EFICACIA DE LA INTELIGENCIA ARTIFICIAL Y LOS DISPOSITIVOS INTELIGENTES DURANTE LA REANIMACIÓN CARDIOPULMONAR EN PACIENTES CON PARO CARDIORRESPIRATORIO: REVISIÓN SISTEMÁTICA Y METAANÁLISIS
DOI:
https://doi.org/10.56519/jhy79104Palabras clave:
Inteligencia artificia, reanimación cardiopulmonar, paro cardíaco, aprendizaje automático, dispositivos electrónicos vestiblesResumen
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 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.
Referencias
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
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
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
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
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
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
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
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
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
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
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.
