Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
Introducción
La gestión estratégica de la calidad en servicios asistenciales de alta complejidad hospitalaria fue comprendida como un proceso de naturaleza multifactorial que experimentó transformaciones relevantes a partir de la incorporación de tecnologías de la información y comunicación (TIC). En este marco, la telemedicina -conceptualizada por la Organización Mundial de la Salud como la provisión de servicios sanitarios a distancia mediante herramientas tecnológicas- adquirió una relevancia que excedió el plano instrumental, al incidir en aspectos organizacionales, sociales y culturales de los sistemas de salud (Vite et al., 2024).
De manera complementaria, la integración de soluciones digitales, tales como historias clínicas electrónicas, sistemas basados en inteligencia artificial y plataformas de atención remota, fue identificada como un componente clave para fortalecer el monitoreo clínico, asegurar la continuidad del cuidado y elevar los estándares de calidad asistencial (Aguilar et al., 2023).
Sin embargo, los estudios sobre cultura de seguridad del paciente, evaluados mediante instrumentos como el HSOPSC, evidenciaron limitaciones persistentes en dimensiones críticas, particularmente en la gestión no punitiva del error y la suficiencia del personal, con niveles de percepción favorable reducidos en hospitales latinoamericanos (Sánchez et al., 2022).
La producción científica reciente reportó avances relevantes en la incorporación de estrategias digitales en el ámbito sanitario latinoamericano. En este sentido, la red LATIN (Latin America Telemedicine Network), implementada en países como Brasil, Colombia, México y Argentina, evidenció que el uso de un modelo de telemedicina tipo hub-spoke permitió ampliar la cobertura diagnóstica y optimizar indicadores clínicos, incluyendo la reducción significativa del tiempo puerta-balón y tasas de mortalidad en pacientes con infarto agudo de miocardio con elevación del ST (Moreno-Loaeza et al., 2022).
Asimismo, una revisión sistemática orientada a identificar barreras en la adopción de la atención virtual en la región permitió clasificar los principales obstáculos en categorías vinculadas a limitaciones tecnológicas, restricciones derivadas de la ausencia de evaluación física, percepciones desfavorables por parte de usuarios y profesionales, así como condicionantes estructurales de los sistemas sanitarios, destacándose la concentración de evidencia en países como Brasil y Argentina (Izquierdo & Almonacid, 2022).
De igual modo, análisis posteriores al periodo pandémico confirmaron que, pese a la validación de la seguridad y efectividad de la telemedicina, subsistieron restricciones normativas, problemas de conectividad y resistencias institucionales que dificultaron su adopción integral en diversos contextos latinoamericanos (Mercedes & Ghiglia, 2020).
A pesar del desarrollo evidenciado, la literatura especializada mostró limitaciones relevantes que restringieron una comprensión integral del fenómeno. En primer lugar, la evidencia empírica sobre la efectividad de intervenciones digitales en hospitales de alta complejidad en América Latina se presentó de manera dispersa y con bajo nivel de consolidación, particularmente en lo referido a la atención de enfermedades crónicas mediante modalidades remotas (Fernández-Tapia, 2021).
En segundo término, la adopción de la telemedicina en entornos hospitalarios antes del contexto pandémico resultó limitada, con niveles de implementación inferiores al 30% en países como Argentina, Colombia y México, lo que evidenció una brecha significativa en comparación con sistemas de salud de economías desarrolladas, además de una predominancia de estudios situados en áreas urbanas (Vasquez et al., 2022).
Finalmente, la evaluación de la cultura de seguridad del paciente se concentró en un número reducido de países latinoamericanos, sin inclusión de contextos centroamericanos, lo que restringió la posibilidad de generalizar hallazgos sobre el impacto de las TIC en la gestión estratégica de la calidad asistencial (Sánchez et al., 2022).
En atención a las limitaciones identificadas, el presente estudio tuvo como propósito examinar la efectividad reportada de las intervenciones digitales en relación con los indicadores de calidad asistencial en hospitales latinoamericanos de alta complejidad, mediante un diseño de revisión sistemática de la literatura científica.
Metodología
La presente revisión sistemática se diseñó siguiendo las directrices establecidas en la declaración PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) (Page et al., 2021).
