https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN LA  
FISIOTERAPIA GERIÁTRICA: AVANCES, DESAFÍOS Y  
PERSPECTIVAS PARA MEJORAR LA CALIDAD DE VIDA DEL  
ADULTO MAYOR  
APPLICATIONS OF ARTIFICIAL INTELLIGENCE IN GERIATRIC  
PHYSICAL THERAPY: ADVANCES, CHALLENGES, AND PROSPECTS  
FOR IMPROVING THE QUALITY OF LIFE OF OLDER ADULTS  
Evelyn Tatiana Lucio Quingatuña1, María Fernanda Quito Naula2, Lady Mariuxi Pucha  
Amancha3, Stefania Victoria Panchana Espinoza4  
{evelynlucio2308@gmail.com1, maferquito@hotmail.com2, ladypucha98@gmail.com3, vickypanchana93@gmail.com4}  
Fecha de recepción: 12/07/2026  
/ Fecha de aceptación: 03/08/2026  
/ Fecha de publicación: 05/08/2026  
RESUMEN: El envejecimiento demográfico ha aumentado la prevalencia de limitaciones  
funcionales, caídas y enfermedades musculoesqueléticas y neurológicas en la población  
anciana, por lo que aparecen modelos de rehabilitación más precisos, accesibles y  
personalizados. La inteligencia artificial (IA) se ha posicionado como una herramienta  
emergente capaz de optimizar la evaluación, el tratamiento y el seguimiento fisioterapéutico  
en la población anciana. identificar, mediante una revisión bibliográfica, las principales  
aplicaciones de la inteligencia artificial para la fisioterapia geriátrica, así como los avances,  
limitaciones y perspectivas que la misma puede aportar para mejorar la calidad de vida del  
anciano. Se llevó a cabo una revisión bibliográfica de tipo narrativo y con soporte de los  
lineamientos PRISMA, y se utilizó búsqueda en base de datos indexadas (PubMed, Scopus, Web  
of Science, ScienceDirect y SciELO), seleccionando los artículos publicados entre 2016 y 2026,  
en español e inglés, que abordaran el uso de la inteligencia artificial en la fisioterapia,  
rehabilitación y salud geriátrica. Se ha observado que los algoritmos de aprendizaje automático  
y profundo, los sensores portátiles, los exoesqueletos robóticos, la telerrehabilitación con la  
ayuda de la inteligencia artificial y la realidad virtual gamificada mejoran la predicción de riesgo  
de caídas, la precisión diagnóstica, la adherencia en el tratamiento y los resultados funcionales  
del equilibrio, la marcha y la movilidad en la población anciana, aunque la mayoría de los  
estudios presentan limitaciones metodológicas así como muestras reducidas. Los resultados  
1Gad Parroquial San Luis de pambil – Guaranda – Ecuador, https://orcid.org/0009-0001-7834-9638  
2Gad Municipal de Azogues Fisioterapeuta – Azogues – Ecuador, https://orcid.org/0009-0007-1152-5899  
3Central Medica Para Mí mall del Norte – Guayaquil – Ecuador, https://orcid.org/0009-0005-8153-0306  
4Hogar Corazón de Jesús S. Victoria Panchana-Espinoza, https://orcid.org/0009-0000-4982-4797  
REVISTA POLITECNICA DE LA CIENCIA  
178  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
encontrados coinciden con la literatura internacional en que la inteligencia artificial  
complementa el criterio clínico del fisioterapeuta, mas no lo sustituye, siendo fundamental  
tratar barreras éticas, de privacidad y de alfabetización digital. La inteligencia artificial se  
evidencia como una herramienta prometedora para transformar la fisioterapia geriátrica hacia  
un modelo más predictivo, personalizado y centrado en la persona mayor, aunque su  
incorporación requiere marcos regulatorios claros, formación profesional continua y validación  
clínica rigurosa.  
Palabras clave: Inteligencia artificial, fisioterapia, anciano, rehabilitación, tecnología  
biomédica, calidad de vida  
ABSTRACT: Demographic aging has increased the prevalence of functional limitations, falls,  
and musculoskeletal and neurological disorders among the elderly population, leading to the  
development of more precise, accessible, and personalized rehabilitation models. Artificial  
intelligence (AI) has emerged as a tool capable of optimizing assessment, treatment, and  
follow-up in physical therapy for the elderly. The aim of this study was to identify, through a  
literature review, the main applications of artificial intelligence in geriatric physical therapy, as  
well as the advances, limitations, and prospects it offers for improving the quality of life of older  
adults. A narrative literature review was conducted in accordance with the PRISMA guidelines,  
and a search was performed in indexed databases (PubMed, Scopus, Web of Science,  
ScienceDirect, and SciELO), selecting articles published between 2016 and 2026, in Spanish and  
English, that addressed the use of artificial intelligence in physical therapy, rehabilitation, and  
geriatric health. It has been observed that machine learning and deep learning algorithms,  
wearable sensors, robotic exoskeletons, telerehabilitation aided by artificial intelligence, and  
gamified virtual reality improve the prediction of fall risk, diagnostic accuracy, treatment  
adherence, and functional outcomes related to balance, gait, and mobility in the elderly  
population, although most studies have methodological limitations and small sample sizes. The  
findings are consistent with the international literature, which indicates that artificial  
intelligence complements but does not replace the physical therapist’s clinical judgment;  
addressing ethical, privacy, and digital literacy barriers is therefore essential. Artificial  
intelligence is emerging as a promising tool for transforming geriatric physical therapy into a  
more predictive, personalized, and older-adult-centered model, although its implementation  
requires clear regulatory frameworks, continuing professional education, and rigorous clinical  
validation.  
