INTELIGENCIA ARTIFICIAL EXPLICABLE EN EL LABORATORIO CLÍNICO: OPORTUNIDADES Y BARRERAS PARA MEJORAR LA PRECISIÓN DIAGNÓSTICA Y LA SEGURIDAD DEL PACIENTE
DOI:
https://doi.org/10.56519/05rf9726Palabras clave:
inteligencia artificial explicable, laboratorio clínico, inteligencia artificial, precisión diagnóstica, seguridad del paciente, aprendizaje automático, interpretabilidadResumen
La inteligencia artificial (IA) se ha incorporado progresivamente al laboratorio clínico como herramienta de apoyo para el procesamiento de datos, interpretación de resultados y toma de decisiones diagnósticas. Sin embargo, la utilización de modelos complejos ha generado preocupaciones relacionadas con la transparencia, interpretabilidad y posibilidad de supervisar las decisiones algorítmicas, particularmente cuando estas pueden influir sobre la atención y seguridad del paciente. En este contexto, la inteligencia artificial explicable (XAI) ha adquirido relevancia al proporcionar mecanismos destinados a facilitar la comprensión de las predicciones realizadas por los modelos de IA. El objetivo de esta revisión fue analizar las oportunidades y barreras asociadas con la aplicación de XAI en el laboratorio clínico, considerando su posible contribución a la precisión diagnóstica y a la seguridad del paciente. Se realizó una revisión bibliográfica descriptiva y analítica de literatura científica publicada principalmente entre enero de 2021 y septiembre de 2026, mediante búsquedas en PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect, SpringerLink y Google Scholar. Se consideraron estudios relacionados con inteligencia artificial explicable, medicina de laboratorio, diagnóstico, precisión, validación, seguridad del paciente e interpretabilidad. La evidencia revisada mostró aplicaciones potenciales de XAI en las fases preanalítica, analítica y postanalítica, así como en hematología, bioquímica, microbiología, inmunología y patología digital. Entre las principales oportunidades se identificaron una mayor transparencia de los modelos, trazabilidad de las predicciones, apoyo a la identificación de errores y fortalecimiento de la supervisión profesional. Las principales barreras correspondieron a la calidad y heterogeneidad de los datos, interoperabilidad, validación externa, sesgos, protección de la información, ausencia de criterios estandarizados de explicabilidad y necesidad de capacitación profesional. Se concluyó que XAI constituyó una herramienta complementaria con potencial para favorecer la precisión diagnóstica y la seguridad del paciente, siempre que su implementación se acompañara de validación rigurosa, monitorización continua, supervisión humana y criterios éticos y regulatorios adecuados.
Referencias
Baron JM. Artificial intelligence in the clinical laboratory: an overview with frequently asked questions. Clin Lab Med. 2023;43(1):1-16. doi:10.1016/j.cll.2022.09.002. DOI: https://doi.org/10.1016/j.cll.2022.09.002
Loh HW, Ooi CP, Seoni S, Barua PD, Molinari F, Acharya UR. Application of explainable artificial intelligence for healthcare: a systematic review of the last decade (2011-2022). Comput Methods Programs Biomed. 2022;226:107161. doi:10.1016/j.cmpb.2022.107161.
Biswas AA. A comprehensive review of explainable AI for disease diagnosis. Array. 2024;22:100345. doi:10.1016/j.array.2024.100345. DOI: https://doi.org/10.1016/j.array.2024.100345
Mienye ID, Obaido G, Jere N, Mienye E, Aruleba K, Emmanuel ID, Ogbuokiri B. A survey of explainable artificial intelligence in healthcare: concepts, applications, and challenges. Inform Med Unlocked. 2024;51:101587. doi:10.1016/j.imu.2024.101587. DOI: https://doi.org/10.1016/j.imu.2024.101587
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.
Çubukçu HC, Topcu Dİ, Yenice S. Machine learning-based clinical decision support using laboratory data. Clin Chem Lab Med. 2023. doi:10.1515/cclm-2023-1037. DOI: https://doi.org/10.1515/cclm-2023-1037
Jung J, Lee H, Jung H, Kim H. Essential properties and explanation effectiveness of explainable artificial intelligence in healthcare: a systematic review. Heliyon. 2023;9(5):e16110. doi:10.1016/j.heliyon.2023.e16110.