La búsqueda bibliográfica se realizó en la base de datos Scopus, seleccionada por ser la mayor base de datos de literatura revisada por pares a nivel mundial, con más de 27.000 títulos activos de más de 7.000 editoriales, lo que garantiza una cobertura multidisciplinaria que integra ciencias de la salud, ingeniería, ciencias sociales y gestión. Scopus ha sido ampliamente utilizada en revisiones sistemáticas del ámbito sanitario y tecnológico, y su sistema de indexación permite recuperar estudios tanto de revistas de alto impacto como de publicaciones regionales latinoamericanas.
La fórmula booleana empleada fue la siguiente: (("digital health" OR "eHealth" OR "mHealth" OR "telemedicine" OR "telehealth" OR "electronic health record*" OR "health information technology" OR "artificial intelligence" OR "clinical decision support" OR "digital intervention*" OR "information and communication technology") AND ("quality of care" OR "quality indicator" OR "patient safety" OR "healthcare quality" OR "quality management" OR "quality improvement" OR "clinical outcome" OR "care quality") AND ("hospital" OR "high complexity hospital" OR "tertiary hospital" OR "tertiary care" OR "academic medical center"))
Para orientar la revisión sistemática y garantizar una síntesis comprehensiva de la evidencia, se formularon las siguientes preguntas de investigación: PI-1: ¿Cuáles son las intervenciones digitales que han sido implementadas y evaluadas en hospitales de alta complejidad de América Latina para mejorar la calidad de atención, según la literatura publicada entre 2015 y 2025?
PI-2: ¿Qué indicadores de calidad asistencial (seguridad del paciente, oportunidad de atención, resultados clínicos, satisfacción del usuario) han sido utilizados para medir la efectividad de las intervenciones digitales en dichos contextos hospitalarios?
PI-3: ¿Cuál es la magnitud y dirección de los efectos reportados de las intervenciones digitales sobre los indicadores de calidad asistencial en hospitales latinoamericanos de alta complejidad?
PI-4: ¿Qué barreras y facilitadores contextuales han sido identificados en la implementación de intervenciones digitales orientadas a la gestión de calidad en hospitales de alta complejidad en América Latina?
La estrategia de búsqueda se complementó con una revisión manual de las listas de referencias de los artículos seleccionados y una búsqueda en literatura gris a través de repositorios institucionales latinoamericanos, siguiendo las recomendaciones de PRISMA-S para el reporte de búsquedas en revisiones sistemáticas (Ver Tabla 1).
Tabla 1 Criterios de elegibilidad
| Criterios de inclusión | Criterios de exclusión |
|---|---|
| Estudios empíricos y revisiones sistemáticas sobre intervenciones digitales. | Opinión, editoriales, resúmenes y protocolos sin resultados. |
| Hospitales de alta complejidad en América Latina y el Caribe. | Estudios fuera de hospitales de tercer nivel. |
| Intervenciones digitales en salud. | Estudios solo técnicos sin evaluación de calidad. |
| Comparación con atención habitual u otras intervenciones. | Duplicados o versiones preliminares. |
| Indicadores de calidad asistencial medibles. | Revisiones no sistemáticas y casos únicos. |
| Publicaciones en inglés, español o portugués. | Estudios fuera de América Latina y el Caribe. |
Todo el proceso de selección fue documentado mediante el diagrama de flujo PRISMA 2020 (Page et al., 2021), que permite visualizar el número de registros identificados, cribados, evaluados para elegibilidad e incluidos en la síntesis final.
