https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
EFICACIA DE LA INTELIGENCIA ARTIFICIAL Y LOS  
DISPOSITIVOS INTELIGENTES DURANTE LA REANIMACIÓN  
CARDIOPULMONAR EN PACIENTES CON PARO  
CARDIORRESPIRATORIO: REVISIÓN SISTEMÁTICA Y  
METAANÁLISIS  
EFFECTIVENESS OF ARTIFICIAL INTELLIGENCE AND SMART  
DEVICES DURING CARDIOPULMONARY RESUSCITATION IN  
PATIENTS WITH CARDIOPULMONARY ARREST: A SYSTEMATIC  
REVIEW AND META-ANALYSIS  
Leonardo Lanzee Mendoza Jiménez1, Sandra Mirella Cabrera Vivar2, Dolores Patricia  
Morocho Suárez3, Nirvan Andrés Rivadeneira Cajas4  
{lic.lanzee.mendoza@hotmail.com1, sandra200cabrera@gmail.com2, patriciamor1409@gmail.com3, narivadeneira1@utpl.edu.ec4}  
Fecha de recepción: 13/07/2026  
/ Fecha de aceptación: 03/08/2026  
/ Fecha de publicación: 05/08/2026  
RESUMEN: El paro cardiorrespiratorio (PCR) sigue siendo uno de los principales motivos de  
mortalidad evitable en el mundo, con tasas de supervivencia bajas a pesar de la mejora en la  
reanimación cardiopulmonar (RCP). En los últimos años, la inteligencia artificial (IA) y los  
dispositivos inteligentes han sido integrados en diferentes momentos de la cadena de  
supervivencia. Objetivo: determinar la utilidad de la IA y dispositivos inteligentes aplicados  
durante la RCP en los pacientes con PCR, mediante una revisión sistemática y un metaanálisis.  
Metodología: se desarrolló una investigación bibliográfica de tipo revisión sistemática con  
metaanálisis, adaptando de acuerdo con la declaración PRISMA 2020. La búsqueda se realizó  
en PubMed/MEDLINE, Scopus, Web of Science, Cochrane Library y SciELO, y se incluyeron los  
estudios publicados entre 2016 y 2026 más aquellos que evaluaron el reconocimiento del PCR  
mediante soporte telefónico y aprendizaje automático, dispositivos inteligentes de  
retroalimentación, modelos pronósticos de resultados y sistemas de desfibrilación asistida.  
Resultados: fueron incluidos 24 estudios primarios en el metaanálisis. En el reconocimiento  
telefónico asistido por aprendizaje automático hubo una sensibilidad muy próxima al 85% para  
el reconocimiento del PCR durante las llamadas de emergencia; los dispositivos inteligentes de  
retroalimentación aumentaron el número de compresiones dentro de la franja de compresión  
objetivo de un 45,0% a un 93,75%; y los modelos pronósticos mostraron valores de área bajo la  
1Investigador Independiente - México, https://orcid.org/0009-0005-3322-6916  
2Investigador Independiente - Ecuador, https://orcid.org/0009-0001-9067-4265  
3Investigador Independiente - Ecuador, https://orcid.org/0009-0006-8847-4586  
4Universidad Técnica Particular de Loja – Ecuador, https://orcid.org/0000-0003-0967-5306  
REVISTA POLITECNICA DE LA CIENCIA  
193  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
curva de 0,86 y 0,93 para la predicción del resultado neurológico. Conclusión: la IA y dispositivos  
inteligentes durante la RCP presentan mejoras en el reconocimiento del PCR, la calidad de las  
compresiones torácicas y la capacidad predictiva, aunque existe heterogeneidad metodológica  
y escasez de los ensayos clínicos en escenarios reales y de referencia, y esto convoca a  
estandarizar más las futuras investigaciones.  
Palabras clave: Inteligencia artificial, reanimación cardiopulmonar, paro cardíaco, aprendizaje  
automático, dispositivos electrónicos vestibles  
ABSTRACT: Cardiorespiratory arrest (CRA) remains one of the leading causes of preventable  
mortality worldwide, with low survival rates despite improvements in cardiopulmonary  
resuscitation (CPR). In recent years, artificial intelligence (AI) and smart devices have been  
integrated at various stages of the chain of survival. Objective: To determine the utility of AI  
and smart devices applied during CPR in patients with CRA through a systematic review and  
meta-analysis. Methodology: A systematic review with meta-analysis was conducted, adapted  
according to the PRISMA 2020 statement. The search was performed in PubMed/MEDLINE,  
Scopus, Web of Science, Cochrane Library, and SciELO, including studies published between  
2016 and 2026, as well as those evaluating CRA recognition via telephone support and machine  
learning, smart feedback devices, prognostic outcome models, and assisted defibrillation  
systems. Results: Twenty-four primary studies were included in the meta-analysis. Machine  
learning-assisted telephone recognition demonstrated a sensitivity close to 85% for detecting  
CRA during emergency calls; smart feedback devices increased the percentage of chest  
compressions within the target rate range from 45.0% to 93.75%; and prognostic models  
showed area under the curve (AUC) values between 0.86 and 0.93 for predicting neurological  
outcomes. Conclusion: The application of AI and smart devices during CPR improves CRA  
recognition, chest compression quality, and predictive capacity. However, methodological  
heterogeneity and a scarcity of clinical trials in real-world and benchmark settings highlight the  
need for greater standardization in future research.  
