ROL DE LAS NUEVAS TECNOLOGÍAS
BASADAS EN INTELIGENCIA ARTIFICIAL EN
EL MANEJO DEL DOLOR DEL PACIENTE
ONCOLÓGICO. UNA REVISIÓN DE ALCANCE
THE ROLE OF NEW ARTIFICIAL INTELLIGENCE-BASED
TECHNOLOGIES IN CANCER PATIENT PAIN MANAGEMENT.
A SCOPING REVIEW
Santiago Patricio Ruiz Pérez
Trabajador independiente
Jefferson Andrés Guerrero Andrade
Hospital General Docente Ambato
Katherine Johana Puruncajas Pila
Fuerza Aérea Ecuatoriana
pág. 2555
DOI: https://doi.org/10.37811/cl_rcm.v9i3.17886
Rol de las nuevas tecnologías basadas en inteligencia artificial en el manejo
del dolor del paciente oncológico. Una revisión de alcance
Santiago Patricio Ruiz Pérez1
santhyruizsp.sr@gmail.com
https://orcid.org/0000-0001-8744-2255
Trabajador independiente
Latacunga – Ecuador
Jefferson Andrés Guerrero Andrade
and.guerrero13@gmail.com
https://orcid.org/0009-0006-7765-1014
Hospital General Docente Ambato
Ambato – Ecuador
Katherine Johana Puruncajas Pila
kjpp_23mayo97@hotmail.com
https://orcid.org/0009-0009-8923-5319
Fuerza Aérea Ecuatoriana
Galápagos -Ecuador
RESUMEN
La medicina junto a la inteligencia artificial avanza en el diagnóstico y tratamiento de las
enfermedades oncológicas, sin embargo, no está claro cómo influye en la terapia del dolor. El
propósito de este documento fue mapear la evidencia bibliográfica disponible sobre el rol de las
nuevas tecnologías basadas en inteligencia artificial en el manejo del dolor en pacientes oncológicos.
Se llevó a cabo una revisión de alcance de las bases de datos PubMed, Scopus, Springer Link y
Science direct aplicando la metodología PRISMA -ScR. Para la valoración del nivel y calidad de
evidencia se aplicó el modelo de la Práctica Basada en Evidencia de Johns Hopkins. Mediante la
cadena de búsqueda se extrajo 401 artículos, solo 12 cumplieron los criterios de elegibilidad. Cinco
fueron considerados de nivel III y siete de buena calidad. Se reconocieron varias utilidades de la
inteligencia artificial especialmente para clasificar el dolor, monitorización remota, telesalud, toma de
decisiones en tratamientos individualizados, control de otros síntomas postratamiento, educación, y
apoyo psicosocial. Las herramientas con inteligencia artificial son aceptadas por los usuarios finales en
particular aquellas que mejoran la autogestión del tratamiento. No hay suficiente evidencia que
permita profundizar el tema, la escasez de ensayos controlados dificulta la interpretación de la utilidad
de las nuevas tecnologías en este contexto.
Palabras clave: inteligencia artificial, terapia del dolor, cáncer
1 Autor principal.
Correspondencia: santhyruizsp.sr@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i3.17886
Rol de las nuevas tecnologías basadas en inteligencia artificial en el manejo
del dolor del paciente oncológico. Una revisión de alcance
Santiago Patricio Ruiz Pérez1
santhyruizsp.sr@gmail.com
https://orcid.org/0000-0001-8744-2255
Trabajador independiente
Latacunga – Ecuador
Jefferson Andrés Guerrero Andrade
and.guerrero13@gmail.com
https://orcid.org/0009-0006-7765-1014
Hospital General Docente Ambato
Ambato – Ecuador
Katherine Johana Puruncajas Pila
kjpp_23mayo97@hotmail.com
https://orcid.org/0009-0009-8923-5319
Fuerza Aérea Ecuatoriana
Galápagos -Ecuador
RESUMEN
La medicina junto a la inteligencia artificial avanza en el diagnóstico y tratamiento de las
enfermedades oncológicas, sin embargo, no está claro cómo influye en la terapia del dolor. El
propósito de este documento fue mapear la evidencia bibliográfica disponible sobre el rol de las
nuevas tecnologías basadas en inteligencia artificial en el manejo del dolor en pacientes oncológicos.
Se llevó a cabo una revisión de alcance de las bases de datos PubMed, Scopus, Springer Link y
Science direct aplicando la metodología PRISMA -ScR. Para la valoración del nivel y calidad de
evidencia se aplicó el modelo de la Práctica Basada en Evidencia de Johns Hopkins. Mediante la
cadena de búsqueda se extrajo 401 artículos, solo 12 cumplieron los criterios de elegibilidad. Cinco
fueron considerados de nivel III y siete de buena calidad. Se reconocieron varias utilidades de la
inteligencia artificial especialmente para clasificar el dolor, monitorización remota, telesalud, toma de
decisiones en tratamientos individualizados, control de otros síntomas postratamiento, educación, y
apoyo psicosocial. Las herramientas con inteligencia artificial son aceptadas por los usuarios finales en
particular aquellas que mejoran la autogestión del tratamiento. No hay suficiente evidencia que
permita profundizar el tema, la escasez de ensayos controlados dificulta la interpretación de la utilidad
de las nuevas tecnologías en este contexto.
