Scipion, A., Langer, T., Cipriani, A., & Fusar-Poli, P. (2025). Barriers and facilitators of artificial intelligence acceptance in healthcare: A scoping review. BMJ Open, 15(2), e092624. https://doi.org/10.1136/bmjopen-2024-092624

Resumen del artículo

Esta revisión de alcance mapeó la literatura sobre lo que impide o favorece que los clínicos acepten y usen inteligencia artificial en entornos de atención en salud. Siguiendo la metodología de revisión de alcance, los autores identificaron y clasificaron barreras y facilitadores reportados en estudios empíricos con profesionales.

Entre las barreras principales aparecen la falta de transparencia de los algoritmos, las preocupaciones sobre privacidad de los datos y la resistencia al cambio. Entre los facilitadores, la demostración de beneficios clínicos concretos, la capacitación adecuada y el diseño centrado en el usuario. El trabajo actualiza y amplía el panorama de la revisión integrativa de Lambert et al. con literatura más reciente.

Ideas clave

  1. Transparencia algorítmica: los profesionales aceptan mejor una IA cuyas decisiones pueden entender, lo que conecta con la IA explicable en simulación.
  2. Privacidad de datos: la preocupación por el uso de datos personales y de desempeño es una barrera que un estudio con registro de sesiones debe atender.
  3. Beneficio tangible y capacitación: coinciden con Lambert et al. como facilitadores más consistentes.
  4. Diseño centrado en el usuario: involucrar a los profesionales en el diseño reduce la resistencia, un principio aplicable a la construcción de los escenarios de CEC.

Citas textuales relevantes

Nota metodológica: esta nota se basa en el resumen y en la descripción de la guía maestra, no en el texto completo del artículo. No hay PDF disponible en la carpeta de referencias (el correo de solicitud al autor ya está redactado). Hasta obtener el PDF, no se deben citar frases literales ni asignar números de página. La guía maestra registra la referencia como “Scipion, C. E. A., et al. (2025). Barriers to and facilitators of clinician acceptance and use of artificial intelligence in healthcare settings: a scoping review. BMJ Open”, con el mismo DOI; conviene verificar autores y título exactos en Crossref antes de citar.

Conexión con la tesis de Sandra

Esta fuente aporta al Cap 1 y al Cap 3 una lista de riesgos de implementación que la tesis puede anticipar. Lo que aportan Scipion et al. es la clasificación reciente de barreras (transparencia, privacidad, resistencia al cambio) y facilitadores (beneficio demostrado, capacitación, diseño centrado en el usuario) de la aceptación de IA en salud. La lectura propia para la tesis es que cada barrera se traduce en una decisión concreta del protocolo con perfusionistas: explicar cómo la IA adapta el escenario y califica las NTS (transparencia), definir en el consentimiento informado qué se hace con las grabaciones y datos de desempeño (privacidad), y validar los escenarios con perfusionistas expertos de la región antes del piloto (diseño centrado en el usuario). Estas medidas también protegen la validez del diseño con lista de espera, porque reducen el abandono del grupo control. Se relaciona con n-5-3 (revisión integrativa), n-5-8 (confianza), n-3-6 (adopción de agentes educativos con IA) y n-1-9 (PINTS, cuyos autores expertos podrían participar en la validación de escenarios).

Preguntas orientadoras

  1. ¿Cómo se explicará a los perfusionistas, en lenguaje claro, la lógica con la que la IA adapta el escenario y evalúa sus habilidades no técnicas, para atender la barrera de transparencia?
  2. ¿Qué cláusulas sobre grabación de sesiones, almacenamiento de datos y anonimato incluirá el consentimiento informado en un estudio con participantes de varios países?
  3. ¿Qué perfusionistas expertos de América Latina participarán en la validación de contenido de los escenarios de CEC antes del piloto, como forma de diseño centrado en el usuario?

Conexiones

Mi reflexión

Graba tu reflexión de voz o escríbela usando los controles que aparecen abajo.