¿Por qué aprender con herramientas de aprendizaje y entrenamiento si ya existen soluciones con IA para delimitar órganos de riesgo?

Las herramientas de aprendizaje y entrenamiento en delimitación de órganos de riesgo (OAR) en radioterapia continúan siendo necesarias. Existen soluciones automáticas con inteligencia artificial que delimitan OAR en radioterapia. Sin embargo, todavía se requiere aprender la tarea de forma manual para evitar la descualificación y la falta de cualificación de los profesionales sanitarios. Estas ya han ocurrido en sectores como la aviación con la introducción del piloto automático. Además, aunque la IA proporciona delimitaciones de suficiente calidad para la mayoría de OAR es necesaria su revisión por el experto, por lo que se requiere que conozca en profundidad la tarea.

Los sistemas de inteligencia artificial se integran cada vez más en el ejercicio clínico, aportando eficiencia y eficacia. Sin embargo, al modificar la práctica habitual también preocupan los riesgos de un posible impacto negativo a largo plazo sobre la experiencia de los profesionales sanitarios[1], [2], en especial en cuanto a la descualificación y la falta de cualificación.

La descualificación consiste en la degradación de competencias críticas y del juicio clínico[1], [3]. La teoría es que delegar de forma repetida en sistemas inteligentes produce una pérdida irreversible del know-how. La causa subyacente es la falta de práctica y de actualización de dichas competencias[1]. Asimismo, el personal podría perder confianza en su propio criterio y autonomía cuando deja de contar con la ayuda externa de la IA[1], [3], [4]. Esto reforzaría la dependencia con respecto a la inteligencia artificial, aún en situaciones en las que la experiencia humana continúa siendo esencial[1].

Por otro lado, la incorporación de IA en la formación médica avanza a un ritmo más rápido que los marcos educativos diseñados para regularla[5]. Los estudiantes o perfiles de menor experiencia podrían no desarrollar las habilidades de razonamiento básicas. Esto ocurriría al recurrir a la inteligencia artificial durante los primeros años de formación clínica. La falta de cualificación se debe a no enfrentarse a las tareas que posibilitan el aprendizaje, los retos o una progresiva responsabilidad[1]–[6]. A largo plazo, podría conllevar generaciones de profesionales menos preparados para trabajar sin la asistencia de la IA[1], [3].

De todas formas, hay poca evidencia sistemática y concluyente sobre la descualificación y falta de cualificación derivada del uso de sistemas de IA en el campo sanitario. La mayoría de esta evidencia es especulativa. Todavía se necesitan más investigaciones específicas. También hacen falta marcos de intervención prácticos que aumenten los beneficios y minimicen los riesgos de usar la IA en la asistencia sanitaria[1].

No obstante, no se trata de una preocupación infundada, sino que se justifica en teorías consolidadas sobre el aprendizaje. Además, queda respaldada por los primeros indicios empíricos procedentes de entornos no clínicos[5]. Esto permite aprender de otros sectores que llevan más tiempo lidiando con el equilibrio entre la automatización y la retención de competencias[3].

A continuación, tratamos del caso más estudiado del impacto de la automatización sobre los procesos mentales: el uso del piloto automático en aviación[2], [7].

A continuación, describimos los aspectos más importantes de su participación en el XIX Congreso de la Sociedad Española de Radiocirugía.

Antes del piloto automático, los vuelos requerían la atención continuada y la amenaza de fatiga mental sobre todo en los trayectos de larga duración. En este sentido la automatización mejoró la seguridad, puesto que la mayoría de accidentes provenían de errores humanos[2], [7].

Al mismo tiempo, el piloto automático puede conducir al sesgo de automatización por cambiar los patrones de escaneo visual de las personas y reducir la frecuencia con la que se comprueba la información. Incluso, algunos usuarios podrían favorecer los datos de los sistemas automáticos por encima de su propio criterio[2].