Resultados
Tabla 2 Características y resultados de los estudios incluidos sobre intervenciones digitales y calidad asistencial
| Autor | Tipo de intervención digital (PI-1) | Descripción de la intervención | Indicadores de calidad evaluados (PI-2) | Instrumentos / Métricas utilizadas | Magnitud / Dirección del efecto (PI-3) | Barreras identificadas (PI-4) | Facilitadores identificados (PI-4) |
|---|---|---|---|---|---|---|---|
| Gibson et al., (2025) | EHR (MyChart) y herramientas digitales de información clínica | Uso de registros electrónicos, alarmas de seguridad, sistemas de información clínica para comunicación y monitoreo | Seguridad del paciente, experiencia del paciente, confianza, comunicación | Entrevistas cualitativas, análisis temático reflexivo | Mixto: positivo condicionado (mejora si se usa adecuadamente; negativo si sustituye interacción humana) | Dependencia excesiva del EHR, mala comunicación, descoordinación, falta de consentimiento informado | Comunicación efectiva, acceso a información, enfoque centrado en el paciente, coordinación asistencial |
| Ben Hmido et al., (2026) | IA clínica (modelo predictivo ML integrado en EHR) | Modelo de ML intraoperatorio integrado en Epic para predecir complicaciones (fuga anastomótica) | Seguridad del paciente, eficiencia clínica, soporte a decisiones | System Usability Scale (SUS), métricas de usabilidad | Positivo (alto potencial, aún sin impacto clínico directo evaluado) | Limitada generalización, necesidad de regulación, adaptación a otros sistemas | Integración en flujo clínico, diseño intuitivo, compatibilidad con EHR |
| Bhaladhare & Rishipathak (2025) | EHR y telemedicina como soporte a calidad | Implementación de tecnologías digitales para mejorar eficiencia, calidad y sostenibilidad | Satisfacción del paciente, calidad del servicio, eficiencia operativa | Chi-cuadrado, encuestas, entrevistas | Positivo significativo | Falta de claridad en estrategias, limitaciones organizacionales | Participación del personal, uso de tecnología, eficiencia administrativa |
| Bibi et al., (2026) | IA avanzada (federated learning + XAI) | Modelo multimodal para predicción de mortalidad usando datos clínicos distribuidos | Resultados clínicos (mortalidad), precisión diagnóstica | AUC, métricas de ML (AUC=0.89) | Positivo significativo | Problemas de heterogeneidad de datos, privacidad, interpretabilidad | Integración multimodal, privacidad (FL), explicabilidad (XAI) |
| Despraz et al., (2026) | Sistema de salud basado en IA (Learning Health System + algoritmo HERACLES) | Integración de IA para detección de sepsis + dashboards dinámicos con indicadores clínicos en tiempo real | Mortalidad intrahospitalaria, mortalidad a 90 días, detección de sepsis, calidad de codificación clínica | Modelos ML (Random Forest + LSTM), AUROC, F1 score, OR, análisis comparativo before-after | Efecto positivo significativo (↓ mortalidad; OR <1 en múltiples análisis) | Integración compleja de datos, necesidad de adaptación organizacional, dependencia de calidad de registros | Integración clínica de IA, retroalimentación continua, dashboards en tiempo real, aprendizaje organizacional |
| Dreisig et al., (2026) | Monitoreo remoto de pacientes (RPM) con telemedicina | Plataforma digital con registro de signos vitales, alertas automáticas y visitas virtuales | Seguridad del paciente, detección temprana de deterioro, cumplimiento de protocolos | Logs de telemedicina, EHR, Early Warning Score (EWS), métricas de fidelidad de implementación | Efecto positivo moderado (mejora seguridad y detección temprana) | Dificultades en adherencia a protocolos, carga administrativa, limitaciones en métricas de fidelidad | Flexibilidad clínica, juicio profesional, integración telemedicina + atención presencial |
| de la Vega et al., (2026) | Evaluación de necesidades con soporte digital (fase preparatoria de intervención digital futura) | Uso de herramientas digitales (focus groups online, PPEET) para identificar necesidades clínicas y de implementación | Acceso a atención, coordinación asistencial, calidad percibida del servicio | PPEET, análisis cualitativo (CFIR, COM-B, modelo biopsicosocial) | Evidencia indirecta (no mide efecto clínico, pero identifica necesidades críticas) | Fragmentación del sistema, falta de coordinación, escasez de recursos y formación | Motivación del personal, redes profesionales, apertura a tecnologías digitales |