Keywords: Artificial intelligence, Cardiopulmonary resuscitation, Cardiorespiratory arrest,  
Machine learning, Wearable electronic devices  
INTRODUCCIÓN  
El paro cardiorrespiratorio (PCR) es una de las emergencias médicas de mayor repercusión en la  
salud pública mundial, ya que pone en jaque simultáneamente la circulación y la ventilación  
espontáneas y, sin medidas a tiempo, lleva a la muerte en cuestión de minutos. A pesar de las  
mejoras en los sistemas de emergencias y en los protocolos de reanimación cardiopulmonar  
(RCP), la supervivencia sigue siendo baja: las evidencias acumuladas indican que la incidencia  
REVISTA POLITECNICA DE LA CIENCIA  
194  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
agrupada de retorno de la circulación espontánea (RCE) se encuentra en torno al 29,7%, mientras  
que la supervivencia al alta hospitalaria no alcanza el 8,8% a nivel global, siendo especialmente  
diferentes entre regiones (1). Resulta claro que, aun habiendo pasado varias décadas de  
investigación en reanimación, todavía existen grandes disparidades entre el conocimiento  
científico disponible y los resultados clínicos observados.  
Una de las causas conocidas que explicarían esta discrepancia es la variabilidad en la calidad de  
la RCP impartida por reanimadores legos y por personal de salud que tienden a realizar una  
frecuencia o profundidad de compresión inadecuadas, bien sea por la fatiga, bien por la situación  
estresante que se vive o bien por la falta de un entrenamiento teórico y práctico reciente. Para  
hacer frente a este escenario, la incorporación de tecnologías de entrenamiento y de  
retroalimentación comunicada ha mostrado tener efectos positivos para incrementar tanto la  
adquisición como la retención de habilidades en la compresión torácica, tanto en población adulta  
como en población adolescente, lo que ha favorecido el empeño en buscar soluciones  
tecnológicas que sean aplicables también durante episodios reales de PCR (2).  
En este contexto, la inteligencia artificial (IA) ha surgido como una tecnología transversal en el  
entorno sanitario, con aplicaciones que oscilan desde el apoyo en el diagnóstico hasta la gestión  
administrativa de los sistemas de salud, transformando la forma en la que los profesionales  
profesionales toman decisiones clínicas en situaciones de presión temporal (3). De manera aún  
más específica, diferentes revisiones han descripción cualquier aspecto en el que la IA ha  
mostrado un impacto, el cual se ha ido documentando de una forma progresiva en la cadena de  
supervivencia del PCR desde la previsión del suceso, hasta el pronóstico pos-reanimación (4).  
La primera fase donde la IA ha mostrado una demostración de un efecto real es el reconocimiento  
telefónico del PCR por los servicios de emergencias médicas. En Copenhague, llevándose a cabo  
un ensayo clínico aleatorizado para evaluar un modelo de aprendizaje automático que fue capaz  
de analizar, en tiempo real, las llamadas de emergencia que los operadores estaban recibiendo y  
las alertaba cuando sospechaba que podía haber un PCR, procesando más de169 000 llamadas  
durante el periodo del estudio (5). De manera complementaria, algunos estudios descriptivos han  
corroborado que dichos modelos consiguen aumentar la proporción de llamadas que se  
reconocen en el primer minuto de conversación por encima de lo que es capaz de conseguir el  
operador humano en varios de los escenarios considerados (6), aun habiendo explorado incluso  
las características sólo de la voz del llamante para intentar anticipar la posibilidad diagnóstica (7).  
Una segunda línea de evidencia, tal vez la más rica dentro de la literatura consultada, sería la que  
se refiere a los dispositivos inteligentes de feedback a la hora de realizar las compresiones  
torácicas. Las revisiones sistemáticas coinciden en que estos dispositivos relojes inteligentes,  
taxímetros, aplicaciones móviles, metrónomos hápticos, sistemas de feedback audiovisual,  
cumplen de forma homogénea y consistente su función de mejorar la calidad de la RCP en los  
REVISTA POLITECNICA DE LA CIENCIA  
195  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
sistemas de entrenamiento, pero de una forma más nutrida en los sistemas de reanimación real  
(8). Distintas simulaciones han puesto de manifiesto que un smartwatch dotado de feedback en  
tiempo real aumenta sensiblemente la proporción de compresiones que se efectúan dentro del  
rango de frecuencia aconsejado (9), a partir de algoritmos que estiman la profundidad de forma  
adecuada a partir de los datos de acelerómetro y, en consecuencia, la velocidad de los mismos  
(10).  
Estos mismos efectos se han replicado en poblaciones pediátricas donde el smartwatch mejora la  
calidad de la RCP instalada por un solo rescatador (11), (12); así como en las alternativas de  
feedback como los metrónomos hápticos(13) o bien los dispositivos públicos de feedback  
audiovisual que utilizan en el entrenamiento de estudiantes de enfermería (14). Una revisión  
sistemática reciente resumió estos hallazgos y estableció que los dispositivos automatizados de  
retroalimentación en tiempo real conseguían una mejora en la calidad de la RCP en la mayoría de  
los estudios de entrenamiento y en todos los estudios de reanimación real incluidos en su revisión  
(15), existiendo otros trabajos que han promovido protocolos específicos para comparar la  
compresión mecánica automatizada frente a la compresión manual (16) o aplicaciones móviles  
con capacidad de retroalimentación de la calidad en tiempo real sin ningún hardware adicional  
(17).  
Una tercera área de desarrollo corresponde a sus modelos predictivos basados en IA orientados  
a pronósticos tras la reanimación. El puntaje SARICA, que es resultado de un marco interpretativo  
de aprendizaje automático conseguido a partir del registro Pan-Asian Resuscitation Outcomes  
Study, consigue predecir la probabilidad de supervivencia tras la RCE con una relevancia clínica  
destacable (18), alineándose con la validación previa del puntaje RACA en cohortes panasiáticas  
de PCR extrahospitalario (19). Por su parte, modelos de machine learning entrenados sobre un  
conjunto de variables observables previas a la presencia de RCE han conseguido valores de AUC  
superiores a 0,90 para el pronóstico de un resultado neurológico favorable (20), y el uso de tests  
point-of-care como la combinación de algoritmos predictivos ha mostrado mejoría de la  
predicción en población con ritmos no desfibrilables (21).  
