médical IA

Ecografía abdominal asistida por IA: un ensayo cruzado aleatorizado mide 52 segundos ganados y un 39 % menos de desplazamiento de la mano, con 48 valores corregidos de 184

Publicado el 23 de agosto de 2026 · 14 min lectura

Diez autores de Queensland University of Technology y CQUniversity, en Brisbane, sometieron a 32 voluntarios sanos a dos ecografías del abdomen superior cada uno — una manual y otra asistida por AI Abdomen 3.5, el software integrado de la plataforma ACUSON Sequoia de Siemens — en orden aleatorizado, realizando cada examen un ecografista distinto, con una cámara de profundidad que medía los movimientos de la mano sobre la consola. La asistencia por IA redujo la duración del examen en 52,4 segundos (−9 %), las pulsaciones de teclado en un 28 % y la distancia recorrida por la mano en un 39 %, sin que la puntuación compuesta de carga de trabajo NASA-TLX variara significativamente (−3,9 puntos; P = 0,17), aunque sí bajaron las subescalas de exigencia mental y esfuerzo. La cifra que conviene retener está en otro sitio: los ecografistas corrigieron 48 de las 184 mediciones generadas por la IA, y solo uno de los 32 exámenes asistidos no requirió ninguna intervención.

El contexto

La ecografía es la única modalidad de imagen en la que la imagen no existe hasta que un operador la fabrica. El radiólogo que lee una TC recibe un estudio ya constituido; el ecografista sostiene la sonda, optimiza en tiempo real, reconoce el plano, congela, mide, etiqueta y guarda. Esa dependencia del operador es también la limitación del oficio: los trastornos musculoesqueléticos laborales son muy frecuentes entre los ecografistas, y la literatura reciente los atribuye no solo a factores mecánicos — movimientos repetitivos, posturas estáticas, interacción prolongada con la consola — sino también a la carga cognitiva y psicosocial.

Los fabricantes han respondido con software de asistencia integrado. Estos sistemas funcionan sobre el flujo de imagen en directo, reconocen el plano anatómico que se está adquiriendo, le aplican una etiqueta y colocan los calibradores de medida para producir un valor biométrico preliminar que el operador acepta, ajusta o rechaza. Es una categoría de IA médica distinta de la mayoría: casi toda la IA de imagen interpreta un estudio ya almacenado, mientras que esta actúa durante la adquisición, bajo la misma incertidumbre clínica que el operador, y redistribuye su trabajo en lugar de sustituirlo.

La evidencia independiente es escasa. En ecocardiografía, un estudio de 2025 comunicó una reducción de la duración del examen y de la interacción con la consola. Sobre todo, el ensayo PROMETHEUS, publicado en 2025 en NEJM AI, probó una IA de asistencia en la ecografía morfológica fetal: duración mediana de 19,7 a 11,4 minutos, NASA-TLX compuesto de 46,5 a 35,2. Es el comparador natural de este trabajo — y, como veremos, no dice lo mismo.

El método

El dispositivo. Ensayo cruzado aleatorizado prospectivo realizado en enero y febrero de 2026 en un laboratorio universitario de ecografía, aprobado por el comité de ética de QUT el 15 de diciembre de 2025 (n.º 10419), comunicado según CONSORT 2025, su extensión para ensayos cruzados y la lista DECIDE-AI, la guía de referencia para la evaluación clínica temprana de sistemas de apoyo a la decisión basados en IA. Un ensayo cruzado significa que cada participante actúa como su propio control: es la defensa frente a la fuente dominante de variabilidad en ecografía, la constitución física del paciente.

Operadores y participantes. Dos ecografistas acreditados, con 11 y 25 años de experiencia en abdomen de adulto, ninguno de los cuales había usado el sistema antes, formados cada uno mediante una única sesión estandarizada del fabricante más un examen de práctica. Treinta y dos voluntarios sanos reclutados por conveniencia en la comunidad universitaria: 20 mujeres (62,5 %), edad media 25,3 años (DE 8,9; rango 18–48), IMC medio 22,6 (3,6; 16,4–31,3). Conviene retener esta última cifra: es una cohorte joven y delgada.

La aleatorización. Cuatro secuencias de 8 participantes, con el orden de condición (IA primero o manual primero) y el orden de ecografista aleatorizados y equilibrados de forma independiente. Cada participante fue explorado una vez por cada ecografista, realizándose el examen asistido y el manual por operadores distintos, con cinco minutos de separación. Cada ecografista realizó por tanto 16 exámenes asistidos y 16 manuales. La secuencia de asignación la custodiaba un asistente de investigación y no se comunicaba antes de cada exploración. El cegamiento era imposible: el flujo de trabajo con IA es visualmente distinto en la consola.

