Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
AVANCES EN EL DIAGNÓSTICO DE LABORATORIO CLÍNICO  
MEDIANTE LA INTEGRACIÓN DE INTELIGENCIA ARTIFICIAL  
ADVANCES IN CLINICAL LABORATORY DIAGNOSTICS  
THROUGH THE INTEGRATION OF ARTIFICIAL INTELLIGENCE  
Lissette Esildys Caicedo-Martínez1, Maria Belen Durán Sarango2, Danny Alexander Segarra  
Jimenez3, Sandra Jimena Yungán Montero4  
{lissette_caicedo17@hotmail.com1, duranmariabelen1@gmail.com2, segarramc3d@hotmail.com3, sandra.y.m2016@gmail.com 4}  
Fecha de recepción: 04/05/2026 / Fecha de aceptación: 26/05/2026  
/ Fecha de publicación: 09/06/2026  
RESUMEN: La transformación digital que han experimentado los sistemas de salud han  
propiciado la adopción de la inteligencia artificial en múltiples servicios médicos, sobresaliendo  
el laboratorio clínico al ser el que mejor se está adaptando a esta práctica en cuanto a la mejora  
del análisis e interpretación de los datos biomédicos. Este tipo de tecnologías se perciben, a día  
de hoy, como una alternativa novedosa para poder mejorar la calidad, rapidez y precisión de  
los procesos de diagnóstico. Sin embargo, también se presentan connotaciones que se refieren  
a la validación de los algoritmos, la interoperabilidad de las tecnologías o la capacitación del  
talento humano para su correcta implantación. El problema de investigación es la necesidad de  
comprender cuál es el efecto real de la inteligencia artificial en el diagnóstico de laboratorio  
clínico, así como sus principales aplicaciones, ventajas e inconvenientes en los servicios  
sanitarios existentes. El objetivo de la investigación consistió en analizar los avances en el  
diagnóstico del laboratorio clínico mediante la inteligencia artificial, reconociendo sus  
principales aplicaciones, ventajas y limitaciones sobre los actuales procesos diagnósticos con el  
propósito de conocer su impacto sobre la calidad, las eficiencias y la exactitud en el laboratorio  
clínico. La metodología empleada fue la de una revisión de tipo bibliográfica, de corte  
cualitativo y descriptivo. Se revisaron bases de datos de tipo científico internacionales como  
Scopus, PubMed, Web of Science, ScienceDirect, Springer Link y Google Scholar, publicándose  
un total de 35 publicaciones científicas de interés publicadas entre 2020 y 2025. Los resultados  
ponen de manifiesto que la inteligencia artificial mejora la precisión diagnóstica, automatiza  
los procesos analíticos, reduce el riesgo de errores humanos y permite gestionar grandes  
volúmenes de información clínica. Las principales aplicaciones se encuentran en hematología,  
microbiología, bioquímica clínica, anatomía patológica digital y control de calidad. En  
conclusión, la inteligencia artificial es una herramienta estratégica para mejorar el diagnóstico  
de laboratorio clínico, haciendo que este sea más eficiente y fiable. Sin embargo, su correcta  
1Investigador Independiente, https://orcid.org/0009-0008-8571-4673  
2Investigador Independiente, https://orcid.org/0009-0004-6718-5772  
3Confiteca, https://orcid.org/0009-0007-7475-6395  
4MSP. -Dirección De Salud Sucumbíos Unidad Operativa Centro De Salud Tarapoa, https://orcid.org/0009-0008-2535-9358  
56  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
sistematización requiere de una infraestructura tecnológica adecuada, validar científicamente  
la técnica, formación especializada y un marco ético y regulatorio que dé garantías para su  
explotación de forma segura y responsable.  
Palabras clave: inteligencia artificial, laboratorio clínico, diagnóstico médico, machine learning,  
automatización, medicina de precisión  
ABSTRACT: The digital transformation that healthcare systems have undergone has led to  
the adoption of artificial intelligence in numerous medical services, with clinical laboratories  
standing out as the sector best adapting to this practice in terms of improving the analysis and  
interpretation of biomedical data. Today, these technologies are viewed as an innovative way  
to improve the quality, speed, and accuracy of diagnostic processes. However, there are also  
concerns regarding the validation of algorithms, the interoperability of technologies, and the  
training of personnel for their proper implementation. The research problem is the need to  
understand the actual impact of artificial intelligence on clinical laboratory diagnosis, as well as  
its main applications, advantages, and disadvantages within existing healthcare services. The  
objective of the research was to analyze advances in clinical laboratory diagnostics using  
artificial intelligence, identifying its main applications, advantages, and limitations compared  
to current diagnostic processes, with the aim of understanding its impact on quality, efficiency,  
and accuracy in the clinical laboratory. The methodology employed was a qualitative and  
descriptive literature review. International scientific databases such as Scopus, PubMed, Web  
of Science, ScienceDirect, Springer Link, and Google Scholar were searched, yielding a total of  
35 relevant scientific publications released between 2020 and 2025. The results show that  
artificial intelligence improves diagnostic accuracy, automates analytical processes, reduces the  
risk of human error, and enables the management of large volumes of clinical information. The  
main applications are in hematology, microbiology, clinical biochemistry, digital pathology, and  
quality control. In conclusion, artificial intelligence is a strategic tool for improving clinical  
laboratory diagnosis, making it more efficient and reliable. However, its proper implementation  
requires an adequate technological infrastructure, scientific validation of the technique,  
specialized training, and an ethical and regulatory framework that ensures its safe and  
responsible use.  
