https://orcid.org/0000-0002-9654-3469

isaura_fuentes@uaeh.edu.mx

https://orcid.org/0000-0003-1200-487X

ofloresc@uaeh.edu.mx

https://orcid.org/0000-0001-9479-9834

Instituto de Ciencias de la Salud

Universidad Autónoma del Estado de Hidalgo

San Agustín Tlaxiaca, Hidalgo

México

julieta_angel@uaeh.edu.mx

https://orcid.org/0000-0002-0380-427X

Instituto de Ciencias de la Salud

Universidad Autónoma del Estado de Hidalgo

San Agustín Tlaxiaca, Hidalgo

México

analizar la literatura científica sobre el uso de la IA y tecnologías emergentes en el campo de la

enfermería, mediante una revisión narrativa estructurada, con la finalidad de identificar aplicaciones

actuales, beneficios, limitaciones y oportunidades de mejora que optimicen su incorporación en los

sistemas de atención sanitaria. La metodología consistió en un análisis de fuentes recientes que

abordaron la implementación de IA, realidad virtual y simulación clínica, poniendo énfasis en sus

implicaciones biomédicas, educativas y organizacionales. Los principales hallazgos evidencian que

estas tecnologías pueden apoyar el razonamiento clínico, mejorar la calidad del diagnóstico, facilitar la

educación personalizada y optimizar procesos en cuidados intensivos, pero también enfrentan barreras

relacionadas con la privacidad de datos, sesgos algorítmicos, brechas formativas y resistencia

institucional. Además, se discuten experiencias exitosas en simulación clínica, educación con chatbots,

Palabras clave: simulación, ética, educación, algoritmos, colaboración

This study acknowledges that integrating artificial intelligence (AI) and immersive technologies rapidly

transforms nursing education and clinical practice, raising ethical, technical, and educational

reasoning, improve diagnostic accuracy, facilitate personalized education, and optimize processes in

intensive care settings, while also facing challenges related to data privacy, algorithmic bias, training

gaps, and institutional resistance. In addition, the review discusses successful experiences in clinical

simulation, chatbot-based education, remote monitoring, and interdisciplinary collaboration between

nursing and biomedical engineering, highlighting their transformative potential. In conclusion, although

adopting intelligent and immersive technologies in nursing offers significant advantages, their practical

implementation requires comprehensive ethical, technical, and pedagogical preparation and robust

regulatory frameworks to ensure responsible, equitable, and context-aware use for professionals and

patients.

por la incorporación de tecnologías avanzadas. La transición hacia la era digital ha modificado tanto la

práctica clínica como los enfoques educativos en la formación de profesionales, exigiendo la adaptación

de los métodos tradicionales a entornos mediados por tecnologías de la información y la comunicación

(Roman-Huera et al., 2024).

La tecnología ha ganado terreno en la enfermería, tanto en la formación como en la práctica clínica. En

lo educativo, las aplicaciones y dispositivos digitales facilitan el aprendizaje y preparan a los estudiantes

para entornos hospitalarios modernos (Ostick et al., 2025; Szara & Klukow, 2023). Algunos autores

subrayan la importancia de integrar estas herramientas para evitar rezagos frente a la evolución del

sector (Pepito & Locsin, 2019). En la práctica clínica, la automatización ha aliviado tareas

administrativas, permitiendo una atención más centrada en el paciente (Vasquez et al., 2023). Además,

revisión convencional (Gonzalez-Garcia et al., 2024; Lee & Yoon, 2021; Ng et al., 2022). También

optimizan la atención al reducir alarmas innecesarias y ayudar a priorizar cuidados (Hah & Goldin,

2022; Rony et al., 2024; Seibert et al., 2021). Algunas plataformas mejoran la administración del

cuidado al facilitar el trabajo del personal y optimizar recursos (Abuzaid et al., 2022; O’Connor et al.,

2023). A pesar de sus beneficios, persisten dudas sobre privacidad de datos, consentimiento informado

y la posible pérdida de la dimensión humana del cuidado (Laari et al., 2025; Mohammed et al., 2025).

También hay inquietud entre el personal sobre el impacto de la automatización en sus funciones

(Alruwaili et al., 2024; Nashwan et al., 2025), y se enfatiza que la tecnología no debe reemplazar la

empatía ni la atención personalizada (Abdelaziz et al., 2025; Locsin & Ito, 2018).

recursos suficientes para una implementación efectiva (Dykes & Chu, 2021; Kirubarajan et al., 2020).