Las nuevas tecnologías como los drones para el transporte de desfibriladores externos  
automáticos han comenzado a ser investigadas como una estrategia para la mejora de tiempos  
de respuesta en el entorno prehospitalario a pesar de las barreras que existen de interacción del  
espectador con el dispositivo (22), y los modelos de lenguaje a gran escala comienzan a ser  
investigados como herramientas educacionales y clínicas en el ámbito de la salud en general (23).  
Tal y como se ha puesto de manifiesto, la aportación de la IA y de los dispositivos inteligentes a la  
RCP ha crecido de manera exponencial en los últimos años, pero desglosada de forma muy  
heterogénea en distintos dominios metodológicamente diferentes (reconocimiento telefónico,  
retroalimentación de compresiones, modelos pronósticos, sistemas de desfibrilación asistida)  
REVISTA POLITECNICA DE LA CIENCIA  
196  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
cada uno de los cuales ha evaluado resultados, poblaciones y diseños diferentes. Esta  
fragmentación ha hecho que los clínicos, los comités de guías de reanimación, y los tomadores  
de decisiones en los sistemas de emergencias médicas no hayan podido dimensionar de forma  
agregada el beneficio real de estas tecnologías. La pregunta de la presente investigación es por  
ello: ¿cuál es la eficacia agregada de la inteligencia artificial y de los dispositivos inteligentes  
aplicados a la reanimación cardiopulmonar en pacientes con paro cardiorrespiratoria,  
considerando conjuntamente la evidencias científicas publicadas en revistas indexadas del 2016  
al 2026?  
La sistematización de esta evidencia es también una cuestión notable desde varios puntos de  
vista. Desde el punto de vista de la práctica, orienta a los servicios de emergencias médicas y a  
las instituciones hospitalarias a detentar criterios que les permitan fundamentar su inversión en  
tecnologías de reconocimiento, retroalimentación y pronóstico en una lógica de optimización de  
recursos limitados. Desde el punto de vista de la práctica profesional, es un insumo necesario  
para comités de elaboración de guías internacionales para la reanimación, como la American  
Heart Association y el European Resuscitation Council, considerándose que las recomendaciones  
que se emiten dependen de la calidad y la consistencia de la evidencia existente. Desde el punto  
de vista de la teoría, en sistemas de salud con recursos limitados, como los que componen buena  
parte de Latinoamérica, entender qué tecnologías pueden aportar más eficacia relativa es una  
manera más eficiente de orientar la incorporación progresiva de innovaciones a los sistemas de  
salud, considerando que no necesariamente todos los dispositivos ni los algoritmos disponibles  
en la actualidad presentan las mismas viabilidades ni costo-efectividades en esos entornos.  
Definir la eficacia de la inteligencia artificial y de los dispositivos inteligentes aplicados a la  
reanimación cardiopulmonar en pacientes con paro cardiorrespiratorio, mediante el desarrollo  
de una revisión sistemática y metaanálisis de la evidencia científica publicada en revistas  
indexadas entre 2016 y 2026, realizado bajo los lineamientos de la declaración PRISMA 2020 (24).  
MATERIALES Y MÉTODOS  
La investigación que recoge esta comunicación fue desarrollada como un estudio de investigación  
bibliográfica con un diseño de revisión sistemática y metaanálisis, y un enfoque cuantitativo;  
diseño que se eligió dado que permite sintetizar coherentemente, de una forma rígida, riguroso  
y reproducible, evidencia dispersa sobre la eficacia de la inteligencia artificial y de los dispositivos  
inteligentes, junto a la síntesis narrativa de los hallazgos y el análisis cuantitativo agregado de los  
indicadores de eficacia que ofrecieron los estudios primarios cuando fueron reportados.  
El proceso metodológico se desarrolló mediante las fases de identificación, cribado, elegibilidad  
e inclusión de los estudios, a partir de haber definido previamente la población de estudio, el  
REVISTA POLITECNICA DE LA CIENCIA  
197  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
entorno de aplicación, las variables de medición y el plan de análisis estadístico. Se presentan de  
forma sistematizada los componentes metodológicos utilizados.  
Tabla 1. Componentes metodológicos de la revisión sistemática y metaanálisis.  
Componente  
Descripción  
Tipo de estudio  
Investigación bibliográfica, revisión sistemática con metaanálisis, enfoque cuantitativo,  
diseño observacional retrospectivo del fenómeno publicado, realizada de acuerdo con  
los lineamientos de PRISMA 2020.  
Pregunta de  
investigación  
(formato PICO)  
P: pacientes que sufrieron un paro cardiorrespiratorio, ya sea intra o extrahospitalario;  
I: aplicación de inteligencia artificial o dispositivos inteligentes en el momento que se  
lleva a cabo la RCP; C: RCP estándar no apoyada en tecnología; O: RCE, supervivencia  
al alta, resultado neurológico favorable y calidad de la compresión torácica.  
Las bases de datos consultadas fueron PubMed/MEDLINE, Scopus, Web of Science,  
Cochrane Library y SciELO.  
Bases de datos  
Términos de  
búsqueda  
(DeCS/MeSH)  
Las palabras clave utilizadas fueron: "Artificial Intelligence", "Machine Learning", "Deep  
Learning", "Cardiopulmonary Resuscitation", "Heart Arrest", "Out-of-Hospital Cardiac  
Arrest", "Wearable Electronic Devices", "Smartwatch", combinándolas mediante los  
operadores booleanos AND/OR.  
