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
pág. 2564
para el manejo del dolor
oncológico.
información práctica para el
manejo del dolor, autocuidado
y compartir experiencias con
otros pacientes. Los
profesionales desean registros
detallados a tiempo real de
síntomas expresados en
gráficas, educación sanitaria
interactiva y facilidades para el
manejo telemático de
analgésicos.
8 (Chen et al., 2024)
China 2024
Resumir la eficacia de
las terapias basadas en
realidad virtual para el
manejo del dolor en
pacientes con cáncer de
mediana edad y
mayores
Observacional
Revisión sistemática
N = 7 ECAs
Hay un efecto significativo de
la terapia de Realidad Virtual
en el manejo del dolor, la
ansiedad y la depresión.
III Baja
9 (Liu et al., 2023)
China 2023
Evaluar el efecto de la
analgesia intravenosa
controlada por el
paciente con
inteligencia artificial
tras una resección
radical laparoscópica de
cáncer colorrectal.
Cuasi experimental
N= 60 pacientes
(N= 30 grupo AI-PCA )
(N= 30 grupo control)
Los pacientes con AI-PCA
reportaron puntuaciones de
valoración del dolor más bajas
tanto en reposo (reducción del
28%) como horas después de la
cirugía (reducción del 29%) y
mejor calidad de sueño, sin
aumentar los efectos adversos
ni consumo adicional de
analgésicos.
II Buena
10 (Zhang et al., 2023)
China 2023
Construir un sistema de
información de gestión
de la cadena para el
dolor por cáncer y
explorar su efecto en la
aplicación clínica.
Cuasiexperimental
N= 259
(N = 123 después de la
aplicación del sistema)
grupo control
(N = 136 antes de la
aplicación del sistema)
No se observaron diferencias
significativas en la intensidad
del dolor, la puntuación del
dolor al ingreso y al alta, ni en
la satisfacción de los pacientes
con el control del dolor.
II Baja
para el manejo del dolor
oncológico.
información práctica para el
manejo del dolor, autocuidado
y compartir experiencias con
otros pacientes. Los
profesionales desean registros
detallados a tiempo real de
síntomas expresados en
gráficas, educación sanitaria
interactiva y facilidades para el
manejo telemático de
analgésicos.
8 (Chen et al., 2024)
China 2024
Resumir la eficacia de
las terapias basadas en
realidad virtual para el
manejo del dolor en
pacientes con cáncer de
mediana edad y
mayores
Observacional
Revisión sistemática
N = 7 ECAs
Hay un efecto significativo de
la terapia de Realidad Virtual
en el manejo del dolor, la
ansiedad y la depresión.
III Baja
9 (Liu et al., 2023)
China 2023
Evaluar el efecto de la
analgesia intravenosa
controlada por el
paciente con
inteligencia artificial
tras una resección
radical laparoscópica de
cáncer colorrectal.
Cuasi experimental
N= 60 pacientes
(N= 30 grupo AI-PCA )
(N= 30 grupo control)
Los pacientes con AI-PCA
reportaron puntuaciones de
valoración del dolor más bajas
tanto en reposo (reducción del
28%) como horas después de la
cirugía (reducción del 29%) y
mejor calidad de sueño, sin
aumentar los efectos adversos
ni consumo adicional de
analgésicos.
II Buena
10 (Zhang et al., 2023)
China 2023
Construir un sistema de
información de gestión
de la cadena para el
dolor por cáncer y
explorar su efecto en la
aplicación clínica.
Cuasiexperimental
N= 259
(N = 123 después de la
aplicación del sistema)
grupo control
(N = 136 antes de la
aplicación del sistema)
No se observaron diferencias
significativas en la intensidad
del dolor, la puntuación del
dolor al ingreso y al alta, ni en
la satisfacción de los pacientes
con el control del dolor.
II Baja
pág. 2565
11 (Schmitz et al., 2023)
EEUU 2023
Probar un asistente
virtual para abordar los
síntomas del cancer de
mama mediante
Amazon Echo Show
con Alexa.
Experimental
ECA
N=42 pacientes
(N= 21 Recibió Nurse
AMIE por 6 meses)
(N=21 por 3 meses)
El uso de Alexa no generó
cambios significativos en los
síntomas, calidad de vida y
funcionalidad de las pacientes
oncológicas. Hay una adecuada
aceptabilidad, viabilidad y
satisfacción sobre el uso del
asistente Nurse AMIE.