El sistema. AI Abdomen Release 3.5 (VB30), software integrado por el fabricante en una plataforma ACUSON Sequoia (Siemens Medical Solutions), transductor curvilíneo 5C1, preajuste abdominal estándar. El equipo no realizó ningún entrenamiento ni ajuste. Un punto importante: el fabricante no divulga públicamente ni la clase de algoritmo, ni la población de entrenamiento, ni el rendimiento preclínico. El protocolo cubre vistas longitudinales y transversales de páncreas, aorta, vena cava inferior, hígado, vesícula, colédoco, riñones y bazo, restringido a las mediciones que la IA admite. El Doppler queda excluido: no existe en el flujo asistido.

La medición. Es la aportación original del trabajo. Una cámara de profundidad Intel RealSense D435 fijada sobre la consola graba a 848 × 480 y 30 fotogramas por segundo. Los ecografistas llevaban guantes de nitrilo azul oscuro; una umbralización en el espacio de color tono-saturación-valor aísla los píxeles del guante, y después una transformación de canales los desplaza hacia el perfil de tono de piel que espera el detector de manos MediaPipe, que devuelve 21 puntos de referencia por fotograma. La trayectoria se depura y se suaviza con un filtro One Euro, de donde salen cuatro métricas: distancia acumulada recorrida por la mano, tiempo de permanencia sobre la zona del teclado, sacudida media (jerk, la derivada de la aceleración — un índice de la fluidez del gesto) y duración del examen. Las pulsaciones se contaron en tiempo real por un observador independiente. La carga de trabajo percibida se midió tras cada examen con el NASA-TLX ponderado, un instrumento de seis dimensiones (exigencia mental, física y temporal, rendimiento, esfuerzo, frustración) con procedimiento de ponderación por comparación por pares.

El análisis. Modelos lineales de efectos mixtos — condición, ecografista y orden de examen como efectos fijos, participante como intercepto aleatorio. La duración del examen y el NASA-TLX ponderado eran los dos criterios principales preespecificados; pulsaciones, distancia, permanencia y sacudida los secundarios; todo lo demás es exploratorio, sin corrección por comparaciones múltiples. No hubo cálculo de potencia a priori; a posteriori, 32 pares dan un 80 % de potencia para detectar un efecto de 7,9 puntos de NASA-TLX. El estudio no se registró en un registro de ensayos clínicos, argumentando los autores que la intervención no evaluaba un desenlace de salud.

Los resultados

La eficiencia. Los cinco criterios operativos apuntan en la misma dirección, todos significativos tanto en la prueba paramétrica como en el Wilcoxon pareado. Duración del examen: 592,4 s en manual frente a 540 s en asistido, es decir −52,4 s (IC 95 % −81,2 a −23,7; −9 %; P = 0,001). Pulsaciones: 197 → 142, es decir −55 (−28 %; P < 0,001). Distancia recorrida por la mano: 11,81 → 7,24 m, es decir −4,57 m (−39 %; P < 0,001). Tiempo de permanencia sobre el teclado: 64,4 → 31,1 s (−52 %; P < 0,001). Sacudida media: 3,06 → 2,23 m/s³ (−27 %; P < 0,001). Estas ganancias reflejan una ejecución más rápida del mismo protocolo: 192/192 mediciones obtenidas en manual, 189/192 en asistido.

La carga de trabajo. El segundo criterio principal es negativo. El NASA-TLX ponderado pasa de 45,8 a 41,9, es decir −3,9 puntos (IC 95 % −9,3 a +1,5; P = 0,17): el intervalo contiene el cero y el estudio estaba infrapotenciado para un efecto de ese tamaño. En el análisis por subescalas — exploratorio — la exigencia mental baja 6,3 puntos (P = 0,03) y el esfuerzo 7,0 puntos (P = 0,04), sin cambios en las otras cuatro dimensiones. Los autores subrayan lo que les interesa: ninguna subescala aumenta, de modo que no hay traslado visible de la carga hacia una actividad de supervisión. Además, la duración del examen se asocia a la carga percibida dentro de cada participante (0,089 puntos de NASA-TLX por segundo; IC 95 % 0,060–0,118; P < 0,001).