Cestonaro C, Delicati A, Marcante B, Caenazzo L, Tozzo P. Defining medical liability when artificial intelligence is applied on diagnostic algorithms: a systematic review. Front Med (Lausanne). 2023;10:1305756. doi:10.3389/fmed.2023.1305756. DOI: https://doi.org/10.3389/fmed.2023.1305756
Pennestrì F, Banfi G. Artificial intelligence in laboratory medicine: fundamental ethical issues and normative key-points. Clin Chem Lab Med. 2022;60(12):1867-1874. doi:10.1515/cclm-2022-0096. DOI: https://doi.org/10.1515/cclm-2022-0096
Subramanian HV, Canfield C, Shank DB. Designing explainable AI to improve human-AI team performance: a medical stakeholder-driven scoping review. Artif Intell Med. 2024;149:102780. doi:10.1016/j.artmed.2024.102780. DOI: https://doi.org/10.1016/j.artmed.2024.102780
Klauschen F, Dippel J, Keyl P, Jurmeister P, Bockmayr M, Mock A, et al. Toward explainable artificial intelligence for precision pathology. Annu Rev Pathol. 2024;19:541-570. doi:10.1146/annurev-pathmechdis-051222-113147.
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. DOI: https://doi.org/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. DOI: https://doi.org/10.5937/jomb0-45936
You J, Seok HS, Kim S, Shin H, et al. Advancing laboratory medicine practice with machine learning: swift yet exact. Ann Lab Med. 2025;45(1):22-35. doi:10.3343/alm.2024.0354. DOI: https://doi.org/10.3343/alm.2024.0354
Loh HW, Ooi CP, Seoni S, Barua PD, Molinari F, Acharya UR. Application of explainable artificial intelligence for healthcare: a systematic review of the last decade (2011-2022). Comput Methods Programs Biomed. 2022;226:107161. doi:10.1016/j.cmpb.2022.107161. DOI: https://doi.org/10.1016/j.cmpb.2022.107161
Ali S, Akhlaq F, Imran AS, Kastrati Z, Daudpota SM, Moosa M. The enlightening role of explainable artificial intelligence in medical & healthcare domains: a systematic literature review. Comput Biol Med. 2023;166:107555. doi:10.1016/j.compbiomed.2023.107555. DOI: https://doi.org/10.1016/j.compbiomed.2023.107555
Klauschen F, Dippel J, Keyl P, Jurmeister P, Bockmayr M, Mock A, et al. Toward explainable artificial intelligence for precision pathology. Annu Rev Pathol. 2024;19:541-570. doi:10.1146/annurev-pathmechdis-051222-113147. DOI: https://doi.org/10.1146/annurev-pathmechdis-051222-113147
Cálem J, Moreira C, Jorge J. Intelligent systems in healthcare: a systematic survey of explainable user interfaces. Comput Biol Med. 2024;180:108908. doi:10.1016/j.compbiomed.2024.108908. DOI: https://doi.org/10.1016/j.compbiomed.2024.108908
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: current utilization and prospects. Clin Chem Lab Med. 2025;63(4):692-703. doi:10.1515/cclm-2024-1016. DOI: https://doi.org/10.1515/cclm-2024-1016
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. DOI: https://doi.org/10.1093/clinchem/hvae126
Jung J, Lee H, Jung H, Kim H. Essential properties and explanation effectiveness of explainable artificial intelligence in healthcare: a systematic review. Heliyon. 2023;9(5):e16110. doi:10.1016/j.heliyon.2023.e16110. DOI: https://doi.org/10.1016/j.heliyon.2023.e16110
Freyer N, Groß D, Lipprandt M. The ethical requirement of explainability for AI-DSS in healthcare: a systematic review of reasons. BMC Med Ethics. 2024;25:104. doi:10.1186/s12910-024-01103-2. DOI: https://doi.org/10.1186/s12910-024-01103-2
García-de la Torre A, Sánchez-Lora FJ, Navarrete-Ortiz MC, Trillo López P, Ortiz-García C, Méndez Alarcón G, et al. Implementation of an automated alert system of critical results in hospitalized and emergency patients. Clin Chem Lab Med. 2026;64(4):838-844. doi:10.1515/cclm-2025-1312. DOI: https://doi.org/10.1515/cclm-2025-1312
Ning Y, Liu M, Liu N. Advancing ethical AI in healthcare through interpretability. Patterns (N Y). 2025;6(6):101290. doi:10.1016/j.patter.2025.101290. DOI: https://doi.org/10.1016/j.patter.2025.101290