Keywords: Artificial intelligence, physical therapy, elderly, rehabilitation, biomedical  
technology, quality of life  
REVISTA POLITECNICA DE LA CIENCIA  
179  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
INTRODUCCIÓN  
El envejecimiento de la población es uno de los fenómenos demográficos más destacados del  
Siglo XXI. La Organización Mundial de la Salud estima que el número de personas mayores de 60  
aumentará desde los 1,100 millones en el 2023 para alcanzar aproximadamente 2,100 millones  
en el 2050, lo que supondrá cerca de una quinta parte de la población del mundo (1); esta  
tendencia al alza comporta el incremento de la demanda de servicios sanitarios destinados a  
mantener la funcionalidad, la independencia y la calidad de vida del anciano. De tal forma, la  
fisioterapia geriátrica ocupa un lugar destacado en la prevención de caídas, el control del dolor  
musculoesquelético, la recuperación y la rehabilitación neurológica, entre otros, en el que los  
métodos convencionales, aunque útiles, presentan limitaciones asociadas a la subjetividad de la  
evaluación clínica, el alto coste de la atención continuada y la escasa proporción de profesionales  
en aquellas áreas rurales o de recursos escasos.  
Ante este escenario, la inteligencia artificial (IA) se ha consolidado como un escenario tecnológico  
integrador que articula el machine learning, el deep learning, la visión por ordenador y el  
procesamiento del lenguaje natural para analizar volúmenes masivos de datos de tipo clínico y  
biomecánico. El análisis bibliométrico de la producción científica referida a IA en el contexto del  
cuidado geriátrico denota que su crecimiento se ha producido de forma sostenida desde 2014, y  
que la rehabilitación y el aprendizaje automático constituyen líneas de investigación emergentes  
(2); y en el mismo sentido, las revisiones sobre la metodología de la IA aplicada a intervenciones  
de actividad física evidencian un aumento en la diversificación de algoritmos predictivos, sistemas  
de feedback en tiempo real y recomendaciones personalizadas (3). En la especialidad concreta de  
la musculoesquelética y la rehabilitación física, diferentes autores han expuesto que los sistemas  
conversacionales con IA (chatbots) pueden ayudar en la educación del paciente y en la clínica de  
la toma de decisiones, aunque su uso también genera controversias debidos a la fiabilidad de la  
información generada (4). Por otra parte, la IA en los métodos diagnósticos de la  
musculoesquelética, particularmente en el análisis de los sistemas de imagen de rayos X y en la  
clasificación automática de los patrones de movimiento mostrados a través del movimiento, ha  
potenciado la precisión y la eficacia de la evaluación clínica (5).  
Los videojuegos serios (serious games), pero basados en algoritmos de visión artificial también  
han avanzado hacia sistemas que son capaces de personalizar la dificultad y la retroalimentación  
de los ejercicios de acuerdo al desempeño motor del paciente (6), aunque las investigaciones más  
actuales en fisioterapia educativa han abordado el razonamiento clínico de extensos modelos de  
lenguaje en comparación con casos de disfunciones musculoesqueléticas simulados, con  
evidencias heterogéneas respecto a la fiabilidad clínica (7). En la medida que se dirige la mirada a  
la población de personas mayores, la evidencia subraya que IA puede disminuir el dolor crónico,  
optimizar la planificación de la intervención y facilitar el monitoreo del progreso funcional en el  
paciente anciano (8).  
REVISTA POLITECNICA DE LA CIENCIA  
180  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
La atención a condiciones musculoesqueléticas crónicas mediante algoritmos de triage y ajuste  
automático de la carga de ejercicio (9), las terapias digitales basadas en aprendizaje profundo con  
efectos sostenidos sobre el dolor y el control del movimiento en pacientes con lumbalgia (10) y  
los programas de rehabilitación digital domiciliaria tras artroplastia total de cadera que obtienen  
resultados funcionales análogos a la rehabilitación convencional, pero con mayor flexibilidad  
respecto a la implementación por parte del paciente (11) son ejemplos concretos. Y en la parte  
del diagnóstico, los sistemas de apoyo de la IA aplicados a la radiografía de rodilla mejoran la  
concordancia inter e intraclínica de los hallazgos clínicos y la calificación de osteoartritis, hecho  
de interés ya que la prevalencia de en el anciano es elevada (12) . Uno de los problemas de salud  
pública más graves en geriatría es la caída accidental, que representa la principal causa de  
lesiones y muertes accidentales en personas con edades superiores a los 65 años.  
Los modelos predictivos basados en sensores portátiles han demostrado ser capaces de prever el  
riesgo de caída a partir de parámetros cinemáticos de la marcha, superando en su capacidad  
discriminativa las escalas clínicas tradicionales (13). Las revisiones sistemáticas sobre tecnologías  
de sensores portátiles avalan la posibilidad de su uso en la evaluación objetiva y continua del  
riesgo de caída en adultos mayores que viven en la comunidad (14). A su vez, los modelos de red  
neuronal profunda aplicados a las pruebas funcionales, como el Timed Up and Go, han obtenido  
clasificaciones de riesgo de caída con sensibilidad clínicamente relevante (15). Por otro lado, la  
telerrehabilitación asistida por IA, ha adquirido gran protagonismo tras la pandemia de COVID-  
19, permitiendo la continuidad de la terapia a distancia. Los estudios realizados en adultos  
mayores con sarcopenia han mostrado cómo la telerrehabilitación potenciada con IA mejora la  
fuerza muscular y la funcionalidad física de la misma manera que la atención presencial (16), lo  
que se ha confirmado en revisiones sistemáticas cuando dicen que la telerrehabilitación en  
tiempo real puede mejorar el desempeño físico, cuando la telerrehabilitación se aplica a una  
población mayor con trastornos musculoesqueléticos (17).  
