Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
AUTOMATIZACIÓN INTELIGENTE Y TRANSFORMACIÓN DIGITAL  
DEL LABORATORIO CLÍNICO: IMPACTO EN LA CALIDAD,  
EFICIENCIA Y TOMA DE DECISIONES DIAGNÓSTICAS  
SMART AUTOMATION AND DIGITAL TRANSFORMATION OF  
THE CLINICAL LABORATORY: IMPACT ON QUALITY, EFFICIENCY,  
AND DIAGNOSTIC DECISION-MAKING  
Katty Mirella Verneuille Guevara1, Derly Cristina Silva Quiroz 2, Reina María Macero Méndez 3, Viridiana  
Lizette Romero Uriostegui4  
{damalikati@hotmail.com1, derly.silva@ueb.edu.ec2, rmacero@ups.edu.ec3, viridiana.romero@cusur.udg.mx4}  
Fecha de recepción: 01/08/02026 / Fecha de aceptación: 10/09/2026  
/ Fecha de publicación: 15/09/2026  
RESUMEN: La automatización inteligente y la transformación digital están modificando  
progresivamente la organización y el funcionamiento del laboratorio clínico, al incorporar  
sistemas automatizados, herramientas de inteligencia artificial, aprendizaje automático,  
interoperabilidad y gestión digital de datos. Estas tecnologías han permitido optimizar  
diferentes etapas del proceso de laboratorio y generar nuevas posibilidades para mejorar la  
calidad, la seguridad, la eficiencia operativa y el apoyo a la toma de decisiones diagnósticas. El  
objetivo de esta revisión fue analizar la evidencia científica reciente sobre el impacto de la  
automatización inteligente y la transformación digital del laboratorio clínico en la calidad de los  
procesos, la eficiencia operativa y la toma de decisiones diagnósticas. Se realizó una revisión  
bibliográfica cualitativa de carácter descriptivo-analítico, considerando publicaciones  
científicas entre 2021 y 2026 localizadas en PubMed/MEDLINE, Scopus, Web of Science,  
ScienceDirect y Google Scholar. Se emplearon términos relacionados con automatización de  
laboratorios, inteligencia artificial, aprendizaje automático, transformación digital, sistemas de  
información de laboratorio, calidad y apoyo a la decisión clínica. La evidencia seleccionada fue  
organizada mediante una matriz de análisis y sintetizada de manera narrativa y temática. Los  
resultados mostraron que la automatización permitió estandarizar procedimientos, mejorar la  
trazabilidad, reducir actividades manuales y optimizar los tiempos de procesamiento, mientras  
que la inteligencia artificial y el aprendizaje automático ampliaron las capacidades de análisis  
de datos, detección de patrones y apoyo a la interpretación de resultados. Sin embargo, su  
implementación estuvo condicionada por la infraestructura tecnológica, interoperabilidad,  
calidad de los datos, validación de algoritmos, capacitación profesional y seguridad de la  
1Fundación Damas del Honorable Cuerpo Consular, Ecuador, https://orcid.org/0009-0004-2186-6994  
2Universidad Estatal de Bolívar, Ecuador, https://orcid.org/0009-0006-8935-9993  
3Universidad Politécnica Salesiana, Cuenca, Ecuador, https://orcid.org/0000-0002-5245-6806  
4Universidad de Guadalajara, México, https://orcid.org/0009-0000-2204-4408  
235  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
información. Se concluyó que la transformación del laboratorio clínico hacia modelos  
inteligentes puede fortalecer la calidad y eficiencia de los procesos y complementar la toma de  
decisiones diagnósticas, siempre que su implementación se acompañe de validación científica,  
supervisión profesional y mecanismos adecuados de gobernanza.  
Palabras clave: automatización de laboratorios, inteligencia artificial, transformación digital,  
laboratorio clínico, aprendizaje automático, toma de decisiones diagnósticas  
ABSTRACT: Smart automation and digital transformation are progressively changing the  
organization and operation of clinical laboratories through the incorporation of automated  
systems, artificial intelligence, machine learning, interoperability, and digital data  
management. These technologies have enabled the optimization of different laboratory  
processes and created new opportunities to improve quality, safety, operational efficiency, and  
diagnostic decision support. The objective of this review was to analyze recent scientific  
evidence on the impact of smart automation and digital transformation in clinical laboratories  
on process quality, operational efficiency, and diagnostic decision-making. A qualitative,  
descriptive-analytical bibliographic review was conducted, considering scientific publications  
published between 2021 and 2026 and identified through PubMed/MEDLINE, Scopus, Web of  
Science, ScienceDirect, and Google Scholar. Search terms related to laboratory automation,  
artificial intelligence, machine learning, digital transformation, laboratory information systems,  
quality, and clinical decision support were used. The selected evidence was organized using an  
analytical matrix and synthesized through narrative and thematic analysis. The findings showed  
that automation contributed to process standardization, improved traceability, reduced  
manual activities, and optimized processing times, while artificial intelligence and machine  
learning expanded capabilities for data analysis, pattern recognition, and result interpretation  
support. However, implementation was conditioned by technological infrastructure,  
interoperability, data quality, algorithm validation, professional training, and information  
security. It was concluded that the transformation of clinical laboratories toward intelligent  
models can strengthen process quality and efficiency and complement diagnostic decision-  
making, provided that implementation is accompanied by scientific validation, professional  
oversight, and appropriate governance mechanisms.  
Keywords: laboratory automation, artificial intelligence, digital transformation, clinical  
laboratory,machine learning, diagnostic decision-making  
INTRODUCCIÓN  
La medicina de laboratorio es un componente clave del sistema de atención sanitaria actual, pues  
los resultados analizados de las muestras biológicas aportan información imprescindible para el  
diagnóstico de la enfermedad, previsión del curso clínico, seguimiento terapéutico y prevención  
236  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
de enfermedades. En este sentido, el laboratorio clínico ha sufrido un cambio gradual en la  
medida en que aumenta la demanda del diagnóstico, disminuye el tiempo de respuesta, se da  
paso a la mejora de la trazabilidad y la seguridad de los procesos y a la progresiva disponibilidad  
de grandes volúmenes de datos clínicos y analíticos, favoreciendo así el tránsito de los modelos  
que tradicionalmente eran fundamentalmente manuales hacia los entornos automatizados,  
conectados y basados en el procesamiento inteligente de la información (1).  
La automatización fue uno de los principales cambios tecnológicos que sufrió la medicina de  
laboratorio en el transcurso de las últimas décadas. La integración de escaladores automáticos,  
sistemas de transporte de las muestras, sistemas de gestión de muestras, así como soluciones de  
automatización total han permitido eliminar la práctica de actividades manuales repetitivas, así  
como mejorar la estandarización de diferentes fases del proceso diagnóstico. En microbiología,  
por ejemplo, la automatización total ha demostrado su potencial para lograr una mayor eficiencia  
en el procesamiento y acortar determinadas actividades que están asociadas a la identificación  
de microorganismos y a la evaluación de perfiles de susceptibilidad antimicrobiana. Sin embargo,  
la evolución que se produce en este momento es más que la automatización tradicional, dado  
que la implementación de inteligencia artificial (IA), machine learning, conectividad e  
infraestructura digital está conformando un nuevo modelo de laboratorio clínico.  