Keywords: artificial intelligence, clinical laboratory, medical diagnosis, machine learning,  
automation, precision medicine  
INTRODUCCIÓN  
La transformación digital de los sistemas de salud ha promovido la introducción de emergentes  
tecnologías en un sinfín de campos de la medicina, siendo la inteligencia artificial (IA) una de las  
novedades que tiene la capacidad más sobresaliente para revolucionar los procesos diagnósticos.  
57  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
El laboratorio clínico, en particular, ha logrado destacar la IA por su manera de analizar un gran  
volumen de datos biomédicos, reconocer patrones complejos e incluso hacer ciertas previsiones  
diagnósticas con unos altos niveles de precisión. Esa evolución responde a la necesidad creciente  
de optimizar los procedimientos analíticos, disminuir los errores humanos y hacer más eficientes  
las decisiones clínicas, especialmente en un contexto donde el aumento de enfermedades  
crónicas, infecciosas y degenerativas responsabiliza a los diagnósticos de una criticidad rápida y  
perfecta (1, 2).  
Dentro del ámbito de la atención sanitaria, los laboratorios clínicos ocupan un lugar relevante, de  
tal forma que aproximadamente entre el 60 y el 70 % de las decisiones médicas reposan en los  
resultados de las pruebas de laboratorio. No obstante, el incremento continuo de los volúmenes  
de las muestras procesadas -cada vez más altos- y la complejidad de los análisis diagnósticos  
desarrollados -cada vez mayor- han generado problemáticas vinculadas a la gestión de datos, la  
interpretación de resultados y el control de calidad de los procesos analíticos. Por esta razón, la  
inteligencia artificial se presenta como una herramienta que complementa las competencias  
profesionales, mediante algoritmos de machine learning, deep learning o artificial neural  
networks que permiten automatizar procesos complejos y mejorar la precisión del diagnóstico  
(3,4).  
En el transcurso de los últimos años, el uso de IA en la medicina de laboratorio ha experimentado  
un crecimiento significativo. Una serie de investigaciones han evidenciado que los sistemas  
inteligentes -ya sean estos algoritmos, programas, modelos de cálculo o sistemas en red- son  
capaces de procesar información clínica y analítica a mayor velocidad que las técnicas  
tradicionales, de manera que se pueden descubrir de forma más temprana enfermedades, así  
como otras anomalías que de otro modo no se conocerían a través del clásico análisis de  
laboratorio. Además, la implementación de algoritmos predictivos en hematología,  
microbiología, inmunología o bioquímica clínica se han traducido en una mejora de los procesos  
diagnósticos permitiendo, a la vez, hacer avanzar la medicina personalizada con la  
implementación de modelos que anticipan los riesgos clínicos y ayudan a la toma de decisiones  
terapéuticas (3,5).  
Las aplicaciones más relevantes de la inteligencia artificial aplicada al laboratorio clínico son la  
interpretación automatizada de imágenes microscópicas, la clasificación automática de leucocitos  
sanguíneos, el reconocimiento de patrones moleculares, la detección de biomarcadores o la  
validación automatizada de resultados. En anatomía patológica digital, los sistemas basados en  
Deep Learning han alcanzado niveles de exactitud similares a los de expertos humanos para la  
detección de alteraciones histopatológicas y lesiones tumorales. En microbiología clínica los  
sistemas de IA están ayudando a automatizar el análisis de espectrometría de masas e imágenes  
digitales para identificar microorganismos, logrando con ello reducciones importantes de tiempo  
en la respuesta diagnóstica (4,6).  
58  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
La importancia de la inteligencia artificial ha sido avalada por organismos internacionales. La  
Organización Mundial de la Salud (OMS) puso de manifiesto cómo la inteligencia artificial podría  
llegar a contribuir al soporte de los sistemas de salud al permitir mejorar la calidad asistencial,  
optimizar los servicios y mejorar los procesos de diagnóstico. No obstante, la misma organización  
hace hincapié en que su implementación ha de hacerse en función de principios éticos, de la  
transparencia algorítmica, de la buena gobernanza de datos para obtener resultados seguros,  
confiables y equitativos (7,8). Los Centers for Disease Control and Prevention (CDC) también  
redoblan la importancia para modernizar los sistemas de información de laboratorio y contener  
errores debido al manejo manual de datos a través de tecnologías digitales avanzadas que  
favorecían la interoperabilidad y la automatización de procesos (9).  