La realidad virtual y los sistemas de ejergaming con retroalimentación inteligente también han  
mostrado efectos positivos en el equilibrio, fuerza y movilidad para adultos mayores frágiles y  
prefrágiles (18), así como efectos positivos en la cognición y el estado de ánimo en personas  
mayores institucionalizadas (19), en sistemas de ejercicio gamificado inteligente y adaptados a su  
perfil funcional en tiempo real (20). La robótica de la rehabilitación ha demostrado que el uso de  
exoesqueletos motorizados de cadera puede potenciar la eficiencia metabólica de la marcha en  
ancianos sanos, generando una reducción del coste energético del desplazamiento al tiempo que  
favorece el entrenamiento de la resistencia funcional (21). En la misma línea, los robots  
socialmente asistivos han sido utilizados como recursos complementarios para fomentar la  
actividad física, la adherencia y el soporte emocional al anciano/a, aunque su implantación  
depende de factores culturales, de la calidad del uso del dispositivo o de la confianza en la  
tecnología (22). La IA también ha sido aplicada a la telerrehabilitación cardiaca a partir de  
algoritmos de estratificación del riesgo, que han permitido una optimización de la prescripción  
REVISTA POLITECNICA DE LA CIENCIA  
181  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
del ejercicio para las poblaciones con comorbilidad cardiovascular, algo muy frecuente en la  
población anciana (23).  
Sin embargo, los beneficios descritos de la IA en el campo de la geriatría deben balancearse con  
la incorporación de la IA frente a una serie de retos éticos y regulatorios que son de difícil gestión,  
y que no pueden ser obviados. Como prevención del riesgo de exhibir fragilidades en la privacidad  
y protección de datos de salud sensibles en personas vulnerables, la literatura próxima a las  
ciencias sociales (24) también advierte acerca de la necesidad de contar con sistemas de  
automatización de domiciliación que garanticen la vigilancia de la autonomía y de la dignidad de  
la persona anciana, eludiendo la vigilancia extrema que pueda llegar a desintegrar la confianza  
depositada en la tecnología (25). Además, se han detectado sesgos de edad (ageismo) en el diseño  
y la implementación de las soluciones de IA en salud, lo que puede ayudar a la potenciación de  
las inequidades en el acceso a éstas (26), junto con vacíos normativos y cuestiones sobre la  
transparencia algorítmica y la responsabilidad clínica que van de la mano de todo el campo de la  
IA en medicina (27), (28).  
A pesar de la creciente producción de publicaciones sobre IA en el ámbito de la salud en geriatría,  
se mantiene una cuestión de investigación relevante: la evidencia está diseminada por disciplinas  
-biomedical engineering, computer science, gerontology, rehabilitation sciences- y son muy  
escasas las revisiones que integran sistemáticamente los avances tecnológicos hasta el momento  
por los problemas clínicos, éticos y de implementación que plantea la fisioterapia geriátrica. Esto  
dificulta que los clínicos puedan reconocer qué aplicaciones de IA están más fundamentadas  
desde el punto de vista empírico y cuáles están más incipientes, limitando así la transferencia del  
conocimiento científico a la práctica asistencial habitual.  
La razón de ser del presente trabajo radica, pues, en la necesidad de sistematizar y analizar de  
forma crítica la evidencia científica actual con relación a las prácticas de la inteligencia artificial  
en la fisioterapia del adulto mayor al servicio de la toma de decisiones clínico-asistenciales, de  
políticas de salud y de trazar futuras líneas de investigación en un campo muy cambiante por su  
evolución tecnológica. El conocimiento del estado de dicha evidencia se torna especialmente  
relevante para los sistemas de salud de países en vías de desarrollo, donde la escasez de recursos  
humanos especializados en geriatría permite que la IA sea una alternativa potencialmente costo-  
efectiva para incrementar la cobertura y la calidad de la atención fisioterapéutica.  
Por consiguiente, el presente trabajo tiene como objetivo analizar las principales aplicaciones de  
la inteligencia artificial en la fisioterapia geriátrica, así como los avances tecnológicos alcanzados,  
los retos clínicos y éticos y el futuro en la mejora de la calidad de vida funcional en el adulto  
mayor, mediante una revisión bibliográfica de la literatura científica indexada.  
REVISTA POLITECNICA DE LA CIENCIA  
182  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
MATERIALES Y MÉTODOS  
El estudio actual constituye un trabajo de carácter bibliográfico de diseño narrativo, basado en  
los lineamientos metodológicos de la declaración PRISMA (Preferred Reporting Items for  
Systematic Reviews and Meta-Analyses) adaptada para una revisión de alcance no sistemático;  
con el propósito de proveer de transparencia y rigor a los procesos de búsqueda, selección y  
análisis de la evidencia disponible sobre inteligencia artificial en la fisioterapia geriátrica.  
Es un estudio bibliográfico, descriptivo y con un enfoque cualitativo orientado a la síntesis crítica  
de la literatura científica publicada sobre el objeto de estudio, sin intervención directa de por  
medio sobre los sujetos humanos. La muestra documental estuvo constituida por trabajos de  
investigación originales, revisiones sistemáticas, metaanálisis, ensayos clínicos aleatorizados y  
estudios observacionales publicados en revistas indexadas en bases de datos internacionalmente  
reconocidas y que abordaran explícitamente el uso de tecnologías de inteligencia artificial en el  
contexto de la fisioterapia, la rehabilitación física o la salud del anciano.  
La búsqueda, selección y análisis documental tuvieron lugar en un entorno digital académico  
concretamente aprovechando el acceso a las bases de datos de PubMed/MEDLINE, Scopus, Web  
of Science, ScienceDirect, SciELO, JMIR y Cochrane Library, durante el periodo de tiempo de mayo  
a julio de 2026.Se utilizó Descriptors in Health Sciences (DeCS/MeSH) en combinación a través de  
operadores booleanos ("artificial intelligence" AND "physical therapy" OR "physiotherapy" AND  
"older adults" OR "geriatric" OR "aged") más términos libres como "machine learning", "deep  
learning", "wearable sensors", "exoskeleton", "telerehabilitation" y "fall risk prediction". Se  
incluyeron trabajos publicados entre los años 2016 y 2026, en lengua española o inglesa, con  
texto completo disponible y la temática directamente relacionada con la fisioterapia o  
rehabilitación geriátrica asistida por IA. Se excluyeron cartas al editor, resúmenes de congresos,  
trabajos no revisados por pares y publicaciones solo relacionadas con la población pediátrica o  
que aplicaban IA fuera del contexto musculoesquelético, neurológico o funcional del  
envejecimiento.  