La transformación digital del laboratorio incorpora la interconexión de las tecnologías que son  
capaces de integrar los instrumentos, los sistemas de información, los datos clínicos, así como los  
procesos de trabajo dentro de un proceso continuo. En este contexto, el laboratorio del futuro  
exige no sólo tener equipos automatizados, sino también instaurar conectividad,  
interoperabilidad y procesos de fin a fin que permitan transformar los datos que se generan  
durante las diferentes etapas del proceso analítico en información explotable para la atención  
sanitaria (2). La digitalización, pues, va transformando progresivamente el rol del personal del  
laboratorio, haciendo que parte de las actividades rutinarias sean desplazadas a los sistemas  
automatizados y favoreciendo una mayor participación profesional en actividades de  
interpretación, de gestión de la calidad, validación de la información y resolución de problemas  
complejos.  
La inteligencia artificial es uno de los elementos clave de esta transformación. Los modelos de  
machine learning y deep learning permiten el análisis de información masiva, la identificación de  
patrones y el apoyo a determinadas actividades con respecto a la gestión y el procesado de los  
resultados. La medicina de laboratorio ha descrito aplicaciones en relación con automatización  
de flujos de trabajo, detección de errores, interpretación de resultados, predicción, control de  
calidad, utilización adecuada de pruebas e interpretación de imágenes y datos complejos (3,4).  
La evidencia emergente indica que estas aplicaciones pueden extenderse, en este sentido, a las  
fases preanalítica, analítica y postanalítica, en donde surgen posibilidades para contribuir a una  
revista de trabajo del laboratorio analítico (5).  
237  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
En la fase preanalítica, la IA puede ayudar a reconocer patrones relacionados con errores de  
identificación, calidad de las muestras y otras variables que pueden inducir a una alteración del  
resultado antes del análisis. Esta fase es especialmente relevante dado que los errores  
preanalíticos siguen siendo una marcada fuente de problemas del ciclo total de pruebas de  
laboratorio. La utilización de herramientas inteligentes puede ayudar a la detección de  
situaciones problemáticas y contribuir a dar prioridad de intervención profesional a las muestras  
que lo requieran (6). De esta manera, la automatización inteligente no sólo puede contribuir a  
incrementar la velocidad del procesamiento, sino también a incrementar la seguridad y la  
trazabilidad del procedimiento diagnóstico. En la fase analítica, los analizadores automatizados  
junto con los sistemas informáticos permiten procesar grandes números de muestras con un  
menor grado de intervención manual. La inclusión de algoritmos de aprendizaje automático  
otorga una capacidad extra para detectar patrones, hacer predicciones y ayudar a procesos de  
control y validación. Una revisión reciente de aplicaciones del aprendizaje automático en  
medicina de laboratorio ha evidenciado un aumento muy relevante de experimentos dirigidos a  
incrementar la eficiencia mediante automatización y ampliar las tareas que asumen los  
laboratorios clínicos (7).  
Esta información hace suponer que el valor de la automatización ya no residiría exclusivamente  
en la rapidez del procesamiento, sino en la capacidad de los sistemas de producir información  
contextualizada y de ayudar a la toma de decisiones funcionales y clínicas. En el proceso  
postanalítico la digitalización cobra aún mayor protagonismo, ya que la información generada por  
los resultados debe articularse con el resto de datos clínicos que adoptan sentido en el contexto  
del proceso asistencial, ayudando, por ejemplo, a que los sistemas de información, herramientas  
de IA, etc., ayuden a la gestión, validación e interpretación del resultado o a la facilitar la  
comunicación relevante entre el equipo de profesionales sanitarios. Por tanto, el laboratorio  
puede pasar de ser solo productor de resultados a ser generador de información diagnóstica de  
mayor utilidad clínica (8).  
Buena parte de las oportunidades que ofrecen las tecnologías inteligentes puede encontrarse  
repleta de grandes retos. La evidencia existente indica un umbral de insuficiencia relacionada  
tanto con el coste de implementación y de infraestructura disponible como con la necesidad de  
validación, precisión de los modelos, supervisión humana, interoperabilidad y formación del  
personal disponible (9). Además, la implementación de IA en laboratorios clínicos todavía  
presenta disparidad entre instituciones y sistemas sanitarios. Una reciente encuesta europea ha  
puesto de manifiesto que la implementación de la inteligencia artificial en medicina de  
laboratorio está en desarrollo y su implementación depende, entre otras cosas, de la  
infraestructura digital y de la preparación de los profesionales (10).  
Por consiguiente, la transformación digital no debe ser entendida meramente como la  
implementación de nuevas tecnologías, sino como un proceso organizativo que requiere de su  
correspondiente planificación, educación, evaluación y gobernanza de procesos. Con esta  
finalidad hay que cesar en nuestros esfuerzos para de modo conjunto observar las tres  
238  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
dimensiones del laboratorio clínico, controles de calidad, operación y toma de decisiones  
diagnósticas, de los efectos que sobre ellas genera la automatización inteligente y la  
transformación digital. Las dos primeras dimensiones hacen referencia a los controles de calidad,  
estandarización, trazabilidad, simplemente reducir el riesgo de errores y seguridad, la eficiencia  
a tiempos de respuesta, productividad, optimización de recursos y reducción de tareas  
repetitivas, y la tercera a la capacidad que tiene la información del laboratorio para transformar  
los datos en información útil para dirigir la atención del paciente. La revisión de la literatura  
especializada más actualizada pone el foco sobre la posibilidad de introducir la AI y las tecnologías  
digitales en distintos estadíos del proceso del laboratorio, aunque su efectiva implementación  
aún requiere evaluación crítica y supervisión profesional (11,12).  
En virtud de lo anterior el presente artículo pone como meta analizar la evidencia científica más  
reciente acerca del impacto que tiene la automatización inteligente y la transformación digital del  
laboratorio clínico en la calidad de los procesos, la eficiencia operativa y la toma de decisiones  
diagnósticas, haciendo distinción de los avances más significativos relacionados con  
automatización, inteligencia artificial, aprendizaje automático, digitalización e integración de  
sistemas y sus perspectivas de aplicación en medicina de laboratorio.  
MATERIALES Y MÉTODOS  
Tipo de método de investigación  
El presente estudio se llevó a cabo mediante una revisión bibliográfica de tipo cualitativo, de  
carácter descriptivo-analítico y orientada a examinar la evidencia científica existente sobre la  
automatización inteligente y la digitalización del laboratorio clínico, poniendo el énfasis en sus  
efectos sobre la calidad, la efectividad operativa y la toma de decisiones diagnósticas. La revisión  
incluyó publicaciones científicas relacionadas con la automatización de procesos, la inteligencia  
artificial (IA), el aprendizaje automático (machine learning), los sistemas de información de  
laboratorio, la interoperabilidad, los sistemas de control de la calidad, la gestión de datos y las  
herramientas de apoyo a la decisión clínica. La selección metodológica se debió a que se precisaba  
integrar evidencia de diferentes ámbitos de la medicina de laboratorio, puesto que la  
incorporación de tecnologías digitales no es exclusiva de una parte del proceso diagnóstico.  