Tras varios incidentes y hasta accidentes mortales, las autoridades reguladoras exigieron que los pilotos entrenaran con horas de vuelo reales y en simuladores[2], [3]. Así, se requiere que los profesionales conozcan cómo funciona el piloto automático y también desconectarlo si fuera necesario[4].

En la actualidad, la profesión de piloto implica alternar con fluidez entre las habilidades manuales y la información del sistema automático. Es decir, el éxito depende de la interacción de los aspectos humanos con los automatizados[7].

Sin embargo, es importante resaltar la diferencia de la inteligencia artificial con respecto a otras formas de automatización. La automatización se refiere a sistemas en los que una misma entrada de datos produce idénticos resultados. Es decir, los sistemas automáticos no asisten de modo activo en la toma de decisiones de los expertos en la misma medida que la IA. Por el contrario, la inteligencia artificial se diseña para facilitar la toma de decisiones que antes eran competencia exclusiva de los expertos. Así, la IA asume e imita procesos cognitivos más avanzados con respecto a la automatización sin inteligencia artificial[2], por lo que su efecto podría pronunciarse aún más.

Las tecnologías modernas de inteligencia artificial permiten automatizar la delimitación de los órganos de riesgo. La IA se introdujo con el objeto de reducir el tiempo dedicado a la tarea y la variabilidad entre personas o variabilidad interobservador (IOV)[6], [8]–[18]. Ya se dispone de herramientas innovadoras asistidas con IA, tanto de uso interno como productos comerciales de éxito[10], [19].

Los sistemas con IA actuales obtienen contornos clínicos que se aproximan a los de expertos para la mayoría de OAR[8], [13]. De todos modos, existen estructuras con formas irregulares. Pueden presentar variación anatómica por su posición, movimiento y las diferencias entre personas. Esto supone un reto para las herramientas de autocontorneo que suelen delimitarlas con menos exactitud[8], [10], [13], [18].

Por eso, los resultados de autosegmentación pueden precisar que los expertos las editen después, en especial en estas regiones anatómicas más ambiguas[9], [20]. Además, la inteligencia artificial también comete errores que requieren revisión en la práctica diaria[20].

Por tanto, los sistemas de autosegmentación proporcionan un buen punto de partida para la comprobación y ajustes de las delimitaciones así obtenidas[8]. La supervisión humana es una de las herramientas más relevantes en la mejora de la calidad[6]. De hecho, el estándar actual recomendado en las últimas directrices es que los expertos perfeccionen de modo manual los contornos producidos por la IA[11], [13], [21].

Evaluar la exactitud aceptable no es una tarea fácil[8]. En parte por la complejidad de los modelos de inteligencia artificial[17] y en parte por los contornos que se usan de referencia que puede que no reflejen la verdad fundamental o ‘gold standard’[10].

En cualquier caso, sin saber de forma práctica y actualizada cómo delimitar volúmenes es imposible analizar la exactitud de los resultados de los sistemas de IA. Además, una cuestión preocupante es la extensión de los errores antes de que el personal clínico sea consciente de ellos y retome la delimitación manual.

En el área sanitaria, se aprende con la práctica. El entrenamiento se logra con el aumento gradual de complejidad y autonomía utilizando bajo supervisión casos de creciente dificultad. La confianza excesiva en los asistentes de IA durante este período de formación puede romper la curva de aprendizaje al limitar la exposición a escenarios de toma de decisiones difíciles[1].

Si los sistemas de inteligencia artificial ofrecen soluciones consistentes, los usuarios tal vez no aprendan competencias críticas de resolución de problemas. También pueden perder la confianza en su propio juicio clínico. De hecho, los datos empíricos indican que la retención de habilidades técnicas por los alumnos, como la precisión y rapidez, disminuye sin formación práctica[1].

Por eso, la integración de las herramientas con IA debe hacerse apoyando los objetivos formativos y la excelencia en el tratamiento del paciente[19].

