En un caso ficticio, una mujer de 74 años llega al servicio de urgencias con debilidad en el lado derecho del cuerpo y dificultad para hablar, iniciadas hace una hora y media. La tomografía sin contraste no muestra sangrado, y la angiotomografía se realiza a continuación. Antes de que el radiólogo abra las imágenes, el celular del equipo vibra: el software de inteligencia artificial (IA) del hospital no encontró oclusión de gran vaso. El neurólogo de guardia mira a la paciente, que sigue sin poder nombrar objetos, y mira la alerta silenciosa.

Los programas que leen la angiotomografía y avisan al equipo cuando sospechan una oclusión de gran vaso ya forman parte de la rutina de muchos centros de ictus. Fueron hechos para ganar minutos, y hay buenos datos de que los ganan. También se equivocan, y el error que más preocupa es el silencio ante una oclusión verdadera.

Puntos principales

• En un metaanálisis de exactitud, la IA tuvo una sensibilidad agrupada del 87 por ciento y una especificidad del 95 por ciento para la oclusión de gran vaso en la angiotomografía (Susanti et al., 2026).
• El desempeño cayó en las oclusiones del segmento M2 de la arteria cerebral media y fue débil en la circulación posterior, según la misma revisión.
• En un ensayo aleatorizado por conglomerados en cuatro centros, el software redujo en 11,2 minutos el tiempo entre la llegada y la punción de la ingle (Martinez-Gutierrez et al., 2023).
• El efecto sobre la independencia funcional a los 90 días fue inconcluso en ese ensayo, y un metaanálisis de estudios antes y después tampoco encontró diferencias en desenlaces clínicos.
• En un centro australiano, lectores humanos expertos tuvieron mayor sensibilidad que el software, y el resultado negativo del programa fue insuficiente para excluir la oclusión (Slater et al., 2024).

• Qué busca la IA en la tomografía del ictus
• Cuánto acierta la IA: qué dicen los metaanálisis
• Dónde se equivoca la IA: el falso negativo
• IA frente a lectores humanos
• El efecto en el tiempo hasta la trombectomía
• En la red de hospitales: traslado y telemedicina
• Cómo usar la alerta sin que ella te use a ti
• Cómo NEXO ayuda a entrenar este razonamiento
• Preguntas frecuentes
• Mensajes para llevar a casa

Qué busca la IA en la tomografía del ictus

En el ictus isquémico, una oclusión de gran vaso es el bloqueo de una arteria proximal, como la carótida interna intracraneal, el segmento M1 de la arteria cerebral media o la arteria basilar. Es el tipo de ictus en el que la trombectomía mecánica tiene más que ofrecer, y en el que cada minuto de retraso pesa. Por eso la pregunta que el equipo hace ante la angiotomografía es simple y urgente: ¿hay una arteria grande cerrada?

Los programas de detección automática intentan responder a esa pregunta antes de que un especialista esté disponible. Por lo general, reciben las imágenes en cuanto salen del tomógrafo y envían una alerta al celular del equipo de ictus. Algunos comparan la densidad de los vasos entre los dos hemisferios; otros usan redes de aprendizaje profundo entrenadas con miles de estudios (Ha et al., 2026).

También hay algoritmos que buscan la oclusión en la tomografía sin contraste, sin esperar la angiotomografía. La idea es útil en hospitales donde la angiotomografía tarda o no está disponible por la noche, y se trata más adelante.

La alerta es un cribado, no un informe

El punto de partida para leer cualquier estudio sobre estos programas es que fueron diseñados como herramienta de cribado y comunicación. La alerta positiva sirve para llamar al equipo y priorizar la lectura. La alerta negativa, o la ausencia de alerta, debería tener mucho menos peso, porque ninguno de estos programas fue validado como prueba para descartar la oclusión. Quien trata la ausencia de alerta como un informe normal convierte una herramienta de velocidad en una fuente de retraso.

En qué se diferencia este tema de los posts vecinos

El post sobre imitadores de ictus trata del déficit agudo que no tiene causa vascular, como crisis epiléptica, hipoglucemia o migraña con aura. El texto sobre traumatismo craneal leve discute quién necesita una tomografía después de un golpe en la cabeza. Aquí la pregunta es otra: el paciente ya está en la tomografía con sospecha de ictus isquémico, y un programa intenta decir si hay una arteria grande ocluida.