I Baja
12 (Kamdar et al., 2024)
EEUU 2024
Desarrollar la aplicación
para optimizar el
manejo del dolor
oncológico con
Inteligencia artificial.
Experimental
ECA
N= 112
(N = 56 pacientes ePAL)
(N = 56 Atención habitual)
El ePAL se asoció con menores
puntuaciones de dolor así como
menor tasa de hospitalización
por dolor recalcando su
potencial de control álgico en
pacientes con cáncer avanzado
I Buena
Elaborado por los autores
11 (Schmitz et al., 2023)
EEUU 2023
Probar un asistente
virtual para abordar los
síntomas del cancer de
mama mediante
Amazon Echo Show
con Alexa.
Experimental
ECA
N=42 pacientes
(N= 21 Recibió Nurse
AMIE por 6 meses)
(N=21 por 3 meses)
El uso de Alexa no generó
cambios significativos en los
síntomas, calidad de vida y
funcionalidad de las pacientes
oncológicas. Hay una adecuada
aceptabilidad, viabilidad y
satisfacción sobre el uso del
asistente Nurse AMIE.
I Baja
12 (Kamdar et al., 2024)
EEUU 2024
Desarrollar la aplicación
para optimizar el
manejo del dolor
oncológico con
Inteligencia artificial.
Experimental
ECA
N= 112
(N = 56 pacientes ePAL)
(N = 56 Atención habitual)
El ePAL se asoció con menores
puntuaciones de dolor así como
menor tasa de hospitalización
por dolor recalcando su
potencial de control álgico en
pacientes con cáncer avanzado
I Buena
Elaborado por los autores
pág. 2566
DISCUSIÓN
Este scoping review se desarrolló frente a la necesidad de conocer la aplicación de las nuevas
tecnologías basadas en IA para el manejo del dolor oncológico, que tradicionalmente ha sido un
verdadero desafío para pacientes, familiares, cuidadores y profesionales de la salud. Según la
producción científica, existe un esfuerzo global para mejorar la experiencia de la atención médica con
la utilización de métodos acordes a la medicina moderna.
Citando el principio de usabilidad, la introducción de la IA, pretende mejorar el control
sintomatológico con respuestas claras y sin sesgos (Lekadir et al., 2025; Xie et al., 2025). La
información recolectada es limitada, pocos estudios señalan como la IA es incorporada en
herramientas con capacidad de clasificar el dolor de manera individualizada, conectando la
experiencia del paciente con el conocimiento profesional, estableciendo una retroalimentación en
tiempo real del padecimiento del dolor, y como respuesta, el médico basándose en datos comprende
mejor y pauta las intervenciones tempranas personalizadas, mediante la monitorización remota y los
servicios de telesalud, incluso cuando no están físicamente presentes haciendo el proceso más eficiente
reduciendo el error humano (Xie et al., 2025). Además, estos recursos sumados al aprendizaje
automático AA facilitarían la toma de decisiones, manejo del dolor oncológico y monitorización de la
intensidad del dolor, pero se sabe poco sobre su eficacia, como garantizar los principios éticos y
protección de la privacidad de los datos(Liu et al., 2023) (Ghane et al., 2025; Salama et al., 2024).
La AI-PCA y la realidad Virtual son dos recursos tecnológicos innovadores que mejoran el control,
monitorización, menor tasa de hospitalizaciones por dolor, la ansiedad y la depresión, este diseño
colaborativo de la IA contribuye en la educación, y el apoyo psicosocial postratamiento (Chen et al.,
2024)(Kamdar et al., 2024). Los proyectos son jóvenes y pequeños, pero con miras al futuro y su
ampliación depende de la cooperación institucional y satisfacción de los usuarios finales siendo un
reto ya que pocos han superado la práctica médica tradicional (Zhang et al., 2023).
Sobre la aceptabilidad y recepción un pequeño número de estudios consideran que los usuarios ven
útiles boots automatizados o aplicaciones con inteligencia artificial con recordatorios de medicación,
consejos de autocuidado, información de fácil acceso para el manejo del dolor, e interconexión con
pacientes en condiciones y experiencias similares tal como el uso del asistente virtual AMIE en Alexa,
DISCUSIÓN
Este scoping review se desarrolló frente a la necesidad de conocer la aplicación de las nuevas
tecnologías basadas en IA para el manejo del dolor oncológico, que tradicionalmente ha sido un
verdadero desafío para pacientes, familiares, cuidadores y profesionales de la salud. Según la
producción científica, existe un esfuerzo global para mejorar la experiencia de la atención médica con
la utilización de métodos acordes a la medicina moderna.