La educación y el entrenamiento ayudan a prevenir o superar la posible descualificación o falta de cualificación. Esto se consigue con más competencias y capacidades técnicas ajustadas, junto con más innovación y resiliencia[1]. Así, es importante fomentar una cultura de reciclaje y adaptación con un equilibrio entre la integración de tecnología y la preservación de las competencias humanas en el campo sanitario[1].

Dada la importancia de la delimitación de órganos en oncología radioterápica, surgen preguntas acerca de la formación en este aspecto. La IA se presenta como una aliada para aprender esta competencia, aunque también preocupa la posible descualificación[19].

Un estudio de 2024 mostró que la enseñanza combinada con IA fue la estrategia más eficaz en la reducción del tiempo de contorneo, manteniéndose su efecto después de seis meses de seguimiento. La muestra incluyó a noventa y siete oncólogos radioterápicos a los que se les asignó de forma aleatoria la delimitación manual o asistida por IA de ocho OAR de cabeza y cuello[20].

Además, se encontró una reducción en la variabilidad, aunque no se pudo determinar si este beneficio compensa el riesgo que podría venir de las delimitaciones erróneas de la IA[20].

Otra publicación analizó el impacto del autocontorneo con IA en la educación y adquisición de competencias por medio de una encuesta en dos centros. En ella participaron residentes de oncología radioterápica y el personal docente que se ocupa de ellos. Ambos grupos coincidieron en que la IA redujo el tiempo de delimitación y mejoró el flujo de trabajo desde la simulación a la aprobación del tratamiento[19].

En general, los profesores mostraron más preocupación por la descualificación. En concreto, que depender de los contornos automatizados disminuya los conocimientos básicos de los residentes. También que influya en su capacidad para reconocer los matices anatómicos. Los residentes de último año, aunque en menor medida, también reflejaron esta inquietud[19].

Un estudio reciente respalda con sus datos la posibilidad de descualificación. Reportó una disminución cuantificable del rendimiento al retirar las ayudas de la IA en endoscopia y diagnóstico[22]. Por tanto, se subraya una vez más la necesidad de formación activa que mantenga la competencia en delimitación de volúmenes[19].

En otros estudios, los sistemas de aprendizaje profundo también mejoraron el rendimiento en los perfiles junior con respecto a los expertos, con mayor tasa de satisfacción entre los primeros. Esto apunta a los modelos como herramientas valiosas en la formación de sanitarios en la delimitación de OAR. Además, pueden ser útiles para aprender volúmenes objetivo en regiones poco comunes. Allí los datos y la experiencia institucional son más limitados[23].

En conclusión, resulta importante impartir formación reglada sobre los principios que sustentan la IA, estrategias de detección de errores y de control de calidad riguroso. El profesional sanitario debe estar preparado para realizar la edición y evaluación de los autocontornos de cara a asegurar la idoneidad clínica de las delimitaciones de volúmenes[19], [21]

En la actualidad, se dispone de herramientas online de entrenamiento en delimitación. Se desarrollaron para ahorrar tiempo de los docentes en la formación de los estudiantes y disminuir la subjetividad que introduce cada profesor. Por ejemplo, eContour[24] y EduCase[25].

Estas herramientas usan métricas cuantitativas para evaluar el contorneo del alumno. No obstante, no suelen contar con información espacial o de forma del órgano. Así, no proporcionan retroalimentación del nivel del ausuario. Tampoco pueden comunicar al estudiante dónde debe ajustar el contorneo para mejorar la consistencia.

Nelson et al. desarrollaron una herramienta con información sobre la delimitación en tiempo real. La utilizaron con éxito para el entrenamiento de nueve alumnos. En todos los casos, la herramienta fue capaz de guiar al usuario y, en última instancia, reducir la variabilidad en su delimitación de volúmenes[26].

