Miles de pacientes en estado de coma permanecen hoy en hospitales sin acceso a los especialistas capaces de determinar si su cerebro sigue activo. Un análisis publicado en *Nature Reviews Neurology* documenta cómo modelos de inteligencia artificial entrenados sobre datos multicéntricos pueden cubrir ese vacío diagnóstico, con implicaciones directas para la neurología de urgencias a escala global.
El problema que la IA intenta resolver: diagnóstico sin especialistas
Los trastornos de consciencia —coma, estado vegetativo, estado de mínima consciencia— exigen evaluaciones complejas que solo los grandes centros de referencia pueden ofrecer con garantías. Equipos multidisciplinares formados por neurólogos intensivistas, neuropsicólogos y radiólogos especializados son imprescindibles para un diagnóstico correcto.
El problema es de acceso. Un paciente que ingresa en un hospital regional sin unidad de neurología intensiva avanzada tiene probabilidades significativamente menores de recibir una evaluación completa. El resultado puede ser un diagnóstico erróneo que condicione decisiones clínicas y éticas de enorme peso: retirada de soporte vital, planes de rehabilitación, comunicación con la familia.
Ese desequilibrio estructural entre centros de excelencia y hospitales de segundo nivel es el punto de partida del análisis publicado en *Nature Reviews Neurology*, que cartografía el estado actual de la IA aplicada a estos trastornos y señala tres líneas de investigación con evidencia clínica sólida.
Claassen y los 380 pacientes: detectar consciencia donde no se ve
El trabajo de Claassen et al., publicado en *The New England Journal of Medicine*, es uno de los estudios más citados en este campo. El equipo evaluó a 380 pacientes aparentemente no responsivos y demostró que la inteligencia artificial puede detectar activación cerebral en personas que, desde el exterior, no muestran ninguna señal de consciencia.
La técnica se apoya en el análisis de electroencefalogramas y señales de neuroimagen funcional. El modelo identifica patrones de actividad cerebral que escapan a la observación clínica convencional. Para el médico de guardia en un hospital sin especialistas, esa capacidad de detección automática puede marcar la diferencia entre un diagnóstico de coma profundo y la identificación de un paciente con consciencia encubierta.
Este fenómeno, conocido en la literatura como “cognitive motor dissociation”, afecta a una proporción relevante de pacientes con trastornos de consciencia. Identificarlo cambia radicalmente el pronóstico y el plan de cuidados.
Magliacano y la predicción de recuperación a largo plazo
Magliacano et al. abordaron una pregunta distinta pero igualmente crítica: no solo si hay consciencia ahora, sino si el paciente puede recuperarla. Su modelo de machine learning fue validado usando datos de la Coma Recovery Scale-Revised, una de las escalas de evaluación más utilizadas en la práctica clínica internacional.
La escala mide respuestas auditivas, visuales, motoras y verbales del paciente en distintos momentos del proceso. El modelo de Magliacano extrae de esos datos patrones predictivos que permiten estimar la probabilidad de recuperación a largo plazo con una precisión que supera la valoración clínica subjetiva en contextos de recursos limitados.
Esto tiene consecuencias directas en la planificación de la rehabilitación. Saber con mayor certeza qué pacientes tienen probabilidades reales de recuperar consciencia permite asignar recursos de forma más eficiente y, sobre todo, informar a las familias con datos objetivos en lugar de estimaciones basadas únicamente en la experiencia del médico disponible.
Olchanyi y la segmentación automática del tronco encefálico
El tercer eje del análisis corresponde al trabajo de Olchanyi et al., que desarrollaron un sistema capaz de segmentar automáticamente por resonancia magnética los núcleos del tronco encefálico críticos para la consciencia. Hasta ahora, esa segmentación requería un radiólogo ultraespecializado, una figura escasa incluso en hospitales universitarios de primer nivel.
El tronco encefálico contiene estructuras como el sistema reticular activador ascendente, cuya integridad es determinante para mantener el estado de vigilia. Lesiones en esas regiones explican muchos casos de coma prolongado. Cuantificar esas lesiones de forma precisa y reproducible es esencial para el pronóstico.
El sistema de Olchanyi automatiza ese proceso. Un hospital sin radiólogo especializado en neuroimagen de alta complejidad puede obtener una segmentación fiable con solo ejecutar el modelo sobre la resonancia magnética estándar del paciente. Es un ejemplo concreto de cómo la IA traslada capacidad experta a entornos con menos recursos.
