Solicitar aportación a Teresa Pérez y alinear con secc. 5
Asegurar coherencia con niveles B/I/A del perfil
Integrar referencias AI Act, Directiva 2024/782, EHDS
Sección 13.3
Colaborador
Toma de decisiones asistida (CDSS)
✦ CGE v1.0Fran Garcia · 14 pp · 34 refs
Conexión CDSS con IA generativa (aún no en doc)
Vigilancia epistémica aplicada a alertas
Experiencia real Área Sanitaria Vigo con CDSS
Prompt engineering aplicado a consultas con CDSS
Fatiga digital desde el punto de cuidado
Sección 13.4
Colaborador
IA aplicada a cuidados (HITL)
✦ CGE v1.0Fran Garcia · 14 pp · 15 refs
Casos de uso reales de IA en enfermería
GenAI en documentación clínica — ejemplos concretos
Estrategias prácticas HITL en contexto SNS español
Perspectiva innovador clínico frente al AI Act
Revisar borrador HITL 3pp — integrar o sustituir
Sección 2
Colaborador
Alcance del Marco de Actuación
✕ Sin borradorSolo plantilla Héctor
Coordinar con Pedro Satustegui y Noelia
Definir: a qué enfermeras aplica y en qué contextos
Delimitar fronteras del Marco de Actuación
Sección corta pero estratégica — arrancar borrador
Secc.
Título
Estado
Autor borrador
Asignados
1
Definiciones
● Borrador subido
Laura Alonso
Elena, P. Satustegui, Noelia
2
Alcance Daniel
✕ Sin borrador
—
P. Satustegui, Noelia, Daniel
3
Marco teórico
★ v3 Definitivo
Fran Garcia
Fran, Jordi, Eva
4
Justificación
● Borrador subido
Adrián Vences
Lucía, Adrián
5
Perfil profesional
● Borrador completo
Teresa Pérez
Fran, Teresa, Juanjo, Laura, Manuel, P. Sastre
6
Denominación del perfil
● Borrador subido
Laura Alonso
Teresa, Juanjo, P. Sastre
7
Objetivos
● Borrador subido
Lucía Cartón
Lucía, P. Soriano
8
Determinación del perfil
○ Plantilla
—
Fran, Juanjo, P. Sastre, Laura
9.1
Dominio asistencial
✕ Sin borrador
—
P. Soriano, Jordi
9.2
Gestión y calidad del dato
● Borrador completo
Fran Garcia
Fran, Adrián
9.3
Dominio docencia
✕ Sin borrador
—
Laura, Manuel, Eva
9.4
Investigación en salud digital
● Borrador completo
Fran Garcia
Laura, Fran
9.5
Ética y bioética digital
✕ Sin borrador
—
Elena, P. Sastre
9.6
Dominio sociocultural
✕ Sin borrador
—
Noelia, Lucía, Teresa
9.7
Liderazgo digital
✕ Sin borrador
—
Juanjo Tirado
9.8
Comunicación digital
✕ Sin borrador
—
Lucía, P. Soriano, Juanjo
10
Contenidos mínimos formación Coord.
⬡ Borrador parcial
Adrián Vences
Adrián, Daniel*, Teresa
11
Nuevos roles enfermeros
○ Plantilla
—
Eva, Elena
12
Aportación al sistema
○ Plantilla
—
Jordi, P. Sastre
13.1
Gestión segura del dato
● Borrador completo
Fran Garcia
Fran, P. Sastre
13.2
Sistemas de información avanzados
⬡ Borrador parcial
Adrián Vences
Adrián, Jordi
13.3
Toma de decisiones asistida (CDSS) Daniel
✦ CGE v1.0
Fran Garcia
Fran, Daniel
13.4
IA aplicada a cuidados (HITL) Daniel
✦ CGE v1.0
Fran Garcia + borrador HITL
Fran, Eva, Daniel
13.5
Telecuidados
✕ Sin borrador
—
—
13.6
Evaluación de la calidad
✕ Sin borrador
—
—
13.7
Liderazgo y transformación digital
⚠ 2 borradores
Fran + Adrián
Fran, Adrián
14–16
Siglas · Bibliografía · Anexos
○ Plantilla
—
—
Colisiones de contenido detectadas entre secciones del Marco. Para cada una se detalla qué dice cada apartado, dónde colisionan exactamente y cómo deberían delimitarse.
Riesgo alto
HITL / Supervisión humana
13.3 · 13.4
▼
Sección 13.3 — CDSS
Incluye HITL como principio transversal al uso de CDSS: la enfermera no ejecuta la alerta sino que la integra en su juicio clínico. Desarrolla el sesgo de automatización (tendencia a aceptar recomendaciones sin verificación crítica). Menciona que el AI Act clasifica los CDSS como sistemas de alto riesgo que exigen supervisión humana. La competencia "pensamiento crítico ante automatización" aparece en la tabla B/I/A con tres niveles.
Sección 13.4 — IA Cuidados
El HITL es el eje central de todo el apartado: desarrolla el Art. 14 del AI Act con una tabla de 7 capacidades mínimas de supervisión traducidas a práctica enfermera. Introduce el concepto de configuración sociotécnica (NIST). Añade la regla crítica: "la enfermera debe emitir su valoración clínica propia antes de revisar el output del sistema" (prevención del efecto de anclaje). Desarrolla HITL también para IA generativa, no solo para CDSS predictivos.
⚡ Colisión exacta
Ambas secciones argumentan que la supervisión humana es obligatoria por el AI Act, que el sesgo de automatización es el riesgo principal, y que la enfermera debe cuestionar activamente las recomendaciones del sistema. El lenguaje y los argumentos se solapan con similar profundidad, sin que ninguna de las dos remita a la otra como fuente de referencia. Un lector encontrará la misma idea explicada dos veces de forma casi idéntica.
✓ Propuesta de delimitación
13.3 → HITL aplicado específicamente a CDSS y alertas clínicas: qué hace la enfermera cuando llega una alerta EWS, cómo prioriza, cómo documenta el override.
13.4 → HITL como principio estructural para cualquier sistema de IA (incluida IA generativa): las 7 capacidades del AI Act Art. 14, la regla del juicio propio previo, los criterios de parada.
13.3 debería referenciar a 13.4 para la parte regulatoria (Art. 14) y no desarrollarla de nuevo.
Riesgo alto
AI Act como marco regulatorio
3 · 5 · 13.3 · 13.4
▼
Secc. 3 — Marco teórico (definitivo)
Introduce el AI Act como parte del marco estratégico europeo. Lo menciona junto a DigComp 3.0, Directiva 2024/782 y EHDS como referentes normativos que justifican el documento. Nivel: contextual y fundacional. No entra en artículos concretos.
Secc. 5 — Perfil profesional
Usa el AI Act para justificar por qué las competencias digitales son obligatorias para la enfermera. Aparece como argumento de necesidad del perfil. Nivel: legitimador. Cita que el AI Act obliga a formación en supervisión humana.
Secc. 13.3 — CDSS
Cita el AI Act para clasificar los CDSS como sistemas de alto riesgo. Argumenta que esto genera obligaciones concretas de supervisión, gestión de riesgos y calidad de datos. Nivel: aplicado a CDSS. Referencia el reglamento sin desarrollar artículos específicos.
Secc. 13.4 — IA Cuidados
Es la más detallada: desarrolla el Art. 14 completo (supervisión humana), el mandato de gestión de riesgos iterativo, los requisitos de datos de entrenamiento, la vigilancia posdespliegue y las obligaciones de los deployers (centros sanitarios). Incluye fecha de aplicación plena: 2 de agosto de 2026.