Considerando el carácter bibliográfico y cualitativo de la revisión, no se realizó análisis estadístico  
inferencial. El análisis se fundamentó en una síntesis narrativa y comparativa sobre los resultados  
cuantitativos informados (medidas de efecto, sensibilidad, especificidad, exactitud y significación  
estadística informada por p<0,05) descritos en los estudios primarios, así como en las revisiones  
sistemáticas y metaanálisis incluidos, organizados según la temática correspondiente al tipo de  
tecnología de inteligencia artificial.  
En la tabla 1 se presenta de forma resumida y sintetizada el diseño metodológico incluido en la  
presente revisión bibliográfica.  
REVISTA POLITECNICA DE LA CIENCIA  
183  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
Tabla 1. Síntesis del diseño metodológico de la revisión bibliográfica.  
Componente  
Tipo de estudio  
Bases de datos  
consultadas  
Periodo de  
Descripción  
Revisión bibliográfica narrativa con apoyo de lineamientos PRISMA  
PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect, SciELO, JMIR, Cochrane  
Library  
Mayo – julio de 2026  
búsqueda  
Periodo de  
2016 – 2026  
publicación incluido  
Idiomas incluidos  
Descriptores  
DeCS/MeSH  
Operadores  
Español e inglés  
Artificial intelligence; physical therapy modalities; aged; rehabilitation; machine  
learning; wearable sensors; exoskeleton; telerehabilitation  
AND / OR combinando IA, fisioterapia y adulto mayor  
booleanos  
Criterios de  
inclusión  
Estudios originales, revisiones sistemáticas, metaanálisis y ensayos clínicos con  
enfoque en IA aplicada a rehabilitación o salud funcional geriátrica; texto completo  
disponible  
Criterios de  
exclusión  
Cartas al editor, resúmenes de congreso, estudios sin revisión por pares, población  
pediátrica, aplicaciones de IA no relacionadas con función musculoesquelética o  
motora  
Tipo de análisis  
Síntesis narrativa y comparativa de resultados cuantitativos reportados en los  
estudios primarios  
El cuadro metodológico da cuenta de una búsqueda sistematizada y reproducible, que combina  
fuentes biomédicas y de tecnología en salud de alto factor de impacto, con una clara preferencia  
a la incorporación de trabajos recientes que reflejan el estado de la evidencia sobre inteligencia  
artificial en fisioterapia geriátrica. La triangulación de bases de datos clínicas (PubMed, Cochrane)  
y bases de datos de salud digital (JMIR) permitió recoger tanto la evidencia clínica como las  
innovaciones tecnológicas, ayudando así a fortalecer la validez del procedimiento de selección  
documental y a prevenir el riesgo de sesgo de publicación hacia una única disciplina académica.  
RESULTADOS  
A raíz del proceso de búsqueda y selección documental anteriormente mencionado, se han  
detectado y analizado estudios que se han agrupado en tres grandes categorías de aplicación de  
la inteligencia artificial en fisioterapia geriátrica, estas son: i) sistemas de predicción del riesgo de  
caídas utilizando sensores portátiles y machine learning; ii) dispositivos robóticos y sistemas de  
apoyo diagnóstico basados en IA; y iii) telerrehabilitación y realidad virtual asistidas por IA. A  
continuación, el análisis por cada una de las categorías y con sus respectivas tablas.  
REVISTA POLITECNICA DE LA CIENCIA  
184  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
Predicción del riesgo de caídas mediante sensores portátiles e inteligencia artificial  
En primer lugar, se describen los estudios que utilizan algoritmos de machine learning y deep  
learning junto a los sensores inerciales para la predicción objetiva del riesgo de caídas en la  
población envejecida, un problema prioritario en la fisioterapia geriátrica debido a su elevadísima  
morbimortalidad asociada, tal y como se sintetizan en la tabla 2 los principales hallazgos que han  
podido extraerse de este eje temático.  
Tabla 2. Estudios sobre predicción de caídas mediante sensores portátiles e inteligencia artificial en adultos  
mayores  
Autor(es) / Año  
Tecnología de IA  
Muestra /  
Contexto  
Principal hallazgo  
Howcroft et al.,  
2017 (13)  
Modelos de  
aprendizaje  
automático con  
sensores portátiles  
Revisión sistemática  
de sensores portátiles  
Adultos mayores  
comunitarios  
Los modelos predictivos  
superaron a las escalas clínicas  
tradicionales en la discriminación  
de caedores y no caedores  
Los sensores combinados con IA  
permiten evaluación objetiva y  
continua del riesgo de caída en  
entornos comunitarios  
Chen et al.,  
2022 (14)  
Múltiples estudios,  
adultos ≥65 años  
Roshdibenam et  
al., 2021 (15)  
Red neuronal  
Pacientes  
El modelo alcanzó alta  
convolucional aplicada  
al test Timed Up and  
Go  
geriátricos con  
comorbilidad  
múltiple  
sensibilidad para clasificar el  
riesgo de caída con sensores no  
invasivos  
El análisis de la tabla 2 indica que los Learning Machine Models aplicada a datos cinemáticos  
logran superar a las escalas clínicas valorativas tradicionales como el índice de Tinetti, o la escala  
de Berg, en cuanto a sensibilidad y especificidad para predecir eventos de caída (13). Además, la  
integración de sensores portátiles de bajo coste posibilita la monitorización continua, en el campo  
del hogar y en el de la comunidad (14). También los LMM basados en redes neuronales  
convolucionales (CNN) aplicados a las pruebas funcionales estandarizadas, como el Timed Up and  
Go, tienen el potencial de automatizar valoraciones que eran sistemáticamente objeto del juicio  
subjetivo del clínico, permitiendo, por lo tanto, una mayor objetividad y reproducibilidad del  
diagnóstico funcional (15).  
