Automatización de la adquisición de imágenes en el ultrasonido con inteligencia artificial

Los sistemas de IA ya optimizan ganancia y profundidad, guían al operador hacia planos estándar e incluso asumen parte del posicionamento de la sonda, acortando la curva de aprendizaje del ultrasonido point-of-care.

Cuando se habla de inteligencia artificial en el ultrasonido, la mayor parte de la atención recae sobre el diagnóstico automatizado: algoritmos que clasifican nódulos, calculan puntuaciones o señalan hallazgos sospechosos en una imagen ya adquirida. Existe, sin embargo, una capa anterior e igualmente transformadora, que actúa en el propio acto de escanear al paciente. Es la automatización de la adquisición: sistemas que ajustan parámetros de la imagen en tiempo real, reconocen si el plano capturado es correcto, guían al operador hasta la ventana acústica ideal y, en algunos escenarios, llegan a controlar físicamente la sonda. Este artículo trata específicamente de esa etapa de captura, dejando el tema de la interpretación asistida por IA para el artículo complementario de este sitio sobre informe y diagnóstico automatizados.

Qué significa automatizar la adquisición

El término automatización cubre un espectro, no una función única. En el nivel más básico está la auto-optimización de imagen: algoritmos que ajustan automáticamente ganancia, profundidad, foco y curva dinámica con cada cambio de sonda o de paciente, tarea que antes exigía un ajuste manual constante por parte del examinador. En un segundo nivel está el reconocimiento automático de plano y vista: el software identifica, a partir del patrón de píxeles en tiempo real, si la imagen corresponde a un corte apical de cuatro cámaras, a un plano transventricular fetal o a un eje corto de tiroides, e informa al operador cuando se alcanzó el objetivo. Un tercer nivel suma orientación activa, con flechas o instrucciones de voz que indican hacia qué lado angular o deslizar la sonda hasta alcanzar la ventana correcta. En la cima del espectro están la segmentación y medición automáticas durante el propio examen —por ejemplo, contorno del ventrículo izquierdo con cálculo simultáneo de la fracción de eyección— y, finalmente, sistemas semiautónomos o robóticos que asumen parte o todo el posicionamiento físico de la sonda, controlados local o remotamente mediante teleguía.

Ecocardiografía: reconocimiento de vistas y fracción de eyección automática

El ejemplo más maduro y mejor documentado de automatización de la adquisición es la ecocardiografía point-of-care. En febrero de 2020, la FDA autorizó por la vía De Novo el software Caption Guidance (Caption Health), indicado para ayudar a los profesionales en la adquisición de imágenes estandarizadas de ecocardiografía transtorácica bidimensional en adultos. El sistema usa aprendizaje automático para dar instrucciones en tiempo real sobre cómo mover la sonda hasta obtener vistas de calidad diagnóstica, además de capturar automáticamente el mejor clip de cada ventana. Un estudio publicado en JAMA Cardiology probó el sistema con ocho enfermeros sin ninguna experiencia previa en ecocardiografía, que realizaron 240 exámenes guiados por IA en 240 pacientes en los hospitales Northwestern Memorial y Minneapolis Heart Institute. La concordancia entre las imágenes obtenidas por los enfermeros con IA y los exámenes de referencia realizados por ecocardiografistas fue del 92,5%, con una precisión del 98,8% para la evaluación del tamaño y la función del ventrículo derecho y la presencia de derrame pericárdico, resultado consistente entre diferentes sexos, etnias e índices de masa corporal.

Más recientemente, la automatización avanzó de la vista a la medida. En junio de 2026, la FDA autorizó Clarius Ejection Fraction AI, una herramienta integrada en la aplicación de los transductores inalámbricos de Clarius (modelos PA, PAL y C3 HD3) que calcula automáticamente la fracción de eyección del ventrículo izquierdo a partir de las propias vistas cardíacas estándar, sin exigir el trazado manual de los bordes endocárdicos. El fabricante describe el objetivo de entregar un resultado numérico dentro de la ventana de cerca de 90 segundos usada para orientar decisiones de reanimación, reduciendo la dependencia de la estimación visual subjetiva, históricamente una de las etapas más variables entre operadores en la ecocardiografía de urgencia.

