La cirugía ortopédica y traumatología es una especialidad con características que hacen especialmente atractiva la aplicación de la IA. El volumen de exploraciones radiológicas es elevado, la variabilidad interobservador en la interpretación de fracturas es un problema documentado, las urgencias trabajan en condiciones de presión asistencial creciente, y las decisiones clínicas en el paciente politraumatizado se toman con frecuencia en escenarios de incertidumbre y tiempo limitado. En este contexto, la IA puede aportar valor en al menos tres grandes dominios: el diagnóstico radiológico asistido, la predicción de complicaciones y la optimización del triaje y la gestión asistencial.

Sin embargo, la translación de los resultados de laboratorio a la práctica clínica diaria encuentra obstáculos relevantes: la falta de validación prospectiva multicéntrica, la escasa transparencia de la mayoría de los algoritmos, la heterogeneidad de los datos utilizados para el entrenamiento y las implicaciones éticas y regulatorias que conlleva la integración de sistemas autónomos de decisión (2).

La búsqueda bibliográfica se llevó a cabo en las siguientes bases de datos electrónicas: PubMed/MEDLINE, Scopus, Cochrane Library y Google Scholar. La estrategia de búsqueda combinó términos de vocabulario controlado (MeSH) y palabras clave en texto libre relacionadas con inteligencia artificial y cirugía ortopédica y traumatología. La consulta principal empleada en PubMed fue la siguiente: ("artificial intelligence"[Title/Abstract] OR "machine learning"[Title/Abstract] OR "deep learning"[Title/Abstract]) AND ("orthopedic surgery"[Title/Abstract] OR "orthopaedic"[Title/Abstract] OR "trauma"[Title/Abstract] OR "fracture"[Title/Abstract] OR "musculoskeletal imaging"[Title/Abstract])

Estrategias equivalentes se adaptaron a Scopus, Cochrane Library y Google Scholar. Adicionalmente, se revisaron manualmente las listas de referencias de los artículos y revisiones considerados más relevantes, con el fin de identificar estudios adicionales no recuperados por la búsqueda automatizada.

Se incluyeron estudios que cumplieran los siguientes criterios: artículos de investigación originales, revisiones sistemáticas, metaanálisis o declaraciones de consenso de sociedades científicas o agencias reguladoras; enfocados en la aplicación de IA, aprendizaje automático (AA) o aprendizaje profundo (AP) en cirugía ortopédica, traumatología o imagen musculoesquelética; y que evaluaran aplicaciones diagnósticas, predictivas o relacionadas con la optimización del flujo de trabajo clínico. Se dio preferencia a los estudios que reportaran validación externa, diseño prospectivo o bases de datos multicéntricas, por considerarse los que ofrecen mayor solidez para la aplicabilidad clínica.

Se excluyeron los estudios con tamaño muestral insuficiente para el análisis propuesto, con ausencia de un comparador clínicamente significativo, con algoritmos sin relevancia clínica directa o que presentaran información metodológica insuficiente para valorar la fiabilidad de sus resultados.

Los algoritmos de AP, particularmente las redes neuronales convolucionales (RNC), han demostrado un rendimiento comparable o superior al de especialistas en tareas de interpretación radiológica, con sensibilidades y especificidades que superan habitualmente el 90 % en los conjuntos de validación interna (1,3). Sin embargo, la mayor parte de estos resultados procede de estudios retrospectivos con datos del centro donde se entrenó el modelo, lo que limita su extrapolación a contextos diferentes.

En el ámbito de las herramientas comerciales, varias plataformas cuentan actualmente con aprobación de la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) y marcado CE. Entre las más validadas se encuentra BoneView (Gleamer), que en el estudio de Regnard et al. (4) demostró una sensibilidad del 98,1% para fracturas y del 89,9% para luxaciones en validación multicéntrica. Otros sistemas, como SmartUrgence y Rayvolve, redujeron el tiempo de interpretación entre un 26% y un 30% sin comprometer la precisión diagnóstica en estudios prospectivos recientes, según Prucker et al. (5). En una comparación de tres algoritmos comerciales, Guermazi et al. (6) demostraron que la asistencia de IA mejoró la sensibilidad en un 10,4% y redujo el tiempo de lectura en 6,3 segundos por exploración. Este panorama regulatorio presenta, sin embargo, una paradoja relevante: disponer de aprobación formal no equivale a contar con evidencia clínica sólida. Antonissen et al. (7) documentaron que, de los más de 173 productos de IA con marcado CE en radiología existentes en 2023, solo el 31% disponían de estudios de nivel 3 o superior que demostrasen impacto clínico real. La tabla 1 recoge las características y el nivel de validación de las principales plataformas comerciales disponibles actualmente para la detección de fracturas, permitiendo al lector valorar de forma comparada qué sistemas cuentan con respaldo metodológico suficiente para su uso en la práctica asistencial.