Las correcciones. La IA generó un valor en 184 de las 189 mediciones obtenidas; en los cinco casos restantes (pared vesicular ×2, colédoco ×2, longitud del riñón derecho ×1) no generó nada y el operador midió a mano. Los ecografistas modificaron 48 de los 184 valores y corrigieron 33 etiquetas anatómicas. Solo uno de los 32 exámenes asistidos no requirió ninguna intervención. La tasa de modificación varía mucho según la medida: altura hepática 18/31 (58 %; IC 95 % 41–74), grosor de la pared vesicular 11/30 (37 %; 22–55), diámetro del colédoco 7/29 (24 %; 12–42). Los dos operadores corrigen una proporción global parecida (21/90 y 27/94) pero no las mismas mediciones. Los errores de etiquetado se concentran en estructuras contiguas y ecográficamente confundibles de la región epigástrica — siendo el par más frecuente páncreas corregido a vena cava inferior (n = 4) — y después en órganos contralaterales, riñón derecho corregido a riñón izquierdo (n = 3).

Traducción operativa. Un 9 % de duración ahorrada en un examen abreviado de diez minutos es menos de un minuto. En una jornada de veinte ecografías abdominales serían unos diecisiete minutos — suficiente para encajar un examen más, siempre que la ganancia se mantenga con pacientes reales y que el tiempo ahorrado vuelva a la agenda y no a la jornada laboral. En sentido contrario, una tasa de corrección del 58 % en la altura hepática significa que, para esa medición concreta, el operador rectifica a la IA más de una vez de cada dos: el valor propuesto es un punto de partida, no un resultado.

Lo que está bien

El recuento de gestos está instrumentado, no declarado. Casi toda la literatura sobre carga de trabajo en imagen se apoya en cuestionarios. Aquí cuatro de las seis métricas proceden de una cámara de profundidad con un procedimiento íntegramente descrito — segmentación del guante en espacio TSV, transformación de canales para engañar a un detector de manos entrenado con manos desnudas, restricción al 40 % central del campo para eliminar reflejos de pantalla, depuración a 0,3 m por fotograma, filtro One Euro — y el software de seguimiento está publicado en GitHub. Las pulsaciones las cuenta por separado un observador humano, lo que aporta una verificación cruzada del mismo fenómeno por un canal independiente. Es un nivel de detalle metodológico poco habitual para este tipo de medición.

El diseño cruzado se aprovecha, y los análisis de robustez lo acompañan. Cada participante es su propio control, el orden de condición y el de operador se aleatorizan y equilibran por separado, y los autores van a buscar la confusión residual: modelos con término de interacción condición × ecografista, covariable de secuencia de estudio, reajustes leave-one-participant-out sobre los 32 participantes, pruebas no paramétricas pareadas como control. Detectan además una deriva que les incomoda — la carga percibida disminuye a lo largo del estudio en ambas condiciones (−0,93 puntos por participante en asistido, P < 0,001; −0,55 en manual, P = 0,04) —, la identifican como familiarización general y precisan que el cruce protege el contraste, pero no la magnitud absoluta del efecto cognitivo.

El resultado negativo no se maquilla, y el inventario de correcciones se publica. El NASA-TLX compuesto era un criterio principal preespecificado; sale no significativo, y el resumen lo dice antes de mencionar las subescalas, recordando que estas son exploratorias y sin corrección por multiplicidad. La conclusión de los autores — que las ganancias «se leen mejor como una reconfiguración del trabajo del operador que como su supresión» — es más prudente de lo que exigirían sus propias cifras. En cuanto a las correcciones, se dan medición por medición, con intervalos de Wilson, desglose por operador y una tabla completa de pares de etiquetas corregidas: exactamente la materia prima que un servicio necesitaría para decidir qué funciones activar y cuáles desactivar.

Lo que está menos bien

El sesgo de población es aquí casi máximo. IMC medio 22,6, edad media 25,3 años, voluntarios sanos sin patología abdominal, en ayunas, protocolo abreviado sin Doppler. Pero la dificultad de una ecografía abdominal procede precisamente de lo que se ha excluido: exceso de peso, gas intestinal, anatomía remodelada por cirugía, patología por caracterizar. Un modelo de reconocimiento de plano entrenado con datos no divulgados podría perfectamente ver desplomarse su fiabilidad en un paciente con obesidad — y es justo ahí donde el ahorro de tiempo sería más útil. Los autores lo reconocen explícitamente, pero la distancia entre la población evaluada y la población diana sigue siendo el principal límite a la extrapolación.