Población o muestra  
La búsqueda bibliográfica se realizó en las bases de datos PubMed/MEDLINE, Scopus, Web of  
Science, ScienceDirect, y Google Scholar, tomando especialmente publicaciones de los años que  
se sitúan entre el año 2021 y el año 2026. Se seleccionaron los artículos científicos publicados en  
las revistas de laboratorio clínico, medicina de laboratorio, química clínica, diagnóstico, patología,  
informática biomédica y transformación digital sanitaria. También se incorporaron documentos  
científicos de organismos y sociedades profesionales cuando se consideraron criterios relevantes  
239  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
para poder dar cabida a la evaluación de los criterios de automatización y de las tecnologías de  
IA. La selección temporal permitió concentrar el análisis en la evidencia actual, dado la rápida  
evolución continua de los sistemas de machine learning y de las aplicaciones digitales en el  
laboratorio clínico.  
Entorno  
La estrategia de búsqueda se estructuró a través de la combinación de descriptores y palabras  
clave en español e inglés relacionadas con las variables más importantes del estudio.Dentro los  
términos utilizados, se optó por incluir: “clinical laboratory”, “laboratory medicine”, “clinical  
laboratory automation”, “laboratory automation”, “artificial intelligence”, “machine learning”,  
“deep learning”, “digital transformation”, “laboratory information system”, “laboratory quality”,  
“diagnostic decision-making”, “clinical decision support”, “workflow automation” y “laboratory  
efficiency”. Se combinaron los términos utilizando operadores booleanos AND y OR para extender  
o reducir los resultados en función de la pertinencia del tema.  
Como estrategia alternativa se revisaron las listas de referencias de artículos de revisión  
encontrados a lo largo de la búsqueda, con el fin de identificar estudios relevantes que no  
hubieran sido obtenidos a través de la estrategia de búsqueda electrónica inicial. Este  
procedimiento permitió la ampliación de la identificación de estudios relevantes relacionados con  
las aplicaciones específicas de inteligencia artificial y machine learning.Una revisión publicada en  
2024, por ejemplo, llevó a cabo una búsqueda en PubMed sobre la integración de IA con pruebas  
de laboratorio y obtuvo 193 artículos, de los que 27 se seleccionaron por su relevancia, lo que  
refleja la amplitud y variedad de la literatura existente en este campo [1]. Asimismo, otra revisión  
sobre el aprendizaje automático en la medicina de laboratorio identificó 779 publicaciones y  
seleccionó 144 artículos para analizar sus aplicaciones, modelos utilizados, tipos de muestras,  
datos y propósitos de investigación [2].  
Los criterios de inclusión fueron: artículos originales, revisiones sistemáticas, revisiones  
narrativas y estudios metodológicos publicados entre 2021 y 2026; trabajos en español o inglés;  
publicaciones que se relacionan de manera directa con la automatización, digitalización,  
inteligencia artificial o aprendizaje automático en medicina de laboratorio; y estudios que  
describen resultados en relación con calidad, eficiencia, seguridad, flujo de trabajo, interpretación  
de resultados o apoyo a la toma de decisiones diagnósticas.Se consideraron las publicaciones con  
suficiente información metodológica y con resultados claramente descritos.  
Los criterios de exclusión incluyeron documentos duplicados, documentos que no tenían relación  
directa con el laboratorio clínico, cuyos estudios se centraban solamente en Inteligencia Artificial  
y que no contemplaban ninguna aplicación o implicación en medicina de laboratorio, artículos de  
opinión que no tenían una fundamentación científica suficiente, publicaciones con poca  
información metodológica y documentos cuyo contenido no permitía establecer relación con las  
240  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
variables analizadas. Los registros duplicados se eliminaron antes de la revisión del criterio de  
selección y después de la búsqueda de literatura en diferentes bases de datos.  
El proceso de selección se realizó en cuatro etapas: Identificación, cribado, evaluación de  
elegibilidad e inclusión. Primero se identificaron los registros mediante las diferentes estrategias  
de búsqueda (búsqueda combinada). Posteriormente, se eliminaron los duplicados y se llevó a  
cabo la revisión de títulos y de resúmenes.Los artículos que podían ser potencialmente relevantes  
se leyeron en su texto completo para comprobar que era posible relacionarlos con los criterios.  
Finalmente, se añadieron a la síntesis cualitativa aquellos estudios que cumplían los criterios de  
inclusión. La disposición de este proceso se planteó de acuerdo con los principios de  
transparencia de PRISMA 2020, cuyo gráfico se mostrará posteriormente con un diagrama de  
flujo.  
Mediciones  
Para la extracción de información se utilizó una matriz de análisis documental para registrar autor  
y año de publicación, país, modalidad de estudio, tecnología evaluada, área o fase del laboratorio  
involucrada, aplicación tecnológica, principales resultados, beneficios identificados, limitaciones  
y contribución a la toma de decisiones diagnósticas. Posteriormente, la información se agrupó en  
categorías temáticas correspondientes a automatización y flujo de trabajo, calidad y seguridad,  
eficiencia operativa, inteligencia artificial y machine learning, gestión digital de la información y  
apoyo a la decisión diagnóstica.  
El análisis de la evidencia fue de tipo descriptivo-analíticos, no se realizó un metaanálisis por la  
heterogeneidad que existe entre tecnologías, diseños de investigación, variables de resultado y  
aplicaciones estudiadas y, por eso, los hallazgos se integraron a través de una síntesis narrativa,  
temática, en la que se llegaba a agrupar patrones comunes, beneficios, limitaciones y tendencias  
emergentes. Este proceso fue pertinente, ya que la literatura actual abarca desde situaciones de  
automatización robótica y sistemas de información como modelos avanzados de machine  
learning, con aplicaciones y métricas de evaluación diferentes [1,2].  
La metodología permitió organizar, al final, la evidencia en función de la relación entre la  
tecnología implementada, la transformación del proceso de laboratorio y el resultado que se  
espera alcanzar, definiendo como dimensiones principales la calidad, la eficiencia y la toma de  
decisiones diagnósticas. Esta organización sirvió para realizar posteriormente una comparación  
crítica de los hallazgos y para identificar oportunidades y retos asociados a la transición hacia un  
modelo de laboratorio clínico inteligente.  
241  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
RESULTADOS  
Descripción general de la evidencia científica  
La revisión bibliográfica llevó a identificar evidencia reciente vinculada a la incorporación de  
automatización, inteligencia artificial y herramientas digitales en medicina de laboratorio. Los  
estudios recuperados permitan atisbar un cambio de tendencia que va de sistemas de orientados  
a la automatización de actividades repetitivas, a modelos de aún más integración y en los que los  
analizadores, los sistemas de información, las plataformas digitales y los algoritmos  
computacionales son parte de un proceso de comunicación y procesamiento, ordenado y  
comunicado, de los datos diagnósticos.  