Palabras clave: inteligencia artificial, terapia del dolor, cáncer
1 Autor principal.
Correspondencia: santhyruizsp.sr@gmail.com
pág. 2556
The role of new artificial intelligence-based technologies in cancer patient
pain management. A scoping review
ABSTRACT
Medicine, along with artificial intelligence, is advancing the diagnosis and treatment of cancer;
however, it is unclear how it influences pain management. The purpose of this document was to map
the available bibliographic evidence on the role of new technologies based on artificial intelligence in
pain management in cancer patients. A scoping review of the PubMed, Scopus, Springer Link, and
Science Direct databases was conducted using the PRISMA-ScR methodology. The Johns Hopkins
Evidence-Based Practice model was applied to assess the level and quality of evidence. The search
yielded 401 articles; only 12 were selected. Five were considered level III and seven were considered
good quality. Several uses of artificial intelligence were recognized, especially in pain classification,
remote monitoring, telehealth, individualized treatment decision-making, post-treatment anxiety and
depression management, education, and psychosocial support. Artificial intelligence tools are accepted
by end users, particularly those that improve treatment self-management. There is insufficient
evidence to allow for further investigation into the topic; the scarcity of controlled trials makes it
difficult to interpret the usefulness of new technologies in this area.
Keywords: artificial intelligence, pain therapy, cancer
Artículo recibido 09 mayo 2025
Aceptado para publicación: 11 junio 2025
The role of new artificial intelligence-based technologies in cancer patient
pain management. A scoping review
ABSTRACT
Medicine, along with artificial intelligence, is advancing the diagnosis and treatment of cancer;
however, it is unclear how it influences pain management. The purpose of this document was to map
the available bibliographic evidence on the role of new technologies based on artificial intelligence in
pain management in cancer patients. A scoping review of the PubMed, Scopus, Springer Link, and
Science Direct databases was conducted using the PRISMA-ScR methodology. The Johns Hopkins
Evidence-Based Practice model was applied to assess the level and quality of evidence. The search
yielded 401 articles; only 12 were selected. Five were considered level III and seven were considered
good quality. Several uses of artificial intelligence were recognized, especially in pain classification,
remote monitoring, telehealth, individualized treatment decision-making, post-treatment anxiety and
depression management, education, and psychosocial support. Artificial intelligence tools are accepted
by end users, particularly those that improve treatment self-management. There is insufficient
evidence to allow for further investigation into the topic; the scarcity of controlled trials makes it
difficult to interpret the usefulness of new technologies in this area.
Keywords: artificial intelligence, pain therapy, cancer
Artículo recibido 09 mayo 2025
Aceptado para publicación: 11 junio 2025
pág. 2557
INTRODUCCIÓN
El término IA se usa cuando un equipo o herramienta tecnológica es capaz de imitar las funciones
cognitivas propias de la mente humana, como: creatividad, entendimiento, percepción del ambiente y
uso del lenguaje. (Xu et al., 2023). El aprendizaje automático (AA) rama de la IA admite sistemas
capaces de analizar de manera autónoma la información basados en algoritmos. Estas técnicas son
particularmente útiles para estratificar y analizar los grandes volúmenes de datos como, por ejemplo:
indicadores de imágenes, expedientes médicos y parámetros fisiológicos etc. El aprendizaje profundo,
una subcategoría del aprendizaje automático, se encuentra en una red neuronal artificial y contribuye
en la resolución de problemas más complejos (Xu et al., 2023).
De esta forma la IA ha modernizado a las ciencias incluso a la medicina. Hace más de 30 años fue
incorporada a las actividades de los profesionales de la salud, inició como un soporte en plataformas
de búsqueda de datos como Pubmed, facilitando el acceso a la evidencia científica para la discusión de
problemas médicos con datos actualizados, hoy forma parte de programas y redes neuronales
artificiales, con capacidades de aprendizaje autónomo (IA generativa) y soluciones basadas en
algoritmos y datos (IA predictiva) (Kaul et al., 2020).