Obstetricia: biometría fetal y detección de planos estándar

La ecografía obstétrica depende fuertemente de la captura de planos anatómicos muy específicos —diámetro biparietal, circunferencia abdominal, fémur— cuya obtención correcta es uno de los puntos que más tiempo de entrenamiento consume en ginecología y obstetricia. Revisiones recientes sobre inteligencia artificial en la localización de planos estándar fetales describen redes neuronales convolucionales capaces de identificar automáticamente, en tiempo real, si el corte mostrado corresponde al plano transventricular, transcerebeloso o transtalámico del polo cefálico, señalando al operador cuando el plano es adecuado para la biometría. Estudios de identificación automática de planos del abdomen fetal mediante aprendizaje profundo reportan un desempeño de clasificación comparable al de examinadores experimentados al diferenciar entre planos adecuados e inadecuados para medir la circunferencia abdominal. Modelos más recientes de biometría fetal automática a partir de videos de ultrasonido, con validación temporal en cohortes independientes, buscan no solo identificar el plano, sino también realizar la medición de las estructuras de forma continua a lo largo del examen, sin depender de un único cuadro estático elegido manualmente por el operador.

Tiroides y mama: volumen, segmentación y puntuaciones automáticas

Fuera de la cardiología y la obstetricia, la automatización también avanzó en exámenes de volumen glandular y mamario. El ultrasonido automatizado de volumen mamario (Automated Breast Volume Scanner, ABVS) barre toda la mama en un único protocolo motorizado, generando un conjunto tridimensional que prescinde del barrido manual cuadrante por cuadrante y permite una revisión posterior estandarizada; comparaciones iniciales entre ABVS y el modo B manual, incluyendo series de decenas de casos, mostraron un desempeño comparable en la detección de lesiones, con la ventaja adicional de reproducibilidad entre observadores. Más recientemente, modelos basados en redes de detección de objetos (como arquitecturas de la familia YOLO) se han aplicado sobre imágenes del ABVS para detectar y clasificar lesiones mamarias benignas y malignas de forma automática. En la tiroides, revisiones de herramientas de IA en la literatura de radiología (incluyendo una serie especial de la American Journal of Roentgenology sobre aplicaciones de IA) describen software capaz de segmentar automáticamente nódulos, medir sus tres ejes y sugerir una clasificación según sistemas de estratificación de riesgo tipo TI-RADS, funcionando como una capa adicional de estandarización sobre la medida hecha por el examinador, y no como sustituto de la decisión clínica de biopsia.

Point-of-care en urgencias y cuidados intensivos

Quizás el argumento clínico más fuerte para la automatización de la adquisición esté en el servicio de urgencias y la unidad de cuidados intensivos, entornos en los que el ultrasonido point-of-care debe ser realizado por médicos y enfermeros sin formación formal en ecocardiografía o radiología, bajo presión de tiempo. Revisiones recientes sobre inteligencia artificial en el ultrasonido cardíaco point-of-care describen cómo los algoritmos de reconocimiento de imagen ayudan a operadores no especialistas a identificar rápidamente la presencia de derrame pericárdico, disfunción ventricular grave y otros hallazgos críticos que orientan decisiones inmediatas, funcionando como una red de seguridad sobre la captura de la imagen. Una revisión sistemática de ensayos controlados sobre entrenamiento de ultrasonido point-of-care asistido por IA en aprendices iniciales encontró, de forma consistente entre los estudios evaluados, una mejora en la calidad de imagen obtenida por operadores novatos en comparación con el entrenamiento convencional sin apoyo de IA, aunque los autores señalan heterogeneidad metodológica entre los ensayos y la necesidad de estudios más grandes y estandarizados. En el ultrasonido pulmonar point-of-care, software de apoyo a la captura se ha explorado para ayudar a operadores menos experimentados a reconocer patrones como líneas B y consolidaciones durante el propio examen junto a la cama, reduciendo la dependencia de un especialista presencial para validar cada imagen.