Citando el principio de usabilidad, la introducción de la IA, pretende mejorar el control
sintomatológico con respuestas claras y sin sesgos (Lekadir et al., 2025; Xie et al., 2025). La
información recolectada es limitada, pocos estudios señalan como la IA es incorporada en
herramientas con capacidad de clasificar el dolor de manera individualizada, conectando la
experiencia del paciente con el conocimiento profesional, estableciendo una retroalimentación en
tiempo real del padecimiento del dolor, y como respuesta, el médico basándose en datos comprende
mejor y pauta las intervenciones tempranas personalizadas, mediante la monitorización remota y los
servicios de telesalud, incluso cuando no están físicamente presentes haciendo el proceso más eficiente
reduciendo el error humano (Xie et al., 2025). Además, estos recursos sumados al aprendizaje
automático AA facilitarían la toma de decisiones, manejo del dolor oncológico y monitorización de la
intensidad del dolor, pero se sabe poco sobre su eficacia, como garantizar los principios éticos y
protección de la privacidad de los datos(Liu et al., 2023) (Ghane et al., 2025; Salama et al., 2024).
La AI-PCA y la realidad Virtual son dos recursos tecnológicos innovadores que mejoran el control,
monitorización, menor tasa de hospitalizaciones por dolor, la ansiedad y la depresión, este diseño
colaborativo de la IA contribuye en la educación, y el apoyo psicosocial postratamiento (Chen et al.,
2024)(Kamdar et al., 2024). Los proyectos son jóvenes y pequeños, pero con miras al futuro y su
ampliación depende de la cooperación institucional y satisfacción de los usuarios finales siendo un
reto ya que pocos han superado la práctica médica tradicional (Zhang et al., 2023).
Sobre la aceptabilidad y recepción un pequeño número de estudios consideran que los usuarios ven
útiles boots automatizados o aplicaciones con inteligencia artificial con recordatorios de medicación,
consejos de autocuidado, información de fácil acceso para el manejo del dolor, e interconexión con
pacientes en condiciones y experiencias similares tal como el uso del asistente virtual AMIE en Alexa,
pág. 2567
mostrando niveles adecuados de aceptabilidad, viabilidad y satisfacción, a pesar de no tener un efecto
perceptible en los síntomas ni en la calidad de vida del paciente.
Un solo estudio estimó los conocimientos y la aceptabilidad de la IA en el personal de salud, en
general se muestran abiertos y positivos en el tema,(Adam et al., 2021) menciona que el manejo y
autogestión del dolor oncológico es viable y aceptable, otro ejemplo es el uso de las técnicas de
analgesia controlada por inteligencia artificial, AI - PCA, los profesionales tienen un sólido
conocimiento teórico y práctico de la analgesia controlada sin riesgos, aun así depende de la
preparación educativa y su adecuada aplicación. (Schmitz et al., 2023; Song et al., 2024)
Se encontraron pocas barreras en la aplicabilidad de la IA entre ellas las de tipo organizativas, recursos
económicos restringidos y tiempo para su desarrollo. La educación continua, participación proactiva y
apoyo interinstitucional son otras limitantes para considerar (Simon et al., 2023).
A pesar de los esfuerzos no se pudo recopilar información de América latina dejando una brecha
regional muy significativa en la comprensión de la IA en el tratamiento del dolor oncológico, la
información es crucial dada la alta carga de cáncer en la región, señalando la necesidad de
investigación en estos entornos Cancer Today. Otra brecha es el papel de la bioética en la
implementación de la inteligencia artificial, hay una notable falta de evidencia que analice la relación
de esta y los principios bioéticos fundamentales, cuestiones importantes como el abordaje del
consentimiento informado, los nuevos estudios clínicos diseñados con IA, las garantías en la seguridad
del paciente, la distribución y aplicación equitativa de las nuevas tecnologías son temas que ameritan
investigaciones emergentes.