La literatura revisada reflejaba una marcada heterogeneidad en términos de los diseños  
metodológicos, tecnologías exploradas y variables analizadas. Con este respecto se pudieron  
identificar revisiones narrativas y sistemáticas, estudios observacionales, exploraciones de  
validación de modelos de aprendizaje automático, investigaciones de la implementación de  
tecnologías y trabajos evaluando aplicaciones concretas de automatización. Tal heterogeneidad  
frustró la consolidación de un único indicador cuantitativo de efecto para todas las tecnologías  
por lo que optamos por sintetizar los resultados siguiendo una línea temática.  
Una revisión acerca del aprendizaje automático aplicado a medicina de laboratorio dejó claro el  
impresionante desarrollo de este campo. Los autores identificaron 779 publicaciones  
potencialmente relevantes que, tras el proceso de selección, quedó reducido a 144 estudios  
analizados. La evidencia abarcaría diferentes tipos de modelos, datos y objetivos de análisis,  
mostrando que el aprendizaje automático se está utilizando para resolver problemas de trato  
operativo pero también para apoyar actividades médicas como las vinculadas a la interpretación  
y predicción de resultados (13).  
De forma complementaria, la literatura reciente indica que la integración de IA en el laboratorio  
clínico se encuentra todavía en un momento de expansión. La evidencia europea reciente parece  
mostrar que la utilización de estas tecnologías es muy variable por instituciones y aplicaciones,  
siendo factores determinantes la infraestructura, la calidad de los datos, la capacitación  
profesional y la integración de los sistemas digitales (14).  
En todo caso, los estudios revisados permitieron clasificar las principales aplicaciones de la  
transformación digital en cinco conjuntos: automatización del flujo de trabajo, gestión y  
trazabilidad de las muestras, control de calidad, análisis inteligentes de datos y apoyo a la toma  
de decisiones diagnósticas.  
242  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
Tabla 1. Aplicaciones de las tecnologías digitales en las diferentes etapas del proceso de laboratorio clínico.  
Área de aplicación  
Preanalítica  
Tecnología predominante  
Finalidad principal  
Impacto esperado  
Automatización, visión  
artificial, identificación digital  
Identificación y gestión  
de muestras  
Reducción de errores y  
mayor trazabilidad  
Transporte y  
procesamiento  
Robots y sistemas  
automatizados  
Movimiento y  
preparación de muestras  
Mayor productividad  
Analítica  
Analizadores automatizados e  
integración informática  
Procesamiento de  
pruebas  
Estandarización y  
reproducibilidad  
Control de calidad  
Postanalítica  
Interpretación  
Gestión  
Algoritmos y análisis  
automatizado  
Detección de  
desviaciones  
Identificación temprana  
de problemas  
LIS, IA y reglas de validación  
Validación y gestión de  
resultados  
Disminución de tareas  
manuales  
Machine learning y modelos  
predictivos  
Reconocimiento de  
patrones  
Apoyo a la decisión  
diagnóstica  
Analítica de datos y sistemas  
digitales  
Optimización de recursos  
Mayor eficiencia operativa  
Automatización del flujo de trabajo  
Uno de los hallazgos más reveladores de la literatura fue el papel destacado que la automatización  
puede tener para transformar el tradicional flujo de trabajo del laboratorio. Los sistemas de  
automatización permiten interrelacionar las diferentes etapas del procesamiento de muestras y  
limitar el número de intervenciones manuales requeridas para la realización de una prueba.  
La automatización global puede integrar la recepción, identificación, clasificación, transporte,  
centrifugación, distribución, análisis, almacenamiento y recuperación de muestras, de manera  
que la automatización puede favorecer un flujo continuo y reducir los tiempos derivados de  
actividades manuales. En el área de la microbiología, por ejemplo, se ha constatado que la  
automatización puede favorecer la detección e identificación de microorganismos y acelerar así,  
algunos de los procesos relacionados con la caracterización de resistencia antimicrobiana (15).  
La principal transformación observada no sólo se limitó al aumento de la velocidad. La  
automatización también ha permitido establecer procesos más estandarizados, más  
reproducibles, más trazables. En un modelo convencional, diferentes trabajos pueden depender  
de la intervención de varios operadores, en cambio, la automatización permite definir secuencias  
previas y condiciones más estandarizadas de funcionamiento.  
243  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
Esta característica, de manera muy particular en laboratorios con alta carga asistencial, es muy  
relevante. Cuando el de muestras se va elevando, la dependencia de los procedimientos  
manuales puede hacer que se acumulen trabajos y que aumente la variabilidad de los tiempos de  
procesamiento. En cambio, la automatización permite incorporar las muestras en un flujo  
continuo, dando prioridad a ciertas muestras siguiendo unos criterios establecidos.  
La transformación modifica también la función del personal profesional. En lugar de ocupar una  
proporción importante de la jornada a actividades repetitivas, los profesionales pueden dedicarse  
más a la supervisión de procesos, evaluación de resultados, control de calidad y resolución de  
situaciones extraordinarias. De este modo, la automatización no elimina la intervención  
profesional, sino que transforma los tipos de actividades que requieren participación profesional.  
Efectos sobre la calidad y sobre la seguridad del proceso analítico  
La calidad fue considerada una de las dimensiones más importantes que surgen de la literatura  
analizada. La automatización puede ayudar a minimizar ciertas fuentes de variabilidad  
relacionadas con la manipulación manual y contribuir a una mejor estandarización de las prácticas  
establecidas.  
La trazabilidad es una de las principales ventajas. La inclusión de identificadores, sistemas  
informáticos y registros documentales facilita incrementar el conocimiento de diferentes eventos  
relacionados con una muestra obtenida mediante la recepción de una muestra y la generación y  
validación de un resultado. Esta característica ayuda a identificar puntos críticos y permite  
documentar y/o investigar las desviaciones.  
En este sentido se encuentra la transformación digital de la calidad ya que la información  
generada por los sistemas puede ayudar a la evaluación de los indicadores, la tendencia o  
detectar desviaciones antes de que tenga efectos importantes. La inteligencia artificial añade una  
nueva lección a la historia del control de calidad, ya que los algoritmos pueden analizar grandes  
cantidades de datos históricos detectando patrones asociativos a los resultados no conformes  
(16). La literatura también advierte que los sistemas de inteligencia artificial deben cumplir  
obligatoriamente con procesos formales de validación y monitorización, pues un modelo puede  
funcionar durante su fase de desarrollo y perder el rendimiento cuando se aplica a poblaciones,  
instrumentos y/o condiciones diferentes.  
La inteligencia artificial no se debe entender como una sustitución del control de calidad  
profesional, sino como un sistema de soporte, como las herramientas inteligentes (los sistemas  
de inteligencia artificial no son herramientas que sustituya dicha labor, quienes supervisan,  
validan y realizan auditorías continúas de los resultados). La calidad del resultado final depende  
tanto del rendimiento del algoritmo como de la calidad de los datos con los que se ha realizado  
el entrenamiento y de las condiciones en las que se aplica posteriormente.  
244  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
Automatización e inteligencia artificial en la fase preanalítica  
La fase preanalítica puede considerarse un punto crítico del proceso de laboratorio, debido, por  
un lado, al gran número de actividades que se desarrollan antes de que la muestra alcance la fase  
del análisis, y, por otro lado, a que estas actividades pueden ser objeto de errores del operador o  
problemas relacionados con las condiciones de la muestra. La identificación del paciente, la  
preparación de la muestra, la extracción, el etiquetado, el transporte, la recepción, la  
centrifugación y la distribución pueden verse afectadas por errores humanos u otros problemas  
asociados a la aparición de condiciones no deseables de la muestra.  
