AUTOMATIZACIÓN INTELIGENTE Y TRANSFORMACIÓN DIGITAL DEL LABORATORIO CLÍNICO: IMPACTO EN LA CALIDAD, EFICIENCIA Y TOMA DE DECISIONES DIAGNÓSTICAS
DOI:
https://doi.org/10.56519/cjcrw708Palabras clave:
automatización de laboratorios, inteligencia artificial, transformación digital, laboratorio clínico, aprendizaje automático, toma de decisiones diagnósticasResumen
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 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.
Referencias
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
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. DOI: https://doi.org/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. DOI: https://doi.org/10.1515/cclm-2023-0001
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
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. DOI: https://doi.org/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. DOI: https://doi.org/10.1515/cclm-2025-0841
Bunch DR, Holmes DT, Spies NC. Robotic process automation in laboratory medicine. Clin Chem. 2025;71(6):624-628. doi:10.1093/clinchem/hvaf060. DOI: https://doi.org/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. DOI: https://doi.org/10.3389/fcimb.2022.807668
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. DOI: https://doi.org/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. DOI: https://doi.org/10.1515/cclm-2022-0409
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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1093/clinchem/hvad055
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. DOI: https://doi.org/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.
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
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. DOI: https://doi.org/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. DOI: https://doi.org/10.1016/j.cca.2023.117240
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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1016/j.pathol.2024.11.005
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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1515/cclm-2026-0023