⚡ Colisión exacta
El mismo reglamento (EU 2024/1689) se cita en 4 secciones con argumentos similares: sistemas de alto riesgo, obligación de supervisión humana, gestión de riesgos. Las secciones 13.3 y 13.4 en particular repiten casi los mismos argumentos regulatorios sin referenciarse mutuamente.
✓ Propuesta de delimitación
Secc. 3 → Marco regulatorio completo: AI Act como referente europeo, junto a EHDS y Directiva 2024/782. Única sección que lo explica en profundidad.
Secc. 5 → Solo referencia al Art. 14 como fuente de las competencias exigidas. Remite a secc. 3 para detalle.
Secc. 13.3 → Solo menciona la clasificación de CDSS como alto riesgo y sus implicaciones inmediatas. Remite a 13.4 para el marco Art. 14.
Secc. 13.4 → Desarrolla el Art. 14 y obligaciones de los deployers. Es la referencia operativa del AI Act para todo el Marco.
Riesgo medio
CDSS y alertas clínicas
9.2 · 13.2 · 13.3
▼
Secc. 9.2 — Gestión y calidad del dato
Aborda los CDSS desde la perspectiva del dato que los alimenta: calidad, completitud, corrección, interoperabilidad (HL7 FHIR, SNOMED). Los dashboards de analítica son herramientas de gestión del dato, no de decisión clínica. Foco en gobernanza y métricas de calidad del dato.
Secc. 13.2 — Sistemas de información avanzados
Cubre el uso avanzado de los sistemas: interoperabilidad semántica, CDSS como sistema de información integrado en HCE, telemetría, uso secundario de datos. Solapa con 9.2 en interoperabilidad y con 13.3 en CDSS clínico. Borrador parcial de Adrián.
Secc. 13.3 — Toma de decisiones asistida
Aborda el CDSS desde el punto de atención: cómo lo usa la enfermera, qué decide cuando llega la alerta, cómo gestiona la fatiga por alertas, cómo integra la recomendación en su juicio clínico. Es el uso clínico, no la arquitectura ni el dato.
⚡ Colisión exacta
Las tres secciones mencionan CDSS. 13.2 y 9.2 colisionan en interoperabilidad y en la descripción técnica de los sistemas. 13.2 y 13.3 colisionan en el uso del CDSS como herramienta de decisión clínica: 13.2 describe qué es el sistema; 13.3 describe cómo lo usa la enfermera. La frontera entre describir el sistema y usarlo es difusa.
✓ Propuesta de delimitación
9.2 → Calidad del dato clínico que alimenta los sistemas: estándares, métricas, gobernanza. No entra en el uso clínico.
13.2 → Arquitectura técnica y uso avanzado de los sistemas de información: interoperabilidad, integración HCE, telemetría. Describe el sistema, no la decisión clínica.
13.3 → Uso clínico del CDSS en el punto de atención: alerta, interpretación, integración con juicio propio, override, fatiga. No entra en arquitectura técnica.
Riesgo medio
IA y sesgos algorítmicos
10.3 · 13.3 · 13.4
▼
Secc. 10.3 — Contenidos mínimos (bloque IA)
Incluye vigilancia epistémica como contenido formativo: alucinaciones en GenAI, sesgos de entrenamiento, prompt engineering clínico. Es formación sobre sesgos: qué son, cómo reconocerlos, cómo evitarlos en la práctica. Nivel educativo, no clínico.
Secc. 13.3 — CDSS
Desarrolla el sesgo de automatización: aceptación acrítica de recomendaciones del sistema. Es un sesgo de comportamiento profesional, no del algoritmo en sí. Incluye la competencia de "pensamiento crítico ante automatización" en tres niveles B/I/A.
Secc. 13.4 — IA Cuidados
Desarrolla una taxonomía completa de 6 tipos de sesgo algorítmico (subrepresentación, datos faltantes, training-serving skew, automatización, proxy, bucle de retroalimentación) con pregunta práctica para la enfermera en cada caso. También cubre el sesgo de automatización (como en 13.3) y las confabulaciones de GenAI (como en 10.3).
⚡ Colisión exacta
El sesgo de automatización aparece desarrollado en 13.3 y en 13.4, con argumentación similar. Las confabulaciones/alucinaciones de GenAI aparecen en 10.3 (como contenido formativo) y en 13.4 (como riesgo clínico). El lector encontrará la misma categoría de riesgo explicada en dos contextos distintos sin remisión entre secciones.
✓ Propuesta de delimitación
10.3 → Formación: qué tipos de sesgo existen y cómo reconocerlos. Taxonomía educativa, no aplicación clínica directa.
13.3 → Solo sesgo de automatización como riesgo específico del uso de CDSS en la práctica. Remite a 13.4 para la taxonomía completa.
13.4 → Taxonomía operativa de sesgos con preguntas prácticas para la enfermera. Es la referencia principal sobre sesgos para todo el Marco. Las demás secciones deben referenciarse aquí.
Riesgo medio
Interoperabilidad (HL7 FHIR / SNOMED CT / LOINC)
9.2 · 10.2 · 13.2
▼
Secc. 9.2 — Gestión y calidad del dato
HL7 FHIR, SNOMED CT y LOINC como estándares de gobernanza del dato clínico. Perspectiva de calidad e integridad: el estándar como garantía de completitud y comparabilidad del dato.
Secc. 10.2 — Contenidos mínimos (bloque SI)
HL7 FHIR, SNOMED CT, LOINC como contenido formativo mínimo. Perspectiva educativa: qué debe conocer la enfermera sobre estos estándares para trabajar con sistemas interoperables. Incluye ergonomía cognitiva.
Secc. 13.2 — Sistemas de información avanzados
HL7 FHIR, SNOMED CT, LOINC como infraestructura técnica de interoperabilidad semántica. Perspectiva de uso avanzado: FHIR para intercambio de datos en tiempo real, SNOMED para codificación clínica, marco TIGER para competencias enfermeras en SI.
⚡ Colisión exacta
Los tres estándares aparecen mencionados en los tres apartados con descripciones similares. Sin coordinación editorial, el Marco tendrá tres definiciones paralelas de HL7 FHIR que el lector encontrará sin conexión entre ellas.
✓ Propuesta de delimitación
13.2 → Define y explica los estándares en detalle. Es la referencia técnica principal. Las demás secciones remiten aquí.
9.2 → Usa los estándares como herramientas de calidad del dato, sin redefinirlos.
10.2 → Cita los estándares como contenido formativo mínimo con remisión a 13.2 para detalle técnico.
Riesgo medio
Liderazgo digital y co-diseño
9.7 · 13.3 · 13.4 · 13.7
▼
Secc. 9.7 — Dominio liderazgo digital
Sin borrador. Debe definir el dominio competencial de liderazgo digital como uno de los 8 dominios del Marco de Actuación (sección 9). Es el marco general de qué significa liderar en entornos digitales para una enfermera.
Secc. 13.7 — Liderazgo y transf. digital
Dos borradores (Fran + Adrián). Fran: e-leadership, Design Thinking, CNIO, co-diseño, ADC, innovación centrada en cuidados (304 líneas). Adrián: NASSS, CFIR 2.0, HIMSS/CNIO, DTx, estrategia OMS. Ambos abordan el reto específico del liderazgo transformacional digital, no el dominio competencial.
Co-diseño en 13.3
Menciona que ICN y EFN posicionan a la enfermera como agente activo en co-diseño y gobernanza de CDSS. Incluye actividades de nivel Avanzado: "colaborar en diseño y evaluación de alertas y CDSS".