La incorporación de sistemas digitales permite la automatización de parte de estas actividades.  
Ya sean identificadores electrónicos, códigos de barras, sistemas automatizados de transporte y  
plataformas de seguimiento ya posibilidades para mejorar la trazabilidad o disminuir  
intervenciones manuales.  
La inteligencia artificial puede ampliar estas posibilidades, utilizando herramientas capaces de  
reconocer patrones. En la literatura más actual se describen aplicaciones de IA orientadas  
específicamente a la fase preanalítica y se citas aplicaciones que intentan verificar la posible  
existencia de problemas o clasifican las diferentes informaciones asociadas a las muestras (16).  
Este punto es clave porque un resultado analítico técnicamente correcto puede carecer de  
implicaciones prácticas cuando aparece una muestra con problemas preanalíticos. Por tanto, la  
inteligencia artificial puede aportar valor y utilidad antes de proceder a realizar el análisis, dado  
que permiten reconocer de forma precoz condiciones que pueden comprometer la interpretación  
posterior.  
Inteligencia artificial y Machine Learning en la fase analítica  
La fase analítica ha conseguido altas cotas de estandarización en el laboratorio gracias a la  
automatización clásica. La introducción de algoritmos de aprendizaje automático permite aportar  
una nueva capacidad: la utilización sistemática de los datos producidos por el laboratorio para  
construir modelos clasificatorios o predictivos.  
Los algoritmos pueden utilizar variables procedentes tanto de resultados del rendimiento del  
laboratorio, como de la información demográfica, antecedentes clínicos y otras características  
procedentes de los sistemas digitales. De estas variables pueden salir a la luz patrones que ayuden  
a clasificar o predecir ciertas condiciones. La literatura revisada pone de manifiesto que el  
aprendizaje automático ha demostrado su eficacia en una multitud de problemas de la medicina  
de laboratorio. Sin embargo, el estado de madurez de dichas aplicaciones es variable: unas se  
encuentran en fase experimental o de validación, y otras están más próximas a los escenarios de  
implementación clínica.  
245  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
Un aspecto recurrente fue la defensa de la necesidad de diferenciar entre el rendimiento técnico  
de un algoritmo y su utilidad clínica, puesto que un modelo puede tener alta exactitud estadística  
en condiciones determinadas, y también puede no traducirse necesariamente en una mejora  
significativa en la atención al paciente. Por esta razón, la evaluación de las herramientas  
inteligentes debe abarcar no solo sensibilidad, especificidad o exactitud, sino que también debe  
incluir el impacto en el proceso de trabajo, tiempos de respuesta, seguridad, interpretabilidad y  
resultados clínicos (17).  
Sistemas de información e interoperabilidad  
La transformación digital identificada en los estudios no es sólo función del analizador o de los  
algoritmos. La infraestructura IT tiene un carácter básico en la conexión entre los distintos  
elementos del laboratorio.  
Los sistemas de información del laboratorio hacen posible la recogida, la organización y el traslado  
de la información relacionada con las pruebas de diagnóstico. Y cuando estos sistemas se  
encuentran integrados con analizadores y sistemas clínicos, se obtienen flujos de información  
más continuos para su manejo e incluso la menor necesidad de transcribir manualmente estos  
datos.  
La interoperabilidad adquiere especial relevancia cuando se producen intercambios de  
información entre diferentes plataformas; la falta de ella origina redundancia de datos, errores  
en la transcripción de los datos y una pérdida de eficiencia. Por el contrario, una arquitectura  
digital interoperable permite que los resultados generados por el laboratorio se puedan  
incorporar de forma más eficiente a la historia clínica electrónica y a los sistemas asistenciales.  
La transformación digital, pues, ha de ser considerada como un proceso sistémico. La mera  
adquisición de un equipo automatizado no es garantía de que se produzca una transformación  
completa, si los instrumentos no son capaces de comunicarse con el resto de los elementos que  
conforman un ecosistema sanitario.  
Eficiencia y tiempos de respuesta  
La eficiencia fue otra de las dimensiones que se repitió en la evidencia analizada. La  
automatización permite disminuir el tiempo que se invierte en los trabajos repetitivos, mejorar  
el flujo de muestras y ayudar a aumentar el uso eficiente de los recursos humanos.  
El beneficio potencial es muy relevante en los laboratorios que tienen mucha demanda. En estos  
casos, el aumento de muestras que hay que procesar puede dar lugar a la presión del personal y,  
la consiguiente, posibilidad de los retrasos. Los sistemas automatizados permiten procesar mayor  
número de muestras siguiendo una secuencia operativa ordenada.  
246  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
El tiempo de respuesta se ha convertido en uno de los indicadores más usados para evaluar la  
eficiencia de la automatización; pero, el efecto que tiene está condicionado por variables como  
la tecnología utilizada, la organización que sigue el laboratorio, la conectividad de los equipos, la  
disponibilidad del personal o la complejidad de los ensayos.  
Los diferentes trabajos que serán revisados sugieren que la mayor eficiencia no debe entenderse  
únicamente como el procesamiento de un mayor número de muestras como consecuencia de la  
automatización; sino que también se corresponde con una disminución de actividades que no  
aportan valor directo, la reducción de movimientos innecesarios, la optimización de la utilización  
de recursos o la liberación del personal para actividades más complejas.  
Tabla 2. Relación entre transformación tecnológica y resultados esperados  
Transformación  
tecnológica  
Resultado operativo  
Resultado en calidad  
Resultado clínico  
potencial  
Automatización  
Flujo más rápido  
Mayor trazabilidad  
Menor riesgo de errores  
preanalítica  
Automatización analítica  
Automatización  
postanalítica  
Mayor productividad  
Validación más eficiente  
Mayor estandarización  
Menor intervención  
manual  
Resultados oportunos  
Comunicación más  
rápida  
Inteligencia artificial  
Análisis automatizado de  
patrones  
Detección de anomalías  
Apoyo diagnóstico  
Interoperabilidad  
Analítica de datos  
Integración de información  
Menor transcripción  
Mejor disponibilidad de  
datos  
Apoyo a decisiones  
clínicas  
Optimización de recursos  
Monitoreo de  
indicadores  
Automoción postanalítica y ayuda a la decisión diagnóstica  
La fase postanalítica constituye un espacio de especial intensidad con respecto a la integración  
del laboratorio y la inteligencia clínica. Al generar ya un resultado hace falta validarlo,  
contextualizarlo y comunicarlo.  
De modo que los sistemas digitales permiten implementar reglas de validación automática de  
resultados. Las reglas pueden suponer una disminución en la intervención manual de los  
resultados que cumplan criterios y derivar todos aquellos con características no habituales a la  
revisión profesional.  
La IA puede dotar de capacidades adicionales gracias al análisis de combinaciones de resultados  
que son difíciles de identificar mediante reglas sencillas. El aprendizaje de máquina sirve para  
explorar relaciones no lineales entre distintas variables y generar modelos que son capaces de  
identificar patrones complejos (18).  
