Inteligencia Artificial en Ortopedia. ¿Dónde Estamos y Hacia Dónde Vamos?

La inteligencia artificial (IA) ha emergido como una de las herramientas más prometedoras en la transformación del sector salud, ofreciendo soluciones innovadoras que apoyan el diagnóstico, así como guiar el tratamiento y rehabilitación de los pacientes.[1] En términos generales, la IA se refiere a sistemas computacionales capaces de realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de patrones, el aprendizaje a partir de datos y la toma de decisiones.[2] Dentro del ámbito de la salud, su impacto ha sido significativo en áreas como la radiología, la cirugía robótica y la optimización de flujos de trabajo en hospitales.

Avances Actuales de la Inteligencia Artificial en Traumatología

En el campo de la traumatología, la IA ha comenzado a desempeñar un rol clave de apoyo en áreas como el diagnóstico imagenológico, en el análisis predictivo de complicaciones postoperatorias, en cirugía robótica y en entrenamiento médico.[1] [2] [3] [4] [5] [Figura 1]

Fig. 1 Inteligencia Artificial en Traumatología.

IA en Detección de Fracturas

En lo que se refiere a la detección de fracturas, los algoritmos de IA han demostrado superioridad en la capacidad diagnóstica en numerosos estudios, tanto para detección de fracturas vertebrales,[6] [7] de húmero,[8] fémur,[9] [10] hombro,[11] [12] codo[13] [14] y tobillo,[15] en su mayoría basados en radiografías. Tanto Shen[6] como Zhang,[7] mediante algoritmos entrenados, demostraron sensibilidades de 83–95%, especificidad de 94–98% y precisión de 96–97% para la detección de fracturas vertebrales. Chung[8] mediante el entrenamiento de una red convolucional neuronal (CNN) en 1891 radiografías, publicó una sensibilidad de 99% y especificidad de 97% en la detección de fracturas de húmero. Beyaz[9] mediante el entrenamiento de una CNN, demostró una sensibilidad de 82%, especificidad de 72% y una precisión de 79% en la detección de fracturas de fémur. En casos de hombro, Uysal[11] publicó una precisión diagnóstica de fracturas de 84% mediante el entrenamiento de 2 modelos de ensamble. Rayan[13] utilizó un modelo de CNN entrenado basado en 58.817 radiografías para la detección de fracturas de codo en población pediátrica, con una precisión de 88%, sensibilidad de 91% y especificidad de 84%. Finalmente, Ashkani-Esfahani[15] demostró una sensibilidad de 99%, especificidad de 99% y precisión de 99% con el entrenamiento de un algoritmo de Transfer Learning de InceptionV3 para detección de fracturas de tobillo.

IA en Análisis Predictivo Postoperatorio

La inteligencia artificial puede apoyar la toma de decisiones médicas mediante la interpretación de análisis complejos como predictores de riesgo de complicaciones postoperatorias, orientando el manejo clínico de forma más personalizada. Este análisis toma en consideración factores asociados a cada paciente (edad, sexo, patologías asociadas, entre otros), información genética e imágenes,[16] pudiendo predecir los resultados de los pacientes. Se han publicado numerosos estudios usando Machine Learning (ML), que predicen la tasa de complicaciones postoperatorias en adultos sometidos a cirugía de columna[17] y cirugía de preservación artroscópica de cadera.[18] En los casos de cirugía de rodilla, los estudios han sido capaces de predecir resultados funcionales en pacientes sometidos a trasplante osteocondral,[19] progresión de artrosis hacia cirugía protésica[20] y la necesidad de hospitalización luego de una cirugía de reconstrucción de ligamento cruzado anterior.[21]

IA en Cirugía Robótica

La cirugía robótica utiliza las ventajas de cálculos computacionales complejos para optimizar los resultados quirúrgicos, logrando mayor precisión en el posicionamiento de implantes y en la reducción de fracturas intraoperatorias en contexto de trauma. Por otro lado, la planificación computacional basada en imágenes en la que se sustenta la cirugía robótica, permite cortes óseos más precisos de la zona quirúrgica, optimizando la restauración de la biomecánica de la extremidad y logrando una mejor tensión de partes blandas para evitar la falla.[22]

La mayor cantidad de casos y beneficios de la cirugía robótica ha sido demostrada en artroplastía de extremidad inferior, representando el 90% del mercado.[22] Se ha objetivado que el uso de esta tecnología mejora la precisión en el posicionamiento de los implantes tanto en cirugía de cadera como de rodilla, pero la evidencia es menos clara en relación a los resultados funcionales o sobrevida a largo plazo de los implantes.[23] [24]