En esta línea, Aplicaciones Tecnológicas S.A. lanzó su recurso formativo OAR-Train. Se integra en la plataforma multidisciplinar de aprendizaje AT-Training Hub. La herramienta transforma el entrenamiento en la delimitación de órganos de riesgo. Incorpora nuevas funcionalidades y contenidos que se alinean con la práctica clínica actual.

Apenas tras su lanzamiento, los Premios Magisterio a los Protagonistas de la Educación reconocieron la innovación que supone OAR-Train. En su XVII edición recibió el Premio especial metrodora Grandes Iniciativas en Colaboración Público-Privada.

OAR-Train se caracteriza por la dirección científica de la Dra. Carolina de la Pinta y del Hospital Universitario Ramón y Cajal. Se encargan de la selección de casos clínicos que se cargan en la herramienta digital. OAR-Train se amplía de modo continuo con la adición de nuevos casos reales y funcionalidades.

OAR-Train se ofrece en dos modalidades. OAR-Train Class es la licencia de uso institucional, concebida como herramienta avanzada para el aula. OAR-Train One es la modalidad individual en formato curso y organizada por ediciones.

Puede conocer más sobre las aportaciones únicas de OAR-Train en la Formación Profesional del Ciclo Superior de Radioterapia y Dosimetría en el webinar bajo demanda OAR-Train Class: innovaciones y encaje en los centros educativos de Radioterapia.

Si desea más información, también puede contactarnos en el siguiente enlace.

Referencias

[1]    C. Natali, L. Marconi, L. D. Dias Duran, and F. Cabitza, ‘AI-induced deskilling in medicine: A mixed-method review and research agenda for healthcare and beyond’, Artif. Intell. Rev., vol. 58, no. 11, p. 356, Aug. 2025.

[2]    B. N. Macnamara et al., ‘Does using artificial intelligence assistance accelerate skill decay and hinder skill development without performers’ awareness?’, Cogn. Res. Princ. Implic., vol. 9, no. 1, p. 46, July 2024.

[3]    T. M. Berzin and E. J. Topol, ‘Preserving clinical skills in the age of AI assistance’, Lancet, vol. 406, no. 10513, p. 1719, Oct. 2025.

[4]    J. Rafner et al., ‘Deskilling, Upskilling, and Reskilling: a Case for Hybrid Intelligence’, Morals & Machines, vol. 1, no. 2, pp. 24–39, Jan. 2021.

[5]    Y. Ke et al., ‘AI-induced never-skilling in medical education’, Nat. Med., pp. 1–10, May 2026.

[6]    L. Vandewinckele et al., ‘Overview of artificial intelligence-based applications in radiotherapy: Recommendations for implementation and quality assurance’, Radiother. Oncol., vol. 153, pp. 55–66, Dec. 2020.

[7]    S. Kundu, ‘How will artificial intelligence change medical training?’, Commun. Med. (Lond.), vol. 1, no. 1, p. 8, June 2021.

[8]    G. Sharp et al., ‘Vision 20/20: perspectives on automated image segmentation for radiotherapy: Perspectives on automated image segmentation for radiotherapy’, Med. Phys., vol. 41, no. 5, p. 050902, May 2014.

[9]    J. M. Søbstad, T. H. Sulen, H. E. S. Pettersen, G. M. Engeseth, L. A. Hirschi, and C. H. Stokkevåg, ‘Time efficiency, geometric accuracy, and clinical impact of AI-assisted contouring of organs at risk in head and neck cancer radiotherapy’, Acta Oncol., vol. 64, pp. 1194–1201, Sept. 2025.

[10]  T. Wang et al., ‘Evaluation of AI-based auto-contouring tools in radiotherapy: A single-institution study’, J. Appl. Clin. Med. Phys., vol. 26, no. 4, p. e14620, Apr. 2025.