No obstante, los logros alcanzados, la integración de la inteligencia artificial en el laboratorio  
clínico todavía encuentra importantes retos a los que enfrentarse. Entre esas características se  
encuentra la necesidad de validar los algoritmos en poblaciones distintas, la obligación de  
garantizar la calidad y la representatividad de los datos que forman parte del entrenamiento de  
los modelos, la necesidad de verificar la interoperabilidad entre las distintas plataformas  
tecnológicas, establecer las competencias digitales de los profesionales de la salud y aumentar la  
capacitación de los mismos. Por otro lado, existen preocupaciones asociadas a la privacidad de  
los datos, a la responsabilidad legal en la toma de decisiones relacionadas con las decisiones  
asistidas por algoritmos y al sesgo existente en los modelos de predicción cuando estos se  
entrenan con bases de datos que no cuentan con suficiente representatividad.  
Por consiguiente, el uso de la inteligencia artificial en el diagnóstico del laboratorio clínico se  
establece como uno de los hitos de la innovación en la salud actual. Su capacidad de mejorar la  
exactitud del diagnóstico, de optimizar los flujos de trabajo y de ayudar en la toma de decisiones  
médicas pone de manifiesto un gran potencial para cambiar el servicio del laboratorio clínico,  
aunque aprovechando estas tecnologías debe ser de manera responsable, con innovación  
tecnológica, validación científica y regulación ética.  
Por lo que el presente trabajo de investigación está orientado al análisis de los avances en el  
diagnóstico del laboratorio clínico mediante la inteligencia artificial, reconociendo sus principales  
aplicaciones, ventajas y limitaciones sobre los actuales procesos diagnósticos con el proposito de  
conocer su impacto sobre la calidad, las eficiencias y la exactitud en el laboratorio clínico.  
MATERIALES Y MÉTODOS  
Tipo de método de investigación  
La investigación, se ejecutó con un enfoque cualitativo de tipo descriptivo, realizando una revisión  
bibliográfica documental centrada en examinar los avances en el diagnóstico mediante  
laboratorio clínico utilizando inteligencia artificial (IA). Este tipo de metodología permite la  
59  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
recopilación, el examen y la síntesis de la evidencia científica publicada sobre el objetivo de  
estudio, propiciando la comprensión sobre su aplicación, su utilidad y su problemática dentro del  
contexto sanitario del momento (10,11).  
El diseño de la metodología seguida fue una revisión narrativa de la literatura científica reciente,  
considerando las investigaciones publicadas entre los años 2020 y 2025. El periodo temporal fue  
elegido en función de la vertiginosa evolución de las tecnologías de inteligencia artificial utilizadas  
en la salud y en el laboratorio clínico; y la proliferación considerable de publicaciones científicas  
relacionadas con machine learning, deep learning y sistemas inteligentes de soporte para  
diagnóstico médico (12).  
Población o muestra  
La población de estudio consistió en documentos científicos indexados en bases de datos  
académicas reconocidas internacionalmente. Para identificar la evidencia se consultaron las  
bases de datos Scopus, PubMed/MEDLINE, Web Science, Science Direct, Springer Link y Google  
Scholar, dado su extensa cobertura de las publicaciones biomédicas y tecnológicas de mayor  
impacto científico. En una primera fase se identificaron 168 documentos potencialmente  
relevantes mediante el uso de estrategias de búsqueda avanzadas y operadores booleanos. Se  
seleccionaron las 35 publicaciones científicas finales, tras aplicar los criterios de inclusión y de  
exclusión.  
Los criterios de inclusión abarcan las publicaciones originales, las revisiones sistemáticas, los  
metaanálisis y los documentos institucionales emitidos por organismos internacionales  
relacionados con la inteligencia artificial, el laboratorio clínico, el diagnóstico médico por  
computadora, el aprendizaje automático y las tecnologías digitales en salud. Igualmente se  
incluyeron únicamente los artículos publicados en inglés o español, en acceso abierto y que  
hubiesen sido publicados durante los últimos cinco años. Se eliminaron documentos duplicados,  
estudios que tenían información escasa, artículos no pareados y documentos cuyo contenido no  
guardaba relación directa con el objetivo de la investigación.  
Entorno  
El procedimiento de la investigación se realizó en un entorno académico virtual de repositorios  
científicos digitales y plataformas facilitadoras del acceso a literatura biomédica. Dado que se  
trataba de una revisión de la literatura, no se precisó la intervención directa de los pacientes ni la  
manipulación de muestras biológicas, respetando así los principios éticos de investigación y el uso  
responsable de la información científica de acceso público.  
