La incorporación de herramientas de inteligencia artificial (IA) a la práctica clínica es una realidad en múltiples ámbitos asistenciales⁽¹⁾. En los Servicios de Urgencias Pediátricos (SUP), surgen propuestas orientadas a reducir la carga burocrática⁽²⁾. Destacan los sistemas de IA ambiental, capaces de integrarse de forma “invisible” en la consulta y asistir en la generación de documentación clínica a partir de la interacción entre el profesional, el paciente y su familia.

La IA ambiental agrupa soluciones que, mediante micrófonos ambientales, captan la conversación clínica de forma pasiva y no intrusiva. Esa señal se procesa mediante modelos avanzados de lenguaje y posteriormente ofrece asistencia al profesional en distintas tareas; una de las más relevantes es la elaboración de un borrador estructurado del informe del episodio.

En algunos casos, estos sistemas incorporan datos contextuales del proceso asistencial (p. ej., acceso a la historia clínica, valores de constantes médicas o resultados de exploraciones complementarias), ampliando su utilidad y, al mismo tiempo, exigiendo reforzar garantías éticas y de gobernanza (privacidad, consentimiento y gestión de datos)⁽³⁾.

En el entorno europeo, cualquier implantación realista debe contemplar tres capas: la protección de datos personales bajo el Reglamento General de Protección de Datos, la gobernanza institucional y contractual del tratamiento y los requisitos aplicables al software como producto sanitario y su marcado CE (Conformité Européenne). Además, el marco regulatorio europeo de IA (Reglamento (UE) 2024/1689, “AI Act”) establece obligaciones específicas para determinados usos de IA considerados de alto riesgo, como la salud⁽⁴⁾.

La potencialidad de esta tecnología es evidente. Una parte relevante del tiempo del urgenciólogo se destina a la redacción de informes, con el consiguiente impacto en presencia clínica. Esta carga documental y de interacción con sistemas electrónicos ha sido cuantificada en distintos entornos asistenciales^(5,6). Delegar parte del trabajo repetitivo en una IA ambiental podría liberar tiempo para actividades de mayor valor añadido: comunicación con las familias, toma de decisiones, supervisión del equipo o coordinación con otros dispositivos asistenciales. Desde un punto de vista organizativo, la automatización parcial de la documentación puede contribuir a mejorar la eficiencia, homogeneizar la estructura de los informes y reducir la sobrecarga asociada al registro. Ahora bien, este potencial solo se traduce en mejora real si se acompaña de un principio irrenunciable: todo contenido generado debe ser revisado, corregido y siempre validado por un pediatra. La IA puede asistir, pero no sustituye ni la responsabilidad clínica ni la obligación de asegurar calidad, exactitud y adecuación del informe al episodio atendido⁽⁷⁾.

Sin embargo, cuando se plantea la implantación de estos sistemas en hospitales docentes, surge de forma inevitable una cuestión que trasciende lo tecnológico: ¿quién debería tener acceso a esta herramienta dentro de la estructura del hospital? La respuesta no es trivial, porque la realidad y las necesidades de un adjunto no son las mismas que las de un residente en formación.

Para los urgenciólogos pediátricos, la redacción del informe clínico representa, en gran medida, una tarea administrativa añadida a una actividad asistencial intensa. La priorización, la coordinación del equipo y la toma de decisiones se apoyan en competencias ya consolidadas. En este contexto, la IA ambiental puede ser un recurso para recuperar tiempo clínico y reducir carga burocrática. Su automatización puede considerarse un avance razonable, siempre que el contenido generado sea revisado y validado, y se mantengan estándares exigentes de seguridad, calidad y trazabilidad⁽²⁾.

El escenario es distinto al considerar el uso de IA por parte de los residentes, especialmente en los primeros años de formación. Para un residente de primer año (R1), la redacción del informe clínico no es solo una obligación administrativa: es una parte esencial del aprendizaje. Durante su proceso formativo, el residente adquiere la capacidad de recopilar datos, discriminar la información relevante, ordenar síntomas y hallazgos, elaborar un diagnóstico diferencial y justificar un plan terapéutico. Este proceso se consolida cuando se ve obligado a explicitar su razonamiento: ordenar sus ideas, detectar lagunas de información y decidir qué se incluye y cómo se presenta. Y una parte significativa de ese aprendizaje ocurre al estructurar un informe clínico coherente⁽⁸⁾.

Plantear el informe obliga a hacer explícito un razonamiento que, de otro modo, podría permanecer implícito o incompleto. La escritura permite confrontar decisiones, identificar contradicciones y revisar la coherencia del planteamiento⁽⁹⁾. Si desde el inicio de la residencia es la IA quien estructura la información, selecciona lo relevante y redacta el texto final, existe el riesgo de que el residente no desarrolle plenamente estas habilidades. Los informes podrían tener apariencia impecable, pero no reflejar el grado de madurez del pensamiento clínico de quien los firma. Esto puede traducirse en déficits formativos que no sean detectados hasta que el profesional deba tomar decisiones con mayor autonomía en etapas avanzadas del programa formativo o en entornos con menor soporte⁽¹⁰⁾.