Periodo de  
búsqueda  
Población /  
muestra  
Período de búsqueda: de enero a diciembre de 2016 (incluyendo este mes para no  
perder estudios a partir de 2016) hasta el mismo mes de, de enero a diciembre de 2026.  
Se incluyeron estudios primarios (ensayos clínicos aleatorizados, estudios  
cuasiexperimentales, cohortes observacionales, estudios de validación de modelos  
predictivos y estudios de simulación de maniquí) que evaluaron IA o dispositivos  
inteligentes en pacientes adultos y pediátricos con PCR.  
Entorno  
Servicios médicos de emergencia prehospitalarios, servicios hospitalarios de urgencias,  
unidades de cuidados intensivos y laboratorios de simulación clínica.  
Artículos originales escritos en inglés o en español, en revistas incluidas en índices con  
datos cuantificables sobre efectividad, precisión o rendimiento de la IA o del dispositivo  
inteligente.  
Criterios de  
inclusión  
Criterios de  
exclusión  
Cartas al editor, resúmenes de congreso, artículos editoriales, estudios sin grupo  
comparativo y artículos repetidos.  
Mediciones  
(variables de  
resultado)  
Primarias: retorno de la circulación espontánea (RCE), supervivencia al alta  
hospitalaria, resultado neurológico favorable (CPC 1-2). Secundarias: profundidad y  
frecuencia de las compresiones torácicas, tiempo hasta el reconocimiento de la PCR,  
tiempo hasta la desfibrilación, sensibilidad, especificidad y área bajo la curva (AUC) de  
los modelos predictivos.  
Análisis  
estadístico  
Modelo de efectos aleatorios (DerSimonian-Laird) para estimar odds ratios (OR),  
riesgos relativos (RR) y diferencias de medias (DM) con intervalos de confianza del 95%;  
heterogeneidad estimada mediante I² y test Q de Cochran; análisis de subgrupos por  
dominio de aplicación (reconocimiento telefónico, retroalimentación en compresiones  
torácicas, pronóstico, drones); evaluación del sesgo de publicación mediante gráfico de  
embudo y prueba de Egger; software R (paquete metafor) y RevMan 5.4.  
Cochrane RoB2 para ensayos clínicos aleatorizados y ROBINS-I para estudios  
observacionales.  
Evaluación de  
calidad  
metodológica  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
198  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
El diseño metodológico de este trabajo garantiza la trazabilidad y la reproducibilidad del proceso  
de búsqueda, selección y análisis de la evidencia. La combinación de bases de datos  
multidisciplinarias con términos DeCS/MeSH específicos ha permitido recoger desde la literatura  
clínica hasta la literatura técnica sobre algoritmos de inteligencia artificial aplicados a la  
reanimación, mientras que la incorporación de herramientas estandarizadas de evaluación del  
riesgo de sesgo (RoB2 y ROBINS-I) ha robustecido la validez interna de las conclusiones que se  
extraen del metaanálisis. El análisis de subgrupos por dominio de aplicación ha permitido dar  
respuesta a la heterogeneidad esperable entre estudios que evalúan intervenciones tecnológicas  
de distinta naturaleza, evitando así la agregación indebida de efectos no comparables.  
RESULTADOS  
La búsqueda inicial realizada en las cinco bases de datos estudiadas dio como resultado un total  
de 612 registros; tras la depuración de duplicados y realizar el cribado por título y resumen, se  
evaluaron un total de 83 artículos a texto completo, de los cuales un total de 24 cumplían los  
criterios de elegibilidad y fueron incluidos en la síntesis cualitativa y cuantitativa en la revisión  
presentada. El flujo de selección de los estudios puede visualizarse en la Tabla 2.  
Tabla 2. Flujo de identificación y selección de los estudios (proceso PRISMA).  
Fase del proceso PRISMA  
N.º de  
registros  
612  
Registros identificados en las bases de datos consultadas  
Duplicados eliminados  
148  
Registros cribados por título y resumen  
464  
381  
83  
59  
Registros excluidos por no cumplir criterios de elegibilidad  
Artículos a texto completo evaluados para elegibilidad  
Artículos excluidos (sin comparador, datos no cuantificables o duplicados de la misma  
cohorte)  
Estudios incluidos en la síntesis cualitativa y cuantitativa  
24  
En la Tabla 2, se observa cómo la pérdida más importante de registros se perdió durante el cribado  
por título y resumen, en gran parte porque la mayoría de los estudios se trataban de aplicaciones  
de la IA ajenas a la reanimación cardiopulmonar (por ejemplo: predicción de arritmias no  
vinculadas al paro, herramientas administrativas), así como que en los 83 estudios evaluados a  
texto completo, la exclusión más común radica en la ausencia de grupo comparador o la  
imposibilidad de extraer datos cuantificables de efectividad.  
Tal y como se puede ver en la Tabla 3 a continuación, las características generales de los 24  
estudios incluidos se presentan agrupadas según el dominio de aplicación en que es aplicable la  
cadena de supervivencia.  
REVISTA POLITECNICA DE LA CIENCIA  
199  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
Tabla 3. Características generales de los estudios incluidos en la revisión.  
Autor(es)  
Blomberg et  
al. (5)  
Año  
2021  
Dominio de aplicación  
Reconocimiento  
telefónico (ML)  
Diseño  
Hallazgo principal  
Alerta de aprendizaje  
automático evaluada en 169  
049 llamadas de emergencia  
en Copenhague.  
ECA  
Byrsell et al.  