| Choi et al., (2025) | Sistema automatizado de recolección de datos clínicos integrado a EHR | Sistema basado en C# y SQL que extrae automáticamente 133 variables clínicas desde historias clínicas electrónicas para construir cohortes de ACV | Calidad de datos, tasa de error, completitud de registros, eficiencia operativa | Comparación pre-post, tasas de error (%), tiempo de registro, tasa de datos faltantes, pruebas estadísticas (p < 0.001) | Efecto positivo alto (↑ eficiencia, ↑ calidad de datos, ↓ errores) | Limitaciones en generalización (estudio unicéntrico), errores sistemáticos por reingresos, dependencia de estructura EHR | Integración directa con EHR, estandarización de variables, automatización, alineación con sistemas de calidad (KSR, RES-Q) |
| Dubé et al., (2025) | Optimización de EHR mediante simulación y human factors | Uso de simulaciones in situ + pruebas de usabilidad para identificar fallas del EHR antes de implementación | Seguridad del paciente, usabilidad, eficiencia operativa | Pruebas de usabilidad, simulación clínica, debriefing estructurado (PEARLS), análisis cualitativo | Efecto positivo significativo (↑ seguridad, ↑ usabilidad, ↓ riesgos latentes) | Desalineación EHR-flujo de trabajo, complejidad del sistema, riesgos no detectados pre-implementación | Simulación clínica, participación de usuarios, enfoque de factores humanos, iteración continua |
| Ehteshami et al., (2025) | Sistema de indicadores de benchmarking para HIS | Desarrollo de 76 indicadores clave (KBIs) para evaluar desempeño de HIS | Calidad del sistema, satisfacción del usuario, eficiencia, interoperabilidad, seguridad | Entrevistas semiestructuradas, análisis de contenido, Delphi, SPSS, α Cronbach 0.967 | Evidencia indirecta (mejora potencial en calidad y eficiencia del sistema) | Falta de estándares, limitaciones de recursos, baja capacitación | Uso de indicadores estructurados, evaluación continua, enfoque multidimensional |
| Gracia Martínez et al., (2025) | Sistema CDSS integrado a EHR (closed-loop) | Algoritmo automatizado que ordena pruebas preoperatorias según características clínicas | Seguridad del paciente, eficiencia, reducción de pruebas innecesarias, costos | Series temporales, OR, p-values, análisis contrafactual | Efecto positivo alto (↓ pruebas innecesarias, ↓ costos, sin impacto negativo clínico) | Necesidad de adaptación a guías locales, variabilidad entre sistemas | Integración EHR, automatización, adherencia a guías clínicas |
| Grolli et al., (2025) | Modelos predictivos basados en IA para gestión de camas UCI | Identificación de modelos predictivos para optimizar ocupación de camas y toma de decisiones | Gestión de recursos, tiempos de espera, resultados clínicos indirectos | PRISMA-ScR, metodología JBI | Evidencia indirecta (potencial positivo en gestión hospitalaria) | Variabilidad metodológica, falta de estandarización, heterogeneidad de datos | Uso de big data, analítica predictiva, soporte a decisiones |
| Haimi et al., (2025) | Telemedicina (video, teléfono y dispositivo Tyto) | Comparación entre atención presencial vs telemedicina con distintos niveles tecnológicos | Prescripción antibiótica, visitas a emergencia (ED), equidad en acceso | Registros clínicos electrónicos, análisis GEE | Efecto negativo en calidad clínica (↑ antibióticos, ↑ ED) | Brecha socioeconómica, acceso digital desigual, sobreutilización | Acceso ampliado a servicios, monitoreo remoto |
| Hao et al., (2025) | Telemedicina para colaboración interprofesional | Sistemas de monitoreo remoto, alertas clínicas, comunicación entre equipos | Mortalidad, estancia hospitalaria, tiempos de atención, readmisión | Meta-análisis, modelos Donabedian | Efecto mixto: ↓ estancia hospitalaria, ↑ readmisión | Variabilidad en implementación, dependencia del flujo de trabajo | Mejora de coordinación clínica, detección temprana |
| Hernández-Arango et al., (2025) | Sistema de soporte a la decisión clínica basado en IA | Modelos predictivos (XGBoost, ANN, Elastic Net) integrados a historia clínica electrónica | Mortalidad, hospitalización, visitas a emergencia | AUC-ROC, dashboard clínico | Efecto positivo (↑ precisión diagnóstica y toma de decisiones) | Calidad de datos, interoperabilidad limitada | Integración de big data, soporte a decisiones clínicas |