La formación insuficiente del personal limita su autonomía en el uso de estas herramientas (Wynn et al.,

2023; Yigit & Acikgoz, 2024), mientras que culturas laborales conservadoras y desconfianza

tecnológica dificultan su adopción (Hall et al., 2017; Jordan et al., 2023). Además, la IA plantea retos

éticos que exigen marcos normativos más claros (Bourbonnais et al., 2019; Seibert et al., 2021).

Enfrentar estos retos implica mejorar la infraestructura, capacitar al personal, gestionar el cambio y

establecer regulaciones éticas (Nashwan et al., 2025).

El uso de IA en decisiones clínicas genera controversias éticas, legales y profesionales. Preocupa que

estas tecnologías reemplacen el juicio clínico humano, comprometiendo la seguridad del paciente, la

transparencia algorítmica y la rendición de cuentas (Goswami et al., 2019; Thakur, 2024). La necesidad

La IA en enfermería ofrece oportunidades de innovación, pero aún existen vacíos en la investigación.

Se requieren sistemas adaptados a los flujos de trabajo de enfermería, con estudios que evalúen su

impacto clínico a largo plazo (Gonzalez-Garcia et al., 2024; O’Connor et al., 2023; Rony et al., 2024;

Ruksakulpiwat et al., 2024). La capacitación es un área crítica, pues muchos enfermeros carecen del

conocimiento técnico y ético necesario (Buchanan et al., 2021; Wei et al., 2025). También es necesario

estudiar cómo la IA afecta la carga laboral, el bienestar del personal y la equidad en la atención (Chang

et al., 2022; Mennella et al., 2024; Ronquillo et al., 2021). Las innovaciones biomédicas han

transformado la enfermería en diagnóstico, monitoreo y atención personalizada.

monitoreo, registran signos vitales en tiempo real, mejorando la atención y la salud del personal

(Buchholz et al., 2023; Elkefi & Asan, 2022). El monitoreo remoto es esencial en enfermedades

crónicas y pacientes con movilidad limitada, permitiendo seguimiento continuo sin hospitalización

(Mahoney et al., 2023; White et al., 2023). Esta convergencia tecnológica requiere formación en el uso

e interpretación de los datos generados, fortaleciendo un cuidado más ágil, preciso y centrado en el

paciente (Ferguson et al., 2020; Ronquillo et al., 2021).

De acuerdo con todo lo anterior, el objetivo de esta investigación fue revisar y analizar la literatura

científica sobre el uso de la IA y tecnologías emergentes en la enfermería, con énfasis en sus

aplicaciones biomédicas y su impacto en la práctica clínica, explorando la implementación de IA para

la mejora de diagnósticos, la toma de decisiones clínicas y el seguimiento de pacientes, así como los

La IA es una rama de la informática que busca desarrollar sistemas y algoritmos capaces de realizar

tareas que tradicionalmente requieren inteligencia humana. Estas tareas incluyen el aprendizaje, el

razonamiento, la toma de decisiones, la resolución de problemas y la comprensión del lenguaje (Seibert

et al., 2021).

En el ámbito de la enfermería, su integración permite automatizar tareas rutinarias, analizar datos

clínicos con rapidez y asistir en decisiones que requieren alto grado de precisión.

Entre los principios operativos más empleados destaca el aprendizaje automático (ML, Machine

Learning), que permite a los sistemas ajustarse a patrones extraídos de grandes volúmenes de datos sin

necesidad de programación explícita. Este enfoque se utiliza, por ejemplo, para predecir complicaciones

clínicas a partir del historial del paciente. Otro componente esencial es el procesamiento del lenguaje

como lagos de datos o almacenes de información que permiten centralizar registros, analizarlos de

forma dinámica y responder a las demandas específicas del entorno clínico (McGrow, 2019).

La IA aplicada en contextos de salud se articula en diversas áreas funcionales que permiten automatizar

procesos, analizar grandes volúmenes de datos y asistir en la toma de decisiones clínicas. La Figura 2

resume las principales aplicaciones técnicas de la IA en el ámbito clínico y educativo.

cada contexto (Cohen et al., 2025).