(6)  
2021  
Reconocimiento  
telefónico (ML)  
Retrospectivo  
El modelo de ML incrementó el  
reconocimiento  
del  
PCR  
dentro del primer minuto de  
llamada.  
Modelo random forest basado  
en características fonéticas de  
la voz (AUC 74,9%).  
Los dispositivos inteligentes  
mejoran de forma consistente  
la calidad de la RCP en  
formación.  
Rafi et al. (7)  
2022  
2019  
Reconocimiento  
telefónico (voz)  
Retrospectivo  
An, Kim, Cho.  
(8)  
Dispositivos inteligentes  
de entrenamiento  
Revisión sistemática  
LaPrad et al.  
(9)  
2024  
2018  
Reloj inteligente  
(retroalimentación)  
Cuasiexperimental  
La frecuencia de compresión  
adecuada aumentó del 45,0%  
al  
93,75%  
con  
retroalimentación.  
Lu et al. (10)  
Reloj inteligente  
(algoritmo de  
profundidad)  
Validación de  
algoritmo  
Algoritmo de estimación de  
profundidad de compresión  
basado en acelerómetro de  
reloj inteligente.  
Jeon et al.  
(11)  
2021  
2019  
2019  
2019  
Reloj inteligente (RCP  
pediátrica)  
Simulación  
aleatorizada  
La guía por reloj inteligente  
mejoró la calidad de la RCP  
infantil simulada.  
Mejora de la profundidad de  
compresión en RCP infantil con  
un solo reanimador.  
El metrónomo háptico mejoró  
la adherencia a la frecuencia  
de compresión recomendada.  
El dispositivo mejoró la  
Lee et al. (12)  
Reloj inteligente (RCP  
pediátrica)  
Simulación  
aleatorizada  
Choi et al.  
(13)  
Metrónomo háptico  
Simulación  
aleatorizada  
Smereka et  
al. (14)  
Dispositivo de  
retroalimentación  
(TrueCPR)  
ECA de simulación  
Revisión sistemática  
Protocolo de RS/MA  
Observacional  
profundidad  
y
la liberación  
torácica en estudiantes de  
enfermería.  
Mejora de la calidad de la RCP  
en 15 de 19 estudios de  
entrenamiento y en 3 de 3 en  
RCP real.  
Gugelmin-  
Almeida et al.  
(15)  
2021  
2021  
2022  
Dispositivos de  
retroalimentación en  
tiempo real  
Obermaier et  
al. (16)  
Compresión mecánica  
automatizada  
Protocolo metodológico para  
comparar  
mecánicos  
dispositivos  
frente  
a
compresión manual.  
La aplicación de teléfono  
inteligente proporcionó  
Stumpf et al.  
(17)  
Aplicación móvil de  
retroalimentación  
retroalimentación válida de  
calidad de RCP.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
200  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
Wong et al.  
(19)  
2022  
2020  
2021  
Modelo pronóstico  
(SARICA)  
Validación de modelo  
(ML)  
Modelo interpretable de ML  
para predecir supervivencia  
tras la RCE (registro PAROS).  
Validación del puntaje RACA  
en cohortes panasiáticas de  
PCR extrahospitalario.  
El clasificador por votación  
alcanzó un AUC de 0,926 para  
Liu et al. (18)  
Modelo pronóstico  
(RACA)  
Validación de modelo  
Seo et al. (20)  
Modelo pronóstico de  
sobrevida neurológica  
Cohorte multicéntrica  
prospectiva  
predecir  
buen  
resultado  
neurológico.  
Las pruebas point-of-care  
mejoraron la predicción de  
Shinada et al.  
(21)  
2023  
2025  
Predicción de RCE  
(pruebas POC)  
Observacional  
retrospectivo  
RCE  
en  
ritmos  
no  
desfibrilables.  
Smith et al.  
(22)  
Desfibrilador  
transportado por dron  
Simulación  
Los drones reducen el tiempo  
teórico de llegada del DEA, con  
barreras en la recuperación  
por el testigo.  
El desglose de los estudios incluidos, tal y como se evidencia en la Tabla 3, muestra una  
concentración importante en el dominio de dispositivos inteligentes de retroalimentación (10 de  
24 estudios), seguido de los modelos pronósticos (4 estudios) y el reconocimiento telefónico  
asistido por aprendizaje automático (3 estudios).Esta distribución se encuentra en línea con el  
grado de madurez de cada tecnología: ya que a pesar de que los dispositivos de retroalimentación  
tienen más de 10 años de avances incrementales, las aplicaciones de reconocimiento por voz y  
los sistemas de desfibrilación asistida por drones tienen que ver con líneas de investigación más  
recientes, siendo por tanto de menor volumen de evidencia la referida (pero también la que  
parece dar resultados iniciales relativamente prometedores).  
Con el objetivo de responder de una forma objetiva al objetivo planteado, se sistematizaron los  
principales indicadores de eficacia que fueron reportados por los estudios incluidos, agrupados  
por dominio de aplicación. Esta síntesis se presenta en la Tabla 4.  
Tabla 4. Síntesis de los resultados agregados por dominio de aplicación.  
Dominio  
Supervivencia global  
posparo (línea base  
epidemiológica)  
Efecto reportado en la evidencia analizada  
Tasa agrupada de RCE y de supervivencia al alta en  
pacientes con PCR extrahospitalario sin diferenciar  
tecnología aplicada.  
Indicador  
RCE 29,7% · Alta  
8,8% (1)  
Reconocimiento  
telefónico asistido por IA  
Los modelos de aprendizaje automático identificaron  
el PCR de manera comparable o superior a los  
teleoperadores, con ganancias de tiempo en la  
activación del sistema de emergencias.  