También han existido avances en la cirugía de columna, que van desde la planificación quirúrgica hasta el uso de brazos robóticos con realidad aumentada.[25] [26]

IA en Entrenamiento Médico

La aplicación de IA en simuladores clínicos quirúrgicos, utiliza una realidad inmersiva con visualización anatómica automatizada, exponiendo a los usuarios a mejores experiencias quirúrgicas y a feedback para corregir errores técnicos,[27] quedando demostrado el beneficio de esta modalidad de entrenamiento, logrando mejor precisión técnica tanto en residentes como cirujanos.[28] [29] Otros beneficios del uso de esta tecnología está en sus menores costos monetarios y una reducción a la exposición a radiación versus el entramiento con el uso de cadavers.[30]

Desafíos y Futuro de la IA en Traumatología

Si bien los avances son notables, la implementación de la IA en la práctica clínica enfrenta desafíos importantes. Un artículo publicado recientemente por la ISAKOS Young Professionals Task Force,[31] demostró que solo el 25% de los encuestados utilizan la IA en la práctica clínica.

Por otro lado, la interpretabilidad de los algoritmos de aprendizaje sigue siendo un obstáculo, pues los médicos requieren entender cómo se generan las predicciones para confiar en ellas. Además, la integración de estas tecnologías en los sistemas hospitalarios exige infraestructura adecuada y capacitación del personal. También surgen interrogantes éticas relacionadas con la responsabilidad en caso de errores diagnósticos o quirúrgicos derivados del uso de IA.

Conclusión

Para que la IA se convierta en una herramienta estándar de apoyo en traumatología, es esencial que adoptemos un enfoque proactivo en su integración. La capacitación en tecnologías digitales y el desarrollo de colaboraciones entre médicos, ingenieros y científicos de datos serán fundamentales para maximizar los beneficios de la IA. Además, es crucial establecer regulaciones éticas y protocolos de validación rigurosos para garantizar la seguridad y eficacia de estas herramientas en el entorno clínico.

No conflict of interest has been declared by the author(s).