En fracturas vertebrales osteoporóticas, Shen et al. (8) desarrollaron y validaron un sistema de AP entrenado con más de 11.000 radiografías convencionales que alcanzó una sensibilidad del 84,1 % y una especificidad del 97,3 % en validación interna, con resultados comparables en la cohorte de validación externa. En fracturas de meseta tibial, van der Gaast et al. (9) mostraron que la detección mediante redes convolucionales obtuvo sensibilidades elevadas (92,7 %), aunque la clasificación según el sistema de Schatzker resultó considerablemente más difícil, con una exactitud del 34,6 %. Este resultado refleja las limitaciones intrínsecas de los sistemas de clasificación clásicos cuando se utilizan como referencia de entrenamiento, dado que la concordancia interobservador del propio sistema de Schatzker sobre radiografía convencional es, en sí misma, moderada.

En traumatismo craneoencefálico (TCE), los algoritmos de AP han demostrado capacidad para detectar automáticamente hemorragia intracraneal, cuantificar volúmenes de hematoma e identificar el desplazamiento de la línea media en tomografía computarizada (TC), mejorando la reproducibilidad de la interpretación radiológica, según Hibi et al. (10) y Uparela-Reyes et al. (11). La integración de neuroimagen avanzada —tractografía por tensor de difusión, resonancia magnética funcional— con datos clínicos mediante aprendizaje automático (AA) —denominación que engloba los métodos estadísticos y computacionales mediante los cuales un sistema aprende a realizar predicciones o clasificaciones a partir de datos, sin seguir reglas explícitamente programadas— muestra resultados prometedores para el diagnóstico y pronóstico del TCE leve, aunque la validación externa sigue siendo escasa, como señala la revisión sistemática de Saludar et al. (12). La amplitud y diversidad de estas aplicaciones —que abarcan desde el diagnóstico radiológico hasta la planificación quirúrgica, pasando por la predicción de complicaciones y la gestión asistencial— queda reflejada en la figura 1, que ofrece una visión de conjunto de los cuatro grandes dominios en los que la IA está transformando la práctica de la cirugía ortopédica y traumatología, con distinto grado de madurez clínica en cada uno de ellos.

Los modelos de lenguaje grandes (MLG) —sistemas de inteligencia artificial entrenados sobre enormes corpus textuales que les permiten comprender y generar lenguaje natural con aparente coherencia—, como ChatGPT (OpenAI), han demostrado una precisión del 76,6% en triaje según el Índice de Severidad de Emergencias (ISE), con una especificidad del 95,6 % para identificar pacientes de alta urgencia, en el estudio de Colakca et al. (18). Sin embargo, estos mismos sistemas presentan tasas documentadas de respuestas incorrectas o potencialmente peligrosas que oscilan entre el 21,6 % y el 43,2 % según la plataforma evaluada, con respuestas clínicamente inseguras en hasta el 13 % de los casos en algunas versiones, según Draelos et al. (19). Ningún MLG ha recibido aprobación de la FDA para uso clínico directo. La supervisión humana no es una recomendación opcional: es una exigencia de seguridad irrenunciable.