Limitaciones
Se reconocen varias limitaciones en esta revisión de alcance. En primer lugar, la búsqueda fue
condicionada, no se incluyeron artículos de la literatura gris, tesis u opiniones de expertos también la
no inclusión de más herramientas de búsqueda o bases de datos, estos factores pudieron haber
restringido la recopilación de datos que probablemente hubiese ampliado la evidencia científica para
su revisión con información relevante de la región; hay una notable carencia de ensayos clínicos de
alta calidad, en general impresiona que el tema está en desarrollo sin la suficiente evidencia; los
estudios que fueron incluidos son muy heterogéneos por sus modelos y métricas utilizadas por lo
mostrando niveles adecuados de aceptabilidad, viabilidad y satisfacción, a pesar de no tener un efecto
perceptible en los síntomas ni en la calidad de vida del paciente.
Un solo estudio estimó los conocimientos y la aceptabilidad de la IA en el personal de salud, en
general se muestran abiertos y positivos en el tema,(Adam et al., 2021) menciona que el manejo y
autogestión del dolor oncológico es viable y aceptable, otro ejemplo es el uso de las técnicas de
analgesia controlada por inteligencia artificial, AI - PCA, los profesionales tienen un sólido
conocimiento teórico y práctico de la analgesia controlada sin riesgos, aun así depende de la
preparación educativa y su adecuada aplicación. (Schmitz et al., 2023; Song et al., 2024)
Se encontraron pocas barreras en la aplicabilidad de la IA entre ellas las de tipo organizativas, recursos
económicos restringidos y tiempo para su desarrollo. La educación continua, participación proactiva y
apoyo interinstitucional son otras limitantes para considerar (Simon et al., 2023).
A pesar de los esfuerzos no se pudo recopilar información de América latina dejando una brecha
regional muy significativa en la comprensión de la IA en el tratamiento del dolor oncológico, la
información es crucial dada la alta carga de cáncer en la región, señalando la necesidad de
investigación en estos entornos Cancer Today. Otra brecha es el papel de la bioética en la
implementación de la inteligencia artificial, hay una notable falta de evidencia que analice la relación
de esta y los principios bioéticos fundamentales, cuestiones importantes como el abordaje del
consentimiento informado, los nuevos estudios clínicos diseñados con IA, las garantías en la seguridad
del paciente, la distribución y aplicación equitativa de las nuevas tecnologías son temas que ameritan
investigaciones emergentes.
Limitaciones
Se reconocen varias limitaciones en esta revisión de alcance. En primer lugar, la búsqueda fue
condicionada, no se incluyeron artículos de la literatura gris, tesis u opiniones de expertos también la
no inclusión de más herramientas de búsqueda o bases de datos, estos factores pudieron haber
restringido la recopilación de datos que probablemente hubiese ampliado la evidencia científica para
su revisión con información relevante de la región; hay una notable carencia de ensayos clínicos de
alta calidad, en general impresiona que el tema está en desarrollo sin la suficiente evidencia; los
estudios que fueron incluidos son muy heterogéneos por sus modelos y métricas utilizadas por lo
pág. 2568
tanto, es necesario la generación de un mayor número de estudios experimentales con poblaciones
amplias y metodologías sólidas para que estos resultados puedan ser generalizados y comparados.
CONCLUSIONES
En esta revisión de alcance se pudo observar que la IA depende de una Big data muy estructurada y
esta a su vez de la generación de información, función que sigue siendo uno de los roles primordiales
del personal de salud; por lo que es de suma importancia, la elaboración de historias clínicas
adecuadas, toma y registro de constantes vitales reales, indagación confiable de signos y síntomas, así
como recolección de datos demográficos del paciente, factores psicosociales y de estilo de vida entre
otros, con el fin de generar una eficaz y confiable medicina basada en datos que sean el sustento de las
tecnologías modernas.
La IA tiene un amplio camino por recorrer, pero la probabilidad de extender su aplicabilidad en el
campo del manejo del dolor oncológico es prometedora, en la actualidad su integración en ensayos
clínicos está produciendo modelos predictivos, con este enfoque podremos brindar tratamientos mucho
más específicos llevando a la medicina del dolor a una verdadera medicina basada en la precisión,
perfeccionando la personalización del tratamiento. Por lo tanto, la IA es una herramienta dinámica que
podría optimizar la atención en este grupo de pacientes vulnerables.
Queda claro que la IA en el manejo del dolor oncológico puede servir como herramienta de apoyo en
la toma de decisiones, optimizar criterios, incluso ser un soporte para el manejo adecuado de
medicamentos por los usuarios finales en ausencia de la práctica asistencial tradicional. Se esperaba
encontrar más estudios sobre el tema, la escasez de investigación especializada en este campo
condiciona la generalización de los resultados.