Para la gama de los datos, se recurrió a una matriz de revisión bibliográfica, elaborada por los  
investigadores, que permitió recoger de forma sistemática la información relevante de cada  
publicación seleccionada.Dentro de las variables que se han estudiado, se incluyen: año de  
60  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
publicación, país de origen, ámbito de aplicación de la inteligencia artificial, técnicas utilizadas  
(machine learning, deep learning y artificial neural networks), ventajas reportadas, limitaciones  
detectadas y aportaciones en el diagnóstico de laboratorio clínico. Esta estrategia facilitó la  
sistematización, comparación e interpretación de los datos encontrados en la literatura científica.  
Mediciones  
Las ecuaciones de búsqueda utilizadas fueron una combinación de términos controlados y  
palabras clave asociadas al objeto de estudio como, por ejemplo: “Artificial Intelligence”, “Clinical  
Laboratory”, “Laboratory Diagnostics”, “Machine Learning”, “Deep Learning”, “Clinical Decision  
Support Systems” e “Intelligent Diagnostics”, haciendo uso de los operadores booleanos AND y  
OR, en el sentido de mejorar la sensibilidad y la especificidad de los resultados obtenidos. Para la  
interpretación de la información se precisó una técnica de análisis de contenido temático, de  
manera que los estudios fueron agrupados en función de categorías emergentes que hacían  
alusión a pokes diagnósticos, automatización de procesos, precisión diagnóstica, eficiencia  
operativa y desafíos de implementación. Este proceso le permitió evidenciar las tendencias  
científicas de la investigación, los espacios de desarrollo y las lagunas de conocimiento en la  
literatura más reciente.  
Análisis estadísticos  
Desde el punto de vista estadístico, el paquete Microsoft Excel® versión 365 fue empleado para  
la organización, clasificación y sistematización de la información obtenida, así como también fue  
utilizada la estadística descriptiva mediante frecuencias absolutas y porcentajes para resumir y  
clasificar la distribución de los artículos en función del año de publicación, de la o los bases de  
datos de procedencia y del área de aplicación clínica. El carácter cualitativo y documental del  
estudio no exigió la elaboración de pruebas inferenciales ni de modelos estadísticos.  
Finalmente, la información obtuvo fue confrontada y analizada críticamente con la posibilidad de  
mostrar los principales avances logrados en la implementación de la inteligencia artificial aplicada  
al laboratorio clínico y las implicancias a la hora de mejorar la calidad del diagnóstico, la  
optimización de procesos analíticos en el laboratorio y la mejora de la toma de decisiones clínicas  
basadas en evidencia científica.  
RESULTADOS  
La revisión bibliográfica ha permitido observar que durante los últimos años ha tenido lugar un  
aumento de la utilización de la inteligencia artificial (IA) en lo que respecta al diagnóstico de  
laboratorio clínico. Los estudios que se han analizado se dan la mano para indicar que en gran  
medida estas tecnologías han facilitado el fortalecimiento de los procesos de diagnóstico a través  
de la automatización de mecanismos, el análisis de grandes volúmenes de datos biomédicos y el  
apoyo a la toma de decisiones clínicas (13,14).  
61  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
Los resultados evidencian que las principales aplicaciones de la inteligencia artificial se  
encuentran principalmente en el ámbito de la hematología, microbiología, bioquímica clínica,  
anatomía patológica y control de calidad. En estos ámbitos, los algoritmos de "Machine Learning"  
y "Deep Learning" han comprobado una elevada capacidad de identificar patrones complejos y  
optimizar la precisión de los diagnósticos clínicos (15,16) como se muestra en la Tabla 1.  
Tabla 1. Principales aplicaciones de la inteligencia artificial en el laboratorio clínico.  
Área de aplicación  
Hematología  
Tecnología utilizada  
Machine Learning  
Beneficio principal  
Clasificación automatizada de  
células sanguíneas  
Referencias  
(17)  
Microbiología  
Deep Learning  
Identificación rápida de  
microorganismos  
Interpretación de  
biomarcadores  
(18,19)  
(20)  
Bioquímica clínica  
Redes neuronales  
artificiales  
Anatomía patológica  
digital  
Control de calidad  
Redes neuronales  
convolucionales  
Algoritmos predictivos  
Detección temprana de  
lesiones tumorales  
Reducción de errores analíticos  
(21,22)  
(23)  
Fuente: Elaboración propia con base en la literatura científica revisada.  