En aplicaciones previas, como una plataforma portátil diseñada para evaluación conductual, se ha

demostrado que los flujos de navegación adaptativos pueden mejorar la recolección de datos al guiar al

usuario por rutas lógicas basadas en sus respuestas. Este enfoque puede trasladarse a entornos

educativos, permitiendo una interacción más ágil y dirigida con el contenido (Tejani et al., 2010).

El uso de chatbots en contextos clínicos ha demostrado utilidad en la gestión de consultas frecuentes,

especialmente en áreas de alta demanda como la oncología. Al encargarse de dudas relacionadas con

síntomas menores, estos sistemas permiten que el personal médico se concentre en casos que requieren

atención directa, lo que favorece la eficiencia del servicio y contribuye a la reducción de costos

identificar patrones de error y ajustar los algoritmos, aunque se requiere precaución debido a posibles

sesgos humanos en los métodos de evaluación. Por ello, se están incorporando técnicas de minería de

textos y procesamiento de lenguaje natural para obtener análisis más objetivos (Kung et al., 2023).

Además de los chatbots, las simulaciones clínicas siguen siendo recursos eficaces en la formación

médica. Desde escenarios quirúrgicos virtuales hasta entrenamientos con retroalimentación guiada,

estas prácticas permiten a los estudiantes perfeccionar habilidades sin comprometer la seguridad del

paciente. Su utilidad ha sido documentada en especialidades como cirugía cardiotorácica y

procedimientos guiados por ultrasonido (Cates & Gallagher, 2012; Jagneaux et al., 2021; Villanueva

et al., 2020).

de enfermedades cardiovasculares, y permite pronósticos individualizados según la evolución clínica

del paciente (Biesheuvel et al., 2024).

El uso combinado de aprendizaje automático y procesamiento de lenguaje natural en los servicios de

urgencias está dando paso a sistemas automatizados de clasificación de pacientes (triaje) más precisos

y adaptativos. El triaje es una etapa crítica en la atención de emergencias, ya que determina la prioridad

con la que un paciente debe ser atendido según la gravedad de su condición. Un estudio demostró que

el modelo KATE, basado en IA, superó en precisión a los profesionales de enfermería al asignar niveles

de gravedad según el índice de severidad en urgencias (ESI, por sus siglas en inglés). Esto sugiere que

los sistemas de apoyo a la decisión clínica pueden reducir errores en la clasificación, mejorar el flujo

de pacientes y optimizar el uso de recursos, especialmente en escenarios donde la toma de decisiones

(Linsenmeier & Saterbak, 2020). En paralelo, se fundó la Sociedad de Ingeniería Biomédica (BMES),

que al principio centraba sus esfuerzos en el estudio fisiológico de sistemas, aunque con baja visibilidad

dentro del ámbito de las ciencias experimentales (Katona, 2006).

A diferencia de otras disciplinas de ingeniería, esta área no fue impulsada directamente por la demanda

de la industria, sino que surgió desde la academia, cuando ingenieros de campos tradicionales

comenzaron a aplicar sus conocimientos en medicina y biotecnología (Linsenmeier & Saterbak, 2020).

Aunque las empresas del sector médico siguen empleando ingenieros de distintas especialidades, la

formación específica en ingeniería biomédica ha permitido desarrollar soluciones más ajustadas a las

necesidades clínicas.

funcionales del paciente como los requerimientos tecnológicos, pueden colaborar activamente en el

diseño y adaptación de dispositivos médicos. Estas sinergias permiten mejorar la calidad del cuidado a

través de soluciones más pertinentes y funcionales (Homavazir et al., 2023).

Durante la pandemia por COVID-19, estas colaboraciones tomaron fuerza en la creación e

implementación de tecnologías de bajo costo. Ejemplos como el respirador no invasivo desarrollado

con un enfoque de código abierto muestran cómo la ingeniería, unida al conocimiento clínico, puede

ofrecer alternativas viables para contextos de bajos recursos (Garmendia et al., 2020). A su vez,

dispositivos portátiles integrados a plataformas de telemedicina facilitaron la atención remota,

ayudando a descongestionar hospitales y brindar seguimiento a distancia en momentos críticos (Islam

et al., 2020).

innovaciones a los escenarios reales de atención. Esta cooperación no solo mejora el desempeño de los

dispositivos, sino que también asegura que respondan a las particularidades de cada contexto clínico

(Pons-Òdena et al., 2020).