REFERENCIAS BIBLIOGRÁFICAS
Adam, R., Bond, C. M., Burton, C. D., de Bruin, M., & Murchie, P. (2021). Can-Pain-a digital
intervention to optimise cancer pain control in the community: development and feasibility
testing. Supportive Care in Cancer, 29(2), 759–769. https://doi.org/10.1007/S00520-020-
05510-0,
Cancer Today. (n.d.). Retrieved June 1, 2025, from https://gco.iarc.fr/today/en/dataviz/maps-
heatmap?mode=population&zoom=2
tanto, es necesario la generación de un mayor número de estudios experimentales con poblaciones
amplias y metodologías sólidas para que estos resultados puedan ser generalizados y comparados.
CONCLUSIONES
En esta revisión de alcance se pudo observar que la IA depende de una Big data muy estructurada y
esta a su vez de la generación de información, función que sigue siendo uno de los roles primordiales
del personal de salud; por lo que es de suma importancia, la elaboración de historias clínicas
adecuadas, toma y registro de constantes vitales reales, indagación confiable de signos y síntomas, así
como recolección de datos demográficos del paciente, factores psicosociales y de estilo de vida entre
otros, con el fin de generar una eficaz y confiable medicina basada en datos que sean el sustento de las
tecnologías modernas.
La IA tiene un amplio camino por recorrer, pero la probabilidad de extender su aplicabilidad en el
campo del manejo del dolor oncológico es prometedora, en la actualidad su integración en ensayos
clínicos está produciendo modelos predictivos, con este enfoque podremos brindar tratamientos mucho
más específicos llevando a la medicina del dolor a una verdadera medicina basada en la precisión,
perfeccionando la personalización del tratamiento. Por lo tanto, la IA es una herramienta dinámica que
podría optimizar la atención en este grupo de pacientes vulnerables.
Queda claro que la IA en el manejo del dolor oncológico puede servir como herramienta de apoyo en
la toma de decisiones, optimizar criterios, incluso ser un soporte para el manejo adecuado de
medicamentos por los usuarios finales en ausencia de la práctica asistencial tradicional. Se esperaba
encontrar más estudios sobre el tema, la escasez de investigación especializada en este campo
condiciona la generalización de los resultados.
REFERENCIAS BIBLIOGRÁFICAS
Adam, R., Bond, C. M., Burton, C. D., de Bruin, M., & Murchie, P. (2021). Can-Pain-a digital
intervention to optimise cancer pain control in the community: development and feasibility
testing. Supportive Care in Cancer, 29(2), 759–769. https://doi.org/10.1007/S00520-020-
05510-0,
Cancer Today. (n.d.). Retrieved June 1, 2025, from https://gco.iarc.fr/today/en/dataviz/maps-
heatmap?mode=population&zoom=2
pág. 2569
Casarin, S., Haelterman, N. A., & Machol, K. (2024). Transforming personalized chronic pain
management with artificial intelligence: A commentary on the current landscape and future
directions. Experimental Neurology, 382, 114980.
https://doi.org/10.1016/J.EXPNEUROL.2024.114980
Chen, Y., Meng, H., Chen, Q., Wu, W., Liu, H. Bin, Lv, S., & Huai, L. (2024). Virtual reality therapy
in managing cancer pain in middle-aged and elderly: a systematic review and meta-analysis.
PeerJ, 12(12). https://doi.org/10.7717/PEERJ.18701,
Chen, Y., Shao, X., Shi, K., Rominger, A., & Caobelli, F. (2025). AI in Breast Cancer Imaging: An
Update and Future Trends. Seminars in Nuclear Medicine, 55(3), 358–370.
https://doi.org/10.1053/J.SEMNUCLMED.2025.01.008
Díez, B. G., & Segura, P. P. (2025). Protocolo terapéutico del dolor en el paciente oncológico.