Co-diseño en 13.4
Desarrolla el liderazgo enfermero en IA: co-diseño de herramientas de IA clínica, gobernanza clínica, formación en IA responsable. EFN 2024: "enfermeras como usuarias finales en co-creación". Actividades de nivel Avanzado detalladas.
⚡ Colisión exacta
El co-diseño aparece como competencia avanzada en 13.3, 13.4 y 13.7 con argumentación solapada. Además, la duplicidad de borradores en 13.7 es un problema editorial sin resolver: Fran y Adrián han escrito versiones distintas del mismo apartado. Y 9.7 (dominio liderazgo) y 13.7 (reto liderazgo transformacional) no están diferenciadas conceptualmente en ningún borrador actual.
✓ Propuesta de delimitación
9.7 → Dominio liderazgo como competencia genérica: gestión de equipos digitales, cultura digital, toma de decisiones en entornos tecnológicos.
13.7 → Reto específico de liderar la transformación digital de una organización sanitaria: gestión del cambio, CNIO, Design Thinking. Integrar los dos borradores (Fran + Adrián) en uno solo.
13.3 y 13.4 → Mantener el co-diseño aplicado al sistema concreto (CDSS / IA), no como concepto general. Remitir a 13.7 para el marco de liderazgo transformacional.
Sección 10 · Marco de Actuación CGE 2026 — Daniel: COORDINADOR
Contenidos Mínimos en la Formación de las Enfermeras en Salud Digital
Posgrado · IA · Interoperabilidad · Simulación · Gobernanza de datos · Ética digital
La formación de la enfermera en Salud Digital debe estructurarse mediante programas de posgrado (Máster y Experto) y formación continuada avanzada que permitan transitar desde una digitalización pasiva hacia un liderazgo clínico en entornos hiperconectados y predictivos. Requisito previo: mínimo 2 años de experiencia clínica asistencial (estándares ANCC y AMIA).
Diagnóstico del borrador (visión del coordinador)
💪 Puntos fuertes (bloques bien desarrollados)
Bloque 4 — IA y GenAI (10.3): muy desarrollado. Prompt engineering, Chain-of-Thought, vigilancia epistémica, alucinaciones, sesgo algorítmico. Es el punto más sólido del borrador.
Bloque 2 — Interoperabilidad (10.2): completo. HL7 FHIR, SNOMED-CT, LOINC, ergonomía cognitiva y fatiga de alertas bien tratados.
Metodologías inmersivas (10.4): RV/RA/RM y Sandboxes con referencias meta-analíticas sólidas.
Requisitos previos (10.5): bien argumentado con ANCC y AMIA. Mínimo 2 años clínicos justificado.
⚠️ Puntos débiles — pendiente de desarrollar por Daniel
› Bloque 1 — Informática Enfermera: solo nombrado en la tabla. Sin contenido desarrollado. Es el fundamento conceptual de todo el currículo.
› Bloque 5 — Salud Conectada e IoT: tabla sin desarrollo. Telecuidados, PGHD, mHealth y biosensores no tienen contenido propio.
› Bloque 6 — Ética y Gestión del Cambio: el más débil. Bioética tecnológica, humanización digital y ciencia de implementación apenas aparecen en la tabla.
› Aportación de Teresa Pérez pendiente: co-asignada a esta sección. Debe alinearse con su secc. 5 (Perfil profesional, niveles B/I/A).
› AI Act Art. 4 no mencionado: la obligación de alfabetización ya está en vigor desde feb 2025. El borrador no lo refleja.
10.1 — Los 6 bloques curriculares de posgrado
#
Bloque temático
Contenidos nucleares
Competencia finalista
Estado
1
Ciencia de la Informática Enfermera
Intersección ciencias de la computación, del comportamiento y del cuidado
Evaluación del impacto tecnológico en resultados de salud
✕ Sin desarrollar
2
Sistemas e Interoperabilidad
HCE, HL7 FHIR, SNOMED-CT, ICNP/CIPE
Diseño de interfaces semánticas que mitiguen la fatiga cognitiva
● Desarrollado (10.2)
3
Gobernanza y EHDS
Espacio Europeo de Datos de Salud, ciberseguridad clínica, RGPD
Gestión del uso primario y secundario de datos bajo estándares UE
⬡ Solo tabla
4
Inteligencia Artificial (IA)
IA predictiva, Machine Learning, IA Generativa (GenAI)
Auditoría de algoritmos, prompt engineering y mitigación de sesgos
Integración de datos generados por el paciente (PGHD) en la HCE
✕ Sin desarrollar
6
Ética y Gestión del Cambio
Bioética tecnológica, humanización digital, ciencia de la implementación
Liderazgo de proyectos tecnológicos interprofesionales
✕ Sin desarrollar
10.2 — Sistemas de Información e Interoperabilidad Clínica
Interoperabilidad Sintáctica
Manejo avanzado de HL7 FHIR
Intercambio de recursos clínicos entre sistemas heterogéneos
Marco del Espacio Europeo de Datos de Salud (EHDS)
Interoperabilidad Semántica
Ontologías SNOMED-CT y LOINC
Planes de cuidados y diagnósticos enfermeros computables
Interoperabilidad internacional de registros clínicos
Ergonomía Cognitiva
Factores humanos en el diseño de HCE
Rediseño de la UI para prevenir fatiga de alertas
Diseño centrado en el usuario (UCD)
10.3 — Inteligencia Artificial y GenAI (bloque más desarrollado)
10.3.1 · Prompt Engineering Clínica
Marco CRAFT-GT (Contexto, Rol, Audiencia, Formato, Tarea, Meta, Tono) para planes de cuidados asistidos por IA
Chain-of-Thought: obliga al modelo a desglosar su proceso lógico paso a paso para auditar la recomendación antes de validarla
Contextualización basada en evidencia: diseño de instrucciones que obligan a la IA a usar guías de práctica clínica introducidas en el contexto del prompt
10.3.2 · Aplicaciones clínicas y carga burocrática
IA Ambiental y scribes: transcripción verbal → borradores SOAP e informes de turno
Reducción tiempo administrativo hasta el 30% → más tiempo para cuidado directo
La responsabilidad legal permanece siempre en la enfermera que valida el documento final
10.3.3 · Vigilancia Epistémica — Alucinaciones y Sesgos
Mitigación de Alucinaciones
Comprender la arquitectura probabilística de los LLMs para detectar información que suena autorizada pero es fácticamente incorrecta o inventada. Modelo Human-in-the-loop como requisito.
Evaluación del Sesgo Algorítmico
Los algoritmos pueden sugerir pruebas más costosas a pacientes con mayores ingresos frente a casos clínicos idénticos de rentas bajas (Icahn School of Medicine, 2024). Las EPA deben adquirir destrezas estadísticas para identificar y corregir sesgos en el punto de cuidado.