[11]  M. Thor, A. Apte, R. Haq, A. Iyer, E. LoCastro, and J. O. Deasy, ‘Using auto-segmentation to reduce contouring and dose inconsistency in clinical trials: The simulated impact on RTOG 0617’, Int. J. Radiat. Oncol. Biol. Phys., vol. 109, no. 5, pp. 1619–1626, Apr. 2021.

[12]  C. Hurkmans et al., ‘A joint ESTRO and AAPM guideline for development, clinical validation and reporting of artificial intelligence models in radiation therapy’, Radiother. Oncol., vol. 197, no. 110345, p. 110345, Aug. 2024.

[13]  A. C. Erdur et al., ‘Deep learning for autosegmentation for radiotherapy treatment planning: State-of-the-art and novel perspectives’, Strahlenther. Onkol., vol. 201, no. 3, pp. 236–254, Mar. 2025.

[14]  M. Claessens et al., ‘Quality assurance for AI-based applications in radiation therapy’, Semin. Radiat. Oncol., vol. 32, no. 4, pp. 421–431, Oct. 2022.

[15]  M. B. Altman et al., ‘A framework for automated contour quality assurance in radiation therapy including adaptive techniques’, Phys. Med. Biol., vol. 60, no. 13, pp. 5199–5209, July 2015.

[16]  D. Jin, D. Guo, J. Ge, X. Ye, and L. Lu, ‘Towards automated organs at risk and target volumes contouring: Defining precision radiation therapy in the modern era’, J. Natl. Cancer Cent., vol. 2, no. 4, pp. 306–313, Dec. 2022.

[17]  G. Francolini et al., ‘Artificial Intelligence in radiotherapy: state of the art and future directions’, Med. Oncol., vol. 37, no. 6, p. 50, Apr. 2020.

[18]  Y. W. Kim, S. Biggs, and E. Claridge Mackonis, ‘Investigation on performance of multiple AI-based auto-contouring systems in organs at risks (OARs) delineation’, Phys. Eng. Sci. Med., vol. 47, no. 3, pp. 1123–1140, Sept. 2024.

[19]  A. S. Qian et al., ‘The impact of artificial intelligence auto-contouring on resident education’, Pract. Radiat. Oncol., pp. S1879-8500(25)00280–2, Nov. 2025.

[20]  M. E. Rasmussen et al., ‘Potential of E-learning interventions and artificial intelligence-assisted contouring skills in radiotherapy: The ELAISA study’, JCO Glob. Oncol., vol. 10, no. 10, p. e2400173, Aug. 2024.

[21]  Y. Rong et al., ‘NRG Oncology assessment of Artificial intelligence deep learning-based auto-segmentation for radiation therapy: Current developments, clinical considerations, and future directions’, Int. J. Radiat. Oncol. Biol. Phys., vol. 119, no. 1, pp. 261–280, May 2024.

[22]  K. Budzyń et al., ‘Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study’, Lancet Gastroenterol. Hepatol., vol. 10, no. 10, pp. 896–903, Aug. 2025.

[23]  N. D. Almeida et al., ‘Artificial intelligence potential impact on resident physician education in radiation oncology’, Adv. Radiat. Oncol., vol. 9, no. 7, p. 101505, July 2024.

[24]  M. V. Sherer et al., ‘Development and usage of eContour, a novel, three-dimensional, image-based Web site to facilitate access to contouring guidelines at the Point of care’, JCO Clin. Cancer Inform., vol. 3, no. 3, pp. 1–9, Oct. 2019.

[25]  B. De Bari et al., ‘Short interactive workshops reduce variability in contouring treatment volumes for spine stereotactic body radiation therapy: Experience with the ESTRO FALCON programme and EduCase^TM training tool’, Radiother. Oncol., vol. 127, no. 1, pp. 150–153, Apr. 2018.

[26]       C. L. Nelson et al., ‘A real-time contouring feedback tool for consensus-based contour training’, Front. Oncol., vol. 13, p. 1204323, Sept. 2023.