Implementación de la Inteligencia Artificial en Medicina de Transfusión: Abordando los Desafíos de la Adopción Clínica

La inteligencia artificial (IA) y el aprendizaje automático (ML) son cada vez más promovidos para mejorar la transfusión y la gestión de sangre en pacientes, sin embargo, la implementación en el mundo real sigue siendo rara. Revisamos estudios ejemplares recientes que informan despliegue prospectivo con integración en flujos de trabajo para examinar características translacionales, barreras y facilitadores de la integración de IA/ML. El 18 de junio de 2025, buscamos en PubMed y Web of Science artículos desde enero de 2022 en adelante. De 1243 registros examinados y 31 textos completos revisados, 3 estudios cumplieron los criterios de inclusión. Los ejemplares comprendieron: (1) una herramienta integrada en laboratorio que predice ferritina baja en adultos anémicos, que durante un despliegue de 21 días identificó deficiencia de hierro adicional relevante para la optimización pré-transfusional; (2) una aplicación de smartphone dirigida al paciente que estima hemoglobina a partir de imágenes de uñas, adoptada nacionalmente por más de 200,000 usuarios con posibles implicaciones para el tamizaje de anemia; y (3) una herramienta de soporte de decisión para clínicos en smartphone que predice necesidades de resucitación en trauma, pilotada en 5 centros con factibilidad aceptable y satisfacción del usuario en un entorno intensivo en transfusión. Facilitadores comunes incluyeron la alineación con necesidad clínica, uso de infraestructura de datos existente, modelos interpretables basados en árboles y compromiso temprano de las partes interesadas. Barreras persistentes fueron la calidad y gobernanza de los datos, limitada generalizabilidad y ausencia de evaluación económica. Es importante que ningún estudio demostró mejora en resultados clínicos ni en costos. Para la adopción clínica, las herramientas de IA deben integrarse en los flujos de trabajo rutinarios con planes claros de seguridad, monitoreo y regulación. Investigaciones futuras deberían aplicar marcos de implementación desde el inicio, evaluar el impacto posterior en la práctica transfusional y en los resultados, y priorizar enfoques escalables como análisis integrados en laboratorio, soporte de decisión interoperable y herramientas digitales centradas en el paciente.