• Referencias

• 1 Khoriati AA, Shahid Z, Fok M. et al. Artificial intelligence and the orthopaedic surgeon: A review of the literature and potential applications for future practice: Current concepts. J ISAKOS 2024; 9 (02) 227-233
• 2 Farhadi F, Barnes MR, Sugito HR, Sin JM, Henderson ER, Levy JJ. Applications of artificial intelligence in orthopaedic surgery. Front Med Technol 2022; 4: 995526
• 3 Lex JR, Di Michele J, Koucheki R, Pincus D, Whyne C, Ravi B. Artificial Intelligence for Hip Fracture Detection and Outcome Prediction: A Systematic Review and Meta-analysis. JAMA Netw Open 2023; 6 (03) e233391
• 4 Tieu A, Kroen E, Kadish Y. et al. The Role of Artificial Intelligence in the Identification and Evaluation of Bone Fractures. Bioengineering (Basel) 2024; 11 (04) 338
• 5 Lo Mastro A, Grassi E, Berritto D. et al. Artificial intelligence in fracture detection on radiographs: a literature review. Jpn J Radiol 2025; 43 (04) 551-585
• 6 Shen L, Gao C, Hu S. et al. Using Artificial Intelligence to Diagnose Osteoporotic Vertebral Fractures on Plain Radiographs. J Bone Miner Res 2023; 38 (09) 1278-1287
• 7 Zhang J, Liu F, Xu J. et al. Automated detection and classification of acute vertebral body fractures using a convolutional neural network on computed tomography. Front Endocrinol (Lausanne) 2023; 14: 1132725
• 8 Chung SW, Han SS, Lee JW. et al. Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. Acta Orthop 2018; 89 (04) 468-473
• 9 Beyaz S, Açıcı K, Sümer E. Femoral neck fracture detection in X-ray images using deep learning and genetic algorithm approaches. Jt Dis Relat Surg 2020; 31 (02) 175-183
• 10 Oakden-Rayner L, Gale W, Bonham TA. et al. Validation and algorithmic audit of a deep learning system for the detection of proximal femoral fractures in patients in the emergency department: a diagnostic accuracy study. Lancet Digit Health 2022; 4 (05) e351-e358
• 11 Uysal F, Hardalaç F, Peker O, Tolunay T, Tokgöz N. Classification of Shoulder X-Ray Images with Deep Learning Ensemble Models. Appl Sci (Basel) 2021; 11: 2723
• 12 Magnéli M, Ling P, Gislén J. et al. Deep learning classification of shoulder fractures on plain radiographs of the humerus, scapula and clavicle. PLoS One 2023; 18 (08) e0289808
• 13 Rayan JC, Reddy N, Kan JH, Zhang W, Annapragada A. Binomial Classification of Pediatric Elbow Fractures Using a Deep Learning Multiview Approach Emulating Radiologist Decision Making. Radiol Artif Intell 2019; 1 (01) e180015
• 14 Luo J, Kitamura G, Arefan D, Doganay E, Panigrahy A, Wu S. Knowledge-Guided Multiview Deep Curriculum Learning for Elbow Fracture Classification. Mach Learn Med Imaging 2021; 12966: 555-564
• 15 Ashkani-Esfahani S, Mojahed Yazdi R, Bhimani R. et al. Detection of ankle fractures using deep learning algorithms. Foot Ankle Surg 2022; 28 (08) 1259-1265
• 16 Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial Intelligence in Surgery: Promises and Perils. Ann Surg 2018; 268 (01) 70-76
• 17 Kim JS, Arvind V, Oermann EK. et al. Predicting Surgical Complications in Patients Undergoing Elective Adult Spinal Deformity Procedures Using Machine Learning. Spine Deform 2018; 6 (06) 762-770
• 18 Kunze KN, Polce EM, Clapp I, Nwachukwu BU, Chahla J, Nho SJ. Machine Learning Algorithms Predict Functional Improvement After Hip Arthroscopy for Femoroacetabular Impingement Syndrome in Athletes. J Bone Joint Surg Am 2021; 103 (12) 1055-1062
• 19 Ramkumar PN, Karnuta JM, Haeberle HS. et al. Association Between Preoperative Mental Health and Clinically Meaningful Outcomes After Osteochondral Allograft for Cartilage Defects of the Knee: A Machine Learning Analysis. Am J Sports Med 2021; 49 (04) 948-957
• 20 Pareek A, Parkes CW, Bernard CD, Abdel MP, Saris DBF, Krych AJ. The SIFK score: a validated predictive model for arthroplasty progression after subchondral insufficiency fractures of the knee. Knee Surg Sports Traumatol Arthrosc 2020; 28 (10) 3149-3155
• 21 Lu Y, Forlenza E, Cohn MR. et al. Machine learning can reliably identify patients at risk of overnight hospital admission following anterior cruciate ligament reconstruction. Knee Surg Sports Traumatol Arthrosc 2021; 29 (09) 2958-2966
• 22 Innocenti B, Bori E. Robotics in orthopaedic surgery: why, what and how?. Arch Orthop Trauma Surg 2021; 141 (12) 2035-2042
• 23 Ruangsomboon P, Ruangsomboon O, Pornrattanamaneewong C, Narkbunnam R, Chareancholvanich K. Clinical and radiological outcomes of robotic-assisted versus conventional total knee arthroplasty: a systematic review and meta-analysis of randomized controlled trials. Acta Orthop 2023; 94: 60-79
• 24 Chen X, Xiong J, Wang P. et al. Robotic-assisted compared with conventional total hip arthroplasty: systematic review and meta-analysis. Postgrad Med J 2018; 94 (1112) 335-341
• 25 Volk VL, Steele KA, Cinello-Smith M. et al. Pedicle Screw Placement Accuracy in Robot-Assisted Spinal Fusion in a Multicenter Study. Ann Biomed Eng 2023; 51 (11) 2518-2527
• 26 Groisser BN, Thakur A, Hillstrom HJ. et al. Fully automated determination of robotic pedicle screw accuracy and precision utilizing computer vision algorithms. J Robot Surg 2024; 18 (01) 278
• 27 Park JJ, Tiefenbach J, Demetriades AK. The role of artificial intelligence in surgical simulation. Front Med Technol 2022; 4: 1076755
• 28 Kuhn AW, Yu JK, Gerull KM, Silverman RM, Aleem AW. Virtual Reality and Surgical Simulation Training for Orthopaedic Surgery Residents: A Qualitative Assessment of Trainee Perspectives. JBJS Open Access 2024; 9 (01) e23
• 29 Schöbel T, Schuschke L, Youssef Y, Rotzoll D, Theopold J, Osterhoff G. Immersive virtual reality in orthopedic surgery as elective subject for medical students : First experiences in curricular teaching. Orthopadie (Heidelb) 2024; 53 (05) 369-378
• 30 Gomindes AR, Adeeko ES, Khatri C. et al. Use of Virtual Reality in the Education of Orthopaedic Procedures: A Randomised Control Study in Early Validation of a Novel Virtual Reality Simulator. Cureus 2023; 15 (09) e45943
• 31 Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc 2020; 2020: 191-200

Publication History

Article published online:
20 May 2025