10.4 — Metodologías de aprendizaje experiencial e inmersivo
10.4.1 · RV, RA y Realidad Mixta
RV: entornos 3D interactivos para escenarios de alta acuidad y gestión de crisis. Meta-análisis: mejora significativa en retención de conocimientos vs. simulación tradicional
RA y RM: datos clínicos holográficos proyectados sobre pacientes estandarizados. Especialmente eficaz para RCP e inserción de catéteres
Mejora la confianza en destrezas críticas y cierra la brecha teoría-práctica motora
10.4.2 · Sandboxes de HCE
Entornos de prueba aislados que replican arquitecturas reales (Epic, Cerner)
Pacientes sintéticos: práctica de órdenes complejas y conciliación de medicación bajo presión de tiempo simulada
Cultura del "Fallo Seguro": experimentar consecuencias de ignorar alertas críticas o ver cómo se generan alucinaciones en un LLM tras entrada de datos equívoca
ANCC (NI-BC): mínimo 2 años a tiempo completo como enfermera registrada en ámbito asistencial
AMIA: 1.000–2.000 horas de práctica clínica para garantizar madurez para liderar implementaciones tecnológicas
La especialización en Salud Digital no debe concebirse como entrada directa para graduados noveles
Justificación clínica
Solo desde la primera línea se interioriza la "fatiga de alertas" y la disonancia cognitiva por interfaces deficientes
La vivencia real en el punto de atención es necesaria para auditar algoritmos de IA con juicio clínico sólido
Sin experiencia asistencial real, la tecnología se diseña sin comprender las presiones y fricciones del flujo de trabajo
10.6 — Conclusión: la arquitectura formativa mínima
La formación mínima de la enfermera en salud digital exige: (1) experiencia clínica asistencial consolidada (≥2 años), (2) formación universitaria de posgrado (Máster) que cubra los 6 bloques curriculares, y (3) actualización continua dinámica orientada a gobernanza de datos, IA y metodologías inmersivas. El objetivo es garantizar un liderazgo enfermero que humanice la tecnología en beneficio de la ciudadanía.
Desarrollar Bloque 6 (Ética/Gestión del Cambio) — bioética tecnológica, CFIR, ciencia de implementación
Incorporar AI Act Art. 4 (alfabetización IA ya obligatoria desde feb 2025)
Coordinar aportación de Teresa Pérez y alinear con secc. 5 (niveles B/I/A)
Verificar coherencia con los 8 dominios de secc. 9 (que ya tienen borradores)
Estado del borrador
✅ Sólido en IA e interoperabilidad (bloques 2 y 4)✅ Refs: AMIA, ANCC, CASN, DigComp4Health⚠️ Bloques 1, 5 y 6 sin desarrollar⚠️ AI Act Art. 4 no mencionado⬜ Aportación de Teresa Pérez pendiente⬜ Revisión y armonización por Daniel (coordinador)
Marcos de referencia: AMIA · ANCC · CASN 2025 · DigComp4Health · AI Act UE · Directiva 2024/782. Bibliografía: 10 referencias Vancouver (2022–2024).
Sección 13.3 · Marco de Actuación CGE 2026
Toma de Decisiones Asistida en Enfermería
CDSS · Alertas y alarmas clínicas · Analítica y modelos predictivos · Fatiga digital · Seguridad del paciente
"Capacidad de la enfermera para utilizar sistemas de soporte a la decisión clínica (CDSS), analítica de datos y sistemas de alerta, integrando sus recomendaciones en el juicio clínico propio para mejorar la seguridad del paciente y la calidad asistencial, mientras gestiona activamente riesgos como la fatiga digital, el sesgo de automatización y la opacidad algorítmica."
Alcance competencial
Ámbitos que cubre
Uso crítico de CDSS integrados en HCE y flujo de trabajo enfermero
Gestión de alertas clínicas de seguridad (medicación, interacciones, alergias)
Aplicación de EWS/NEWS2 para detección precoz de deterioro y sepsis
Gestión de alarmas fisiológicas y prevención de fatiga por alarmas
Reconocimiento y mitigación del sesgo de automatización
Garantía de explicabilidad, ética y autonomía del paciente
Co-diseño, evaluación y mejora de CDSS desde la perspectiva enfermera
Fundamentación científica incluida
Naturaleza y valor clínico de los CDSS ("5 derechos del CDSS")
EWS/NEWS2 — detección precoz deterioro clínico y sepsis
Fatiga por alertas — tasas sobreescritura 49–96% (CDSS medicación)
Alarmas fisiológicas falsas: hasta 80–99% clínicamente irrelevantes
Sesgo de automatización y opacidad algorítmica
Burnout digital — prevalencia ~40% con alta carga de EHR
Principios OMS para IA en salud · AI Act clasificación alto riesgo
Rol enfermero en co-diseño — posición ICN y EFN
Flujo de actuación (8 pasos)
Paso 1 · B
Recepción de alerta
El sistema presenta alerta (CDSS, EWS, alarma fisiológica) al profesional en el punto de atención
Paso 2 · I
Interpretación clínica crítica
Valorar si la alerta es accionable, relevante y concordante con el estado del paciente; aplicar pensamiento crítico
Paso 3 · I
Integración con valoración
Contrastar la recomendación con la valoración clínica propia: contexto, evolución, objetivos de cuidado
Paso 4 · I/A
Decisión clínica
Decidir si actuar, escalar, o documentar justificación para no actuar (override con registro)
Paso 5 · B/I
Actuación clínica
Ejecutar la intervención clínica derivada: tratamiento, escalada, monitorización reforzada, comunicación al equipo
Paso 6 · B
Registro estructurado
Documentar en HCE la alerta recibida, la decisión tomada y su justificación clínica
Paso 7 · I
Evaluación del resultado
Monitorizar el resultado de la actuación; valorar si la alerta fue útil o generó carga innecesaria
Paso 8 · A
Retroalimentación al sistema
Reportar fallos, alertas no accionables o sesgos detectados; participar en mejora del diseño del CDSS
Niveles competenciales (B / I / A)
Competencia
Básico (B)
Intermedio (I)
Avanzado (A)
Uso de CDSS y alertas
Utiliza CDSS y aplica EWS/NEWS2; registra respuestas a alertas
Integra recomendaciones en juicio clínico; prioriza alertas relevantes; documenta override
Lidera evaluación y mejora de CDSS; diseña protocolos; monitoriza métricas
Pensamiento crítico ante automatización
Comprende que la alerta es un apoyo, no una orden; consulta ante dudas
Detecta sesgo de automatización; cuestiona recomendaciones en contexto; identifica alertas no accionables
Lidera cultura de pensamiento crítico digital en la unidad; forma a otros; participa en co-diseño
Gestión de fatiga digital y alarmas
Identifica sobrecarga de alertas como riesgo; aplica protocolos de la unidad
Gestiona carga cognitiva; aplica protocolos de ajuste seguro de alarmas; reporta incidencias
Diseña y evalúa programas de gestión de alarmas; propone ajuste de parámetros; lidera cultura de respuesta segura
Ética, explicabilidad y seguridad
Garantiza que puede explicar básicamente cómo apoya el CDSS la decisión; protege autonomía del paciente
Asegura que las decisiones asistidas son explicables y documentadas; identifica caja negra
Lidera políticas de IA ética en la unidad; garantiza cumplimiento AI Act; participa en comités de gobernanza
Competencia sociotécnica y mejora
Reporta incidencias del uso de CDSS; identifica fricciones básicas de usabilidad
Evalúa usabilidad del CDSS; propone mejoras al equipo de informática clínica; usa métricas de sobreescritura
Co-diseña herramientas de IA; lidera evaluaciones de CDSS; colabora con equipos de IT y seguridad del paciente
⚠️ Puntos abiertos del documento (marcados por el grupo)
› Nivel competencial esperado según el contexto asistencial (urgencias, hospitalización, atención primaria)
› Integración con protocolos de gestión de alarmas ya existentes en organizaciones sanitarias españolas
› Articulación con la normativa del AI Act para CDSS clasificados como alto riesgo
› Definición del rol específico de la EPA en co-diseño y gobernanza de CDSS
✏️ Aportación pendiente de Daniel
Conexión CDSS con IA generativa — perspectiva no incluida aún en el doc
Vigilancia epistémica aplicada a alertas (prompt engineering para CDSS)
Experiencia real con CDSS en el Área Sanitaria de Vigo (CHUVI/CHUS)
Fatiga digital vivida desde el punto de cuidado — perspectiva clínica directa
Verificar si los protocolos de alarma del SNS gallego encajan con lo descrito
Estado del documento
✅ Fundamentado en evidencia (OMS, ICN, EFN, ECRI, Joint Commission, AI Act)✅ Incluye 5 derechos CDSS, EWS/NEWS2, fatiga alertas 49-96%, burnout EHR 40%, NPSG.06.01.01✅ Coherente con 9.2, 9.4 y 9.1 del Marco⬜ Pendiente validación por expertos⬜ Pendiente ajuste editorial e integración final
Sección 13.4 · Marco de Actuación CGE 2026
IA Aplicada a Cuidados
Human-in-the-loop · Uso seguro de IA generativa · Sesgos y equidad · Supervisión humana · AI Act UE
"Capacidad de la enfermera para utilizar sistemas de inteligencia artificial en la práctica clínica de forma segura, crítica y éticamente responsable, garantizando la supervisión humana efectiva, la detección y mitigación de sesgos, la equidad en la atención y la integración del juicio clínico propio como decisión final, en coherencia con el marco regulatorio europeo (AI Act, Reglamento UE 2024/1689)."