Los estudios asociados a la hematología indicaron que los sistemas de aprendizaje automático  
son capaces de clasificar tipos de células sanguíneas con niveles de precisión comparables a los  
logros obtenidos por expertos humanos. De igual forma, en la microbiología clínica se constató  
que la inteligencia artificial juega un papel relevante en la mejora de la identificación de  
microorganismos mediante el análisis de imágenes digitales de manera automatizada y técnicas  
altamente evolucionadas de detección de patrones (17-19). En relación a la bioquímica clínica,  
los algoritmos predictivos mostraron su utilidad para el análisis de información masiva  
proveniente de biomarcadores y facilitar el diagnóstico (detección de alteraciones) de  
enfermedades metabólicas y crónicas. En el ámbito de la anatomía patológica digital es también  
una de las áreas con un desarrollo más evolucionado debido a que las capacidades de los sistemas  
inteligentes para detectar alteraciones histológicas y/o neoplásicas disponen de altos grados de  
exactitud diagnóstica (20-22).  
La evidencia científica identificó también diferentes ventajas que se producen a través de la  
integración de la inteligencia artificial en los laboratorios clínicos tales como los de la Tabla 2,  
siendo las más relevantes el aumento de la precisión diagnóstica, la disminución en el error  
humano, la automatización de procesos y la optimización de recursos institucionales.  
Tabla 2. Beneficios reportados de la inteligencia artificial en el diagnóstico de laboratorio clínico.  
Beneficio identificado  
Mayor precisión diagnóstica  
Automatización de procesos  
Impacto observado  
Disminución de errores diagnósticos  
Reducción del tiempo de análisis  
62  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
Optimización de recursos  
Incremento de productividad  
Mejora del pronóstico clínico  
Mayor eficiencia clínica  
Tratamientos más específicos  
Detección temprana de enfermedades  
Apoyo a la toma de decisiones  
Medicina personalizada  
Fuente: Elaboración propia basada en los estudios analizados (13-25).  
Los resultados reflejan que la capacidad de la inteligencia artificial para el tratamiento de grandes  
volúmenes de información clínica proporciona una respuesta diagnóstica más ágil y exacta. Esta  
particularidad es especialmente significativa en los contextos donde la demanda de pruebas de  
laboratorio crece y donde la rapidez diagnóstica influye en la toma de decisiones médicas y  
pronóstico de los pacientes (24,25).  
De igual manera, la literatura científica revisada encontró la potencialidad de la inteligencia  
artificial para potenciar la medicina predictiva y personalizada. Los modelos computacionales  
desarrollados permiten evidenciar de forma efectiva los factores de riesgo y predecir la evolución  
de determinadas patologías, y facilitar la ejecución de medidas preventivas o terapéuticas más  
eficaces (25).  
No obstante, a pesar de los avanzados resultados, los estudios analizados también identifican  
desafíos en relación a la implementación de estas tecnologías entre los sistemas de salud. Las  
limitaciones encontradas se centran en la calidad de los datos para entrenar los algoritmos, la  
interoperabilidad de los sistemas por la computacional, los costes de implementación y la  
necesidad de formación específica del personal sanitario como se evidencia en la Tabla 3 y Figura  
1.  
Tabla 3. Principales desafíos para la implementación de inteligencia artificial en laboratorios clínicos.  
Desafío  
Calidad de datos  
Interoperabilidad tecnológica  
Costos de implementación  
Capacitación profesional  
Aspectos éticos y legales  
Sesgos algorítmicos  
Implicación  
Posibles errores en el entrenamiento de algoritmos  
Dificultades de integración entre sistemas  
Limitaciones presupuestarias  
Necesidad de formación especializada  
Protección de datos clínicos  
Riesgo de decisiones inexactas  
Fuente: Elaboración propia con base en la literatura científica revisada (26-29).  
63  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
Figura 1. Beneficios de la IA reportados en la literatura científica.  
Fuente: Elaboración propia a partir de los estudios analizados (13–25).  
Por otra parte, diversos autores comentan que la aplicación de inteligencia artificial en el sector  
de la salud tiene que hacerse bajo principios de ética y regulatorios que garanticen la seguridad,  
la transparencia y la protección de la información de los pacientes. La validación clínica de los  
algoritmos sigue siendo una exigencia básica para la validación de los resultados realizados  
mediante estas nuevas tecnologías (26-29) como se muestra en la Figura 2.  
Figura 2. Principales desafíos para la implementación de inteligencia artificial en laboratorios clínicos.  
Fuente: Elaboración propia a partir de los estudios analizados (26–29).  
64  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
De manera conjunta, los resultados observados ponen de manifiesto que la inteligencia artificial  
supone una herramienta de innovación con capacidad para llevar a cabo cambios en los procesos  
diagnósticos del laboratorio clínico, favoreciendo el incremento de la precisión de los diagnósticos  
clínicos en este entorno, la automatización de los procedimientos y la mejora de la gestión de la  
información biomédica, convirtiéndose en un elemento clave para las potencialidades de los  
sistemas sanitarios actuales (30).  