Dispositivos robóticos y sistemas de apoyo diagnóstico basados en inteligencia artificial  
En segundo lugar, se analizan las aplicaciones del campo de la robótica rehabilitativa y de los  
sistemas de ayuda de diagnóstico basados en IA, orientadas a mejorar la eficiencia del  
entrenamiento motor y la precisión del diagnóstico musculoesquelético del adulto mayor, tal  
como se recoge en la tabla 3.  
REVISTA POLITECNICA DE LA CIENCIA  
185  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
Tabla 3. Dispositivos robóticos y sistemas de apoyo diagnóstico basados en inteligencia artificial en rehabilitación  
geriátrica  
Autor(es) /  
Año  
Dispositivo / Sistema  
Diseño / Muestra  
Resultado funcional principal  
Martini et al.,  
2019 (21)  
Exoesqueleto robótico  
de cadera (Active Pelvis  
Orthosis)  
Rehabilitación digital  
domiciliaria post-  
Ensayo controlado,  
20 adultos  
mayores sanos  
Estudio piloto, un  
centro, grupos  
paralelos  
Reducción del 26,6% en el costo  
metabólico de transporte tras 4  
semanas de entrenamiento asistido  
Resultados funcionales  
comparables a la fisioterapia  
convencional, con mayor  
Correia et al.,  
2019 (11)  
artroplastia de cadera  
flexibilidad para el paciente  
Mayor asociación entre hallazgos  
clínicos y calificaciones diagnósticas  
de osteoartritis  
Neubauer et  
al., 2023 (12)  
Sistema de apoyo  
diagnóstico por IA en  
radiografías de rodilla  
Pacientes con  
sospecha de  
gonartrosis  
Los resultados que se recogen en la tabla 3 apuntan a que los exoesqueletos robóticos, basados  
en algoritmos de control adaptativo, permitirían lograr una reducción del coste metabólico de la  
marcha en personas mayores, favoreciendo un más eficiente y menos fatigoso entrenamiento de  
la resistencia (21). De forma paralela, los sistemas digitales de rehabilitación domiciliaria  
posquirúrgica han mostrado resultados funcionales que son equivalentes a la atención  
convencional presencial, con la ventaja adicional de flexibilidad horaria y de menor necesidad de  
desplazamiento del paciente (11). En la faceta diagnóstica, los sistemas de soporte  
fundamentados en IA utilizados en estudios de imagen logran incrementar la coincidencia entre  
las exploraciones clínicas y el grado de gravedad de la osteoartritis de rodilla en los estudios  
radiográficos, posiblemente con el fin de mejorar el momento de la derivación a programas de  
fisioterapia concretos (12). Igualmente, las plataformas que escalan las personas afectadas por  
problemas musculoesqueléticos crónicos, en las cuales hay un triage automatizado a través de  
soporte informático, potencian la priorización clínica en personas con alta demanda asistencial  
(9).  
Telerrehabilitación y realidad virtual asistidas por inteligencia artificial  
Finalmente, se exponen las posibilidades de telerrehabilitación y realidad virtual gamificada  
potenciadas por la inteligencia artificial orientadas a facilitar la adherencia, motivar a las  
personas, y ayudar en la continuidad terapéutica de personas adultas mayores al tratamiento  
fisioterapéutico como se expone en la tabla 4.  
Tabla 4. Modalidades de telerrehabilitación y realidad virtual asistidas por inteligencia artificial en adultos  
mayores.  
Autor(es) /  
Año  
Modalidad tecnológica  
Población / Diseño  
Efecto reportado  
Wei et al.,  
2025 (16)  
Telerrehabilitación potenciada  
por IA  
Adultos mayores con  
sarcopenia  
Mejoría de la fuerza  
muscular y la  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
186  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
funcionalidad física  
comparable a la  
atención presencial  
Mejora significativa del  
desempeño físico  
frente a la atención  
habitual  
Jirasakulsuk  
et al., 2022  
(17)  
Telerrehabilitación en tiempo  
real (revisión  
sistemática/metaanálisis)  
Adultos mayores con  
condiciones  
musculoesqueléticas  
Alhasan et  
al., 2025 (18)  
Realidad virtual domiciliaria  
(revisión  
sistemática/metaanálisis)  
Sistema de ejergaming  
inteligente adaptativo  
Adultos mayores frágiles  
y prefrágiles  
Mejoras significativas  
en equilibrio, fuerza y  
movilidad funcional  
Mejora de la calidad  
de vida percibida y  
buena usabilidad del  
sistema  
Chang et al.,  
2025 (20)  
Adultos mayores frágiles,  
estudio de cohorte  
prospectivo  
La Tabla 4 también revela que la telerrehabilitación apoyada por IA puede alcanzar resultados  
funcionales similares a la atención en persona en el caso de poblaciones geriátricas vulnerables,  
tal como los ancianos sarcopénicos (16). Este dato coincide con lo que se ha fundado en revisiones  
sistemáticas relativas a condiciones musculoesqueléticas (17). Asimismo, la realidad virtual  
domiciliaria muestra efectos favorables consistente sobre la marcha, la fuerza y la movilidad  
funcional en personas ancianas frágiles y prefrágiles, que normalmente no son suficientemente  
representadas en estudios clínicos convencionales al ser más vulnerables (18). Los sistemas de  
ejergaming adaptativo, es decir, aquellos que modifican la dificultad del ejercicio según el  
desempeño motor en tiempo real, están también relacionados con una mejor percepción de  
calidad de vida y una adecuada aceptación tecnológica del usuario anciano (20), lo que podría  
indicar que la personalización algorítmica de la carga terapéutica puede constituir un recurso para  
sostener la motivación y una adherencia a largo plazo.  