| Hofmann et al., (2026) | Interfaces digitales interoperables (FHIR, telemedicina, dashboards) | Integración EMS-hospital-centro especializado con KPIs | Tiempos de atención, calidad del proceso, comunicación intersectorial | KPIs clínicos, sistemas HIS, RedCAP | Efecto positivo potencial (optimización de tiempos) | Problemas de interoperabilidad, necesidad de validación | Integración de sistemas, estandarización de datos |
| Imkamp et al., (2026) | Inteligencia artificial (radiomics + clustering) | Uso de imágenes EIT y algoritmos (PCA, t-SNE, k-means) para identificar patrones clínicos | Resultados clínicos asociados a ventilación (PEEP, variables respiratorias, outcomes clínicos) | Análisis multivariante, clustering, regresión multinivel | Efecto positivo exploratorio, pero limitado por confusión | Variabilidad en adquisición de datos, sesgo técnico | Uso de big data clínico, integración IA en cuidados críticos |
| Jaana et al., (2026) | Historia clínica electrónica (Epic EMR) | Implementación de sistema EMR con evaluación longitudinal (0, 4 y 9 meses) | Calidad de atención, seguridad del paciente, documentación clínica | Encuestas Likert, análisis estadístico (SPSS, EFA, Cronbach α) | Efecto negativo inicial → tendencia a mejora no significativa | Resistencia al cambio, carga de trabajo, baja usabilidad | Capacitación, adaptación progresiva, monitoreo continuo |
| Kader et al., (2026) | IA en la nube (CADe) | Sistema cloud para detección en tiempo real de pólipos durante colonoscopía | Tasa de detección de adenomas (ADR), pólipos, lesiones serradas | APC, ADR, PPA, métricas clínicas comparativas | Efecto positivo significativo (↑ detección 33%, ADR +7.3%) | Dependencia tecnológica, requisitos de conectividad | Escalabilidad cloud, actualización continua, mejora diagnóstica |
| Karabayir et al., (2025) | Inteligencia artificial aplicada a ECG (ECG-AI) | Desarrollo de índice continuo (ESI) para predicción de riesgo clínico mediante redes neuronales | Mortalidad, insuficiencia cardíaca, falla renal | AUC, regresión logística, modelos ML | Efecto positivo significativo (mejor predicción) | Complejidad del modelo, dependencia de datos de alta calidad | Uso de big data clínico, validación externa robusta |
| Kumar et al., (2025) | IA + telemedicina + wearables + blockchain | Modelo híbrido LSTM-CNN para predicción de riesgo y sistemas digitales de recuperación | Calidad de atención, recuperación clínica, monitoreo de salud | Modelos ML, análisis clínico, métricas de recuperación | Efecto positivo (mejora en calidad y seguimiento) | Complejidad tecnológica, integración de sistemas | Telemedicina, monitoreo remoto, IA predictiva |
| Li et al., (2026) | Plataforma digital inteligente (CTMS + IA + big data) | Integración de HIS, LIS, PACS y CTMS para gestión de ensayos clínicos y control de calidad | Calidad de ensayos clínicos, eficiencia, seguridad | Validación interna/externa, monitoreo de procesos | Efecto positivo (optimización de procesos) | Fragmentación de datos, barreras de integración | Integración de sistemas, monitoreo remoto, gestión basada en riesgos |
| Lin et al., (2026) | Herramienta web (GoalKeeper) | Plataforma digital para establecimiento y seguimiento de metas clínicas compartidas | Calidad de atención, calidad del goal-setting, comunicación | PACIC, ANOVA, encuestas validadas | Efecto positivo moderado | Barreras organizacionales, coordinación entre actores | Participación familiar, diseño centrado en usuario |
| Lintz (2025) | Inteligencia artificial (CDS, NLP, monitoreo, diagnóstico) | Evaluación de percepción del impacto de IA en práctica clínica y resultados del paciente | Calidad de atención, eficiencia, readmisiones | Encuesta Likert, correlación Spearman, chi-cuadrado | Efecto positivo percibido | Desconfianza, privacidad, seguridad, errores diagnósticos | Capacitación, diseño centrado en usuario, soporte organizacional |
| Mehta et al., (2026) | Aplicación móvil (mHealth) basada en IA | App “KYM” con recordatorios, monitoreo y educación farmacológica | Adherencia al tratamiento, resultados clínicos, satisfacción | MARS, PSQ-18, parámetros clínicos (HbA1c, PA) | Efecto positivo parcial | Alfabetización digital, uso prolongado de tecnología | Acceso a smartphones, seguimiento remoto, personalización |