En respuesta al alcance de las nuevas tecnologías, se diseñaron consensos orientativos para la
operacionalización de IA y AA confiables en salud regidos en varios principios; la usabilidad es uno
de ellos, este fundamento garantiza que sean enfocados con seguridad, eficiencia, agilidad, facilidades
de uso, adaptabilidad al flujo clínico y que contribuyan a problemas médicos sin descuidar la
interacción humana, reduciendo sesgos o daños, haciéndola una herramienta versátil y confiable en
contextos muy complejos como en las enfermedades crónicas de difícil manejo o neoplasias (Lekadir
et al., 2025). Las enfermedades oncológicas con mayor probabilidad son las condiciones más
complejas y heterogéneas por |estar dentro de las principales causas de morbimortalidad mundial con
mayor número de complicaciones y capacidad metastásica de difícil control (Hjartåker et al., 2025).
Los avances científicos, acompañados de la IA, han puesto a disposición nuevos protocolos de
diagnóstico, ensayos clínicos seguros, modernos agentes quimioterápicos, que inhiben eficazmente el
crecimiento y la proliferación de células cancerosas, limitando el progreso oncológico, también han
contribuido hasta nuestros días con la estadificación, subtipificación molecular y el análisis de la
INTRODUCCIÓN
El término IA se usa cuando un equipo o herramienta tecnológica es capaz de imitar las funciones
cognitivas propias de la mente humana, como: creatividad, entendimiento, percepción del ambiente y
uso del lenguaje. (Xu et al., 2023). El aprendizaje automático (AA) rama de la IA admite sistemas
capaces de analizar de manera autónoma la información basados en algoritmos. Estas técnicas son
particularmente útiles para estratificar y analizar los grandes volúmenes de datos como, por ejemplo:
indicadores de imágenes, expedientes médicos y parámetros fisiológicos etc. El aprendizaje profundo,
una subcategoría del aprendizaje automático, se encuentra en una red neuronal artificial y contribuye
en la resolución de problemas más complejos (Xu et al., 2023).
De esta forma la IA ha modernizado a las ciencias incluso a la medicina. Hace más de 30 años fue
incorporada a las actividades de los profesionales de la salud, inició como un soporte en plataformas
de búsqueda de datos como Pubmed, facilitando el acceso a la evidencia científica para la discusión de
problemas médicos con datos actualizados, hoy forma parte de programas y redes neuronales
artificiales, con capacidades de aprendizaje autónomo (IA generativa) y soluciones basadas en
algoritmos y datos (IA predictiva) (Kaul et al., 2020).
En respuesta al alcance de las nuevas tecnologías, se diseñaron consensos orientativos para la
operacionalización de IA y AA confiables en salud regidos en varios principios; la usabilidad es uno
de ellos, este fundamento garantiza que sean enfocados con seguridad, eficiencia, agilidad, facilidades
de uso, adaptabilidad al flujo clínico y que contribuyan a problemas médicos sin descuidar la
interacción humana, reduciendo sesgos o daños, haciéndola una herramienta versátil y confiable en
contextos muy complejos como en las enfermedades crónicas de difícil manejo o neoplasias (Lekadir
et al., 2025). Las enfermedades oncológicas con mayor probabilidad son las condiciones más
complejas y heterogéneas por |estar dentro de las principales causas de morbimortalidad mundial con
mayor número de complicaciones y capacidad metastásica de difícil control (Hjartåker et al., 2025).
Los avances científicos, acompañados de la IA, han puesto a disposición nuevos protocolos de
diagnóstico, ensayos clínicos seguros, modernos agentes quimioterápicos, que inhiben eficazmente el
crecimiento y la proliferación de células cancerosas, limitando el progreso oncológico, también han
contribuido hasta nuestros días con la estadificación, subtipificación molecular y el análisis de la
pág. 2558
expresión génica, proporcionando así información valiosa sobre los mecanismos del cáncer y
brindando diseños de ensayos clínicos prospectivos seguros. Se citan algunas herramientas: IBM
Watson for Oncology, Tempus y OncoPredict que analizan información de las historias clínicas,
interpretan datos y guían en decisiones terapéuticas; Google DeepMind, BioMind, PathA, Paige.AI ,
Arterys Oncology AI y Zebra Medical Vision que mejoran la interpretación de imágenes radiológicas
entre otras (Chen et al., 2025).
La terapia farmacológica para el dolor en pacientes con cáncer es amplia y multidimensional,
generalmente se usan analgésicos no esteroideos u opioides débiles o potentes acompañados de
terapias adyuvantes para el control de los efectos, las dosis se ajustan de manera independiente en
dependencia del umbral de tolerancia y varían de acuerdo con las etapas de la enfermedad. El fracaso
terapéutico o toxicidad, es común. (Díez & Segura, 2025). Al menos un 33 al 40% de los pacientes
oncológicos tienen un mal control del dolor, siendo otro problema que afecta a su calidad de vida
(Vyas et al., 2025). De hecho, muchos pacientes con dolor crónico siguen enfrentándose a un alivio
insuficiente y a un deterioro funcional. Solo una de cada cuatro personas informa una mejoría
significativa del dolor, a pesar del manejo multidisciplinario (Casarin et al., 2024)Por estos motivos el
cuidado y vigilancia continua es una prioridad que debe ser atendida con el soporte de nuevas
herramientas, pero ¿Qué se sabe del uso de inteligencia artificial en el manejo del dolor oncológico?,
¿es posible que la IA y AA hayan empezado a irrumpir en este campo?, al momento es incierto.