La toma de decisiones diagnósticas continúa precisando la integración clínica. El resultado de  
laboratorio es un componente de la información existente sobre el paciente y no se le puede  
247  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
atribuir un significado en solitario. Por ello, la IA se debe encaminar a la ayuda y nunca a la  
sustitución del razonamiento clínico.  
Beneficios y limitaciones identificados  
La síntesis de la evidencia permitió identificar la relación existente entre los principales beneficios  
tecnológicos y las limitaciones a tener en cuenta durante la implementación.  
Tabla 3. Beneficios y principales desafíos de la automatización inteligente  
Beneficios identificados  
Reducción de tareas repetitivas  
Mayor estandarización  
Desafíos identificados  
Costos iniciales de implementación  
Necesidad de infraestructura digital  
Interoperabilidad entre sistemas  
Capacitación del personal  
Validación de algoritmos  
Dependencia de la calidad de los datos  
Riesgo de sesgos algorítmicos  
Mejor trazabilidad  
Optimización de tiempos  
Mayor capacidad de procesamiento  
Apoyo al control de calidad  
Identificación de patrones  
Apoyo a la interpretación  
Optimización de recursos  
Necesidad de supervisión profesional  
Ciberseguridad y protección de datos  
La literatura reciente coincide en que la implementación de IA requiere de una evaluación  
estructurada que contemple la metodología, clínica y operativa. Las recomendaciones específicas  
para medicina de laboratorio han hecho hincapié en la necesidad de unas mínimas condiciones  
de evaluación de la calidad de los datos, validación externa, reproducibilidad, desempeño del  
modelo y la aplicabilidad para la práctica clínica (19). Par ello, la adopción tecnológica requiere  
también modificar la organización. El personal debe adquirir competencias digitales que  
favorezcan la comprensión del funcionamiento, de las limitaciones de los sistemas automatizados  
y de sus os errores. La capacitación no debería limitarse a conocer cómo manejar los equipos,  
sino incluir la interpretación crítica de los resultados que generan las herramientas de IA.  
DISCUSIÓN  
La revisión de la evidencia permitió concluir que la automatización inteligente y la transformación  
digital permiten el cambio gradual del laboratorio clínico como parte del proceso asistencial, ya  
que el cambio no tan solo se limita a la sustitución de tareas de carácter manual por la  
robotización, sino a la creciente interdependencia entre la automatización, los sistemas de  
información, la interoperabilidad, la analítica avanzada de datos y la inteligencia artificial, lo cual  
coincide con la tendencia de cambio desde la automatización tradicional a los ambientes que  
pueden hacer uso de los datos que suministran los procesos de diagnóstico para optimizar las  
operaciones y soportar decisiones (20).  
248  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
Uno de los principales hallazgos fue el impacto de la automatización en la eficiencia operativa.  
Disminuir tareas repetitivas, integrar etapas del procesamiento y la capacidad de dar un flujo  
continuo de muestras puede incrementar la capacidad de respuesta de los laboratorios,  
especialmente en centros donde la demanda es elevada. Sin embargo, la eficiencia no depende  
únicamente de la incorporación de analizadores automáticos; la evidencia muestra que los  
beneficios son superiores cuando los equipos se encuentran interconexionados por medio de  
sistemas de información y de procesos organizacionales bien definidos (21). Por tanto, una  
institución podría disponer de tecnología avanzada y mantener, sin embargo, limitaciones severas  
si permanecen los procesos manuales, los sistemas no se encuentran interconectados, o existen  
problemas de interoperabilidad.  
La calidad es una segunda dimensión en que la transformación digital genera beneficios  
significativos. La automatización podría disminuir determinadas fuentes de variabilidad  
vinculadas a la manipulación manual y favorecer una mayor estandarización de los  
procedimientos. Además, los sistemas informáticos facilitan el registro de los eventos  
relacionados con las muestras y los resultados, reforzando la trazabilidad. Este aspecto tiene un  
especial sentido en un contexto en el cual la seguridad del paciente no depende únicamente de  
la precisión analítica, sino también de la correcta identificación, conservación, tratamiento y  
comunicación de los resultados (22). La adopción de la inteligencia artificial amplía las  
posibilidades del control de calidad, pero ha introducido a la vez nuevas exigencias. Los algoritmos  
basados en aprendizaje automático son capaces de identificar patrones y de detectar  
comportamientos que de otra forma no podrían haberse observado utilizando sistemas de  
carácter convencional. Sin embargo, su efectividad únicamente se puede garantizar bajo la  
suposición de que la calidad y la representatividad de los datos usados con fines de aprendizaje  
sean óptimas. Por esta razón, un algoritmo con buen rendimiento para un conjunto de datos  
determinado en ningún caso asegura su pleno rendimiento si se aplica a un conjunto de datos  
que forma parte de una población diferente, una plataforma analítica o una institución distinta.  
Las recomendaciones más recientes por parte de la European Federation of Clinical Chemistry  
and Laboratory Medicine, entre otras, justamente demandan recurrir a una evaluación concreta  
que valore la calidad metodológica y aplicabilidad de los estudios relacionados con la IA y el  
aprendizaje automático en la medicina de laboratorio (23).  
Este aspecto supone una diferencia relevante a diferencia de la automatización convencional. Un  
equipo automatizado se puede validar en condiciones técnicas más bien controladas, pero un  
modelo de aprendizaje automatizado puede estar condicionado en su funcionamiento por  
modificaciones en las características de los datos, prevalencias de enfermedades, tipos de  
población atendida, instrumentos o procedimientos institucionales. Por esto mismo, la  
implementación de IA tendría que ir acompañada de validación de lugar, seguimiento de  
desempeño y re-evaluación periódica. El control profesional sigue siendo necesario para detectar  
resultados inesperados, así como para determinar cuándo una recomendación escrita  
automáticamente tal vez deba ser revisada.  
249  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
En cuanto a la toma de decisiones diagnósticas, la evidencia consideraría que el aporte más  
importante de la inteligencia artificial provenga del manejo de grandes cantidades de  
información, así como de la habilidad para identificar relaciones complejas entre las variables. Los  
sistemas de aprendizaje automatizado pueden asociar los resultados de laboratorio con otras  
variables clínicas para producir modelos predictivos o de asociación (24).  
Dicha posibilidad puede ser un elemento que pueda incrementar el valor clínico de los datos  
aportados por el laboratorio, en particular cuando es necesario una interpretación de información  
analítica existente que involucra diferentes parámetros.  
No obstante, la ayuda algorítmica no debe confundirse con una supresión del juicio clínico. La  
interpretación de un resultado depende de las circunstancias del paciente, antecedentes, signos,  
síntomas, tratamiento y otras pruebas diagnósticas. De esta forma, la introducción de IA debería  
desenvolverse para proporcionar información adicional, mostrar patrones u ofrecer alertas de  
potenciales circunstancias a tener en cuenta siempre bajo la responsabilidad profesional que  
recubre la decisión final. Se da una especial importancia a este punto en modelos de IA cuya lógica  
interna puede ser compleja de interpretar.  