| Mengistu et al., (2026) | Machine learning sobre EHR | Modelos ML para predicción de estancia hospitalaria (LOS) | Eficiencia hospitalaria, duración de estancia, gestión de recursos | AUC-ROC, precisión, recall, F1-score | Efecto positivo (optimización operativa) | Calidad de datos, limitaciones de infraestructura | Uso de EHR, análisis predictivo, optimización de recursos |
| Mohammadi et al., (2025) | Sistema de posicionamiento indoor (IPS) con IA explicable | Modelo basado en XGBoost + SHAP + LIME para localización hospitalaria | Eficiencia operativa, trazabilidad, gestión de recursos | Accuracy (99.07%-99.97%), SHAP, LIME | Efecto positivo alto | Interferencia de señal, complejidad técnica | XAI (transparencia), Wi-Fi, IoT, bajo costo |
| Palm et al., (2025) | Sistema de soporte a la decisión clínica (CDSS) basado en EHR | Sistema integrado que guía decisiones clínicas en infecciones por estafilococo | Mortalidad hospitalaria, recaída a 90 días, uso de antibióticos | GLMM, tasas de mortalidad, uso de vancomicina | Efecto neutro (no inferioridad) | Baja adopción, problemas de acceso, integración IT limitada | Alta usabilidad percibida, integración con EHR |
| Patel et al., (2025) | Modelos de machine learning con SDoH | Modelos para predecir cierre de brechas de calidad asistencial | Cumplimiento de indicadores HEDIS, adherencia, prevención | AUROC, F1-score, accuracy, simulaciones | Efecto positivo alto | Limitaciones de datos sociales, desigualdades estructurales | Integración de SDoH, big data, enfoque poblacional |
Discusión de resultados
El análisis de los estudios incluidos permitió examinar la efectividad de las intervenciones digitales sobre indicadores de calidad asistencial en hospitales de alta complejidad, evidenciando patrones consistentes, aunque condicionados por factores contextuales y organizacionales. En términos generales, los resultados obtenidos mostraron una predominancia de efectos positivos asociados al uso de tecnologías digitales; no obstante, dicha efectividad no se presentó de manera homogénea, sino que dependió del tipo de intervención, del nivel de integración en los sistemas hospitalarios y de las condiciones estructurales del contexto latinoamericano.
En relación con las intervenciones basadas en inteligencia artificial (IA), los hallazgos del presente estudio evidenciaron mejoras significativas en la precisión diagnóstica, la predicción de riesgos clínicos y la optimización de recursos hospitalarios, lo cual resultó consistente con revisiones previas que identificaron a la IA como un componente clave en la transformación de la calidad asistencial, particularmente en escenarios de alta complejidad clínica (Fernández-Jiménez et al., 2026).
De manera convergente, estudios recientes señalaron que los modelos predictivos basados en aprendizaje automático permiten anticipar eventos adversos y mejorar la toma de decisiones clínicas, aunque su impacto directo en resultados clínicos aún presenta variabilidad dependiendo del grado de implementación. Esta divergencia parcial podría explicarse por la heterogeneidad en la calidad de los datos, la falta de estandarización de los sistemas y las limitaciones en la validación externa de los modelos.
En cuanto a los sistemas de historia clínica electrónica (EHR) y los sistemas de soporte a la decisión clínica (CDSS), los resultados mostraron mejoras en la seguridad del paciente, la reducción de errores y la eficiencia operativa, lo que coincidió con lo reportado en la literatura internacional, donde se ha documentado que la digitalización de la información clínica contribuye a la continuidad del cuidado y a la estandarización de procesos asistenciales (Aguilar et al., 2023). Sin embargo, los efectos negativos iniciales observados en algunos estudios -relacionados con problemas de usabilidad y resistencia del personal- se alinearon con investigaciones previas que señalaron que la implementación de EHR puede generar sobrecarga laboral y disminución temporal en la calidad percibida durante las fases iniciales de adopción (Sánchez et al., 2022). Esta situación podría explicarse por la falta de capacitación adecuada y por la limitada adaptación de los sistemas a los flujos de trabajo clínicos locales.