Medicine - Programa de Formación Médica Continuada Acreditado, 14(24), 1443–1447.
https://doi.org/10.1016/J.MED.2025.01.006
Ghane, G., Karimi, R., Chekeni, A. M., Darvishi, M., Imani, R., & Vafaeinezhad, F. Z. (2025). Pain
Management in Cancer Patients With Artificial Intelligence: Narrative Review. Scientifica,
2025(1). https://doi.org/10.1155/SCI5/6888213,
Hjartåker, A., Weiderpass, E., & Bray, F. (2025). Cancer Mortality. International Encyclopedia of
Public Health, 171–182. https://doi.org/10.1016/B978-0-323-99967-0.00162-9
Kamdar, M., Jethwani, K., Centi, A. J., Agboola, S., Fischer, N., Traeger, L., Rinaldi, S., Strand, J.,
Ritchie, C., Temel, J. S., Greer, J. A., Kvedar, J., El-Jawarhi, A., & Jackson, V. (2024). A
Digital Therapeutic Application (ePAL) to Manage Pain in Patients With Advanced Cancer: A
Randomized Controlled Trial. Journal of Pain and Symptom Management, 68(3), 261–271.
https://doi.org/10.1016/j.jpainsymman.2024.05.033
Kaul, V., Enslin, S., & Gross, S. A. (2020). History of artificial intelligence in medicine.
Gastrointestinal Endoscopy, 92(4), 807–812. https://doi.org/10.1016/j.gie.2020.06.040
Lekadir, K., Feragen, A., Fofanah, A. J., Frangi, A. F., Buyx, A., Emelie, A., Lara, A., Porras, A. R.,
Chan, A.-W., Navarro, A., Glocker, B., Botwe, B. O., Khanal, B., Beger, B., Wu, C. C.,
Cintas, C., Langlotz, C. P., Rueckert, D., Mzurikwao, D., … Starmans, M. P. A. (2025).
Casarin, S., Haelterman, N. A., & Machol, K. (2024). Transforming personalized chronic pain
management with artificial intelligence: A commentary on the current landscape and future
directions. Experimental Neurology, 382, 114980.
https://doi.org/10.1016/J.EXPNEUROL.2024.114980
Chen, Y., Meng, H., Chen, Q., Wu, W., Liu, H. Bin, Lv, S., & Huai, L. (2024). Virtual reality therapy
in managing cancer pain in middle-aged and elderly: a systematic review and meta-analysis.
PeerJ, 12(12). https://doi.org/10.7717/PEERJ.18701,
Chen, Y., Shao, X., Shi, K., Rominger, A., & Caobelli, F. (2025). AI in Breast Cancer Imaging: An
Update and Future Trends. Seminars in Nuclear Medicine, 55(3), 358–370.
https://doi.org/10.1053/J.SEMNUCLMED.2025.01.008
Díez, B. G., & Segura, P. P. (2025). Protocolo terapéutico del dolor en el paciente oncológico.
Medicine - Programa de Formación Médica Continuada Acreditado, 14(24), 1443–1447.
https://doi.org/10.1016/J.MED.2025.01.006
Ghane, G., Karimi, R., Chekeni, A. M., Darvishi, M., Imani, R., & Vafaeinezhad, F. Z. (2025). Pain
Management in Cancer Patients With Artificial Intelligence: Narrative Review. Scientifica,
2025(1). https://doi.org/10.1155/SCI5/6888213,
Hjartåker, A., Weiderpass, E., & Bray, F. (2025). Cancer Mortality. International Encyclopedia of
Public Health, 171–182. https://doi.org/10.1016/B978-0-323-99967-0.00162-9
Kamdar, M., Jethwani, K., Centi, A. J., Agboola, S., Fischer, N., Traeger, L., Rinaldi, S., Strand, J.,
Ritchie, C., Temel, J. S., Greer, J. A., Kvedar, J., El-Jawarhi, A., & Jackson, V. (2024). A
Digital Therapeutic Application (ePAL) to Manage Pain in Patients With Advanced Cancer: A
Randomized Controlled Trial. Journal of Pain and Symptom Management, 68(3), 261–271.
https://doi.org/10.1016/j.jpainsymman.2024.05.033
Kaul, V., Enslin, S., & Gross, S. A. (2020). History of artificial intelligence in medicine.
Gastrointestinal Endoscopy, 92(4), 807–812. https://doi.org/10.1016/j.gie.2020.06.040
Lekadir, K., Feragen, A., Fofanah, A. J., Frangi, A. F., Buyx, A., Emelie, A., Lara, A., Porras, A. R.,
Chan, A.-W., Navarro, A., Glocker, B., Botwe, B. O., Khanal, B., Beger, B., Wu, C. C.,
Cintas, C., Langlotz, C. P., Rueckert, D., Mzurikwao, D., … Starmans, M. P. A. (2025).
pág. 2570
FUTURE-AI: international consensus guideline for trustworthy and deployable artificial
intelligence in healthcare. The BMJ, 388, e081554. https://doi.org/10.1136/BMJ-2024-081554
Liu, D., Li, X., Nie, X., Hu, Q., Wang, J., Hai, L., Yang, L., Wang, L., & Guo, P. (2023). Artificial
intelligent patient-controlled intravenous analgesia improves the outcomes of older patients
with laparoscopic radical resection for colorectal cancer. European Geriatric Medicine, 14(6),
1403–1410. https://doi.org/10.1007/S41999-023-00873-Z,
Pan, L. C., Wu, X. R., Lu, Y., Zhang, H. Q., Zhou, Y. L., Liu, X., Liu, S. L., & Yan, Q. Y. (2022).