Así, puede afirmarse que los resultados obtenidos se presentan de un modo muy objetivo,  
pudiendo ser observados que las tres categorías de aplicación analizadas predicción de caídas,  
robótica/diagnóstico asistido y telerrehabilitación/realidad virtual se asocian a beneficios  
funcionales medibles para el adulto mayor, pero con formalizándose en niveles de evidencias  
heterogéneas, sobre todo pilot studies, revisiones controladas y ensayos con muestras  
moderadas, que se han de retomar con más profundidad en el apartado de discusión.  
DISCUSIÓN  
Los resultados recabados en la presente revisión bibliográfica evidencian cómo, la inteligencia  
artificial se encuentra firmemente instaurada como recurso transversal en la fisioterapia  
geriátrica, con aplicaciones que van desde la predicción del riesgo de caídas precoz hasta la  
robótica de rehabilitación o la telerrehabilitación domiciliaria. Estos datos se contraponen a lo  
expuesto en el análisis bibliométrico llevado a cabo por Wang et al, (2) quienes manifiestan un  
REVISTA POLITECNICA DE LA CIENCIA  
187  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
crecimiento sostenido de la producción científica en IA en el cuidado geriátrico desde 2014,  
identificando el machine learning, el deep learning y la rehabilitación como líneas de investigación  
en expansión, lo cuales refuerzan la pertinencia a la temporalidad y a la concertación clínica del  
presente trabajo.  
En cuanto a la cuestión de la predicción del riesgo de caídas, los resultados aquí expuestos  
coinciden con el informado por Howcroft et al. (13) y la revisión sistemática llevada a cabo por  
Chen et al. (14), enfrentados a los anteriores, concluyen que los modelos de aprendizaje  
automático basados en sensores portátiles superan de forma más que consistente a las escalas  
clínicas tradicionales para discriminar entre las personas en alto riesgo de caída. La coincidencia  
de los resultados encontraros en diferentes poblaciones y contextos geográficos refuerza su  
validez externa y deja entrever la posibilidad de que los modelos de aprendizaje automático  
basados en sensores portátiles, si se incorporan a la fisioterapia, puedan optimizar la focalización  
de los programas de prevención y reducir la carga asistencial asociada a las fracturas y la  
hospitalización derivadas de las caídas accidentales. Otra cuestión para añadir es que la  
heterogeneidad de los métodos de sensorización tomada tipo de sensor, ubicación corporal,  
frecuencia de muestreo todavía dificulta la estandarización y la comparabilidad directa entre  
estudios, como, a su vez, están en riesgo Chen et al. (14).  
Con respecto a la robótica de rehabilitación, los resultados de Martini et al. (21), que aluden a  
una disminución significativa en el costo metabólico de la marcha después del entrenamiento con  
exoesqueleto de cadera, contrastan dignamente con los resultados de revisiones de un espectro  
más amplio de tecnología digital musculoesquelética como la de Favre et al. (6), que afirman que  
los videojuegos serios adaptados mediante IA tienen potencial para ser individualizados  
incrementando la intensidad del ejercicio terapéutico. La sinergia de ambas evidencias va en la  
dirección común de transferir la capacidad de los sistemas IA para poder ajustar la carga de  
trabajo físico establecida por la condición biomecánica y la condición fisiológica del paciente, lo  
que implica un beneficio evidente respecto a los protocolos de fisioterapia convencional, que son  
de base estandarizados y menos sensibles a la variabilidad interindividual que se asocia al  
envejecimiento. El escaso tamaño muestral del estudio de Martini et al. (21) (n=20) limita poder  
generalizar sus conclusiones, un comportamiento metodológico que se repite en gran parte de la  
literatura relacionada con robótica geriátrica y que resulta una limitación habitual de este ámbito.  
En relación con la telerrehabilitación, los resultados de Wei et al. (16) en adultos mayores con  
sarcopenia y de la revisión sistemática de Jirasakulsuk et al. (17) sugieren que existe una eficacia  
semejante entre telerrehabilitación potenciada por IA y la atención presencial convencional,  
sirviendo como soporte para su validez como estrategia costo-efectiva para ampliar la cobertura  
fisioterapéutica en poblaciones que deben sortear barreras de acceso geográfico o de movilidad.  
Resulta relevante en la actualidad en el contexto latinoamericano donde la prevalencia de  
fisioterapeutas especializados en geriatría suele ser escasa fuera de los grandes centros de  
poblaciones. Asimismo, los resultados en lo que respecta a realidad virtual domiciliaria de Alhasan  
REVISTA POLITECNICA DE LA CIENCIA  
188  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
et al. (18) así como ejergaming adaptativo de Chang et al. (20) recalcan la indicación de que la  
gamificación apoyada en IA no solo mejora los resultados funcionales objetivos el equilibrio, la  
fuerza, la movilidad, sino también la percepción subjetiva de calidad de vida, lo que ofrece una  
inquietante indicación de que la gamificación también puede tener un efecto positivo en los  
aspectos relacionados con el bienestar psicológico de la persona mayor frágil, también en  
consonancia con lo observados por Yen y Chiu (19) en cuanto a mejora cognitiva y anímica en  
relación con la utilización de exergames en personas mayores institucionalizadas.  
Otro aspecto que hay que discutir de forma particular es aquella contraposición que se mantiene  
en el tiempo entre innovación tecnológica y consideraciones éticas. Mientras que los reportes  
técnicos revisados hacen referencia casi en su totalidad a las virtudes funcionales del uso de IA,  
las revisiones de literatura ética y en salud pública advierten inequívocamente sobre cuestiones  
como los peligros de la privacidad (24), la posible erosión de la dignidad y de la autonomía del  
anciano en los sistemas de control en el domicilio (25), y la existencia de patrones de sesgo etario  
en el diseño tecnológico (26). Esta dualidad evidencia clínica prometedora, frente a riesgos éticos  
no resueltos está en consonancia con lo que refiere Boudi et al. (28), quienes afirman que los  
retos derivados de la falta de transparencia, sesgo algorítmico y responsabilidad clínica exceden  
el marco de especialidades de la medicina y requieren marcos regulatorios para garantizar una  
adopción generalizada. Siguiendo esta lógica, los resultados de la revisión que se presenta indican  
que la discusión en torno a la IA aplicada a la fisioterapia geriátrica no debería limitarse a la  
muestra de eficacia clínica, sino que debería incluir explícitamente la perspectiva de la persona  
mayor, su nivel de alfabetización digital y su propio derecho a decidir sobre el uso, o no, de  
tecnologías en su propio proceso terapéutico.  