Considerando lo expuesto, cabe la teoría de la medicina basada en datos porque explica la interacción
entre la IA y el AA con las enormes cantidades de información sobre oncología y el dolor oncológico
para el diseño de modelos predictivos, que resulten en instrumentos de fácil aprendizaje para
familiares, cuidadores y los mismos pacientes haciéndolos mucho más partícipes en la mejoría de su
condición, y para el profesional de la salud, mantener una vigilancia en tiempo real de la evolución
clínica o nuevos eventos inesperados; llevando a la oncología a una medicina profunda y moderna
(Wong et al., 2023).
Por ello, se llevó a cabo una revisión de alcance con el objetivo de mapear la evidencia bibliográfica
disponible sobre el rol de las nuevas tecnologías basadas en inteligencia artificial en la terapia del
dolor en pacientes oncológicos, así como para identificar cualquier brecha de conocimiento existente.
expresión génica, proporcionando así información valiosa sobre los mecanismos del cáncer y
brindando diseños de ensayos clínicos prospectivos seguros. Se citan algunas herramientas: IBM
Watson for Oncology, Tempus y OncoPredict que analizan información de las historias clínicas,
interpretan datos y guían en decisiones terapéuticas; Google DeepMind, BioMind, PathA, Paige.AI ,
Arterys Oncology AI y Zebra Medical Vision que mejoran la interpretación de imágenes radiológicas
entre otras (Chen et al., 2025).
La terapia farmacológica para el dolor en pacientes con cáncer es amplia y multidimensional,
generalmente se usan analgésicos no esteroideos u opioides débiles o potentes acompañados de
terapias adyuvantes para el control de los efectos, las dosis se ajustan de manera independiente en
dependencia del umbral de tolerancia y varían de acuerdo con las etapas de la enfermedad. El fracaso
terapéutico o toxicidad, es común. (Díez & Segura, 2025). Al menos un 33 al 40% de los pacientes
oncológicos tienen un mal control del dolor, siendo otro problema que afecta a su calidad de vida
(Vyas et al., 2025). De hecho, muchos pacientes con dolor crónico siguen enfrentándose a un alivio
insuficiente y a un deterioro funcional. Solo una de cada cuatro personas informa una mejoría
significativa del dolor, a pesar del manejo multidisciplinario (Casarin et al., 2024)Por estos motivos el
cuidado y vigilancia continua es una prioridad que debe ser atendida con el soporte de nuevas
herramientas, pero ¿Qué se sabe del uso de inteligencia artificial en el manejo del dolor oncológico?,
¿es posible que la IA y AA hayan empezado a irrumpir en este campo?, al momento es incierto.
Considerando lo expuesto, cabe la teoría de la medicina basada en datos porque explica la interacción
entre la IA y el AA con las enormes cantidades de información sobre oncología y el dolor oncológico
para el diseño de modelos predictivos, que resulten en instrumentos de fácil aprendizaje para
familiares, cuidadores y los mismos pacientes haciéndolos mucho más partícipes en la mejoría de su
condición, y para el profesional de la salud, mantener una vigilancia en tiempo real de la evolución
clínica o nuevos eventos inesperados; llevando a la oncología a una medicina profunda y moderna
(Wong et al., 2023).
Por ello, se llevó a cabo una revisión de alcance con el objetivo de mapear la evidencia bibliográfica
disponible sobre el rol de las nuevas tecnologías basadas en inteligencia artificial en la terapia del
dolor en pacientes oncológicos, así como para identificar cualquier brecha de conocimiento existente.
pág. 2559
Se formuló la pregunta principal de investigación: ¿Qué se sabe sobre el rol de las nuevas tecnologías
basadas en inteligencia artificial en el manejo del dolor en pacientes oncológicos?; y subpreguntas
posibles: ¿Existen limitaciones para la aplicación de la IA dentro del contexto oncológico? y ¿las
personas aceptan estas nuevas tecnologías?
METODOLOGÍA
Se llevó a cabo un scoping review utilizando los Elementos del modelo Preferred Reporting Items for
Systematic Reviews and Meta-Analyses extension for scoping reviews (PRISMA ScR) y de los
prospectos de la Práctica Basada en Evidencia de Johns Hopkins (JHNEBP)Seal.