Respecto a las intervenciones de telemedicina y monitoreo remoto, los resultados evidenciaron efectos mixtos. Por un lado, se identificaron mejoras en la detección temprana de deterioro clínico y en la coordinación asistencial, lo cual resultó consistente con estudios que destacaron el potencial de la telemedicina para ampliar la cobertura y mejorar la oportunidad de atención (Moreno-Loaeza et al., 2022).
Por otro lado, se observaron efectos adversos en ciertos indicadores, como el incremento en la prescripción de antibióticos o en la utilización de servicios de emergencia, lo que coincidió con hallazgos que advirtieron sobre riesgos asociados a la ausencia de evaluación física y a la variabilidad en la calidad de la atención virtual (Izquierdo & Almonacid, 2022). Estas divergencias podrían atribuirse a diferencias en el diseño de los modelos de atención, el nivel de integración tecnológica y las condiciones socioeconómicas de los pacientes.
En relación con los sistemas integrados e interoperables, los hallazgos evidenciaron que la integración de múltiples fuentes de datos y plataformas digitales favoreció la mejora de indicadores de calidad, particularmente en términos de eficiencia operativa y coordinación clínica. Este resultado se encontró en consonancia con estudios que destacaron la importancia de la interoperabilidad y el uso de big data en la gestión hospitalaria, al permitir una toma de decisiones más informada y oportuna (Vasquez et al., 2022). No obstante, la literatura también señaló que la fragmentación de los sistemas de información y la falta de estándares comunes continúan siendo barreras críticas en la región latinoamericana (Mercedes & Ghiglia, 2020).
El presente estudio presentó diversas limitaciones que deben ser consideradas al interpretar los resultados. En primer lugar, la inclusión exclusiva de estudios indexados en la base de datos Scopus pudo haber restringido la recuperación de evidencia relevante publicada en otras bases de datos o en literatura gris, lo que podría haber introducido un sesgo de selección.
En segundo lugar, se evidenció una marcada heterogeneidad metodológica entre los estudios incluidos, tanto en los diseños de investigación como en los indicadores de calidad utilizados, lo que limitó la posibilidad de realizar comparaciones directas o síntesis cuantitativas robustas, como un metaanálisis.
En tercer lugar, la mayoría de los estudios presentaron diseños observacionales o exploratorios, con un número reducido de ensayos experimentales, lo que restringió la capacidad para establecer relaciones causales sólidas entre las intervenciones digitales y los resultados en calidad asistencial.
Asimismo, se identificó una concentración geográfica de la evidencia en determinados países de América Latina, como Brasil, México y Argentina, lo que limitó la generalización de los hallazgos a otros contextos regionales, especialmente en países con menor desarrollo tecnológico o infraestructura sanitaria.
Finalmente, la variabilidad en la calidad de los datos reportados y la ausencia de estandarización en las métricas de evaluación constituyeron limitaciones adicionales que pudieron haber influido en la interpretación de la magnitud y dirección de los efectos observados.
A partir de los hallazgos y limitaciones identificadas, se plantearon diversas líneas de investigación futura. En primer lugar, se consideró necesario promover el desarrollo de estudios experimentales y cuasiexperimentales que permitan evaluar con mayor rigor el impacto causal de las intervenciones digitales sobre los indicadores de calidad asistencial.
En segundo término, se recomendó avanzar hacia la estandarización de indicadores y métricas de calidad, lo que facilitaría la comparación entre estudios y la realización de metaanálisis en futuras revisiones sistemáticas.
Asimismo, se identificó la necesidad de fortalecer la investigación en contextos subrepresentados de América Latina, particularmente en países de Centroamérica y regiones rurales, con el fin de generar evidencia más equitativa y contextualizada.
Otra línea relevante correspondió a la evaluación de los factores organizacionales y culturales que influyen en la adopción de tecnologías digitales, incluyendo la resistencia al cambio, la capacitación del personal y la cultura de seguridad del paciente, aspectos que han demostrado ser determinantes en la efectividad de las intervenciones.