Finalmente, al realizar una comparación transversal de los tres ejes tratados, se puede afirmar  
que ninguno de los estudios incluidos se plantea la sustitución del criterio clínico del  
fisioterapeuta por sistemas autónomos de IA; al contrario, la principal tendencia en la literatura  
científica más reciente, como la revisión de Rossettini et al (4) en relación con chatbot en  
rehabilitación musculoesquelética, apunta hacia un modelo de hibridación humano-IA, en el que  
la tecnología actúa como herramienta que apoya la decisión clínica y no como una opción que  
sustituya el razonamiento profesional. Esta conclusión también se comparte con la afirmación de  
Hao et al (7), quienes describen un rendimiento aún heterogéneo de los modelos de lenguaje  
extenso en relación con casos clínicos musculoesqueléticos complejos, subrayando la necesidad  
de supervisión profesional entre personas expertas. En este sentido, la evidencia de que se  
dispone está a favor de una incorporación gradual, crítica y reflexiva de la IA en la fisioterapia  
geriátrica, más que de una rápida o incluso indiscriminada aplicación de las tecnologías.  
REVISTA POLITECNICA DE LA CIENCIA  
189  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
CONCLUSIONES  
La inteligencia artificial se va posicionando como una herramienta con potencial transformador  
para la fisioterapia geriátrica, permitiendo la predicción temprana del riesgo de caídas y de la  
marcha, la optimización de la marcha robótica, la personalización de la rehabilitación domiciliaria  
y el fortalecimiento de la tele-rehabilitación en poblaciones con limitadas oportunidades de  
acceso a cualquier tipo de servicios especializados. Con relación a la finalidad planteada, se  
evidenció que estas aplicaciones tecnológicas mejoran indicadores funcionales objetivos  
equilibrio, marcha, fuerza y movilidad y aspectos subjetivos de bienestar y calidad de vida  
percibida en el adulto mayor.  
En la misma línea se concluye que, si bien la reciente evidencia científica se respetan de manera  
consistente los beneficios clínicos y funcionales de la inteligencia artificial en diferentes  
modalidades de intervención fisioterapéutica, su efectiva implementación se enfrenta a desafíos  
importantes relacionados con la heterogeneidad metodológica de los estudios, el número  
reducido de muestras, la falta de marcos regulatorios específicos y las claras preocupaciones  
éticas sobre la privacidad, la autonomía y la equidad del acceso de la población mayor a estas  
tecnologías.  
Al mismo tiempo que se concluye que la inteligencia artificial no debe entenderse como un relevo  
al criterio clínico del fisioterapeuta, sino como un recurso complementario que permite reforzar  
la precisión diagnóstica, la personalización de la terapia y la cobertura asistencial, siempre que en  
su implementación se siente un respaldo acompañado de la formación profesional continua, la  
validación clínica y la participación del adulto mayor en la toma de decisiones sobre el uso de  
estas herramientas. Las perspectivas futuras del campo van hacia el fortalecimiento de los  
modelos híbridos de atención humano-tecnología, la estandarización de protocolos de  
sensorización y la generación de evidencia de mayor calidad metodológica de ensayos clínicos  
multicéntricos y de largo plazo que permitan traducir de forma segura y equitativa los avances de  
la inteligencia artificial hacia la práctica cotidiana de la fisioterapia geriátrica.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
World Health Organization. Ageing and health. Geneva: World Health Organization. 2024.  
Wang J, Liang Y, Cao S, Cai P, Fan Y. Application of Artificial Intelligence in Geriatric Care:  
Bibliometric Analysis. J Med Internet Res. 2023 Jun 23;25:e46014. doi:10.2196/46014  
An R, Shen J, Wang J, Yang Y. A scoping review of methodologies for applying artificial  
intelligence to physical activity interventions. J Sport Health Sci. 2024 May;13(3):428–41.  
doi:10.1016/j.jshs.2023.09.010  
3.  
4.  
Rossettini G, Cook C, Palese A, Pillastrini P, Turolla A. Pros and Cons of Using Artificial  
Intelligence Chatbots for Musculoskeletal Rehabilitation Management. Journal of  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
190  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
Orthopaedic  
&
Sports  
Physical  
Therapy.  
2023  
Dec;53(12):728–34.  
doi:10.2519/jospt.2023.12000  
5.  
6.  
7.  
Dhumale A, Shinde S, Ambali MP, Patil P. Integration of Artificial Intelligence for Diagnostic  
Methods in Musculoskeletal Conditions: A Systematic Review. Cureus. 2025 Feb 20.  
doi:10.7759/cureus.79391  
Favre J, Cantaloube A, Jolles BM. Rehabilitation for Musculoskeletal Disorders: The  
Emergence of Serious Games and the Promise of Personalized Versions Using Artificial  
Intelligence. J Clin Med. 2023 Aug 15;12(16):5310. doi:10.3390/jcm12165310  
Hao J, Yao Z, Siu K. Artificial Intelligence in Physical Therapy Education: Evaluating Clinical  
Reasoning Performance in Musculoskeletal Care Using ChatGPT. Musculoskeletal Care.  
2025 Sep 31;23(3). doi:10.1002/msc.70177  
8.  
9.  
Pedersini P, Tovani-Palone MR. Artificial Intelligence in Geriatric Rehabilitation. Top Geriatr  
Rehabil. 2024 Apr;40(2):95–8. doi:10.1097/TGR.0000000000000428  
Areias AC, Janela D, Moulder RG, Molinos M, Bento V, Moreira C, et al. Applying AI to Safely  
and Effectively Scale Care to Address Chronic MSK Conditions. J Clin Med. 2024 Jul  
26;13(15):4366. doi:10.3390/jcm13154366  
10.  