Artificial intelligence empowered digital health technologies in cancer survivorship care: A
scoping review. Asia-Pacific Journal of Oncology Nursing, 9(12).
https://doi.org/10.1016/j.apjon.2022.100127
Salama, V., Godinich, B., Geng, Y., Humbert-Vidan, L., Maule, L., Wahid, K. A., Naser, M. A., He,
R., Mohamed, A. S. R., Fuller, C. D., & Moreno, A. C. (2023). Artificial Intelligence and
Machine Learning in Cancer Related Pain: A Systematic Review. MedRxiv : The Preprint
Server for Health Sciences. https://doi.org/10.1101/2023.12.06.23299610
Schmitz, K. H., Kanski, B., Gordon, B., Caru, M., Vasakar, M., Truica, C. I., Wang, M., Doerksen, S.,
Lorenzo, A., Winkels, R., Qiu, L., & Abdullah, S. (2023). Technology-based supportive care
for metastatic breast cancer patients. Supportive Care in Cancer, 31(7), 401.
https://doi.org/10.1007/s00520-023-07884-3
Seal, S. (n.d.). Welch Medical Library Guides: Nursing Resources: Career Resources. Retrieved May
28, 2025, from https://browse.welch.jhmi.edu/nursing_resources/career-resources
Simon, J. D. H. P., Hooijman, I. S., Van Gorp, M., Schepers, S. A., Michiels, E. M. C., Tissing, W. J.
E., & Grootenhuis, M. A. (2023). Digital health tools for pain monitoring in pediatric
oncology: a scoping review and qualitative assessment of barriers and facilitators of
implementation. Supportive Care in Cancer, 31(3). https://doi.org/10.1007/S00520-023-
07629-2,
Song, Z., Cai, J., Zhou, Y., Jiang, Y., Huang, S., Gu, L., & Tan, J. (2024). Knowledge, Attitudes and
Practices Among Anesthesia and Thoracic Surgery Medical Staff Toward Ai-PCA. Journal of
Multidisciplinary Healthcare, 17, 3295–3304. https://doi.org/10.2147/JMDH.S468539,
FUTURE-AI: international consensus guideline for trustworthy and deployable artificial
intelligence in healthcare. The BMJ, 388, e081554. https://doi.org/10.1136/BMJ-2024-081554
Liu, D., Li, X., Nie, X., Hu, Q., Wang, J., Hai, L., Yang, L., Wang, L., & Guo, P. (2023). Artificial
intelligent patient-controlled intravenous analgesia improves the outcomes of older patients
with laparoscopic radical resection for colorectal cancer. European Geriatric Medicine, 14(6),
1403–1410. https://doi.org/10.1007/S41999-023-00873-Z,
Pan, L. C., Wu, X. R., Lu, Y., Zhang, H. Q., Zhou, Y. L., Liu, X., Liu, S. L., & Yan, Q. Y. (2022).
Artificial intelligence empowered digital health technologies in cancer survivorship care: A
scoping review. Asia-Pacific Journal of Oncology Nursing, 9(12).
https://doi.org/10.1016/j.apjon.2022.100127
Salama, V., Godinich, B., Geng, Y., Humbert-Vidan, L., Maule, L., Wahid, K. A., Naser, M. A., He,
R., Mohamed, A. S. R., Fuller, C. D., & Moreno, A. C. (2023). Artificial Intelligence and
Machine Learning in Cancer Related Pain: A Systematic Review. MedRxiv : The Preprint
Server for Health Sciences. https://doi.org/10.1101/2023.12.06.23299610
Schmitz, K. H., Kanski, B., Gordon, B., Caru, M., Vasakar, M., Truica, C. I., Wang, M., Doerksen, S.,
Lorenzo, A., Winkels, R., Qiu, L., & Abdullah, S. (2023). Technology-based supportive care
for metastatic breast cancer patients. Supportive Care in Cancer, 31(7), 401.
https://doi.org/10.1007/s00520-023-07884-3
Seal, S. (n.d.). Welch Medical Library Guides: Nursing Resources: Career Resources. Retrieved May
28, 2025, from https://browse.welch.jhmi.edu/nursing_resources/career-resources
Simon, J. D. H. P., Hooijman, I. S., Van Gorp, M., Schepers, S. A., Michiels, E. M. C., Tissing, W. J.