DISCUSIÓN  
Los resultados de la revisión bibliográfica realizada sugieren que la IA se ha convertido en un  
recurso estratégico en la mejora de los procesos de diagnóstico clínico en el laboratorio clínico.  
Los resultados nos indican que las aplicaciones de IA están presentes en el área de Hematología,  
Microbiología, Bioquímica Clínica, Anatomía Patológica Digital y Control de Calidad. Con respecto  
a los algoritmos de Machine Learning y de Deep Learning, se considera que pueden ser  
herramientas válidas para detectar patrones complejos y para la mejora del diagnóstico en estas  
áreas. Estos resultados parecen coincidir con lo que informan (31), quienes indican que la IA ha  
cambiado y está cambiando la práctica de la medicina de laboratorio con la automatización de  
procesos analíticos, mediante la interpretación de imágenes médicas o el análisis predictivo de  
datos clínicos.Los autores afirman que los sistemas inteligentes mejoran la detección temprana  
de enfermedades, aumentan la utilización de recursos y disminuyen los errores de diagnóstico,  
resultados que son igualmente propios de los estudios revisados en la presente investigación.  
Además, los autores también indican que alrededor de un 70 % de las decisiones clínicas  
dependen de los resultados de laboratorio, aspecto que da aún más importancia a la introducción  
de nuevas tecnologías que mejoren la precisión y la fiabilidad de estos procesos.  
Los resultados encontrados también son congruentes con los reportados por (32), quienes  
muestran que las nuevas tecnologías ofrecen un incremento de la precisión diagnóstica del 23 %,  
una reducción de los tiempos del diagnóstico de aproximadamente un 25 % y un aumento de la  
eficacia de la toma de decisiones clínicas del 27 %.A pesar de que dicho estudio se llevó a cabo en  
el campo de la medicina interna, los resultados de dicho estudio son compatibles con la  
consideración de la IA como soporte diagnóstico en los procesos médicos, principalmente cuando  
se realiza una combinación entre ella y los sistemas de información clínica concomitante con el  
análisis de datos biomédicos complejos.  
Un aspecto relacionado con las tecnologías que, en el contexto de la revisión presente, se resalta  
son el uso de tecnologías como el machine learning, las redes neuronales artificiales y las redes  
neuronales profundas, que serían las tecnologías más empleadas en los laboratorios clínicos  
actuales, las cuales parecen hacer juego con datos dentro de la literatura internacional, la cual  
considera que estas tecnologías aplicadas a la patología digital son especialmente importantes  
para el reconocimiento automatizado de imágenes histopatológicas, la clasificación celular, la  
detección de biomarcadores o el análisis de large-scale clinical data. (33) indican que estos  
65  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
sistemas han permitido avanzar hacia modelos de diagnóstico más rápidos, más precisos y más  
personalizados y esto ha favorecido el desarrollo de la medicina de precisión. En el lado opuesto,  
los resultados también muestran que la adopción de inteligencia artificial está asociada a grandes  
retos relacionados con la infraestructura tecnológica, la interoperabilidad de los sistemas, la  
calidad de los datos que se utilizan para la formación de algoritmos y la formación del personal  
sanitario. Estos resultados son coherentes con los indicios de (34), quienes presentan barreras  
que son asociadas al financiamiento, a la fragmentación de datos clínicos y a la resistencia al  
cambio organizacional. Igualmente (35) indican que, en los países de bajos y medianos ingresos,  
existen problemáticas adicionales relacionadas con la accesibilidad a datos, la falta de  
conectividad digital y los marcos regulatorios poco desarrollados.  
Un aspecto importante que se destaca en esta investigación es las consideraciones éticas del uso  
de la inteligencia artificial en salud. La privacidad de los datos, la transparencia algorítmica, la  
explicabilidad de los modelos predictivos y la responsabilidad profesional siguen siendo asuntos  
prioritarios para permitir su uso seguro y responsable. En este mismo sentido, los hallazgos son  
coincidentes con las recomendaciones internacionales para dar lugar a una condición necesaria  
para el desarrollo de marcos regulatorios robustos que garanticen la protección del paciente y  
minimicen los riesgos producidos por el sesgo algorítmico.  
En conjunto, la evidencia científica revisada confirma que la inteligencia artificial en el laboratorio  
clínico es una innovación con potencial para transformar significativamente los procesos  
diagnósticos. Además, su aplicación mejora la precisión analítica, optimiza el tiempo de respuesta  
y ayuda a la toma de decisiones médicas basadas en la evidencia. Sin embargo, el uso pleno de  
tales tecnologías depende de la inversión en infraestructura digital, la formación continuada del  
talento humano, la validación científica de los algoritmos y la creación de marcos éticos y  
regulatorios que garanticen su uso responsable en los sistemas de salud.  