La colaboración entre enfermería e ingeniería biomédica abre nuevas posibilidades para diseñar

soluciones que respondan a las necesidades reales del cuidado clínico. Desde el desarrollo de robots de

asistencia hasta aplicaciones móviles para el monitoreo remoto, estas sinergias permiten adaptar la

tecnología al entorno hospitalario y doméstico, fortaleciendo la atención centrada en el paciente.

Este trabajo conjunto no se limita a la creación de dispositivos; también permite repensar cómo se

resuelven los desafíos cotidianos del entorno clínico. Las enfermeras, con su experiencia directa en el

cuidado, aportan una perspectiva crítica en las fases de diseño, prueba y mejora de las tecnologías. Su

participación activa no solo enriquece el proceso de innovación, sino que también fortalece la

efectividad y aceptación de las soluciones propuestas (Glasgow et al., 2018).

Estas alianzas promueven un cambio en la forma en que se concibe la innovación en salud, al integrar

de manera más equitativa los saberes clínicos y técnicos. Además, abren oportunidades para que la

enfermería se involucre en áreas como la interfaz hombre-máquina, la IA aplicada al cuidado y el diseño

de entornos inteligentes, contribuyendo a transformar los modelos tradicionales de atención.

rendimiento académico y en la preparación para el uso clínico de estas herramientas (Taskiran, 2023).

En el ámbito clínico, la IA se ha integrado con sistemas de apoyo a la decisión, facilitando la evaluación

de grandes volúmenes de información en tiempo real. Estos sistemas ayudan al personal de enfermería

a mejorar la precisión diagnóstica y a optimizar las intervenciones mediante predicciones sobre riesgos

y necesidades del paciente (Buchanan et al., 2021; Ng et al., 2022; Ronquillo et al., 2021). Aunque la

IA aporta recomendaciones útiles, las decisiones finales recaen en el juicio del profesional, por lo que

es necesario formar a las enfermeras en el uso crítico y ético de estas herramientas (Abuzaid et al., 2022;

O’Connor et al., 2023).

que exige marcos educativos que aborden sus dimensiones éticas, legales y sociales (De Gagne, 2023;

Kwak et al., 2022; O’Connor et al., 2023). Esto implica no solo enseñar a utilizar la tecnología, sino

también a cuestionar sus límites e impactos.

En la práctica hospitalaria, la IA ya está presente en procesos como la distribución de medicamentos,

aliviando la carga del personal sin descuidar la seguridad del paciente. Esto refuerza la necesidad de

formar a los profesionales en competencias digitales que les permitan integrar estas tecnologías de

forma efectiva en su entorno laboral (Abuzaid et al., 2022).

Las tecnologías inmersivas como la realidad virtual y la realidad aumentada están ganando terreno tanto

en la educación como en la atención al paciente. Su uso en la formación permite a los estudiantes

practicar habilidades clínicas en entornos simulados, mejorando su confianza y destreza ante escenarios

se ha utilizado en la formación para situaciones de desastre, ofreciendo un entorno que permite entrenar

la toma de decisiones bajo presión (Fant, 2025).

En contextos de telesalud, la AR facilita la atención domiciliaria al permitir la visualización directa de

lesiones o condiciones a través de superposiciones digitales, mejorando así la eficiencia del seguimiento

clínico (Takahashi et al., 2023). La creciente adopción de estas tecnologías en programas académicos

responde, en parte, a su capacidad para suplir la falta de acceso a prácticas clínicas presenciales

(Mäkinen et al., 2023).

La actualización de los planes de estudio deberá contemplar la incorporación sistemática de realidad

virtual y AR, con el objetivo de integrar el aprendizaje técnico con una visión humanista del cuidado

innovación tecnológica (Fealy et al., 2023).

La implementación de IA en entornos clínicos plantea interrogantes sustanciales sobre la protección de

los datos personales de los pacientes. Debido a la sensibilidad de esta información, se requiere una

gestión estricta que impida accesos no autorizados y garantice la confidencialidad en cada etapa del

proceso digital (Lee & Yoon, 2021; Williamson & Prybutok, 2024; Zavaleta-Monestel et al., 2025).