11.  
12.  
Park C, Yi C, Choi WJ, Lim HS, Yoon HU, You S (Joshua) H. Long-term effects of deep-learning  
digital therapeutics on pain, movement control, and preliminary cost-effectiveness in low  
back  
pain:  
A
randomized  
controlled  
trial.  
Digit  
Health.  
2023  
Jan  
3;9.  
doi:10.1177/20552076231217817  
Dias Correia F, Nogueira A, Magalhães I, Guimarães J, Moreira M, Barradas I, et al. Digital  
Versus Conventional Rehabilitation After Total Hip Arthroplasty: A Single-Center, Parallel-  
Group  
Pilot  
Study.  
JMIR  
Rehabil  
Assist  
Technol.  
2019  
Jun  
21;6(1):e14523.  
doi:10.2196/14523  
Neubauer M, Moser L, Neugebauer J, Raudner M, Wondrasch B, Führer M, et al. Artificial-  
Intelligence-Aided Radiographic Diagnostic of Knee Osteoarthritis Leads to a Higher  
Association of Clinical Findings with Diagnostic Ratings. J Clin Med. 2023 Jan 17;12(3):744.  
doi:10.3390/jcm12030744  
13.  
14.  
15.  
16.  
Howcroft J, Kofman J, Lemaire ED. Prospective Fall-Risk Prediction Models for Older Adults  
Based on Wearable Sensors. IEEE Transactions on Neural Systems and Rehabilitation  
Engineering. 2017 Oct;25(10):1812–20. doi:10.1109/TNSRE.2017.2687100  
Chen M, Wang H, Yu L, Yeung EHK, Luo J, Tsui KL, et al. A Systematic Review of Wearable  
Sensor-Based Technologies for Fall Risk Assessment in Older Adults. Sensors. 2022 Sep  
7;22(18):6752. doi:10.3390/s22186752  
Roshdibenam V, Jogerst GJ, Butler NR, Baek S. Machine Learning Prediction of Fall Risk in  
Older Adults Using Timed Up and Go Test Kinematics. Sensors. 2021 May 17;21(10):3481.  
doi:10.3390/s21103481  
Wei M, Meng D, He S, Lv Z, Guo H, Yang G, et al. Investigating the efficacy of AI-enhanced  
telerehabilitation in sarcopenic older individuals. Eur Geriatr Med. 2024 Oct 25;16(1):115–  
23. doi:10.1007/s41999-024-01082-y  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
191  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 178-192  
DOI:  
https://doi.org/10.56519/86nt4t87  
17.  
18.  
Jirasakulsuk N, Saengpromma P, Khruakhorn S. Real-Time Telerehabilitation in Older Adults  
With Musculoskeletal Conditions: Systematic Review and Meta-analysis. JMIR Rehabil Assist  
Technol. 2022 Sep 1;9(3):e36028. doi:10.2196/36028  
Alhasan H, Alandijani E, Bahamdan L, Khudary G, Aburaya Y, Awali A, et al. Home-Based  
Virtual Reality Training for Enhanced Balance, Strength, and Mobility Among Older Adults  
With Frailty: Systematic Review and Meta-Analysis. JMIR Serious Games. 2025 Jul  
18;13:e67146–e67146. doi:10.2196/67146  
19.  
20.  
Yen HY, Chiu HL. Virtual Reality Exergames for Improving Older Adults’ Cognition and  
Depression: A Systematic Review and Meta-Analysis of Randomized Control Trials. J Am  
Med Dir Assoc. 2021 May;22(5):995–1002. doi:10.1016/j.jamda.2021.03.009  
Chang CH, Wei CC, Lien WC, Yang TH, Liu B, Lin Y, et al. The Usability and Effect of a Novel  
Intelligent Rehabilitation Exergame System on Quality of Life in Frail Older Adults:  
Prospective Cohort Study. JMIR Serious Games. 2025 Jan 21;13:e50669–e50669.  
doi:10.2196/50669  
21.  
22.  
Martini E, Crea S, Parri A, Bastiani L, Faraguna U, McKinney Z, et al. Gait training using a  
robotic hip exoskeleton improves metabolic gait efficiency in the elderly. Sci Rep. 2019 May  
9;9(1):7157. doi:10.1038/s41598-019-43628-2  
He Y, He Q, Liu Q. Technology Acceptance in Socially Assistive Robots: Scoping Review of  
Models, Measurement, and Influencing Factors. J Healthc Eng. 2022 Jul 22;2022:1–10.  
doi:10.1155/2022/6334732  
23.  
24.  
25.  
26.  
Su J, Zhang Y, Ke Q qi, Su J kun, Yang Q hong. Mobilizing artificial intelligence to cardiac  
telerehabilitation. Rev Cardiovasc Med. 2022 Jan 25;23(2). doi:10.31083/j.rcm2302045  
Murdoch B. Privacy and artificial intelligence: challenges for protecting health information  
in a new era. BMC Med Ethics. 2021 Dec 15;22(1):122. doi:10.1186/s12910-021-00687-3  
Ho A. Are we ready for artificial intelligence health monitoring in elder care? BMC Geriatr.  
2020 Dec 21;20(1):358. doi:10.1186/s12877-020-01764-9  
Seckin G. Editorial: AI-driven healthcare delivery, ageism, and implications for older adults:  
emerging trends and challenges in public health. Front Public Health. 2025 Dec 18;13.  
doi:10.3389/fpubh.2025.1755410  
27.  
28.  
Joseph J. Designing for dignity: ethics of AI surveillance in older adult care. Front Digit  
Health. 2025 Aug 22;7. doi:10.3389/fdgth.2025.1643238  
Boudi AL, Boudi M, Chan C, Boudi FB. Ethical Challenges of Artificial Intelligence in Medicine.  
Cureus. 2024 Nov 26. doi:10.7759/cureus.74495  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
192