CONCLUSIONES  
Las sucesivas lecturas de artículos y publicaciones han permitido comprobar la importancia que  
ha adquirido la inteligencia artificial (IA) en el diagnóstico en el laboratorio clínico, considerándola  
como una técnica clave. Las principales aplicaciones se concentran en disciplinas como la  
hematología, la microbiología, la bioquímica clínica, la anatomía patológica digital y el control de  
calidad, donde técnicas como el aprendizaje automático (machine learning), el aprendizaje  
profundo (deep learning) y las redes neuronales artificiales capturan con una alta capacidad  
patrones difíciles de extraer, y automatizan procesos analíticos y diagnósticos. Por lo tanto, se ha  
cumplido el objetivo que recogía la identificación de aplicaciones y avances que han constituido  
un impacto en los procesos diagnósticos modernos.  
Los resultados identifican que la integración de la Inteligencia Artificial puede llegar a ofrecer  
ventajas importantes dentro de la práctica del laboratorio clínico, destacándose la mejora del  
66  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
diagnóstico, la disminución de los errores humanos, la optimización de los recursos disponibles  
por la institución hospitalaria, la reducción del tiempo de respuesta y facilitar la toma de  
decisiones clínicas en base a evidencias. La persona parece que también se beneficia de la  
capacidad de procesar grandes volúmenes de datos biomédicos y otras oportunidades como la  
detección precoz de enfermedades, el desarrollo de una medicina predictiva y personalizada, la  
mejora de la calidad de la atención a la salud y los resultados clínicos de los pacientes.  
En el contexto del área del laboratorio clínico, la implementación de estas tecnologías todavía  
presenta importantes barreras relacionadas con la calidad y representatividad de los datos para  
entrenar los algoritmos, la interoperabilidad de las plataformas tecnológicas, los costes que  
supone la adopción de las mismas, la capacitación del personal sanitario y la ética y regulación  
vinculadas a la privacidad y la integridad de la información clínica. De tal manera que, el máximo  
aprovechamiento del potencial de la inteligencia artificial para el laboratorio clínico requiere  
potenciar la infraestructura digital, establecer procesos de validación científica extremos y crear  
marcos legales que puedan garantizar su uso seguro, responsable y transparente en los sistemas  
sanitarios.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
Baron JM. Artificial Intelligence in the Clinical Laboratory: An Overview with Frequently  
Asked Questions. Clin Lab Med. 2023;43(1):1-16. Disponible en:  
https://pubmed.ncbi.nlm.nih.gov/36764803/  
2.  
3.  
Hou H, Zhang R, Li J. Artificial intelligence in the clinical laboratory. Clin Chim Acta.  
2024;559:119724. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38734225/  
Albahra S, Gorbett T, Robertson S, et al. Artificial intelligence and machine learning  
overview in pathology and laboratory medicine. Semin Diagn Pathol. 2023;40(2):71-87.  
Disponible en: https://pubmed.ncbi.nlm.nih.gov/36870825/  
4.  
5.  
6.  
7.  
Song AH, Jaume G, Williamson DFK, et al. Artificial Intelligence for Digital and Computational  
Pathology. Nat Rev Bioeng. 2024. Disponible en: https://arxiv.org/abs/2401.06148  
Mohsen F, Al-Absi HRH, Yousri N, et al. Artificial Intelligence-Based Methods for Precision  
Medicine: Diabetes Risk Prediction. 2023. Disponible en: https://arxiv.org/abs/2305.16346  
WHO. Artificial Intelligence for Health. Geneva: World Health Organization; 2024.  
Disponible en: WHO Artificial Intelligence for Health  
WHO. Ethics and Governance of Artificial Intelligence for Health: Large Multi-Modal Models.  
Geneva: World Health Organization; 2024. Disponible en: WHO Guidance on AI Governance  
for Health  
8.  
WHO. Artificial Intelligence for Health: Opportunities, Risks and Governance. Geneva:  
World Health Organization; 2024. Disponible en: WHO AI for Health Opportunities Risks and  
Governance  
67  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
9.  
CDC. About Electronic Test Orders and Results Initiative. Atlanta: Centers for Disease  
Control and Prevention; 2024. Disponible en: CDC Electronic Test Orders and Results  
Initiative  
10.  
11.  
Snyder H. Literature review as a research methodology: An overview and guidelines. J Bus  
Res. 2019;104:333-339. Disponible en: https://doi.org/10.1016/j.jbusres.2019.07.039  
Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA  
2020 statement: An updated guideline for reporting systematic reviews. BMJ.  
2021;372:n71. Disponible en: https://www.bmj.com/content/372/bmj.n71  
Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. How to conduct a bibliometric  
analysis: An overview and guidelines. J Bus Res. 2021;133:285-296. Disponible en:  
https://doi.org/10.1016/j.jbusres.2021.04.070  
12.  
13.  
14.  
Hou H, Zhang R, Li J. Artificial intelligence in the clinical laboratory. Clin Chim Acta.  
