La IA está transformando la forma en que paramédicos y técnicos en emergencias médicas se preparan para intervenciones de vida o muerte

Los proveedores de servicios médicos de emergencia operan en algunos de los entornos más impredecibles y de alto riesgo de la atención sanitaria, lo que hace que una formación integral y realista sea esencial. Los métodos de simulación tradicionales —maniquíes, escenarios con guion— tienen dificultades para capturar toda la complejidad de la atención prehospitalaria. Esta revisión de alcance evaluó sistemáticamente cómo se está integrando la inteligencia artificial en la formación en servicios médicos de emergencia y qué oportunidades futuras existen.

El equipo de investigación realizó una búsqueda asistida por bibliotecarios en PubMed, Embase y Web of Science, restringiendo los resultados a artículos en inglés, específicos de servicios médicos de emergencia, publicados entre enero de 2010 y marzo de 2025. Los estudios se incluyeron si involucraban directamente a personal de servicios médicos de emergencia, replicaban entornos prehospitalarios o validaban intervenciones basadas en inteligencia artificial en contextos de servicios médicos de emergencia. Once estudios clave fueron sintetizados temáticamente en cuatro dominios: mejora de la simulación, formación en procedimientos y evaluación, aprendizaje personalizado y preparación para desastres.

En el dominio de la simulación, las herramientas de realidad aumentada y realidad mixta potenciadas por inteligencia artificial demostraron mejoras significativas en realismo y compromiso del aprendiz. Un modelo de aprendizaje automático denominado Robust Vision Model ayudó a los primeros intervinientes a detectar víctimas en escenarios de rescate con baja visibilidad mediante imágenes de cámaras térmicas. Por otro lado, pacientes virtuales integrados con inteligencia artificial y basados en ChatGPT permitieron una formación en comunicación adaptativa y sin guion para primeros intervinientes médicos, aunque el retraso computacional y las respuestas fabricadas ocasionales se señalaron como barreras. El programa SaNuRN utilizó procesamiento de lenguaje natural para permitir que los alumnos experimentaran tanto la perspectiva del proveedor como la del paciente dentro de simuladores clínicos virtuales.

En cuanto a la formación en procedimientos, los modelos de inteligencia artificial mostraron un sólido rendimiento diagnóstico. Un modelo de aprendizaje profundo (ResNet50-V2) clasificó imágenes de ultrasonido para exámenes FAST con un 96% de precisión, lo que potencialmente permite a proveedores de servicios médicos de emergencia con menos experiencia realizar POCUS en el campo. Un sistema de inteligencia artificial que analiza vídeo de intentos de intubación endotraqueal detectó aperturas glóticas con hasta un 80% de precisión mediante modelos KNN y SVM, ofreciendo retroalimentación en tiempo real para proveedores novatos. Un modelo de aprendizaje profundo dual (ResNeXt-101 y Vision Transformer) clasificó tipos de heridas a partir de imágenes con un 92,78% de precisión, permitiendo la coordinación previa a la llegada con los hospitales receptores.

El aprendizaje personalizado surgió como otra frontera prometedora. El sistema LEARNER utiliza sensores fisiológicos y conductuales portátiles para adaptar dinámicamente el contenido formativo a los niveles de estrés y las lagunas de conocimiento de cada individuo. Los modelos de lenguaje de gran tamaño como ChatGPT están siendo evaluados para generar viñetas clínicas y materiales de estudio adaptados a cada aprendiz, aunque las alucinaciones —respuestas erróneas expresadas con confianza— siguen siendo una preocupación significativa. Para la medicina de desastres, los modelos de aprendizaje automático federado permiten una formación descentralizada y en tiempo real que puede desplegarse en múltiples agencias de servicios médicos de emergencia sin centralizar datos sensibles.

La revisión reconoce advertencias importantes: la mayoría de los estudios incluidos son de pequeña escala o de prueba de concepto, la síntesis estadística formal no fue posible debido a la heterogeneidad de los estudios, y las cuestiones éticas en torno a la precisión, el sesgo y la privacidad de los datos de la inteligencia artificial en contextos formativos siguen sin resolverse. No obstante, los autores sostienen que, con una inversión sostenida en investigación y salvaguardas éticas, la integración de la inteligencia artificial podría mejorar sustancialmente la preparación de los proveedores de servicios médicos de emergencia, el juicio clínico y, en última instancia, los resultados para los pacientes.