces cerebro-ordenador y predicción de resultados, la respuesta es afirmativa.
Las críticas que merecen respuesta
Reconocer las limitaciones no es debilidad argumentativa.
Es la única forma de construir una propuesta que sea a la vez honesta y sostenible.
«La IA va a sustituir al clínico». Esta es la preocupación más extendida y la menos fundamentada en el modelo que proponemos. Ningún algoritmo puede replicar el conocimiento del paciente como persona, la lectura del esfuerzo y la motivación, o la gestión de la incertidumbre clínica real. Lo que la IA puede hacer —y hace bien— es liberar al clínico de tareas que no requieren ese juicio.
«Usar IA deteriora las competencias clínicas». El riesgo es real y está documentado [15]. Una revisión reciente identificó vulnerabilidades en exploración física y juicio diagnóstico cuando la IA se adopta sin gobernanza adecuada. La respuesta no es rechazar la tecnología sino diseñar su integración. Abdulnour et al. publicaron en el New England Journal of Medicine (2025) un marco de supervisión clínica del uso de IA específicamente diseñado para preservar el razonamiento clínico durante la formación [17].
«Los datos están sesgados». Es el argumento más sólido. Los modelos entrenados con datos históricos 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 resolverá solo [19].
Condiciones para una integración responsable
Integrar IA sin condiciones sería irresponsable. Hacerlo con las condiciones adecuadas es una obligación ética hacia los pacientes que no reciben la atención que merecen:
- Transparencia del modelo. El clínico debe conocer qué hace el sistema, con qué datos fue entrenado y en qué poblaciones ha sido validado. La opacidad no es aceptable en entornos clínicos.
- Supervisión activa. La IA no actúa como primera ni única opinión. Toda sugerencia es revisada por un profesional con competencia para evaluarla.
- Formación específica. El equipo debe estar formado en los límites del sistema, sus sesgos conocidos y los escenarios en que su rendimiento se degrada.
- Monitorización de resultados. La implementación incluye recogida sistemática de datos de resultado y publicación de los hallazgos, independientemente de su dirección.
- Gobernanza del dato. Datos de pacientes gestionados con minimización, propósito específico y acceso auditado. Consentimiento informado explícito sobre el uso de IA en el proceso asistencial.
La pregunta que importa
El debate sobre IA en neurorrehabilitación no se resuelve eligiendo entre tecnología y humanismo. Se resuelve reconociendo que la atención humanista al paciente —el tiempo de calidad, el juicio experto, la relación terapéutica— es precisamente lo que el modelo de copiloto está diseñado para proteger.
Cada hora que un profesional rehabilitador destina a documentación administrativa, síntesis de registros dispersos o formulación 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 adopción acrítica, sino la integración estructurada, monitorizada y responsable de herramientas que la evidencia disponible respalda.
La IA informa. El clínico decide. La responsabilidad nunca se delega.
Referencias bibliográficas
- World Health Organization. Rehabilitation 2030: A Call for Action — 3rd Global Meeting Report. Ginebra: OMS; 2023. https://iris.who.int/handle/10665/376162
- McMaster Health Forum. Artificial Intelligence and Administrative Burden in Healthcare: Rapid Response Report 129. Hamilton: McMaster University; 2024.
- 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;39:2441–2448. doi: 10.1007/s11606-024-08870-z
- Ammenwerth E, Spötl HP. The time needed for clinical documentation versus direct patient care. Methods Inf Med. 2009;48(1):84–91. doi: 10.3414/ME0569
- 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
- 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
- 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
- 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
- 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
- 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):199–212. doi: 10.3233/NRE-230215
- 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
- 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):811–820. doi: 10.1002/acn3.488
- Stinear CM, Byblow WD, Ackerley SJ, et al. Predicting recovery potential for individual stroke patients increases rehabilitation efficiency. Stroke. 2017;48(4):1011–1019. doi: 10.1161/STROKEAHA.116.015790
- 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
- 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
- Tarhouny SEA, Farghaly A. Deskilling dilemma: brain over automation. Front Med. 2026;13:1765692. doi: 10.3389/fmed.2026.1765692
- Abdulnour REE, Gin B, Boscardin CK. Educational strategies for clinical supervision of artificial intelligence use. N Engl J Med. 2025;393(8):786–797. doi: 10.1056/NEJMra2503232
- 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):447–453. doi: 10.1126/science.aax2342
- Yang J, Soltan AAS, Eyre DW, Clifton DA. Algorithmic fairness and bias mitigation for clinical machine learning. Nat Mach Intell. 2023;5:884–894. doi: 10.1038/s42256-023-00697-3