Criterios de elegibilidad
Se incluyeron los artículos de los últimos 5 años relacionados con inteligencia artificial y terapia del
dolor oncológico en adultos y niños que estén disponibles en inglés, español y a texto completo, así
como estudios primarios y secundarios de tipo cuantitativos, cualitativos y mixtos. No fueron
consideradas investigaciones cuantitativas y cualitativas o mixtas enfocadas en inteligencia artificial
aplicada en el diagnóstico preventivo o de seguimiento del cáncer, artículos sobre tecnologías para la
terapia del dolor que no usen inteligencia artificial, o que el uso de la inteligencia artificial tenga fines
investigativos farmacológicos. La literatura gris no fue incluida, así como documentos duplicados.
Estrategia de Búsqueda
Se usaron las bases de datos PubMed, Scopus, Springer Link y Science direct. Para la exploración de
información se utilizó los DeCS/MeSH – BVS de cada variable y mediante la herramienta Parsifal
(herramienta online diseñada para revisiones sistemáticas de literatura y otras revisiones) se estructuró
la cadena de búsqueda para las 4 bases de datos: Pubmed: ("artificial intelligence") OR ("technology")
and ("cancer pain") ("cancer"); Scopus: ("Cancer Patients") AND ("Artificial Intelligence") AND
("Pain Therapy"); Springer link y Science Direct: ("artificial intelligence") OR ("technology") and
("cancer pain") OR (terapy). Las cadenas de búsqueda fueron discutidas y aprobadas por los
investigadores. No se reportó ninguna limitación durante el proceso.
Extracción y análisis de datos
Los artículos encontrados fueron exportados a la misma herramienta y se excluyeron automáticamente
los duplicados. Cada documento se revisó en 2 etapas, la primera una lectura del título y resumen y la
Se formuló la pregunta principal de investigación: ¿Qué se sabe sobre el rol de las nuevas tecnologías
basadas en inteligencia artificial en el manejo del dolor en pacientes oncológicos?; y subpreguntas
posibles: ¿Existen limitaciones para la aplicación de la IA dentro del contexto oncológico? y ¿las
personas aceptan estas nuevas tecnologías?
METODOLOGÍA
Se llevó a cabo un scoping review utilizando los Elementos del modelo Preferred Reporting Items for
Systematic Reviews and Meta-Analyses extension for scoping reviews (PRISMA ScR) y de los
prospectos de la Práctica Basada en Evidencia de Johns Hopkins (JHNEBP)Seal.
Criterios de elegibilidad
Se incluyeron los artículos de los últimos 5 años relacionados con inteligencia artificial y terapia del
dolor oncológico en adultos y niños que estén disponibles en inglés, español y a texto completo, así
como estudios primarios y secundarios de tipo cuantitativos, cualitativos y mixtos. No fueron
consideradas investigaciones cuantitativas y cualitativas o mixtas enfocadas en inteligencia artificial
aplicada en el diagnóstico preventivo o de seguimiento del cáncer, artículos sobre tecnologías para la
terapia del dolor que no usen inteligencia artificial, o que el uso de la inteligencia artificial tenga fines
investigativos farmacológicos. La literatura gris no fue incluida, así como documentos duplicados.
Estrategia de Búsqueda
Se usaron las bases de datos PubMed, Scopus, Springer Link y Science direct. Para la exploración de
información se utilizó los DeCS/MeSH – BVS de cada variable y mediante la herramienta Parsifal
(herramienta online diseñada para revisiones sistemáticas de literatura y otras revisiones) se estructuró
la cadena de búsqueda para las 4 bases de datos: Pubmed: ("artificial intelligence") OR ("technology")
and ("cancer pain") ("cancer"); Scopus: ("Cancer Patients") AND ("Artificial Intelligence") AND
("Pain Therapy"); Springer link y Science Direct: ("artificial intelligence") OR ("technology") and
("cancer pain") OR (terapy). Las cadenas de búsqueda fueron discutidas y aprobadas por los
investigadores. No se reportó ninguna limitación durante el proceso.
Extracción y análisis de datos
Los artículos encontrados fueron exportados a la misma herramienta y se excluyeron automáticamente
los duplicados. Cada documento se revisó en 2 etapas, la primera una lectura del título y resumen y la
pág. 2560
segunda a texto completo. Resolvimos los desacuerdos sobre la selección de estudios aplicando
estrictamente los criterios de elegibilidad. De los documentos seleccionados se extrajo la información
sobre autor, año, país, objetivo del estudio, metodología, principales resultados que fueron
concentrados en una tabla de Excel. (Ver tabla 1)
La síntesis de los hallazgos se llevó a cabo mediante un análisis temático. Para la evaluación final de
las fuentes de evidencia se utilizó los anexos de JHNEBP apéndice D y para la valoración según el
tipo de estudio y los anexos E y F para establecer el nivel.