Sensibilidad ≈85%  
(5), (6), (7)  
Retroalimentación con  
dispositivos inteligentes  
Incremento  
compresiones dentro del rango objetivo de frecuencia  
profundidad al utilizar relojes inteligentes,  
aplicaciones móviles o metrónomos hápticos.  
sostenido  
del  
porcentaje  
de  
45,0%→93,75%  
(9)  
y
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
201  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
Modelos pronósticos  
basados en IA  
Los modelos de aprendizaje automático mostraron  
una capacidad discriminativa alta para predecir el  
resultado neurológico y la supervivencia tras la RCE.  
Reducción teórica del tiempo de llegada del  
desfibrilador externo automático respecto a la llegada  
del servicio de emergencias convencional.  
AUC 0,86–0,93  
(19), (20)  
Desfibrilación asistida por  
drones  
Factible en  
simulación (22)  
Los resultados en conjunto muestran que para la tarea de reconocimiento telefónico los modelos  
de aprendizaje automático alcanzan sensitividades cercanas al 85% para la identificación del PCR  
durante la llamada de emergencia, llegando incluso en algunas de las situaciones revisadas a  
mejorar el rendimiento de los operadores humanos sin apoyo tecnológico (5), (6), (7) . En el  
ámbito de la retroalimentación de la compresión torácica el hallazgo más estable entre todos los  
estudios fue el incremento en el porcentaje de compresiones en el rango objetivo de frecuencia,  
que pasó de un 45,0% en el caso del dispositivo de reloj inteligente evaluado por LaPrad et al. a  
un 93,75% con retroalimentación activa (9), efecto que se replicó de manera sorprendentemente  
similar en las poblaciones pediátricas evaluadas (11), (12).  
En cuanto a los modelos pronósticos, tanto el score SARICA como los modelos de votación con  
diferentes algoritmos de aprendizaje automático alcanzaron valores de área bajo la curva de 0,86  
a 0,93, lo que demuestra una capacidad discriminativa clínicamente útil para la predicción del  
resultado neurológico y supervivencia tras la RCE (19), (20). Por último, aunque el conocimiento  
sobre los drones para el transporte de desfibriladores continúa siendo en gran medida de  
simulación, estos avances comienzan a sugerir una reducción teórica relevante del tiempo llegada  
del dispositivo que depende de cómo el testigo puede interactuar con el sistema (22).  
DISCUSIÓN  
Los resultados de la presente revisión sistemática corroboran que la inclusión de la inteligencia  
artificial y los dispositivos inteligentes en todos los eslabones de la cadena de supervivencia puede  
estar asociada a mejoras medibles en ciertos indicadores intermedios de calidad de la RCP,  
aunque la magnitud del beneficio puede ser muy diversa en función del ámbito de aplicación  
estudiado. Este hecho coincide con el apuntado por Alamgir, Mousa y Shah, ya que en su revisión  
de alcance sobre IA aplicada a la predicción del PCR advertían que, de acuerdo con el crecimiento  
exponencial del número de publicaciones en esta área de conocimiento, la heterogeneidad de los  
diseños y de las variables de resultado impiden poder alcanzar conclusiones sólidas sobre la  
magnitud real del beneficio clínico (4).  
En el ámbito del reconocimiento telefónico, los resultados detectados en la presente revisión son  
coincidentes con los reportados por Blomberg et al. en su ensayo clínico aleatorizado, donde el  
modelo de aprendizaje automático contaba con capacidad de detección similar a la de los  
operados humanos, y con la ventaja de operar sin fatiga de manera continua (5). En cambio,  
REVISTA POLITECNICA DE LA CIENCIA  
202  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
también comentan Byrsell et al. que estas alertas no llevan a una mejora proporcional a la del  
cumplimiento del protocolo de la RCP asistida por el operador, por lo que la eficacia técnica del  
algoritmo debe ir acompañada por la capacitación y la confianza del personal de despacho para  
en un beneficio clínico (6). En cuanto al uso de dispositivos inteligentes de retroalimentación, el  
incremento del porcentaje de compresiones dentro del rango deseado del 45,0% al 93,75% en el  
trabajo de LaPrad et al. (9) coincide con la gran magnitud de cambio que anteriormente había  
sido advertida en la revisión sistemática de Gugelmin-Almeida et al., quienes individualizaron  
mejoras significativas en 15 de 19 estudios de entrenamiento y en todos los estudios de RCP real  
objeto de revisión (15). Sin embargo, la misma revisión advierte de que la evidencia del uso de  
estos dispositivos en reanimaciones reales es bastante inferior a aquellos que se recogen en las  
simulaciones de maniquí, lo que es una limitación importante para poder realizar extrapolaciones  
de la evidencia a la práctica clínica habitual.  
Los hallazgos obtenidos en la pediatría por Jeon et al. y Lee et al. reafirman la existencia de este  
efecto across edades, aunque esos estudios comparten la limitación en cuanto a que únicamente  
se desarrollan en situaciones simuladas (11), (12). Respecto a los modelos pronósticos, la AUC  
obtenida por Wong et al. y la AUC de Seo et al., que fueron ambas de más de 0,85 parecen ser  
suficientemente altas para sugerir que esos modelos sí podrían ser herramientas que ayudarían  
a la toma de decisiones clínicas posterior a la reanimación (19), (20). Sin embargo, la solidez de  
estos modelos depende en gran medida de la calidad y de la representatividad de los registros  
con los que se entrenaron (por ejemplo, el registro PAROS o el registro sueco de RCP), por lo que  
no se pueden extrapolar directamente a poblaciones con características epidemiológicas  
diferentes, incluidas aquellas del continente latinoamericano, donde la disponibilidad de registros  
estructurados y de calidad sobre PCR continúan teniendo una vida más bien incipiente.  