Alcance competencial
Ámbitos que cubre
Uso crítico e integrado de sistemas de IA en la práctica clínica enfermera
Supervisión humana efectiva (HITL) según requisitos del AI Act Art. 14
Uso seguro de IA generativa: control de confabulaciones y verificación de outputs
Detección, evaluación y mitigación de sesgos algorítmicos y garantía de equidad
Gestión del ciclo de vida de sistemas de IA: validación y criterios de parada
Ética, explicabilidad y consentimiento informado digital ante IA
Liderazgo enfermero en co-diseño, gobernanza y formación en IA responsable
Fundamentación científica incluida
HITL — AI Act Art. 14: 7 capacidades mínimas de supervisión humana
Regla crítica: "emitir valoración clínica propia ANTES de revisar el output de IA"
IA generativa: confabulaciones, supervisión reforzada (OMS, NIST AI 600-1)
Taxonomía 6 tipos de sesgo algorítmico con pregunta práctica enfermera
Caso Obermeyer (Science 2019): sesgo racial en algoritmo de gestión poblacional
Vigilancia posdespliegue: data drift, degradación del modelo
ANA Position Statement 2025 + EFN 2024 sobre IA responsable
AI Act Art. 14 — Las 7 capacidades mínimas de supervisión (traducidas a práctica enfermera)
Capacidad (AI Act Art. 14)
Aplicación práctica para la enfermera
Comprender capacidades y limitaciones del sistema
Conocer para qué fue entrenado el modelo, en qué población y cuál es su rendimiento real en el contexto propio
Detectar anomalías y comportamientos inesperados
Identificar salidas incongruentes con la clínica, inconsistentes con la evolución del paciente o estadísticamente inusuales
Reconocer el riesgo de confiar automáticamente en las salidas
Mantener pensamiento clínico independiente antes de revisar la recomendación; evitar efecto de anclaje
Interpretar correctamente los resultados del sistema
Comprender el significado de la puntuación de riesgo, el intervalo de confianza y las limitaciones del modelo
Decidir no usar el sistema en situaciones específicas
Identificar cuándo el CDSS no es aplicable: paciente fuera de la población de entrenamiento, datos de entrada incompletos
Descartar, invalidar o revertir outputs
Documentar el rechazo razonado de la recomendación del sistema con justificación clínica explícita
Intervenir para interrumpir el sistema de forma segura
Conocer el procedimiento de parada o desactivación del sistema en casos de fallo, sesgo detectado o riesgo clínico
Taxonomía de sesgos algorítmicos (6 tipos con pregunta práctica)
Tipo de sesgo
Descripción
Pregunta práctica para la enfermera
Por subrepresentación
El grupo del paciente no estaba suficientemente representado en el entrenamiento
¿Este paciente pertenece a un subgrupo infrarepresentado en el sistema?
Por datos faltantes
Ciertos registros (variables de cuidados, determinantes sociales) están ausentes de forma no aleatoria
¿Qué variables de cuidados no están capturadas en el sistema?
Training-serving skew
El modelo fue entrenado en una población diferente a la del contexto actual de uso
¿Ha sido validado este sistema en nuestra población y nuestro contexto asistencial?
De automatización
La aceptación sistemática de recomendaciones altera los datos futuros y refuerza el sesgo
¿Estoy revisando críticamente la recomendación o la estoy aceptando por defecto?
Por proxy
El modelo usa una variable (p. ej., costes) como sustituto de la variable clínica relevante (necesidad)
¿El sistema está midiendo lo clínicamente importante o lo administrativamente disponible?
Bucle de retroalimentación
Los outputs del sistema influyen en los registros futuros, perpetuando el sesgo inicial
¿Las decisiones basadas en este sistema van a modificar los datos que lo alimentan?
Flujo de actuación (9 pasos)
Paso 1 · B
Recepción del output de IA
El sistema presenta una recomendación, puntuación de riesgo o contenido generado al profesional
Paso 2 · I ⭐ Crítico
Juicio clínico previo e independiente
La enfermera emite su propia valoración clínica ANTES de revisar en detalle el output (prevención del efecto de anclaje)
Paso 3 · I
Evaluación crítica del resultado
Contrastar el output con la valoración clínica propia; verificar coherencia, trazabilidad y aplicabilidad
Paso 4 · I/A
Detección de sesgos o anomalías
Identificar si el paciente pertenece a subgrupo de riesgo de sesgo; detectar comportamientos inesperados del sistema
Paso 5 · I
Validación o rechazo documentado
Aceptar la recomendación con registro, o rechazarla con justificación clínica explícita (override documentado)
Paso 6 · I/A
Decisión clínica final
La enfermera asume la responsabilidad de la decisión clínica; el sistema es soporte, no decisor
Paso 7 · B/I
Actuación clínica y registro
Implementar la intervención; documentar en HCE el uso del sistema de IA y el razonamiento clínico
Paso 8 · I
Monitorización del impacto
Observar el resultado de la actuación; valorar si el sistema aportó valor clínico o generó cargas
Paso 9 · A
Retroalimentación al sistema
Reportar outputs incorrectos, sesgos detectados o fricciones de usabilidad para mejora continua y gobernanza
⚠️ Puntos abiertos del documento (grupo de expertos)
› Articulación con obligaciones del AI Act para deployers (centros sanitarios) aplicables desde agosto 2026 — fecha en revisión (Digital Omnibus)
› Definición del nivel competencial mínimo exigible a todas las enfermeras vs. nivel avanzado reservado al perfil EPA
› Integración con los planes de formación obligatoria en IA que exigirá el AI Act (Art. 4 ya en vigor)
› Desarrollo de criterios de parada y retirada de sistemas de IA como competencia enfermera reconocida
✏️ Aportación pendiente de Daniel
Casos de uso reales de IA en enfermería (experiencia propia en Vigo)
GenAI en documentación clínica — ejemplos concretos del día a día
Estrategias prácticas HITL en el SNS español — cómo se implementa realmente
Perspectiva del innovador clínico frente al AI Act desde la práctica
Decidir si el borrador HITL (3 pp) se integra como subsección introductoria o se descarta
Estado del documento
✅ AI Act UE 2024/1689 · NIST AI RMF 1.0 · NIST AI 600-1 (GenAI)✅ OMS Ética IA · ANA Position Statement 2025 · EFN 2024✅ Coherente con 13.3, 9.2, 9.4 y Marco Teórico⬜ Pendiente validación por expertos⬜ Pendiente integración final en el documento marco⚠️ Cita "agosto 2026" — revisar con Digital Omnibus
Los sistemas de alerta temprana (EWS) son herramientas clave en las secciones 13.3 y 13.4 del Marco. Esta pestaña explica qué son, cómo funcionan en la práctica enfermera y qué evidencia existe sobre su integración con CDSS e IA.