Finalmente, se sugirió profundizar en el análisis de modelos integrados de salud digital, que combinen inteligencia artificial, telemedicina, sistemas interoperables y enfoques centrados en el paciente, evaluando no solo su impacto clínico, sino también su sostenibilidad, costo-efectividad y equidad en el acceso a los servicios de salud.
En conjunto, la discusión permitió evidenciar que la efectividad de las intervenciones digitales en hospitales de alta complejidad en América Latina no dependió únicamente de la tecnología empleada, sino de su adecuada integración en los sistemas de salud, de las condiciones contextuales y de la capacidad institucional para sostener procesos de transformación digital orientados a la mejora continua de la calidad asistencial.
Conclusiones
Los hallazgos de la presente investigación permitieron identificar que las intervenciones digitales implementadas en hospitales de alta complejidad -particularmente aquellas basadas en inteligencia artificial, historias clínicas electrónicas, sistemas de soporte a la decisión clínica y telemedicina- mostraron, en términos generales, una tendencia favorable en la mejora de indicadores de calidad asistencial. Se evidenciaron avances relevantes en dimensiones como la seguridad del paciente, la precisión diagnóstica, la eficiencia operativa y la optimización de recursos hospitalarios.
No obstante, dichos efectos no se manifestaron de manera uniforme, observándose resultados heterogéneos, especialmente en intervenciones de telemedicina, donde coexistieron beneficios clínicos con efectos adversos asociados a limitaciones en la evaluación presencial y a factores contextuales. Asimismo, se constató que la efectividad de estas tecnologías estuvo condicionada por variables organizacionales, tecnológicas y humanas, tales como la interoperabilidad de los sistemas, la calidad de los datos y la capacidad de adaptación del personal de salud.
En relación con el objetivo de investigación, orientado a evaluar la efectividad reportada de las intervenciones digitales sobre indicadores de calidad asistencial en hospitales latinoamericanos de alta complejidad, se determinó que dichas intervenciones presentaron un impacto predominantemente positivo, aunque dependiente del contexto de implementación y del grado de integración en los sistemas de salud.
La evidencia analizada permitió establecer que las soluciones digitales contribuyeron a fortalecer procesos clínicos y administrativos; sin embargo, su efectividad real se vio modulada por la presencia de barreras estructurales, como la fragmentación de los sistemas de información, las limitaciones de infraestructura tecnológica y las brechas en alfabetización digital. En este sentido, la evaluación de la efectividad no pudo entenderse únicamente en términos tecnológicos, sino como un fenómeno complejo que involucró dinámicas organizacionales y sistémicas propias del contexto latinoamericano.
El presente estudio correspondió a un artículo de revisión sistemática de la literatura, desarrollado bajo los lineamientos de la declaración PRISMA 2020, lo que permitió una identificación, selección y síntesis estructurada de la evidencia científica disponible. Este enfoque metodológico facilitó la integración de resultados provenientes de diversos diseños de investigación, proporcionando una visión comprensiva del estado actual del conocimiento sobre la implementación de intervenciones digitales en la gestión de la calidad asistencial. Así mismo, la naturaleza de los estudios incluidos -mayoritariamente observacionales- implicó limitaciones en la inferencia causal, lo que debe ser considerado al interpretar los resultados.
Las implicaciones del estudio sugirieron que la transformación digital en hospitales de alta complejidad en América Latina requiere no solo la incorporación de tecnologías avanzadas, sino también el fortalecimiento de capacidades institucionales, la estandarización de indicadores de calidad y la promoción de entornos organizacionales favorables a la innovación. En esta línea, futuras investigaciones deberían priorizar el desarrollo de estudios experimentales y longitudinales que permitan evaluar con mayor rigor el impacto causal de las intervenciones digitales, así como explorar su costo-efectividad, sostenibilidad y equidad en el acceso a los servicios de salud.
De igual modo, se consideró pertinente ampliar la cobertura geográfica de los estudios hacia contextos subrepresentados y profundizar en el análisis de modelos integrados de salud digital que articulen inteligencia artificial, telemedicina e interoperabilidad, con un enfoque centrado en el paciente y orientado a la mejora continua de la calidad asistencial.