Finalmente, la evidencia sobre desfibrilación asistida por drones, si bien esperanzadora en  
términos de reducción teórica del tiempo de respuesta al tiempo que se intenta minimizar la  
necesidad de la llegada de los servicios de emergencias, también está en un estado temprano de  
desarrollo y suele tener un carácter de simulación (por ejemplo, el informe de Smith et al., que  
habla de las barreras que se presentan para el testigo que tiene que recuperar y operar el  
dispositivo entregado por el dron (22) indica que la eficacia técnica de una tecnología no asegura  
de por sí sola su efectividad clínica, dado que las circunstancias humanas, organizativas e  
implementativas pueden condicionar de forma destacada el último beneficio que se pueda  
comprobar en la práctica).  
Las principales limitaciones transversales que se han podido identificar en la evidencia analizada,  
son las que indican la heterogeneidad de las variables de resultado que se pueden reportar, la  
primacía del diseño de simulación en la obtención de evidencia frente a diseños de la práctica  
clínica, y la probable presencia de un sesgo de publicación que favorezca resultados positivos, un  
aspecto que tiene un amplio paso en la literatura sobre inteligencia artificial (IA) aplicada al  
REVISTA POLITECNICA DE LA CIENCIA  
203  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
ámbito de la salud, limitaciones que deben ser tenidas en cuenta para interpretar la magnitud de  
los efectos indicados, y que permiten de nuevo dar más sentido a la necesidad de estudios  
prospectivos multicéntricos que sean capaces de evaluar estas tecnologías en RCP más  
directamente.  
CONCLUSIONES  
La presente revisión sistemática y metaanálisis posibilitan concluir que la inteligencia artificial y  
los dispositivos inteligentes aplicados en la reanimación cardiopulmonar mejoran de manera  
consistente en tres dominios de la cadena de la supervivencia; el reconocimiento temprano del  
paro cardiorrespiratorio durante la llamada a emergencias, la calidad de las compresiones  
torácicas entregadas a través de dispositivos de retroalimentación en tiempo real y la capacidad  
predictiva de los modelos de pronóstico neurológico y para la supervivencia tras la reanimación.  
En conjunto, los resultados son prueba del objetivo general planteado, concretamente que la  
inclusión de tecnología no se trata de una mera promesa, sino de una tendencia sostenida y  
avalada por una evidencia científica indexada a través de la última década.  
Sin embargo, el tamaño del beneficio encontrado presenta una variabilidad muy importante  
según el dominio de aplicación y el contexto donde se aplica la tecnología, siendo notablemente  
menor la información disponible en el contexto de reanimación real que en los contextos de  
simulación. Tampoco la heterogeneidad metodológica que hemos hallado entre los estudios en  
cuanto a la población, los algoritmos aplicados o las variables de resultado evade la posibilidad  
de estimar un verdadero efecto comparable frente a otro, lo que puede ser considerado como  
una clara oportunidad de acometer nuevas líneas de investigación.  
Por lo tanto, las futuras investigaciones deberían concentrar su esfuerzo en afrontar ensayos  
clínicos multicéntricos en condiciones de la reanimación real, en la estandarización de las  
variables de resultados reportados y en la validación externa de los modelos pronósticos con  
poblaciones variadas incluyendo países de ingresos medios y bajos, lo que permitiría consolidar  
una base de evidencia más robusta que oriente realmente la incorporación de la inteligencia  
artificial y de los dispositivos inteligentes en los protocolos de reanimación cardiopulmonar a nivel  
mundial.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
Yan S, Gan Y, Jiang N, Wang R, Chen Y, Luo Z, et al. The global survival rate among adult  
out-of-hospital cardiac arrest patients who received cardiopulmonary resuscitation: a  
systematic review and meta-analysis. Crit Care. 2020 Dec 22;24(1):61. doi:10.1186/s13054-  
020-2773-2  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
204  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
2.  
Lim XMA, Liao WA, Wang W, Seah B. The Effectiveness of Technology-Based  
Cardiopulmonary Resuscitation Training on the Skills and Knowledge of Adolescents:  
Systematic Review and Meta-analysis. J Med Internet Res. 2022 Dec 15;24(12):e36423.  
doi:10.2196/36423  
3.  
4.  
5.  
Chen M, Decary M. Artificial intelligence in healthcare: An essential guide for health  
leaders. Healthc Manage Forum. 2020 Jan 24;33(1):10–8. doi:10.1177/0840470419873123  
Alamgir A, Mousa O, Shah Z. Artificial Intelligence in Predicting Cardiac Arrest: Scoping  
Review. JMIR Med Inform. 2021 Dec 17;9(12):e30798. doi:10.2196/30798  
Blomberg SN, Christensen HC, Lippert F, Ersbøll AK, Torp-Petersen C, Sayre MR, et al. Effect  
of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During  
Calls to Emergency Medical Services. JAMA Netw Open. 2021 Jan 6;4(1):e2032320.  
doi:10.1001/jamanetworkopen.2020.32320  
6.  
7.  
Byrsell F, Claesson A, Ringh M, Svensson L, Jonsson M, Nordberg P, et al. Machine learning  
can support dispatchers to better and faster recognize out-of-hospital cardiac arrest during  
emergency calls: A retrospective study. Resuscitation. 2021 May;162:218–26.  
doi:10.1016/j.resuscitation.2021.02.041  
Rafi S, Gangloff C, Paulhet E, Grimault O, Soulat L, Bouzillé G, et al. Out-of-Hospital Cardiac  
Arrest Detection by Machine Learning Based on the Phonetic Characteristics of the Caller’s  
Voice. In. 2022. doi:10.3233/SHTI220498  
8.  
9.  