La tasa de errores no detectados es estructuralmente desconocida. El protocolo no incluye ningún patrón de referencia independiente: la verificación por el ecografista es el proceso de referencia. Cada modificación registrada es, por tanto, un error de la IA que el operador atrapó, y el diseño no puede decir nada de los que no atrapó. Es el modo de fallo del sesgo de automatización — la tendencia documentada de un operador a aceptar una propuesta automática verosímil — y dos ecografistas con 11 y 25 años de experiencia son el perfil más resistente posible; el propio artículo señala que un operador menos experimentado estaría más expuesto. A ello se suma la ausencia total de evaluación de la calidad de imagen y la exactitud de las mediciones, que los autores remiten a un trabajo aparte: no puede descartarse un intercambio de calidad por velocidad. La comparación con PROMETHEUS es aquí instructiva — en aquel ensayo, la calidad de las imágenes seleccionadas por la IA se valoró inicialmente por debajo de las adquiridas manualmente, y ese déficit solo fue visible porque se había previsto una evaluación de calidad independiente, cosa que aquí no ocurre.

Dos operadores, un equipo y una significación frágil en las subescalas. Con solo dos ecografistas, condición y operador quedan parcialmente confundidos a nivel de participante; los autores lo abordan con equilibrado y modelos de interacción, pero reconocen que el ahorro de tiempo y el efecto NASA-TLX se concentran en uno de los dos. Un efecto del que no se beneficia la mitad de la población de operadores no es generalizable tal cual. Además, se probaron seis subescalas con α = 0,05 sin corrección por multiplicidad, y los dos resultados positivos salen a P = 0,03 y P = 0,04: con una corrección de Bonferroni elemental, ninguno sobreviviría. Por último, un solo sistema y un solo fabricante: nada asegura que los resultados se transporten a otra plataforma. Sobre los intereses, la declaración es franca — Siemens Healthineers facilitó el acceso al software evaluado, sin papel en el diseño, el análisis ni la decisión de enviar el trabajo, y la financiación (una beca de investigación de verano de QUT y la Australasian Sonographers Association para los gastos de desplazamiento de los participantes) es modesta y sin conflicto aparente. Aun así, el algoritmo evaluado es una caja negra comercial cuya clase, datos de entrenamiento y rendimiento preclínico no son públicos.

Lo que esto cambia

Para la comunidad investigadora. El artículo aporta dos cosas reutilizables. La primera es metodológica: un dispositivo instrumentado y abierto para medir objetivamente la interacción operador-consola, en un campo que se conformaba con NASA-TLX autodeclarados. La segunda es un contrapunto empírico a PROMETHEUS. Ambos estudios evalúan una IA de asistencia a la adquisición; uno encuentra una caída clara de la carga compuesta, el otro no. Los autores proponen una explicación operativa más que un desacuerdo: PROMETHEUS automatizaba el ciclo congelar-guardar-medir en 13 planos estándar y capturaba silenciosamente durante la adquisición, con revisión humana diferida al final del examen; el sistema evaluado aquí muestra etiquetas y calibradores sobre la imagen en directo y pide una validación simultánea a la adquisición. Si esa lectura es correcta, el momento en que se pide al humano que verifique cuenta tanto como el rendimiento del modelo — una hipótesis contrastable, y que vale mucho más allá de la ecografía.

Para los clínicos. Hoy no cambia nada: preprint no revisado por pares, con voluntarios sanos, sin evaluación de calidad de imagen, y el encabezado de medRxiv advierte de que estos resultados no deben guiar la práctica. La lectura útil está en otra parte. Primero, las ganancias de eficiencia medidas son reales pero modestas, y concentradas en un operador; nadie debería comprar este tipo de software con la promesa de un aumento de rendimiento sin una medición local. Segundo, y sobre todo, la distribución de las correcciones dice dónde la herramienta es fiable y dónde no: aceptar sin más una altura hepática propuesta por la IA sería imprudente cuando se rectifica en el 58 % de los casos, mientras que otras mediciones casi nunca se tocan. Un despliegue razonable activa las funciones fiables y desactiva el resto, en lugar de activar el paquete entero.

Para los pacientes y el público general. Este estudio no habla de diagnóstico sino de condiciones de trabajo, y eso es lo que lo hace interesante. Una IA que reduce un 39 % la distancia que recorre una mano sobre una consola actúa sobre una penosidad documentada en una profesión donde los trastornos musculoesqueléticos son endémicos — pero los autores son claros en que sus métricas solo cubren la mano del teclado, no la postura del brazo que sostiene la sonda ni la fuerza aplicada, y en que nada de esto debe leerse como prueba de una reducción del riesgo de lesión. En cuanto al tiempo ahorrado, llegará a los pacientes — como menor espera o exámenes adicionales — solo si se cumplen tres condiciones: que la ganancia persista en exámenes clínicamente representativos, que la calidad y la exactitud de las mediciones no se degraden, y que el tiempo ganado se devuelva a la agenda. Ninguna de las tres está establecida.

Para saber más