¿Qué es un EWS? — Concepto y origen
🩺 Early Warning Score (EWS) — Definición
Un sistema de alerta temprana (EWS) es una herramienta de puntuación basada en parámetros fisiológicos (constantes vitales) que permite identificar de forma precoz a pacientes con riesgo de deterioro clínico antes de que ocurra un evento adverso grave. No es un diagnóstico: es una señal de alarma cuantificada que activa una respuesta clínica escalonada.
El EWS convierte la vigilancia clínica enfermera en datos objetivos y accionables. Cada parámetro se puntúa según su desviación de la normalidad; la suma total determina el nivel de respuesta requerida. Cuando el sistema está integrado en la HCE, la puntuación se calcula automáticamente al registrar las constantes — convirtiéndose en un CDSS integrado en el flujo de trabajo enfermero.
Existen múltiples versiones: MEWS (Modified EWS), NEWS, NEWS2, ViEWS, PEWS (pediátrico)… El estándar actual en el SNS y en la mayoría de sistemas europeos es el NEWS2, desarrollado por el Royal College of Physicians (RCP) del Reino Unido en 2017.
NEWS2 — Los 7 parámetros y su puntuación
Parámetro
0 pts
1 pt
2 pts
3 pts
Frecuencia respiratoria (rpm)
12–20
9–11 / 21–24
—
≤8 / ≥25
SpO₂ — Escala 1 (sin O₂)
≥96%
94–95%
92–93%
≤91%
SpO₂ — Escala 2 (EPOC/FR hipercápnica)
88–92% / ≥93% con O₂
86–87% / 93–94% con O₂
84–85% / 95–96% con O₂
≤83% / ≥97% con O₂
Suplemento de O₂
No
—
Sí
—
Presión arterial sistólica (mmHg)
111–219
101–110 / 220+
91–100
≤90
Frecuencia cardíaca (lpm)
51–90
41–50 / 91–110
111–130
≤40 / ≥131
Nivel de consciencia (ACVPU)
Alerta (A)
—
—
Confusión/Voz/Dolor/Sin respuesta
Temperatura (°C)
36,1–38,0
35,1–36,0 / 38,1–39,0
39,1+
≤35,0
Umbrales de puntuación y respuesta clínica enfermera
🟢 NEWS2: 0
Monitorización rutinaria
Mínimo cada 12 horas
Sin escalada necesaria
🟡 NEWS2: 1–4
Riesgo bajo
Aumentar frecuencia de monitorización
Enfermera valora necesidad de escalada
🟠 3 pts en 1 parámetro
Respuesta urgente
Notificación médica inmediata
Independiente de la puntuación total
🟠 NEWS2: 5–6
Riesgo medio
Valoración médica urgente
Considerar ingreso en UCI/UVI
🔴 NEWS2: ≥7
Riesgo alto — emergencia
Activación equipo respuesta rápida (ERR)
Valoración UCI inmediata
El rol enfermero en el ciclo NEWS2
1 · Medición
Toma de constantes completas. La calidad del dato determina la utilidad del score. Registro incompleto = alerta silenciosa.
2 · Cálculo
Manual o automático via HCE. En HCE integrada, el CDSS calcula el score y genera la alerta automáticamente al registrar las constantes.
3 · Interpretación
La puntuación es una hipótesis guiada, no una orden. La enfermera la contrasta con la evolución clínica del paciente y su contexto.
4 · Decisión
Activar protocolo, escalar, notificar o documentar justificación para no actuar (override). La responsabilidad es enfermera.
5 · Escalada
Comunicación al equipo médico con datos objetivos. El score aporta un lenguaje común y reduce el tiempo de respuesta.
6 · Reevaluación
Monitorización post-intervención. ¿El score mejoró? ¿La alerta fue útil o generó carga innecesaria? Retroalimentación al sistema.
Evidencia científica actualizada
📊 Validación en España (Emergencias, 2022)
Estudio observacional prospectivo en urgencias hospitalarias
523 pacientes — versión española adaptada y validada
AUC 0,969 para eventos adversos — excelente discriminación
AUC 0,881 para ingreso hospitalario
Punto de corte: ≥3 para ingreso; ≥5 para eventos adversos
ICC inter-observador ≈ 1,0 — muy alta fiabilidad entre enfermeras
🤖 CONCERN EWS — IA sobre documentación enfermera (2025)
Sistema AI-CDSS que usa patrones de documentación enfermera para predecir deterioro
Va más allá de las constantes: analiza frecuencia y contenido de los registros
Efectividad consistente en la mayoría de subgrupos
Publicado en PubMed 2025 — evidencia de máximo nivel para CDSS+IA
📚 Formación enfermera en EWS
Intervención educativa mejora conocimiento sobre EWS: Z=7,631; p<0,0001
Mayor atención a pacientes con scores elevados tras formación
Errores frecuentes: constantes incompletas, registro incorrecto, omisión
La formación en EWS es prerequisito para el uso seguro de CDSS integrados
⚠️ Limitaciones y riesgos conocidos
El EWS solo es tan bueno como los datos que lo alimentan
Datos incompletos o incorrectos generan alertas falsas o silencian alertas reales
Fatiga por alertas: 80–99% de alarmas fisiológicas pueden ser clínicamente irrelevantes
Riesgo de sesgo de automatización: aceptar la puntuación sin valorar el contexto
Validación en España publicada en urgencias — extrapolación a planta con cautela
Conexión EWS/NEWS2 con el Marco de Actuación CGE
Secc. 13.3 — CDSS (Daniel colab.)
NEWS2 integrado en HCE ES un CDSS. La competencia "aplicar EWS/NEWS2" figura en el flujo de actuación del apartado (paso 1-2, nivel B/I). Es el ejemplo práctico más concreto de CDSS en la práctica enfermera diaria.
Fatiga por alertas
El 80-99% de alarmas fisiológicas pueden ser irrelevantes. El NEWS2 mal calibrado contribuye directamente a la fatiga descrita en 13.3. La gestión del umbral de alarma es una competencia enfermera de nivel Avanzado.
Secc. 13.4 — IA (Daniel colab.)
El CONCERN EWS (2025) representa la evolución natural: de NEWS2 rule-based a IA que analiza patrones de documentación enfermera. Es el caso de uso real más relevante de IA+HITL en enfermería.
Secc. 10 — Formación (Daniel coord.)
EWS/NEWS2 debe aparecer en los contenidos mínimos formativos como herramienta digital básica (nivel B). La formación en NEWS2 es requisito previo para el uso seguro de CDSS integrados en HCE.
Oportunidad de Daniel
Como enfermero innovador del Área Sanitaria de Vigo: ¿cómo está implementado el NEWS2 en el CHUS/CHUVI? ¿Integrado en HCE o manual? ¿Qué protocolo de escalada existe? Esta experiencia real es lo que le falta al borrador de Fran.