Un segundo factor importante fue la consideración de la interoperabilidad. La transformación  
digital alcanza su máximo potencial implicando a los diversos componentes tecnológicos en un  
adecuado intercambio de información. Un laboratorio interconectado con analizadores  
automatizados, sistema de información y registros clínicos electrónicos puede contribuir a  
disminuir las transcripciones manuales y a promover la disponibilidad de resultados; por el  
contrario, la existencia de plataformas que no se entrelazan entre ellas puede restar los beneficios  
que se pueden obtener a partir de la automatización.  
La evidencia también permitió concretar una evolución del rol de los profesionales del  
laboratorio. La automatización va desplazando una serie de actividades repetitivas, no obstante,  
aumenta la necesidad de competencias relacionadas con la gestión de datos, validación de  
sistemas, interpretación crítica, control de calidad y supervisión de la tecnología. En esta línea, el  
laboratorio inteligente no es reemplazo del profesional, sino redistribución en las funciones  
humanas a actividades de mayor complejidad y de mayor nivel de responsabilidades.  
Los beneficios identificados se ven enmascarados por las barreras económicas, técnicas,  
organizacionales y éticas. El coste de adquisición y mantenimiento de plataformas automatizadas  
puede ser una limitación, más aún en aquellas instituciones con recursos limitados. Además  
pueden aparecer problemas relacionados con la infraestructura informática, así como con la  
formación de los profesionales, inter-operabilidad, actualización de software, y seguridad de los  
datos. La ampliación de los sistemas inteligentes incrementa al mismo tiempo la necesidad de  
modos de gobernanza que definan las responsabilidades, los procedimientos de validación y los  
criterios para el uso seguro de las herramientas.  
250  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
La literatura reciente sobre la adopción de IA en laboratorios europeos confirma que la adopción  
es todavía desigual, y que hay diferencias importantes entre instituciones. La infraestructura, el  
nivel de preparación de los profesionales y la disponibilidad de datos condicionan la adopción de  
estas tecnologías (19). De ahí que la transformación digital no deba evaluarse únicamente desde  
el prisma de la disponibilidad tecnológica, sino también desde la capacidad institucional de  
integrar la técnica a procesos clínicos seguros.  
Un aspecto que se considera particularmente relevante es la necesidad de evaluar el impacto real  
de las tecnologías implantadas. La simple disponibilidad de un sistema automatizado o de un  
algoritmo de IA no nos da información suficiente para saber si existe mejora en la asistencia  
sanitaria. Se requieren tomar indicadores de ejemplo antes de la implementación, y tras, como  
pueden ser el tiempo de respuesta, porcentaje de errores, productividad, reprocesamiento de  
muestras, utilización de recursos, concordancia de resultados, frecuencia de intervenciones  
manuales y los indicadores relacionados con la clínica cuando sean disponibles. Esto nos  
permitiría la distinción entre innovación tecnológica y transformación real de la práctica.  
Desde la perspectiva metodológica también se debe aceptar la existencia de heterogeneidad en  
la evidencia presentada. Los estudios hacen uso de diferentes poblaciones, diferentes  
plataformas, diferentes algoritmos y criterios de evaluación, por lo que resulta complicada la  
comparación. De acuerdo con lo anterior, debe ejecutar una síntesis narrativa y temática en lugar  
de sostener que las distintas aplicaciones dan lugar a efectos equivalentes, y la calidad del reporte  
debe entrar en el juego de la interpretación de los resultados. Las recomendaciones PRISMA 2020  
subrayan la necesidad de informar de forma explícita de qué modo se identificaron, seleccionaron  
y posteriormente los distintos estudios que se sintetizaron en una revisión (11).  
Hasta aquí debe interpretarse el avance hacia un laboratorio clínico inteligente como un proceso  
que se desarrolla de manera progresiva: La automatización es una base tecnológica, pero su  
verdadero potencial aparece cuando se une al paso a la digitalización, interoperabilidad, análisis  
de datos e inteligencia artificial. Hasta las tendencias emergentes como los sistemas de IA que  
gestionan distintas herramientas y son capaces de tomar decisiones complejas, indican que el  
futuro de la evolución del laboratorio clínico se aleja de los algoritmos aislados hacia macrones  
que serían sistemas más integrados y gestionados (25). Pero esta evolución deberá ir acompañada  
de validación científica, una supervisión humana, gobernanza y la protección de los datos.  
En definitiva, la evidencia aquí analizada apoya la existencia de un potencial importante de la  
automatización inteligente para cambiar la calidad y la eficiencia del laboratorio clínico y mejorar  
el uso diagnóstico de la información. Pero los resultados no son automáticos ni únicamente  
tecnológicos, sino que dependerán antes de la calidad de los datos, interoperabilidad,  
infraestructura, formación profesional, la validación de herramientas y el desarrollo de  
mecanismos de supervisión. De este modo, el laboratorio del futuro debería concebirse como un  
sistema sociotécnico, en el que la tecnología y el conocimiento profesional permitan producir  
resultados diagnósticos de manera adecuada, confiables y clínicamente útiles.  
251  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
CONCLUSIONES  
La carta científica reciente ha permitido demostrar que la automatización inteligente y la  
transformación digital están alterando considerablemente cómo se organiza y funciona el  
laboratorio clínico. La llegada también creciente de automatización preanalítica, analítica y  
postanalítica, sistemas de información, interoperabilidad, machine learning e inteligencia  
artificial (IA) ha propiciado el paso de procedimientos principalmente manuales a flujos de trabajo  
más integrados, estandarizados y centrados en el procesamiento continuo de la información. Las  
principales tecnologías identificadas mostraron aplicaciones vinculadas a la gestión de muestras,  
automatización de tareas repetitivas, control de calidad, análisis de datos y apoyo a la  
interpretación de los resultados.  
El efecto que estas tecnologías han tenido en cuanto a la calidad y la eficiencia ha tenido que ver  
principalmente con una mayor estandarización de los procedimientos, una mayor trazabilidad,  
una reducción de ciertas tareas manuales y una mayor eficiencia en el flujo de muestras y la  
utilización de recursos. No obstante, los beneficios no venían determinados por la adquisición de  
nuevas tecnologías sino de su adecuada integración con los sistemas de información, la  
infraestructura institucional y los procedimientos de trabajo. Asimismo, la adopción de  
herramientas de inteligencia artificial obligaba a seguir listas de criterios de validación, una  
monitorización, una evaluación de la calidad de los datos y una supervisión profesional para la  
reducción de riesgos asociados con los errores, los sesgos, la escasa interoperabilidad o el  
rendimiento que se pierde cuando los modelos se trasladan a otro sitio.  
La transformación digital ha fortalecido la capacidad del laboratorio clínico de participar en la  
toma de decisiones a partir de la integración y la explotación de grandes volúmenes de  
información. Los modelos de aprendizaje automático e inteligencia artificial han mostrado  
capacidad para la identificación de patrones en la generación de resultados que pueden  
complementar la interpretación de los resultados de la prueba de laboratorio. A pesar de todo,  
la evidencia no ha apoyado la sustitución del criterio profesional, sino que defendía un modelo  
de colaboración entre la tecnología y la experiencia humana por parte de la primera. Por ello, se  
debe entender el “laboratorio clínico inteligente” como un sistema sociotécnico en el que la  
automatización, los datos, la interoperabilidad y la inteligencia artificial se integran entre sí bajo  
criterios de calidad, seguridad, gobernanza y responsabilidad profesional, con la finalidad de  
generar información diagnóstica que sea oportuna, fiable y clínicamente pertinente.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
Cadamuro J, Carobene A, Cabitza F, Debeljak Z, De Bruyne S, van Doorn W, et al. A  
comprehensive survey of artificial intelligence adoption in European laboratory medicine:  
252  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
current  
utilization  
and  
prospects.  