Por todo ello, el acceso a la IA en los SUP docentes debería abordarse desde una perspectiva escalonada y pedagógicamente razonada. Una primera fase de implantación limitada a urgenciólogos pediátricos parece prudente: son quienes están en mejor posición para evaluar calidad, identificar errores, ajustar el sistema y fijar criterios de seguridad y adecuación, incluyendo indicadores de resultado y mecanismos de auditoría del rendimiento.

En el caso de los residentes, resulta necesario plantear modelos de uso diferenciados. Una opción sería restringir o modular el acceso durante el primer año, de forma que el R1 elabore personalmente sus informes en la mayoría de situaciones. Otra alternativa es disponer de modos específicos para docencia, en los que la IA genere un esquema estructurado (problemas principales, cronología, datos clave) que el residente deba transformar en un informe completo. También podría exigirse que, en determinados periodos, el informe generado por la IA se revise críticamente y se compare con un borrador propio del residente, utilizando las divergencias como oportunidad formativa y de supervisión⁽¹¹⁾.

Estas estrategias comparten una premisa: la IA ambiental no debe sustituir el aprendizaje, sino integrarse como herramienta de apoyo, preservando la necesidad de que el residente piense, argumente y escriba. En fases iniciales, resulta razonable que los informes generados con ayuda de IA, queden identificados (internamente), para evitar confusiones sobre el grado de participación real del profesional y facilitar procesos de mejora y auditoría.

La reflexión sobre la IA en urgencias pediátricas implica considerar su impacto en la formación especializada, la calidad del razonamiento clínico y la seguridad del paciente. Las decisiones sobre quién debe utilizarla y en qué condiciones deberían adoptarse con participación de comisiones de docencia, direcciones y grupos de trabajo específicos (como los de IA y docencia en el marco de la SEUP) con el objetivo de definir marcos de uso que equilibren eficiencia y proceso formativo.

La IA tiene potencial para convertirse en un aliado importante para los SUP, contribuyendo a reducir la carga burocrática y a mejorar la experiencia asistencial de pacientes, familias y profesionales. No obstante, su implantación en el ámbito docente exige planificación cuidadosa y una reflexión explícita sobre su efecto en la adquisición de competencias. En última instancia, el reto consiste en asegurar que la tecnología libere tiempo sin privar a quienes están aprendiendo de una herramienta esencial para consolidar su pensamiento clínico. Si la IA nos ahorra escribir, no debe ahorrarnos aprender a pensar.

REFERENCIAS

1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56. Disponible en: https://doi.org/10.1038/s41591-018-0300-7.
2. Verghese A, Shah NH, Harrington RA. What this computer needs is a physician: humanism and artificial intelligence. JAMA. 2018;319(1):19–20. Disponible en: https://doi.org/10.1001/jama.2017.19198.
3. Martinez-Martin N, Luo Z, Kaushal A, et al. Ethical issues in using ambient intelligence in health-care settings. Lancet Digit Health. 2021;3(2):e115–e123. Disponible en: https://doi.org/10.1016/S2589-7500(20)30275-2.
4. European Parliament and Council of the European Union. Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Off J Eur Union. 2024.
5. Sinsky C, Colligan L, Li L, et al. Allocation of physician time in ambulatory practice: a time and motion study. Ann Intern Med. 2016;165(11):753–760. Disponible en: https://doi.org/10.7326/M16-0961.
6. Hill RG Jr, Sears LM, Melanson SW. 4000 clicks: a productivity analysis of electronic medical records in a community hospital emergency department. Am J Emerg Med. 2013;31(11):1591–1594. Disponible en: https://doi.org/10.1016/j. ajem.2013.06.028.
7. Cabitza F, Rasoini R, Gensini GF. Unintended consequences of machine learning in medicine. JAMA. 2017;318(6):517–518. Disponible en: https://doi.org/10.1001/jama.2017.7797.
8. Eva KW. What every teacher needs to know about clinical reasoning. Med Educ. 2005;39(1):98–106. Disponible en: https://doi.org/10.1111/j.1365-2929.2004.01972.x.
9. Charlin B, Tardif J, Boshuizen HPA. Scripts and medical diagnostic knowledge: theory and applications for clinical reasoning instruction. Acad Med. 2000;75(2):182–190. Disponible en: https://doi.org/10.1097/00001888-200002000-00020.
10. Norman G, Monteiro S, Sherbino J. The causes of errors in clinical reasoning: cognitive biases, knowledge deficits, and dual process thinking. Acad Med. 2017;92(1):23–30. Disponible en: https://doi.org/10.1097/ACM.0000000000001421.
11. Masters K. Artificial intelligence in medical education. Med Teach. 2019;41(9):976–980. Disponible en: https://doi.org/10.1080/0142159X.2019.1595557.