Secc. 9.2 — Gestión del dato
La calidad del dato que alimenta el NEWS2 (constantes bien registradas, completas, en tiempo) es exactamente el contenido de 9.2. El EWS ilustra por qué la calidad del dato tiene impacto clínico directo.
TRIPOD+AI y PROBAST+AI son los dos estándares internacionales de referencia para trabajar con modelos de predicción clínica basados en IA. Son herramientas complementarias: una es para quien publica un modelo, la otra para quien lo evalúa. Ambos se citan en la sección 9.4 del Marco CGE (Investigación en Salud Digital) y en 13.4 (IA Aplicada a Cuidados).
La distinción fundamental
📋 TRIPOD+AI — Guía de REPORTE
Responde a la pregunta: "¿Qué debo incluir cuando publico un estudio con un modelo predictivo?"
Es una lista de comprobación para investigadores. Si desarrollas o validas un modelo de IA clínica y quieres publicarlo, debes seguir TRIPOD+AI para que la comunidad científica pueda reproducirlo, evaluarlo y compararlo con otros modelos.
Publicado: abril 2024 — BMJ (Collins et al.)
27 ítems organizados en secciones del artículo
Sustituye al TRIPOD 2015 — ya no debe usarse el original
Cubre regresión clásica Y machine learning
Extensión TRIPOD-LLM para grandes modelos de lenguaje (Nature Medicine, 2024)
🔍 PROBAST+AI — Herramienta de EVALUACIÓN
Responde a la pregunta: "¿Este modelo de IA que voy a usar (o que acabo de leer) es metodológicamente sólido o tiene riesgo de sesgo?"
Es una herramienta de appraisal crítico. Sirve tanto a investigadores que hacen revisiones sistemáticas como a clínicos que evalúan si un sistema de IA es fiable antes de implantarlo.
Publicado: marzo 2025 — BMJ (BMJ 2025;388:e082505)
Sustituye a PROBAST 2019
2 partes: desarrollo del modelo (16 preguntas) + evaluación del modelo (18 preguntas)
4 dominios en ambas partes (ver abajo)
Puede reemplazar al PROBAST original según sus autores
💡 Analogía para entenderlo rápido
Imagina un fármaco nuevo. TRIPOD+AI es como las normas que debe seguir el laboratorio al publicar el ensayo clínico del fármaco (qué datos reportar, cómo describir la metodología). PROBAST+AI es como la ficha técnica que usa la agencia reguladora (o el farmacéutico clínico) para decidir si ese ensayo tiene buena calidad y el fármaco es seguro para usar.
En IA clínica: TRIPOD+AI = cómo publicar el modelo. PROBAST+AI = cómo auditar si el modelo que vas a implantar en tu hospital es confiable.
TRIPOD+AI — Los 27 ítems agrupados por sección del artículo
Sección del artículo
Qué debe reportar
Por qué importa en IA
Título y resumen
Identificar que es un modelo predictivo; tipo (diagnóstico/pronóstico); si usa ML
Permite indexar y encontrar modelos de IA clínica específicos
Introducción
Problema clínico objetivo; uso previsto del modelo; población diana
Define el contexto de aplicación — clave para saber si el modelo aplica a mi hospital
Métodos — Datos
Fuente de datos; criterios inclusión/exclusión; período; tratamiento de datos faltantes
Los sesgos de muestreo son el principal riesgo en modelos ML — hay que poder evaluarlos
Métodos — Predictores
Variables de entrada; cómo se definieron y midieron; ingeniería de características
En ML, las features engineered pueden ocultar sesgos proxy (ej. costes como proxy de necesidad)
Métodos — Outcome
Variable objetivo; cómo y cuándo se midió; gestión de censura
Si el outcome está mal definido, el modelo optimiza algo clínicamente irrelevante
Métodos — Modelo
Tipo de algoritmo; hiperparámetros; estrategia de validación; métricas de rendimiento
Sin esto, no se puede reproducir ni auditar el modelo
Resultados
Rendimiento (AUC, calibración, net benefit); rendimiento por subgrupos; fallos del modelo
El rendimiento diferencial por subgrupos es la prueba de equidad — obligatorio por AI Act
Discusión
Limitaciones; sesgos potenciales; plan de actualización; uso previsto vs. no previsto
Los criterios de parada y actualización son obligaciones del AI Act (vigilancia posdespliegue)
Información adicional
Disponibilidad del código; acceso a datos; financiación; conflictos de interés
Transparencia y reproducibilidad — principios OMS para IA en salud
PROBAST+AI — Los 4 dominios de evaluación
Dominio 1 · Participantes y datos
¿La población de entrenamiento representa a mis pacientes?
¿Los criterios de inclusión/exclusión están bien definidos?
¿Hay riesgo de training-serving skew?
¿El modelo fue validado en mi contexto local?
Dominio 2 · Predictores
¿Las variables de entrada están disponibles en mi HCE?
¿La ingeniería de características introduce sesgos?
Dominio 3 · Outcome
¿El outcome que predice el modelo es el que me interesa clínicamente?
¿Se midió de forma consistente y sin sesgo de verificación?
¿El horizonte temporal es aplicable a mi contexto?
¿Hubo contaminación entre predictores y outcome?
Dominio 4 · Análisis
¿El tamaño muestral era suficiente para el modelo elegido?
¿Se evaluó la calibración además del AUC?
¿Se analizó el rendimiento por subgrupos relevantes?
¿Hay plan de actualización y vigilancia posdespliegue?
Resultado final de PROBAST+AI
Bajo riesgo de sesgo Modelo fiable para uso clínico
Riesgo de sesgo incierto Usar con cautela, validación local
Alto riesgo de sesgo No implantar sin rediseño
La revisión sistemática de 2025 (Mayo Clinic Proceedings: Digital Health) encontró que la mayoría de modelos implantados en la práctica tenían alto riesgo de sesgo según PROBAST y escasa adherencia a TRIPOD — lo que explica por qué muchos modelos prometedores en el laboratorio fallan en la clínica.
Conexión con el Marco de Actuación CGE
Secc. 9.4 — Investigación (Fran)
TRIPOD+AI y PROBAST+AI ya están citados en el borrador. Son los estándares metodológicos que debe conocer la enfermera investigadora en salud digital para publicar o revisar estudios de modelos predictivos.
Secc. 13.4 — IA Cuidados (Daniel colab.)
PROBAST+AI es la herramienta para evaluar si un sistema de IA tiene "validación local documentada antes del despliegue" — uno de los riesgos clave del documento CGE v1.0. Antes de implantar un CDSS predictivo, hay que pasarle PROBAST+AI.
Secc. 10 — Formación (Daniel coord.)
TRIPOD+AI debería aparecer en contenidos mínimos de investigación en salud digital. PROBAST+AI como herramienta de evaluación crítica — competencia de nivel Avanzado para enfermeras en roles de gobernanza.
Conexión con AI Act
Los requisitos de PROBAST+AI (validación local, vigilancia posdespliegue, análisis por subgrupos) se alinean directamente con las obligaciones del AI Act para sistemas de alto riesgo. No son solo metodología: son cumplimiento normativo.
Conexión con EWS/NEWS2
El CONCERN EWS (AI-CDSS sobre documentación enfermera) es exactamente el tipo de modelo que debe evaluarse con PROBAST+AI antes de implantarlo. Su AUC 0,644 en reducción de mortalidad necesita evaluación de calibración y subgrupos.
Oportunidad de Daniel
Como elEnfermeroDeLaIA: usar PROBAST+AI para evaluar críticamente los modelos de IA que ya existen en el Área Sanitaria de Vigo sería un aporte práctico único para las secciones 13.3 y 13.4.