Clin  
Chem  
Lab  
Med.  
2025;63(4):692-703.  
doi:10.1515/cclm-2024-1016.  
2.  
3.  
Gungoren MS. Crossing the chasm: strategies for digital transformation in clinical  
laboratories. Clin Chem Lab Med. 2023;61(4):570-575. doi:10.1515/cclm-2022-1229.  
Jovičić SZ, Vitkus D. Digital transformation towards the clinical laboratory of the future:  
perspectives for the next decade. Clin Chem Lab Med. 2023;61(4):567-569.  
doi:10.1515/cclm-2023-0001.  
4.  
5.  
Hou H, Zhang R, Li J. Artificial intelligence in the clinical laboratory. Clin Chim Acta.  
2024;559:119724. doi:10.1016/j.cca.2024.119724.  
Lippi G, Mattiuzzi C, Favaloro EJ. Artificial intelligence in the pre-analytical phase: state-of-  
the-art and future perspectives. J Med Biochem. 2024;43(1):1-10. doi:10.5937/jomb0-  
45936.  
6.  
7.  
Xie H, Jia Y, Liu S. Integration of artificial intelligence in clinical laboratory medicine:  
advancements  
and  
challenges.  
Interdiscip  
Med.  
2024;2(3):e20230056.  
doi:10.1002/INMD.20230056.  
Carobene A, Cadamuro J, Frans G, Goldshmidt H, Debeljak Z, De Bruyne S, et al. EFLM  
checklist for the assessment of AI/ML studies in laboratory medicine: enhancing general  
medical AI frameworks for laboratory-specific applications. Clin Chem Lab Med.  
2026;64(1):27-40. doi:10.1515/cclm-2025-0841.  
8.  
9.  
Bunch DR, Holmes DT, Spies NC. Robotic process automation in laboratory medicine. Clin  
Chem. 2025;71(6):624-628. doi:10.1093/clinchem/hvaf060.  
Cherkaoui A, Schrenzel J. Total laboratory automation for rapid detection and identification  
of microorganisms and their antimicrobial resistance profiles. Front Cell Infect Microbiol.  
2022;12:807668. doi:10.3389/fcimb.2022.807668.  
10.  
11.  
Antonios K, Croxatto A, Culbreath K, et al. Current state of laboratory automation in clinical  
microbiology laboratory. Clin Chem. 2022;68(1):99-114. doi:10.1093/clinchem/hvab242.  
Brown AS, Badrick T. The next wave of innovation in laboratory automation: systems for  
auto-verification, quality control and specimen quality assurance. Clin Chem Lab Med.  
2023;61(4):608-614. doi:10.1515/cclm-2022-0409.  
12.  
13.  
14.  
Porto LFB, Franca CN, Ferreira CES. Principles for organizing the flow of automation in the  
clinical laboratory. Clin Lab. 2021;67(7). doi:10.7754/Clin.Lab.2020.201102.  
Durant TJ, et al. Artificial intelligence and mapping a new direction in laboratory medicine:  
a review. Clin Chem. 2021;67(11):1466-1482. doi:10.1093/clinchem/hvab165.  
Master SR, Badrick TC, Bietenbeck A, Haymond S. Machine learning in laboratory medicine:  
recommendations of the IFCC Working Group. Clin Chem. 2023;69(7):690-698.  
doi:10.1093/clinchem/hvad055.  
15.  
16.  
Rashidi H, Albahra S, et al. Artificial intelligence and machine learning overview in pathology  
& laboratory medicine: a general review of data preprocessing and basic supervised  
concepts. Semin Diagn Pathol. 2023;40(2):71-87. doi:10.1053/j.semdp.2023.02.002.  
Yoo I, et al. Advancing laboratory medicine practice with machine learning: swift yet exact.  
Clin Chem Lab Med. 2025;63.  
253  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620  
Marzo 2026  
DOI  
https://doi.org/10.56519/cjcrw708  
ISSN  
3091-180X  
https://vitalyscience.com  
Vol. 4 No.11 PP. 235-254  
17.  
18.  
19.  
Spies NC, Farnsworth CW, Wheeler S, McCudden CR. Validating, implementing, and  
monitoring machine learning solutions in the clinical laboratory safely and effectively. Clin  
Chem. 2024;70(11):1334-1343. doi:10.1093/clinchem/hvae126.  
Wheeler SE, et al. Quality standards and internal quality control practices in medical  
laboratories: an IFCC global survey of member societies. Clin Chem Lab Med. 2023.  
doi:10.1515/cclm-2023-0492.  
Shang X, Zhao F, Du J, Li R, Xia L, Hou L, et al. Development and clinical evaluation of an  
online automated quality control system for improving laboratory quality management. Clin  
Chim Acta. 2023;541:117240. doi:10.1016/j.cca.2023.117240.  
20.  
21.  
22.  
Choy KW, Cornu P, Dighe AS, Georgiou A, Peters L, Sikaris KA, et al. Clinical decision support  
in laboratory medicine. Clin Chem. 2024;70(3):474-481. doi:10.1093/clinchem/hvae002.  
Çubukçu HC, Topcu Dİ, Yenice S. Machine learning-based clinical decision support using  
laboratory data. Clin Chem Lab Med. 2024;62(5):793-823. doi:10.1515/cclm-2023-1037.  
Esho A, Chong YP, Choy KW, Loh TP. Clinical decision support in laboratory medicine: a  
review of clinical, organisational and financial impacts with emphasis on patient outcomes.  
Pathology. 2025;57(3):285-292. doi:10.1016/j.pathol.2024.11.005.  
23.  
24.  
25.  
Flores E, Martínez-Racaj L, Torreblanca R, Blasco A, Lopez-Garrigós M, Gutiérrez I, et al.  
Clinical decision support system in laboratory medicine. Clin Chem Lab Med.  
2024;62(7):1277-1282. doi:10.1515/cclm-2023-1239.  
Gruson D, Gouget B, Lee W, Greaves R, Liu Y, Ebert S, et al. From automation to agentic  
artificial intelligence in laboratory medicine: an opinion of the IFCC Division on Emerging  
Technologies. Clin Chem Lab Med. 2026;64(5):985-988. doi:10.1515/cclm-2025-1314.  
Gruson D, Zima T, Plebani M. Automation in value-based laboratory medicine: driving  
precision, capacity, and better outcomes. Clin Chem Lab Med. 2026;64(6):1197-1200.  
doi:10.1515/cclm-2026-0023.  
254  
VITALYSCIENCE REVISTA CIENTÍFICA MULTIDISCIPLINARIA  
publicaciones@vitalyscience.com  
+593 97 911 9620