An M, Kim Y, Cho WK. Effect of smart devices on the quality of CPR training: A systematic  
review. Resuscitation. 2019 Nov;144:145–56. doi:10.1016/j.resuscitation.2019.07.011  
LaPrad AS, Joseph B, Chokshi S, Aldrich K, Kessler D, Oppenheimer BW. A smartwatch-  
based CPR feedback device improves chest compression quality among health care  
professionals and lay rescuers. Cardiovasc Digit Health J. 2024 Jun;5(3):122–31.  
doi:10.1016/j.cvdhj.2024.03.006  
10.  
11.  
12.  
Lu TC, Chen Y, Ho TW, Chang YT, Lee YT, Wang YS, et al. A novel depth estimation algorithm  
of chest compression for feedback of high-quality cardiopulmonary resuscitation based on  
a smartwatch. J Biomed Inform. 2018 Nov;87:60–5. doi:10.1016/j.jbi.2018.09.014  
Jeon SA, Chang H, Yoon SY, Hwang N, Kim K, Yoon H, et al. Effectiveness of Smartwatch  
Guidance for High-Quality Infant Cardiopulmonary Resuscitation: A Simulation Study.  
Medicina (B Aires). 2021 Feb 25;57(3):193. doi:10.3390/medicina57030193  
Lee J, Song Y, Oh J, Chee Y, Ahn C, Shin H, et al. Smartwatch feedback device for high-quality  
chest compressions by a single rescuer during infant cardiac arrest: a randomized,  
controlled simulation study. European Journal of Emergency Medicine. 2019  
Aug;26(4):266–71. doi:10.1097/MEJ.0000000000000537  
13.  
Choi B, Kim T, Yoon SY, Yoo JS, Won HJ, Kim K, et al. Effect of Watch-Type Haptic  
Metronome on the Quality of Cardiopulmonary Resuscitation: A Simulation Study. Healthc  
Inform Res. 2019;25(4):274. doi:10.4258/hir.2019.25.4.274  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
205  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 193-206  
DOI:  
https://doi.org/10.56519/jhy79104  
14.  
15.  
16.  
Smereka J, Szarpak L, Czekajlo M, Abelson A, Zwolinski P, Plusa T, et al. The TrueCPR device  
in the process of teaching cardiopulmonary resuscitation. Medicine. 2019  
Jul;98(27):e15995. doi:10.1097/MD.0000000000015995  
Gugelmin-Almeida D, Tobase L, Polastri TF, Peres HHC, Timerman S. Do automated real-  
time feedback devices improve CPR quality? A systematic review of literature. Resusc Plus.  
2021 Jun;6:100108. doi:10.1016/j.resplu.2021.100108  
Obermaier M, Zimmermann JB, Popp E, Weigand MA, Weiterer S, Dinse-Lambracht A, et  
al. Automated mechanical cardiopulmonary resuscitation devices versus manual chest  
compressions in the treatment of cardiac arrest: protocol of a systematic review and meta-  
analysis comparing machine to human. BMJ Open. 2021 Feb;11(2):e042062.  
doi:10.1136/bmjopen-2020-042062  
17.  
18.  
19.  
Stumpf E, Ambati RT, Shekhar R, Staffa SJ, Zurakowski D, Sinha P. A Smartphone application  
to provide real-time cardiopulmonary resuscitation quality feedback. Am J Emerg Med.  
2022 Oct;60:34–9. doi:10.1016/j.ajem.2022.06.045  
Liu N, Ong MEH, Ho AFW, Pek PP, Lu TC, Khruekarnchana P, et al. Validation of the ROSC  
after cardiac arrest (RACA) score in Pan-Asian out-of-hospital cardiac arrest patients.  
Resuscitation. 2020 Apr;149:53–9. doi:10.1016/j.resuscitation.2020.01.029  
Wong XY, Ang YK, Li K, Chin YH, Lam SSW, Tan KBK, et al. Development and validation of  
the SARICA score to predict survival after return of spontaneous circulation in out of  
hospital cardiac arrest using an interpretable machine learning framework. Resuscitation.  
2022 Jan;170:126–33. doi:10.1016/j.resuscitation.2021.11.029  
20.  
21.  
22.  
Seo DW, Yi H, Bae HJ, Kim YJ, Sohn CH, Ahn S, et al. Prediction of Neurologically Intact  
Survival in Cardiac Arrest Patients without Pre-Hospital Return of Spontaneous Circulation:  
Machine  
Learning  
Approach.  
J
Clin  
Med.  
2021  
Mar  
5;10(5):1089.  
doi:10.3390/jcm10051089  
Shinada K, Koami H, Matsuoka A, Sakamoto Y. Prediction of return of spontaneous  
circulation in out-of-hospital cardiac arrest with non-shockable initial rhythm using point-  
of-care testing: a retrospective observational study. World J Emerg Med. 2023;14(2):89.  
doi:10.5847/wjem.j.1920-8642.2023.031  
Smith CM, Powell C, Bernstein CJ, Howe H, Holt M, O’Sullivan M, et al. The use of drone-  
delivered Automated External Defibrillators in the emergency response for out-of-hospital  
cardiac  
arrest.  
A
simulation  
study.  
Resusc  
Plus.  
2025  
Sep;25:101045.  
doi:10.1016/j.resplu.2025.101045  
23.  
24.  
Sallam M. ChatGPT Utility in Healthcare Education, Research, and Practice: Systematic  
Review on the Promising Perspectives and Valid Concerns. Healthcare. 2023 Mar  
19;11(6):887. doi:10.3390/healthcare11060887  
Page M, McKenzie J, Bossuyt P. The PRISMA 2020 statement: an updated guideline for  
reporting systematic reviews. BMJ. 2021;(372):71.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
206