Sistema de análisis y aprendizaje de incidentes basado en inteligencia artificial para mejorar la seguridad del paciente y la calidad del tratamiento

Por qué las revisiones de incidentes más inteligentes importan para los pacientes

Detrás de todo tratamiento oncológico seguro hay una capa invisible de comprobaciones, verificaciones dobles y aprendizaje a partir de situaciones cercanas al error. La radioterapia es muy precisa, pero sus flujos de trabajo complejos y basados en equipos dejan margen para pequeños fallos que pueden convertirse en problemas importantes. Los hospitales ya recopilan miles de informes sobre cuasi‑incidentes y pequeñas averías, pero revisar estas historias manualmente es lento e inconsistente. Este artículo describe un nuevo sistema basado en inteligencia artificial que ayuda a los expertos a analizar rápidamente los informes de incidentes, descubrir patrones ocultos sobre cómo y por qué ocurren fallos y convertir ese conocimiento en atención más segura.

De las historias humanas al aprendizaje del sistema

Cuando ocurre algo inusual durante un tratamiento de radiación —como una instrucción confusa, un retraso o un cuasi‑incidente— los profesionales redactan un informe narrativo con sus propias palabras. Tradicionalmente, los equipos de calidad y seguridad leen cada relato, determinan qué falló y lo encuadran dentro de un marco de factores humanos llamado HFACS, que descompone las causas contribuyentes desde errores en primera línea hasta problemas organizativos más profundos. Este enfoque es potente pero consume mucho tiempo, especialmente en centros oncológicos concurridos donde se registran miles de incidentes, la mayoría sin daño al paciente pero que aún contienen lecciones valiosas. El nuevo Sistema de Análisis y Aprendizaje de Incidentes basado en Inteligencia Artificial (AI‑ILS) pretende apoyar a estos equipos automatizando gran parte del trabajo de clasificación sin perder la supervisión experta.

Limpiar y clarificar el lenguaje de los incidentes

Antes de que un algoritmo pueda entender la narración de un incidente, el texto debe ser tanto seguro para compartir como claro en su significado. AI‑ILS primero elimina los datos personales —como nombres, fechas y números de historia— usando modelos de lenguaje especializados entrenados para reconocer información sensible en textos médicos. A continuación, amplía la jerga médica y las siglas locales en frases más claras, de modo que acrónimos como «DIBH» o abreviaturas específicas de un puesto se interpreten correctamente. Esta preparación en dos pasos hace que los informes sean anónimos y más fáciles de comprender para el modelo central, a la vez que preserva la estructura e intención originales de la narrativa, lo cual es crucial para juzgar con precisión qué salió mal.

Enseñar a la IA a ver las causas profundas

En el núcleo del sistema hay un gran modelo de lenguaje ajustado con 1.548 informes de incidentes simulados cuidadosamente elaborados. Un equipo multidisciplinar —incluyendo físicos, enfermeras, terapeutas, dosimetristas y médicos— redactó estos ejemplos para cubrir una amplia gama de problemas a lo largo de las cuatro capas de HFACS: actos inseguros, condiciones previas (como dotación de personal o entorno), supervisión e influencias organizativas más amplias. El modelo se entrenó en cuatro ramas paralelas, una por cada capa, con una opción adicional de «ninguna de las anteriores» para evitar forzar cada relato en una categoría inapropiada. Tras el ajuste fino, el rendimiento del modelo mejoró de forma notable: su capacidad para distinguir etiquetas correctas de incorrectas (medida con métricas estándar de exactitud y correlación) pasó de un nivel cercano al azar a un fuerte acuerdo con el juicio experto.

Poner el sistema a prueba en clínicas reales

Los investigadores aplicaron luego AI‑ILS a 350 informes reales de incidentes extraídos de la base de datos interna de seguridad de un gran centro oncológico. Al comparar sus clasificaciones con las de físicos médicos experimentados, encontraron aproximadamente un 79 % de acuerdo estricto y casi un 88 % de acuerdo cuando los casos límite se contaron como «posiblemente aceptables». El sistema funcionó mucho más rápido que los humanos: podía procesar y clasificar completamente un incidente en unos cinco segundos, mientras que los revisores necesitaban alrededor de dos minutos y medio por caso. Una interfaz sencilla tipo chat permite a los clínicos ver cómo la IA interpretó un informe, hacer preguntas de seguimiento y comprender mejor por qué se sugirió una causa concreta, convirtiendo la herramienta en un socio en lugar de una caja negra.

Qué supone esto para una atención más segura

Este estudio sugiere que un sistema de IA cuidadosamente diseñado puede apoyar de forma fiable a los expertos para dar sentido a grandes volúmenes de informes de seguridad, liberando tiempo para investigaciones y acciones más profundas. En lugar de reemplazar el juicio humano, AI‑ILS organiza y estandariza los patrones de incidentes a través de errores de primera línea, condiciones de trabajo, supervisión y prácticas organizativas. Con una adopción más amplia y conjuntos de datos multicéntricos más grandes, herramientas similares podrían ayudar a los hospitales a pasar de correcciones reactivas tras un incidente a mejoras proactivas y basadas en datos en la manera de prestar la atención: reduciendo silenciosamente el daño prevenible y haciendo tratamientos complejos como la radioterapia más seguros para los pacientes en todas partes.

Cita: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

Palabras clave: seguridad del paciente, radioterapia, notificación de incidentes, inteligencia artificial, factores humanos