RESULTADOS
Durante la búsqueda se identificó 401 artículos de las 4 bases de datos, la mayoría se obtuvieron de
Scopus (76.6%), el resto de las otras plataformas, Pubmed (14.4%), Science Direct (6.5%) y Springer
(2.5%), al ser exportados, 21 fueron reconocidos como duplicados y eliminados. Para el cribado se
revisaron 380 documentos mediante la lectura del título y resumen, 306 fueron excluidos por no estar
relacionados con las variables de la revisión. Para la siguiente fase no se recuperaron 17 informes. Los
57 restantes pasaron a la fase de lectura completa, 16 fueron excluidos por no estar relacionados con la
población, 17 por no ser afines con el objeto de estudio y 12 no estuvieron a texto completo.
Finalmente 12 estudios cumplieron las condiciones de la revisión (2 de Springer Link y 10 de Scopus).
(Ver imagen 1)
Imagen 1. Diagrama de Flujo de la producción científica.
Elaborado por los autores
segunda a texto completo. Resolvimos los desacuerdos sobre la selección de estudios aplicando
estrictamente los criterios de elegibilidad. De los documentos seleccionados se extrajo la información
sobre autor, año, país, objetivo del estudio, metodología, principales resultados que fueron
concentrados en una tabla de Excel. (Ver tabla 1)
La síntesis de los hallazgos se llevó a cabo mediante un análisis temático. Para la evaluación final de
las fuentes de evidencia se utilizó los anexos de JHNEBP apéndice D y para la valoración según el
tipo de estudio y los anexos E y F para establecer el nivel.
RESULTADOS
Durante la búsqueda se identificó 401 artículos de las 4 bases de datos, la mayoría se obtuvieron de
Scopus (76.6%), el resto de las otras plataformas, Pubmed (14.4%), Science Direct (6.5%) y Springer
(2.5%), al ser exportados, 21 fueron reconocidos como duplicados y eliminados. Para el cribado se
revisaron 380 documentos mediante la lectura del título y resumen, 306 fueron excluidos por no estar
relacionados con las variables de la revisión. Para la siguiente fase no se recuperaron 17 informes. Los
57 restantes pasaron a la fase de lectura completa, 16 fueron excluidos por no estar relacionados con la
población, 17 por no ser afines con el objeto de estudio y 12 no estuvieron a texto completo.
Finalmente 12 estudios cumplieron las condiciones de la revisión (2 de Springer Link y 10 de Scopus).
(Ver imagen 1)
Imagen 1. Diagrama de Flujo de la producción científica.
Elaborado por los autores
pág. 2561
Se realizó la georreferenciación de los documentos y pese a qué se consideró una revisión amplia sin
limitación espacial, la mayoría se ubicaron en el continente asiático principalmente de China (50%) y
norteamericanos como Estados Unidos (25%), el resto son de Países Bajos (8%), Reino Unido (8%) e
Irán (8%).
Imagen 2. Georreferencia de la producción científica.
Nivel y calidad de evidencia
El nivel de evidencia fue diverso de los 12 estudios incluidos, los de nivel III son los más comunes
(N=5), seguido del nivel V (N=3) por último de nivel I y II (N=2 cada uno). Referente a la calidad
solo uno se calificó en la categoría más alta porque la metodología tuvo un control adecuado, los
resultados mostraron ser consistentes, incluso se podrían generalizar y se definieron claramente sus
conclusiones; 7 estudios (58,3 %) fueron reconocidos de buena calidad debido al razonable tamaño
muestral, el sustento bibliográfico amplio y mantuvo un abordaje adecuado de las brechas en el
proceso de investigación; mientras que cuatro estudios (33,3 %) fueron interpretados de baja calidad.
Si bien la existencia de estudios de baja calidad sigue siendo notable, considerando que algunos de
ellos se vincularon a niveles de evidencia más altos, como el Nivel I, la tendencia general hacia
estándares metodológicos es aceptable. Curiosamente, todos los estudios de Nivel V recibieron
calificaciones de buena calidad, a pesar de ser los más bajos en la jerarquía de evidencia. Sugiriendo
que los estudios descriptivos y las revisiones bibliográficas se realizaron de forma correcta.
Lamentablemente hay una escasez de investigaciones del más alto nivel de evidencia y de alta calidad.
(Ver tabla 1)
Se realizó la georreferenciación de los documentos y pese a qué se consideró una revisión amplia sin
limitación espacial, la mayoría se ubicaron en el continente asiático principalmente de China (50%) y
norteamericanos como Estados Unidos (25%), el resto son de Países Bajos (8%), Reino Unido (8%) e
Irán (8%).
Imagen 2. Georreferencia de la producción científica.