E., & Grootenhuis, M. A. (2023). Digital health tools for pain monitoring in pediatric
oncology: a scoping review and qualitative assessment of barriers and facilitators of
implementation. Supportive Care in Cancer, 31(3). https://doi.org/10.1007/S00520-023-
07629-2,
Song, Z., Cai, J., Zhou, Y., Jiang, Y., Huang, S., Gu, L., & Tan, J. (2024). Knowledge, Attitudes and
Practices Among Anesthesia and Thoracic Surgery Medical Staff Toward Ai-PCA. Journal of
Multidisciplinary Healthcare, 17, 3295–3304. https://doi.org/10.2147/JMDH.S468539,
pág. 2571
Vyas, A., Kumar, K., Sharma, A., Verma, D., Bhatia, D., Wahi, N., & Yadav, A. K. (2025).
Advancing the frontier of artificial intelligence on emerging technologies to redefine cancer
diagnosis and care. Computers in Biology and Medicine, 191, 110178.
https://doi.org/10.1016/J.COMPBIOMED.2025.110178
Wong, K. K., Ayoub, M., Cao, Z., Chen, C., Chen, W., Ghista, D. N., & Zhang, C. W. J. (2023). The
synergy of cybernetical intelligence with medical image analysis for deep medicine: A
methodological perspective. Computer Methods and Programs in Biomedicine, 240, 107677.
https://doi.org/10.1016/J.CMPB.2023.107677
Xie, X., Gao, X., Wang, H., Li, B., Wang, Y., Jiao, X., Xv, X., & Zhou, L. (2025). Assessing the
Needs of Patients with Cancer and Healthcare Professionals for a Digital Pain Management
System: A Qualitative Study. Patient Preference and Adherence , 19, 605–614.
https://doi.org/10.2147/PPA.S506756,
Xu, N., Yang, D., Arikawa, K., & Bai, C. (2023). Application of artificial intelligence in modern
medicine. Clinical EHealth, 6, 130–137. https://doi.org/10.1016/J.CEH.2023.09.001
Zhang, X., Qiao, S., Zhang, R., Liu, M., Wu, L., & Pan, H. (2023). Construction and Application of
Chain Management Information System for Cancer Pain. Pain Management Nursing, 24(4),
e75–e80. https://doi.org/10.1016/J.PMN.2023.04.004
Vyas, A., Kumar, K., Sharma, A., Verma, D., Bhatia, D., Wahi, N., & Yadav, A. K. (2025).
Advancing the frontier of artificial intelligence on emerging technologies to redefine cancer
diagnosis and care. Computers in Biology and Medicine, 191, 110178.
https://doi.org/10.1016/J.COMPBIOMED.2025.110178
Wong, K. K., Ayoub, M., Cao, Z., Chen, C., Chen, W., Ghista, D. N., & Zhang, C. W. J. (2023). The
synergy of cybernetical intelligence with medical image analysis for deep medicine: A
methodological perspective. Computer Methods and Programs in Biomedicine, 240, 107677.
https://doi.org/10.1016/J.CMPB.2023.107677
Xie, X., Gao, X., Wang, H., Li, B., Wang, Y., Jiao, X., Xv, X., & Zhou, L. (2025). Assessing the
Needs of Patients with Cancer and Healthcare Professionals for a Digital Pain Management
System: A Qualitative Study. Patient Preference and Adherence , 19, 605–614.
https://doi.org/10.2147/PPA.S506756,
Xu, N., Yang, D., Arikawa, K., & Bai, C. (2023). Application of artificial intelligence in modern
medicine. Clinical EHealth, 6, 130–137. https://doi.org/10.1016/J.CEH.2023.09.001
Zhang, X., Qiao, S., Zhang, R., Liu, M., Wu, L., & Pan, H. (2023). Construction and Application of
Chain Management Information System for Cancer Pain. Pain Management Nursing, 24(4),
e75–e80. https://doi.org/10.1016/J.PMN.2023.04.004