2024;559:119724. https://pubmed.ncbi.nlm.nih.gov/38734225/  
Baron JM. Artificial Intelligence in the Clinical Laboratory: An Overview with Frequently  
Asked  
Questions.  
Clin  
Lab  
Med.  
2023;43(1):1-16.  
https://pubmed.ncbi.nlm.nih.gov/36764803/  
15.  
16.  
17.  
18.  
19.  
20.  
21.  
22.  
23.  
24.  
Haug CJ, Drazen JM. Artificial Intelligence and Machine Learning in Clinical Medicine. N Engl  
J Med. 2023;388(13):1201-1208. https://www.nejm.org/doi/full/10.1056/NEJMp2301814  
Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng.  
2024;8(1):1-12. https://www.nature.com/articles/s41551-024-01101-9  
Briggs C. Artificial intelligence and automated blood cell morphology. Int J Lab Hematol.  
2023;45(S1):3-11. https://onlinelibrary.wiley.com/journal/1751553x  
Weis CV, Jutzeler CR, Borgwardt K. Machine learning for microbial identification. Clin  
Microbiol Infect. 2023;29(4):463-470. https://www.clinicalmicrobiologyandinfection.com  
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence.  
Nat Med. 2023;29(1):44-56. https://www.nature.com/articles/s41591-022-02173-8  
Kricka LJ, Park JY. Artificial intelligence in clinical chemistry. Clin Biochem. 2024;123:110756.  
https://pubmed.ncbi.nlm.nih.gov  
Song AH, Jaume G, Williamson DFK, et al. Artificial Intelligence for Digital and Computational  
Pathology. Nat Rev Bioeng. 2024. https://arxiv.org/abs/2401.06148  
Baxi V, Edwards R, Montalto M, Saha S. Digital pathology and artificial intelligence. J Pathol  
Inform. 2022;13:100138. https://pubmed.ncbi.nlm.nih.gov/35242548/  
Plebani M. Diagnostic errors and laboratory medicine. Clin Chim Acta. 2023;545:117392.  
https://pubmed.ncbi.nlm.nih.gov  
Vaid A, Somani S, Russak AJ, et al. Machine Learning to Improve Workflow Efficiency in  
Clinical  
Laboratories.  
Lancet  
Digit  
Health.  
2023;5(5):e289-e297.  
https://www.thelancet.com/journals/landig  
Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med.  
2023;380(14):1347-1358. https://www.nejm.org  
25.  
26.  
World Health Organization. Ethics and Governance of Artificial Intelligence for Health.  
Geneva: WHO; 2024. https://www.who.int/publications  
68  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/jc8r4k70  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.10 PP. 56-69  
27.  
28.  
29.  
30.  
31.  
European Commission. Artificial Intelligence in Healthcare Report. Brussels: European  
Commission; 2024. https://digital-strategy.ec.europa.eu  
Leslie D. Understanding bias in artificial intelligence for healthcare. Health Technol.  
2023;13(2):245-258. https://link.springer.com  
WHO. Regulatory considerations on artificial intelligence for health. Geneva: WHO; 2024.  
https://www.who.int  
Topol EJ. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again.  
Updated scientific edition. New York: Basic Books; 2023.  
Oduoye MO, Fatima E, Muzammil M, Dave T, Irfan H, Fariha F, et al. Impactos del avance de  
la inteligencia artificial en la medicina de laboratorio en países de ingresos bajos y medios:  
desafíos  
y
recomendaciones.  
Health  
Science  
Reports.  
2024;7:e1794.  
doi:10.1002/hsr2.1794.  
32.  
33.  
34.  
35.  
García Ballesteros EJ, Rosero RSG, Montiel HYM, Heredia PIV, Rojas AJS, Acero DAW, et al.  
Inteligencia artificial en medicina interna: transformando el diagnóstico y la toma de  
decisiones clínicas. International Science Journal. 2025. doi:10.64784/025.  
Chadaga K, Prabhu S, Bhat V, Sampathila N, Umakanth S, P SU. Diagnosing COVID-19 using  
clinical markers and multiple explainable artificial intelligence approaches: A case study  
from Ecuador. SLAS Technology. 2023;28(6):100091. doi:10.1016/j.slast.2023.09.001.  
Xie H, Jia Y, Liu S. Integration of artificial intelligence in clinical laboratory medicine:  
Advancements  
and  
challenges.  
Interdisciplinary  
Medicine.  
2024;2:e20230056.  
doi:10.1002/inmd.20230056.  
Ashraf A, Rai S, Alva S, Alva PD, Naresh S. Revolutionizing clinical laboratories: The impact  
of artificial intelligence in diagnostics and patient care. Diagn Microbiol Infect Dis.  
2025;111(4):116728. doi:10.1016/j.diagmicrobio.2025.116728.  
69  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620