Nivel y calidad de evidencia
El nivel de evidencia fue diverso de los 12 estudios incluidos, los de nivel III son los más comunes
(N=5), seguido del nivel V (N=3) por último de nivel I y II (N=2 cada uno). Referente a la calidad
solo uno se calificó en la categoría más alta porque la metodología tuvo un control adecuado, los
resultados mostraron ser consistentes, incluso se podrían generalizar y se definieron claramente sus
conclusiones; 7 estudios (58,3 %) fueron reconocidos de buena calidad debido al razonable tamaño
muestral, el sustento bibliográfico amplio y mantuvo un abordaje adecuado de las brechas en el
proceso de investigación; mientras que cuatro estudios (33,3 %) fueron interpretados de baja calidad.
Si bien la existencia de estudios de baja calidad sigue siendo notable, considerando que algunos de
ellos se vincularon a niveles de evidencia más altos, como el Nivel I, la tendencia general hacia
estándares metodológicos es aceptable. Curiosamente, todos los estudios de Nivel V recibieron
calificaciones de buena calidad, a pesar de ser los más bajos en la jerarquía de evidencia. Sugiriendo
que los estudios descriptivos y las revisiones bibliográficas se realizaron de forma correcta.
Lamentablemente hay una escasez de investigaciones del más alto nivel de evidencia y de alta calidad.
(Ver tabla 1)
pág. 2562
Tabla 1. Extracción de datos, nivel y calidad de evidencia de la producción científica incluida según JHNEBP.
# Autor /Año /País Objetivos Metodología Principales Resultados Nivel de
evidencia
Calidad de
evidencia
1 (Salama et al., 2023)
Estados Unidos 2024
Explorar las
aplicaciones de
inteligencia
artificial/aprendizaje
automático para
predecir los resultados
relacionados con el
dolor y su manejo en el
cáncer.
Observacional Revisión
Sistemática
N= 44 estudios sobre
manejo del dolor
Los modelos de IA y
aprendizaje automático son
prometedores para clasificar y
manejar el dolor oncológico, a
pesar de las diferencias
metodológicas el sesgo es bajo,
pero con escasa aplicación
clínica (14%) y limitaciones en
la corrección de cada modelo
(5%)
III Buena
2 (Simon et al., 2023)
Paises Bajos
Identificar y caracterizar
sistemáticamente las
herramientas de salud
digital existentes para el
monitoreo del dolor en
niños con cáncer, y
evaluar las barreras
comunes y los
facilitadores de su
implementación.
Observacional
Revisión bibliográfica
N=14 estudios sobre
herramientas digitales
Las barreras de implementación
son de tipo organizativas (47%)
, recursos económicos y
tiempo. Los facilitadores son la
cooperación y satisfacción de
los usuarios finales de las
herramientas de salud digital
(56%)
V Buena
3 (Adam et al., 2021)
Reino Unido
Desarrollar una nueva
intervención digital para
optimizar el control del
dolor oncológico en la
comunidad.
Observacional Revisión
bibliográfica / entrevistas /
desarrollo de una
aplicación
El uso de Can Pain para el
manejo y autogestión del dolor
oncológico es viable y
aceptable para pacientes y
profesionales, mejorando la
comprensión del dolor por la
capacidad de retroalimentación
de la aplicación. Los
profesionales pueden
personalizar el tratamiento.
V Buena
4 (Song et al., 2024) China Investigar los
conocimientos,
Observacional, descriptivo
N= 519 encuestas
Los profesionales tienen un
conocimiento teórico/ práctico III Alta
Tabla 1. Extracción de datos, nivel y calidad de evidencia de la producción científica incluida según JHNEBP.
# Autor /Año /País Objetivos Metodología Principales Resultados Nivel de
evidencia
Calidad de
evidencia
1 (Salama et al., 2023)
Estados Unidos 2024
Explorar las
aplicaciones de
inteligencia
artificial/aprendizaje
automático para
predecir los resultados
relacionados con el
dolor y su manejo en el
cáncer.
Observacional Revisión
Sistemática
N= 44 estudios sobre
manejo del dolor
Los modelos de IA y
aprendizaje automático son
prometedores para clasificar y
manejar el dolor oncológico, a
pesar de las diferencias
metodológicas el sesgo es bajo,
pero con escasa aplicación
clínica (14%) y limitaciones en
la corrección de cada modelo
(5%)
III Buena
2 (Simon et al., 2023)
Paises Bajos
Identificar y caracterizar
sistemáticamente las
herramientas de salud
digital existentes para el
monitoreo del dolor en
niños con cáncer, y
evaluar las barreras
comunes y los
facilitadores de su
implementación.
Observacional
Revisión bibliográfica
N=14 estudios sobre
herramientas digitales
Las barreras de implementación
son de tipo organizativas (47%)
, recursos económicos y
tiempo. Los facilitadores son la
cooperación y satisfacción de
los usuarios finales de las
herramientas de salud digital
(56%)
V Buena
3 (Adam et al., 2021)
Reino Unido
Desarrollar una nueva
intervención digital para
optimizar el control del
dolor oncológico en la
comunidad.