Actualización mayo 2026 — los plazos pueden haber cambiado.
El 13 de marzo de 2026 el Consejo de la UE acordó prorrogar el plazo de los sistemas de alto riesgo (Anexo III) de agosto 2026 a diciembre 2027. Sin embargo, este acuerdo aún no tiene fuerza de ley: está pendiente de trilogue (próxima sesión: ~13 mayo 2026). Si no se aprueba antes del 2 de agosto de 2026, el plazo original sigue vigente. Los documentos del CGE citan "agosto 2026" como fecha de aplicación plena — esto hay que revisarlo.
Calendario de aplicación (Reglamento UE 2024/1689)
Feb 2025
Prohibiciones y alfabetización en IA (Art. 4 y Art. 5)
En vigor desde el 2 de febrero de 2025. Art. 4 — Alfabetización en IA: ya es obligatorio. Todo operador debe garantizar que su personal tenga conocimientos suficientes de IA, proporcionales a sus funciones. Esto afecta directamente a los centros sanitarios ahora mismo. Las prácticas prohibidas (manipulación, puntuación social, biométrica en tiempo real) también están ya en vigor.
✓ Ya en vigor
Ago 2025
Modelos de IA de uso general (GPAI)
En vigor desde el 2 de agosto de 2025. Afecta a proveedores de modelos fundacionales (GPT, Gemini, Claude…): obligaciones de transparencia, gestión de derechos de autor y evaluaciones de riesgo para modelos con impacto sistémico (>10^25 FLOPs).
✓ Ya en vigor
2 Ago 2026
⚠ En disputa
Sistemas de alto riesgo — Anexo III (fecha legal vigente)
Plazo legal actual para la mayoría de sistemas de IA de alto riesgo no embebidos en productos regulados. Incluye CDSS standalone, sistemas de estratificación de riesgo, herramientas de gestión de RR.HH. sanitarios y modelos predictivos. Pendiente de si el "Digital Omnibus" extiende el plazo a diciembre 2027. Hasta que haya texto legal publicado en el DOUE, agosto 2026 sigue siendo la fecha vinculante.
⚠ Plazo en revisión legislativa
2 Ago 2027
original
Sistemas de alto riesgo — Anexo I (productos regulados MDR/IVDR)
CDSS que son productos sanitarios CE (bajo MDR) o diagnóstico in vitro (IVDR). Si el Digital Omnibus se aprueba, este plazo se movería a agosto 2028. Son los sistemas con mayor impacto clínico directo y los que generan mayor responsabilidad.
Plazo tentativo — puede moverse a ago 2028
Dic 2027
propuesto
Plazo propuesto para Anexo III si se aprueba el Digital Omnibus
El Consejo de la UE propone mover el Anexo III (CDSS standalone, IA sanitaria no-MDR) de agosto 2026 a diciembre 2027, condicionado a que la Comisión confirme que existen estándares armonizados disponibles.
Pendiente aprobación trilogue (~junio 2026)
Clasificación de los sistemas sanitarios bajo el AI Act
🔴 Alto riesgo — Anexo I (Art. 6.1)
CDSS que son productos sanitarios CE bajo el MDR o IVDR
Software de diagnóstico por imagen con IA (radiología, patología)
Sistemas de soporte a decisiones terapéuticas de alto impacto clínico
Plazo: agosto 2027 (original) / agosto 2028 (propuesto)
Requiere evaluación de conformidad con organismo notificado
🟡 Alto riesgo — Anexo III (Art. 6.2)
CDSS standalone no regulados como producto sanitario
Modelos predictivos de deterioro clínico (EWS/NEWS2 con IA)
Sistemas de estratificación de riesgo poblacional
IA para gestión de camas, triaje o asignación de recursos
Plazo: agosto 2026 (legal) / diciembre 2027 (propuesto)
🔵 Transparencia limitada
IA generativa para documentación clínica (resúmenes, transcripción)
Chatbots de información sanitaria al paciente
Traducción automática de informes
Obligación: informar al usuario que interactúa con IA
Verificación humana obligatoria de todos los outputs
🟢 Bajo riesgo / mínimo
Herramientas de formación sanitaria sin decisión clínica
Sistemas de gestión administrativa sin impacto sobre paciente
IA de apoyo a la investigación sin aplicación directa
Art. 4 (alfabetización) aplica igualmente a todos los niveles
Obligaciones para centros sanitarios como "deployers" (operadores)
📋 Obligaciones operativas
Informar a pacientes del uso de sistemas de IA en su atención
Garantizar que los datos de entrada son relevantes y representativos
Mantener logs generados automáticamente por el sistema
Implementar supervisión humana efectiva (Art. 14)
Notificar al proveedor y autoridades si se detectan riesgos
Realizar DPIA si el sistema procesa datos personales de pacientes
🏛️ Marco en España — AESIA
AESIA (A Coruña) — primera agencia de supervisión de IA de la UE
Operativa desde agosto 2023 bajo el Ministerio de Transformación Digital
Ya publicadas 16 guías de cumplimiento sectoriales
23 investigaciones abiertas a mayo 2026
Coordinada con AEPD para casos con datos personales
Guía específica para aplicación en salud publicada en abril 2026
Relevancia para el Marco de Actuación CGE — qué implica para cada sección
Secc. 3 — Marco teórico
Citar el cambio de plazos (Digital Omnibus) y que agosto 2026 está en revisión. Actualizar la fecha de aplicación plena.
Secc. 10 — Formación (Daniel coord.)
Art. 4 ya es ley desde feb 2025. El Marco formativo debe alinearse con esta obligación vigente, no solo con fechas futuras. Esto refuerza la urgencia de la secc. 10.
Secc. 13.3 — CDSS
Distinguir si el CDSS es Anexo I (MDR) o Anexo III standalone. El plazo y las obligaciones son distintos. El Art. 14 ya debe orientar el uso actual aunque el plazo esté en revisión.
Secc. 13.4 — IA Cuidados
El "2 de agosto de 2026" citado en el documento CGE v1.0 puede quedar desactualizado. Revisar y añadir nota sobre el Digital Omnibus y los nuevos plazos propuestos.
Secc. 2 — Alcance (Daniel colab.)
El alcance del Marco debe clarificar a qué sistemas aplica el AI Act según el tipo de uso: CDSS vs. IA generativa vs. sistemas administrativos.
Secc. 5 — Perfil profesional
Las 7 capacidades del Art. 14 (supervisión humana) ya deberían estar integradas en el perfil de todos los niveles, dado que el Art. 4 está en vigor.
Lectura de documentos CGE v1.0 — Revisión exhaustiva de 13.3 CDSS (14 pp, 34 refs) y 13.4 IA Cuidados (14 pp, 15 refs). Ambos completos y maquetados. Borrador HITL (3 pp) identificado como versión anterior. CGE v1.0
13/04/2026
Documento de contexto generado — Resumen del estado del proyecto para Daniel Simon. Base de conocimiento completa con estado de todas las secciones, equipo y asignaciones. Contexto
08/04/2026
Marco de asignaciones actualizado por Héctor Nafria.
08/04/2026
Marco teórico v3 definitivo entregado por Fran García.
13/04/2026
Secciones 6 y 7 subidas por Laura Alonso y Lucía Cartón respectivamente.
02/04/2026
Borrador sección 4 (Justificación) + borradores adicionales por Adrián Vences.
09/04/2026
Borrador sección 5 (Perfil profesional) entregado por Teresa Pérez.