Estas preocupaciones no solo involucran aspectos técnicos, sino que tocan dimensiones éticas y legales

aún en evolución. Muchos marcos regulatorios actuales no contemplan con precisión los retos que

presenta la IA en el manejo de datos clínicos, lo que genera vacíos normativos que deben atenderse con

urgencia (Jeelani et al., 2024). Frente a esta incertidumbre, la confianza del personal sanitario en estos

La aplicación de IA en enfermería plantea riesgos cuando los algoritmos se entrenan con datos que no

representan adecuadamente a la población real. Esta falta de representatividad puede generar decisiones

clínicas desiguales y reproducir patrones de exclusión ya presentes en el sistema de salud (Celi et al.,

2022; Hammood, 2023). Cuando los modelos aprenden de conjuntos de datos sesgados, sus

predicciones tienden a favorecer ciertos grupos en detrimento de otros, afectando la equidad en el acceso

al diagnóstico y tratamiento (Celi et al., 2022; Morley et al., 2020).

Las consecuencias de estos sesgos son técnicas y éticas: decisiones automatizadas basadas en modelos

defectuosos pueden consolidar prácticas discriminatorias bajo una apariencia de neutralidad

tecnológica.

Sabah et al., 2023). El personal de enfermería tiene un rol activo en esta vigilancia, asegurando que el

uso de IA contribuya a reducir desigualdades, no a ampliarlas.

La adopción efectiva de IA en la enfermería requiere una preparación amplia que abarque tanto aspectos

técnicos como éticos. Diversos estudios insisten en la necesidad de establecer marcos formativos que

doten al personal de enfermería de las competencias necesarias para interactuar con herramientas

basadas en IA de forma segura y crítica (Parvathavarthine et al., 2022; Reading Turchioe et al., 2024).

Además, esta transformación tecnológica debe ir acompañada de una cultura organizacional abierta al

cambio, que disipe temores infundados sobre la pérdida de empleo y promueva una comprensión más

informada sobre el papel de estas tecnologías (Alowais et al., 2023; Gonzalez-Garcia et al., 2024).

fortalecer habilidades clínicas y la autoeficacia del estudiantado, los entornos asincrónicos pueden

dificultar el desarrollo de competencias interpersonales esenciales para la práctica clínica (Choi et al.,

2022; Jeon et al., 2020). Esta transición metodológica exige un enfoque cuidadoso para evitar vacíos

formativos, especialmente en lo relativo a la comunicación.

En términos operativos, la integración de estas tecnologías exige inversiones considerables en equipo,

capacitación y soporte técnico. Las limitaciones presupuestarias y de tiempo han sido señaladas como

barreras frecuentes por quienes implementan programas de simulación, lo cual subraya la necesidad de

alianzas estratégicas y modelos sostenibles de financiamiento (Gao et al., 2024; Singleton et al., 2021).

y equidad para evitar nuevas brechas educativas, al tiempo que faciliten la evaluación sistemática de la

efectividad y seguridad de estas herramientas (Biyik Bayram & Caliskan, 2022; Chen et al., 2020;

Sombilon et al., 2024). El desarrollo de marcos pedagógicos sólidos permitirá integrar estas tecnologías

a los planes existentes de manera coherente, maximizando su utilidad formativa. Las simulaciones

inmersivas favorecen el aprendizaje activo y el dominio de habilidades clínicas en entornos seguros,

contribuyendo a cerrar la distancia entre la teoría y la práctica (Johansen et al., 2024; Park et al., 2024).

Además, el diseño instruccional adecuado mejora la comprensión conceptual del estudiantado y facilita

su aplicación en contextos clínicos reales (Park & Kim, 2022; Rushton et al., 2020).

Finalmente, en el entorno clínico, la formación basada en realidad virtual puede fortalecer capacidades

clave como la empatía, el juicio crítico y la confianza profesional. Estos entornos son especialmente

Tabla 2. Desafíos y estrategias en la implementación de IA y tecnologías inmersivas.

Nacional de Investigadoras e Investigadores (SNII) de la Secretaría de Ciencia, Humanidades,

Tecnología e Innovación (SECIHTI) por su apoyo.

Abdelaziz, O., Lee, S., Howard, S., & Lefler, L. (2025). Perceptions and Attitudes of Registered Nurses

Abuzaid, M. M., Elshami, W., & Fadden, S. M. (2022). Integration of artificial intelligence into nursing

Alruwaili, M. M., Abuadas, F. H., Alsadi, M., Alruwaili, A. N., Elsayed Ramadan, O. M., Shaban, M.,

Amin, H. A., & Alanzi, T. M. (2024). Utilization of Artificial Intelligence (AI) in Healthcare Decision-