Observacional Revisión
bibliográfica / entrevistas /
desarrollo de una
aplicación
El uso de Can Pain para el
manejo y autogestión del dolor
oncológico es viable y
aceptable para pacientes y
profesionales, mejorando la
comprensión del dolor por la
capacidad de retroalimentación
de la aplicación. Los
profesionales pueden
personalizar el tratamiento.
V Buena
4 (Song et al., 2024) China Investigar los
conocimientos,
Observacional, descriptivo
N= 519 encuestas
Los profesionales tienen un
conocimiento teórico/ práctico III Alta
pág. 2563
actitudes y prácticas
entre el personal médico
de anestesia y cirugía
torácica hacia la
analgesia controlada por
el paciente con
inteligencia artificial
(Ai-PCA)
adecuado 7.8/10 y 37.4/45
respectivamente sobre la AI-
PCA. Tienen una actitud
positiva receptiva hacia el uso
de AI, pero es necesario una
mejora continua educativa y
conducta proactiva sobre el
tema. Es necesario el refuerzo
institucional y educativo para
estandarizar el uso de AI- PCA
5 (Ghane et al., 2025)
Iran
Evaluar la validez de los
estudios sobre el uso de
inteligencia artificial en
el manejo del dolor en
pacientes con cáncer.
Observacional
Revisión bibliográfica
N= 15 estudios
La IA permite una evaluación
más objetiva y prescisa en el
manejo del dolor, podría
discriminar el tipo del dolor
según el paciente, puede reducir
el error humano con
intervenciones tempranas e
individualizados mejorando la
seguridad y calidad de vida.
V Buena
6
(Pan et al., 2022)
China
Describir características
y escenarios de
aplicación de las
tecnologías de salud
digital impulsadas por
inteligencia artificial en
los servicios de atención
a sobrevivientes del
cáncer, explorar la
aceptación viabilidad y
aplicación
Observacional
Revisión sistemática
N = 43 estudios sobre salud
digital y cáncer
La Ia y tecnologías digitales
están diseñadas para mejorar el
control y seguimiento
oncológico. Facilitan el
monitoreo de síntomas, manejo
del dolor, apoyo psicosocial
postratamiento, educción. Los
prototipos y muestras pequeñas
la investigación va en
crecimiento
III Buena
7 (Xie et al., 2025)China
Comprender la
disposición de los
pacientes y el personal
sanitario a utilizar una
plataforma inteligente
Observacional
Descriptiva / encuesta
N= 7 pacientes y 10
trabajadores de salud
Pacientes como cuidadores
requieren de medios digitales
para el registro de episodios
dolorosos, recordatorios para
toma de medicamentos,
III baja
actitudes y prácticas
entre el personal médico
de anestesia y cirugía
torácica hacia la
analgesia controlada por
el paciente con
inteligencia artificial
(Ai-PCA)
adecuado 7.8/10 y 37.4/45
respectivamente sobre la AI-
PCA. Tienen una actitud
positiva receptiva hacia el uso
de AI, pero es necesario una
mejora continua educativa y
conducta proactiva sobre el
tema. Es necesario el refuerzo
institucional y educativo para
estandarizar el uso de AI- PCA
5 (Ghane et al., 2025)
Iran
Evaluar la validez de los
estudios sobre el uso de
inteligencia artificial en
el manejo del dolor en
pacientes con cáncer.
Observacional
Revisión bibliográfica
N= 15 estudios
La IA permite una evaluación
más objetiva y prescisa en el
manejo del dolor, podría
discriminar el tipo del dolor
según el paciente, puede reducir
el error humano con
intervenciones tempranas e
individualizados mejorando la
seguridad y calidad de vida.
V Buena
6
(Pan et al., 2022)
China
Describir características
y escenarios de
aplicación de las
tecnologías de salud
digital impulsadas por
inteligencia artificial en
los servicios de atención
a sobrevivientes del
cáncer, explorar la
aceptación viabilidad y
aplicación
Observacional
Revisión sistemática
N = 43 estudios sobre salud
digital y cáncer
La Ia y tecnologías digitales
están diseñadas para mejorar el
control y seguimiento
oncológico. Facilitan el
monitoreo de síntomas, manejo
del dolor, apoyo psicosocial
postratamiento, educción. Los
prototipos y muestras pequeñas
la investigación va en
crecimiento
III Buena
7 (Xie et al., 2025)China
Comprender la
disposición de los
pacientes y el personal
sanitario a utilizar una
plataforma inteligente
Observacional
Descriptiva / encuesta
N= 7 pacientes y 10
trabajadores de salud
Pacientes como cuidadores
requieren de medios digitales
para el registro de episodios
dolorosos, recordatorios para
toma de medicamentos,
III baja