Por qué la brecha de acceso en neurología de urgencias es el nudo central
El diagnóstico de los trastornos de consciencia es uno de los problemas más complejos de la medicina intensiva. La tasa de diagnóstico erróneo en pacientes con estado de mínima consciencia ha sido documentada históricamente en torno al cuarenta por ciento en estudios clásicos del campo. Eso significa que casi uno de cada dos pacientes puede estar recibiendo un tratamiento inadecuado basado en una evaluación incorrecta.
La concentración del conocimiento experto en unos pocos centros de referencia no es un problema exclusivo de los países de renta baja. Ocurre también en Europa y en Norteamérica. La distancia geográfica, la falta de neurólogos especializados en neurología del coma y la ausencia de protocolos estandarizados crean un mapa de acceso profundamente desigual.
Los modelos descritos en *Nature Reviews Neurology* no proponen sustituir al especialista. Proponen extender su capacidad de forma escalable: un algoritmo entrenado sobre datos de los mejores centros del mundo puede funcionar como herramienta de apoyo en cualquier hospital con resonancia magnética y electroencefalógrafo.
Del laboratorio al protocolo clínico: los obstáculos pendientes
La validación clínica de estos modelos sigue siendo el principal cuello de botella. Los estudios de Claassen, Magliacano y Olchanyi aportan evidencia sólida, pero fueron desarrollados en condiciones controladas con cohortes específicas. La generalización a poblaciones heterogéneas, con distintas etiologías del coma y distintos sistemas de registro de datos, es un paso que aún requiere ensayos prospectivos a mayor escala.
Existe también una dimensión regulatoria. En la Unión Europea, el Reglamento de IA aprobado en 2024 clasifica los sistemas de apoyo al diagnóstico médico como aplicaciones de alto riesgo, lo que implica requisitos estrictos de transparencia, trazabilidad y supervisión humana antes de su despliegue clínico. Eso no bloquea la innovación, pero sí impone un calendario de validación que puede extenderse varios años.
La integración en los sistemas de historia clínica electrónica es otro reto práctico. Los modelos necesitan datos estructurados y de calidad homogénea para funcionar correctamente. En muchos hospitales, los registros de pacientes con trastornos de consciencia son incompletos o están almacenados en formatos incompatibles.
Un escenario de uso concreto: el hospital comarcal ante un coma de causa desconocida
Imagina un hospital comarcal sin unidad de neurología intensiva. Ingresa un paciente de cincuenta años en coma tras un accidente de tráfico. El neurólogo de guardia aplica las escalas clínicas estándar y obtiene una puntuación compatible con coma profundo sin respuesta. Sin herramientas adicionales, el pronóstico que comunica a la familia es incierto y conservador.
Con un sistema como el descrito por Claassen et al., ese mismo médico puede solicitar un análisis automático del electroencefalograma del paciente. El modelo detecta patrones de activación cerebral encubierta que la exploración clínica no captó. El diagnóstico cambia. El plan de cuidados también. La familia recibe una información más precisa sobre las posibilidades reales de recuperación.
Ese escenario no es especulativo. Es la aplicación directa de los resultados publicados en *The New England Journal of Medicine* con 380 pacientes reales.
Claassen, Magliacano y Olchanyi ante la siguiente fase de la neurología intensiva
Los tres grupos de investigación citados en *Nature Reviews Neurology* representan una tendencia más amplia en la medicina intensiva: la construcción de modelos de IA entrenados sobre datos multicéntricos que pueden desplegarse como herramientas de apoyo clínico en entornos con recursos limitados. No es el único campo donde esto ocurre, pero sí uno donde el impacto potencial es especialmente alto dado el volumen de diagnósticos erróneos documentados históricamente.
Si los ensayos prospectivos en curso confirman la generalización de estos modelos a poblaciones más amplias, el siguiente paso lógico es su integración en las guías clínicas de sociedades como la European Academy of Neurology o la Neurocritical Care Society. Ese proceso de adopción institucional, más que la tecnología en sí, determinará el ritmo al que estos algoritmos llegan a los hospitales donde más falta hacen.
Para ti, como profesional sanitario o como ciudadano que puede acabar tomando decisiones sobre un familiar en coma, la pregunta relevante no es si la IA es capaz de ayudar en este contexto: los datos de Claassen, Magliacano y Olchanyi indican que sí lo es. La pregunta es cuánto tiempo tardarán los sistemas de salud en incorporar esa capacidad a sus protocolos estándar, y qué pacientes perderán ese acceso mientras tanto.
Imagen ilustrativa generada con inteligencia artificial.
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico. Cada artículo se elabora con la asistencia tecnológica de Iberia y se revisa antes de publicarse. Más sobre cómo trabajamos →