En diagnóstico radiológico, el patrón es consistente en la literatura: los algoritmos funcionan bien cuando se validan sobre datos del centro donde fueron entrenados, y muestran una caída de rendimiento variable al probarse en poblaciones externas. Solo el 14,5 % de los estudios publicados han superado el umbral de la validación externa, y únicamente el 3,2 % han sido evaluados de forma prospectiva, según el análisis de Misir et al. (1). Esta cifra no es un dato menor: significa que el 97 % de los modelos publicados carecen del nivel de evidencia mínimo que exigiríamos a cualquier otro dispositivo (figura 2). La producción científica en IA se acumula masivamente en los escalones inferiores de madurez —desarrollo interno del modelo y, a lo sumo, validación externa— mientras que los niveles que implican demostración de impacto clínico real son prácticamente inexistentes en la literatura actual de cirugía ortopédica y traumatología. La aprobación regulatoria —FDA o marcado CE— no suple esta carencia, dado que los requisitos de validación exigidos por las agencias son en muchos casos inferiores a los estándares de la investigación clínica de alta calidad, tal como señalan Antonissen et al. (7) y Rajpurkar et al. (28).

El problema de la validación externa no es exclusivamente técnico. Refleja también una tensión inherente al proceso de publicación científica en este campo: los estudios con resultados favorables se publican con mayor facilidad, mientras que los que muestran caídas de rendimiento al aplicar los modelos en nuevos entornos tienen menos visibilidad. Esta asimetría de publicación debería tenerse en cuenta al interpretar el conjunto de la literatura disponible.

En cuanto a la predicción de complicaciones, las mejoras observadas sobre los scores tradicionales son clínicamente relevantes cuando el modelo ha sido validado de forma adecuada, pero la mayoría de los datos proceden de estudios retrospectivos con optimismo estadístico probable. La utilidad real de estos modelos para cambiar decisiones clínicas —y no solo para clasificar pacientes con mayor exactitud matemática— es una pregunta que, en general, permanece sin responder. Que un algoritmo prediga la mortalidad con una AUC de 0,99, como describen El-Menyar et al. (15), no implica que su incorporación al flujo de trabajo clínico mejore los resultados en la supervivencia del paciente: esa demostración requiere un diseño de estudio diferente, más exigente y más costoso.

Merece especial atención el papel de los modelos de lenguaje grandes en este contexto. Los datos disponibles son ambivalentes: muestran rendimiento aceptable en tareas estructuradas simples y resultados preocupantes cuando se enfrentan a escenarios clínicos con mayor complejidad o ambigüedad (18,19). Las tasas de alucinación documentadas —información fabricada presentada con aparente autoridad— son inaceptables en un contexto de seguridad del paciente, y la ausencia de aprobación regulatoria para ninguno de estos sistemas debería limitar estrictamente su uso a funciones de apoyo administrativo o educativo, nunca diagnóstico.

Desde una perspectiva de práctica clínica, la implementación de herramientas de IA en cirugía ortopédica y traumatología presenta desafíos que van más allá del rendimiento algorítmico. La integración en el flujo de trabajo real requiere compatibilidad con los sistemas de historia clínica electrónica (HCE) existentes, tiempos de respuesta clínicamente asumibles, formación de los profesionales para interpretar correctamente las salidas del sistema —incluyendo sus márgenes de incertidumbre— y protocolos claros de responsabilidad cuando el algoritmo falla o induce a error. La denominada colaboración humano-máquina no se produce de forma espontánea: debe diseñarse, evaluarse y mantenerse, como subrayan Bignami et al. (2).

Las implicaciones éticas y regulatorias son otro pilar que no puede soslayarse. El sesgo algorítmico es un problema crítico y documentado que surge cuando los modelos, entrenados con poblaciones no representativas, pierden eficacia al aplicarse a subgrupos específicos de edad, sexo, etnia o comorbilidad. (2). El Reglamento de Inteligencia Artificial de la Unión Europea (Reglamento IA-UE) y las directrices de la Organización Mundial de la Salud (OMS) establecen principios de seguridad, equidad, transparencia y supervisión humana como condición para una integración responsable, pero su translación a protocolos institucionales concretos está aún en desarrollo en la mayoría de los servicios de cirugía ortopédica y traumatología.

El presente trabajo tiene limitaciones inherentes a su diseño como revisión narrativa. La selección de estudios no siguió un protocolo sistematizado con criterios de los estándares Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), lo que introduce inevitablemente un componente de subjetividad en la inclusión de referencias. La velocidad de publicación en este campo es tan elevada que cualquier revisión queda parcialmente desactualizada en el momento de su publicación. Por ello, las conclusiones deben entenderse como una síntesis del estado de conocimiento en el período analizado.