Ultrasonido robótico y teleguiado: llevar la sonda hasta donde falta especialista

El nivel más avanzado de automatización combina robótica con control remoto. El sistema Melody (AdEchoTech, Francia), un brazo robótico con tres grados de libertad que manipula la sonda bajo el mando de un ecografista a distancia, tiene aprobación para uso en ultrasonido abdominal, pélvico, obstétrico, vascular y musculoesquelético. Durante el brote de COVID-19 en 2020, el sistema se usó para mantener la atención obstétrica del centro de salud de La Loche, comunidad indígena aislada en el norte de Saskatchewan, Canadá, cuando se suspendieron los vuelos regulares: un ecografista a 605 km de distancia realizó 21 exámenes obstétricos en 18 pacientes entre abril y junio de ese año, controlando el brazo robótico de forma remota. Los exámenes limitados obtuvieron calidad de imagen adecuada en el 81% de los casos, pero los exámenes completos de segundo trimestre tuvieron una tasa de adecuación más baja (20% adecuados, 50% inadecuados), evidenciando que la técnica aún enfrenta limitaciones reales frente a exámenes anatómicamente más exigentes, además de retrasos técnicos registrados en cerca de una cuarta parte de las sesiones. Una revisión publicada en el Methodist DeBakey Cardiovascular Journal cita en total cerca de diez estudios clínicos de ultrasonido telerrobótico, sumando aproximadamente 800 pacientes, con distancias entre operador y paciente que varían de 3 a 7.000 kilómetros, y menciona ganancias como la reducción del tiempo hasta el diagnóstico de 114 a 26 días reportada en un programa en Suecia rural. La misma revisión señala obstáculos aún no resueltos: exigencia de red de latencia muy baja, retroalimentación táctil poco desarrollada, ausencia de códigos de facturación específicos en la mayoría de los sistemas de salud y una regulación de licenciamiento de operadores que varía entre regiones.

Lo que la automatización realmente resuelve — y lo que no

En conjunto, esta evidencia muestra que el beneficio más consistente de la automatización de la adquisición no es sustituir al examinador, sino reducir la distancia entre un operador principiante y un examen con calidad suficiente para una decisión clínica inicial. Esto es particularmente relevante en escenarios de escasez de especialistas —urgencias sin radiólogo de guardia, unidades rurales sin ecografista fijo, comunidades atendidas por visitas esporádicas— en los que la alternativa realista a la IA no es un examen perfecto hecho por un experto, sino ningún examen hecho a tiempo. Los datos de Caption Guidance muestran que enfermeros sin ningún entrenamiento previo en ecocardiografía pueden, con orientación de IA, obtener imágenes con una concordancia superior al 90% respecto a exámenes de referencia; los datos de telerrobótica muestran una reducción real del tiempo hasta el diagnóstico en escenarios remotos. Al mismo tiempo, los propios estudios dejan claros los límites: la tasa de adecuación cae de forma notable en exámenes anatómicamente más complejos, como los estudios obstétricos completos de segundo trimestre realizados por telerrobótica; la automatización de reconocimiento de plano, entrenada mayoritariamente con anatomía típica, tiende a comportarse de forma menos previsible ante variantes anatómicas, biotipos difíciles o patologías atípicas no representadas en los datos de entrenamiento; y ninguno de los sistemas aprobados hasta el momento sustituye la interpretación clínica final: optimizan o guían la captura de la imagen, pero la decisión diagnóstica sigue siendo del médico responsable. A nivel regulatorio, también vale la pena señalar que la mayoría de estas herramientas fue autorizada para tareas específicas y limitadas (una vista cardíaca, un cálculo de fracción de eyección, una clase de examen), no para una automatización completa y autónoma del barrido, y que el estándar de cuidado actual sigue exigiendo supervisión humana sobre el proceso.

Relevancia práctica para quienes están aprendiendo ultrasonido

Para quienes están desarrollando competencia en ultrasonido musculoesquelético o general, el valor práctico de estas herramientas hoy es más el de un asistente de estandarización que el de un sustituto del entrenamiento. Un sistema que señala una ganancia excesiva, sugiere un ajuste de profundidad o confirma que un plano es técnicamente adecuado puede acelerar la fase inicial de familiarización con el equipo, liberando más tiempo de estudio para lo que la IA todavía no hace bien: reconocer la variación normal de la anatomía individual, correlacionar el hallazgo ecográfico con la historia clínica y decidir la conducta ante un resultado ambiguo. En otras palabras, la automatización tiende a comprimir la curva de aprendizaje de la parte técnica del examen —la mecánica de obtener una imagen técnicamente correcta— sin eliminar la necesidad de la parte clínica, que sigue dependiendo de exposición supervisada, práctica deliberada y razonamiento clínico. Entender esta frontera con claridad es lo que permite usar estas herramientas como aceleradores de formación, y no como un atajo que sustituye la construcción real de competencia ecográfica.