Una revisión sistemática analizó 13 estudios y concluye que la AI mejora métricas técnicas en simulación, aunque persisten dudas sobre su validez clínica y reproducibilidad.
Un equipo internacional de investigadores publicó en npj Digital Medicine journal una revisión sistemática que analiza el impacto de la artificial intelligence (AI) en la formación en microcirugía, una de las áreas más exigentes de la práctica quirúrgica. La revisión evaluó si las herramientas basadas en machine learning or machine learning realmente mejoran el desempeño técnico, la eficiencia en el aprendizaje y la retención de habilidades frente a los métodos tradicionales.
La microcirugía, que implica trabajar con estructuras diminutas como vasos sanguíneos de menos de tres milímetros de diámetro, requiere una destreza manual y una coordinación visomotora extremadamente precisas. Históricamente, su enseñanza ha seguido el modelo de aprendizaje por observación y repetición, con evaluaciones en gran medida subjetivas. Ante limitaciones como la reducción de horas de residencia y las preocupaciones éticas sobre el uso de modelos animales, the AI se perfila como una alternativa capaz de ofrecer métricas objetivas y retroalimentación personalizada.
Para esta revisión, los autores analizaron estudios publicados desde 2010 en bases de datos biomédicas y tecnológicas. De más de dos mil registros iniciales, finalmente incluyeron 13 investigaciones realizadas entre 2018 y 2025 en ocho países. La mayoría fueron estudios unicéntricos con muestras pequeñas, de entre tres y 50 participantes.
Las tecnologías empleadas incluyeron modelos de visión por computadora y redes neuronales profundas como Mask R-CNN, YOLOv2, ResNet-50 y otras arquitecturas convolucionales. En términos generales, estas herramientas se utilizaron para rastrear instrumentos quirúrgicos, analizar movimientos, reconocer fases de procedimientos o proporcionar tutoría inteligente mediante realidad virtual o aumentada.
En conjunto, los sistemas de AI alcanzaron una precisión mediana de 83.8% en distintas tareas, con algunos modelos que superaron el 90% en actividades específicas como la segmentación de vasos o el reconocimiento de patrones quirúrgicos. Las aplicaciones más frecuentes se centraron en la detección y seguimiento de instrumentos, así como en el análisis cinemático de movimientos, parámetros que permiten medir variables como la longitud de trayectoria, la velocidad o la suavidad del gesto quirúrgico.
En términos educativos, la mayoría de los estudios reportaron mejoras en habilidades técnicas objetivas. Los sistemas automatizados distinguieron de manera consistente entre cirujanos expertos y novatos, y algunos modelos con retroalimentación adaptativa mostraron curvas de aprendizaje más rápidas que los métodos tradicionales. Sin embargo, la evidencia sobre la transferencia de estas mejoras a la cirugía real, así como sobre la retención a largo plazo de las habilidades, fue escasa.
Un punto crítico identificado por los autores fue la baja calidad metodológica de los estudios, ya que todas las investigaciones presentaron alto riesgo de sesgo según herramientas estándar de evaluación, y la certeza global de la evidencia fue calificada como muy baja. Además, la validación externa fue limitada, ya que la mayoría de los modelos se probaron únicamente con datos internos. Solo dos estudios compartieron su código y ninguno puso a disposición pública sus bases de datos completas, lo que dificulta la reproducibilidad.
También se señalaron desafíos éticos y prácticos, por ejemplo, el uso de grabaciones en video para entrenar modelos plantea interrogantes sobre privacidad y consentimiento. A esto se añade el riesgo de sesgos algorítmicos derivados de muestras pequeñas y homogéneas, así como los altos costos de infraestructura tecnológica, que pueden ampliar brechas entre centros con distintos niveles de recursos.
A pesar de estas limitaciones, los autores consideran que the AI tiene potencial para transformar la educación en microcirugía al ofrecer métricas objetivas, retroalimentación personalizada y entornos de entrenamiento más seguros. No obstante, subrayan que el campo se encuentra en una fase experimental y que son necesarios ensayos multicéntricos aleatorizados, con muestras más amplias y seguimiento prolongado, antes de integrar estas herramientas en evaluaciones de alto impacto o en la práctica clínica.
Finalmente, aunque la AI ya demuestra ventajas técnicas en entornos simulados, su verdadero impacto en la formación quirúrgica dependerá de estudios más rigurosos que confirmen su validez, generalización y utilidad en entornos clínicos reales.