Cuánto acierta la IA: qué dicen los metaanálisis

La revisión sistemática y metaanálisis de Susanti y colegas incluyó 11 artículos, con 10 937 pacientes, sobre IA aplicada a la angiotomografía (Susanti et al., 2026). La sensibilidad agrupada fue de 0,87, con intervalo de confianza del 95 por ciento de 0,76 a 0,93, y la especificidad de 0,95, con intervalo de 0,91 a 0,97 (Susanti et al., 2026). La heterogeneidad entre los estudios fue muy alta en varias medidas, lo que significa que el número promedio oculta productos, poblaciones y definiciones de oclusión diferentes.

Una sensibilidad de 0,87 quiere decir que, de cada 100 pacientes con oclusión de gran vaso confirmada, cerca de 13 no serían señalados por el software, según la estimación promedio. En un servicio que atiende muchos ACV por mes, eso no es raro. Los propios autores concluyen que los resultados negativos de la IA necesitan una reevaluación cuidadosa, con revisión de las imágenes y atención al cuadro clínico.

Qué cambia según el lugar de la oclusión

La misma revisión separó el desempeño por segmento arterial. En el segmento M1 de la arteria cerebral media, la sensibilidad varió de 0,87 a 0,93 en los estudios que informaron ese dato, y el área bajo la curva agrupada fue de 0,913 (Susanti et al., 2026). En el segmento M2, más distal y más fino, la sensibilidad varió de 0,30 a 0,86 entre cuatro estudios (Susanti et al., 2026).

El área bajo la curva agrupada para M2 fue de 0,72, con intervalo de 0,38 a 1,06. Los autores informaron ese resultado como estadísticamente significativo, pero el intervalo incluye 0,5, valor que corresponde a una prueba sin capacidad de discriminar, y su propio análisis de sensibilidad mostró que la significancia no era robusta: desaparecía al retirar dos estudios. En la práctica, el desempeño en M2 es incierto. Los autores describieron además un desempeño débil en las oclusiones de la carótida interna del tipo I y en la circulación posterior.

La tomografía sin contraste como primera señal

Zhou y colegas hicieron un metaanálisis en red de algoritmos que buscan oclusión de gran vaso de la circulación anterior en la tomografía sin contraste (Zhou et al., 2026). Los diez estudios incluidos eran todos de validación retrospectiva, con 3632 pacientes. La IA basada solo en la imagen tuvo sensibilidad de 0,78, con intervalo de credibilidad de 0,68 a 0,86, y especificidad de 0,88.

Los lectores especialistas y no especialistas tuvieron sensibilidades menores, de 0,62 y 0,60, con especificidad semejante, en torno a 0,86. La diferencia de sensibilidad a favor de la IA sobre los especialistas fue de 0,16, con intervalo de credibilidad de 0,03 a 0,29 (Zhou et al., 2026). Los autores clasificaron la certeza de esa evidencia como baja y afirman que no establece efecto sobre el flujo de atención, la reperfusión o el desenlace funcional. Para ellos, la tomografía sin contraste leída por IA debe funcionar como una señal para llamar al especialista o priorizar la angiotomografía, y no como sustituta de ella ni como prueba para descartar la oclusión.

Dónde se equivoca la IA: el falso negativo

El falso negativo es el error más peligroso del software de triaje, porque es silencioso. El falso positivo lo corrige en minutos quien abre las imágenes; el falso negativo puede dejar la angiotomografía en la fila mientras el paciente pierde tejido cerebral.

Por qué el programa deja pasar

Ha y colegas compararon, en un centro coreano, dos programas comerciales en 176 pacientes consecutivos con sospecha de ACV que se hicieron angiotomografía y perfusión (Ha et al., 2026). La oclusión de gran vaso se confirmó en 53 pacientes, y los dos programas tuvieron área bajo la curva de 0,93. Los autores revisaron los errores uno por uno.

La causa más común de falso positivo fue la estenosis intracraneal grave, que imita la oclusión. La principal causa de falso negativo fue la circulación colateral bien desarrollada en oclusiones distales, que oculta el punto de interrupción del vaso. Cuando los dos programas se ajustaron para la misma sensibilidad del 83 por ciento, uno de ellos tuvo especificidad de 0,96 y el otro de 0,89 (Ha et al., 2026). La elección del umbral, por lo tanto, desplaza el equilibrio entre alarmas falsas y oclusiones perdidas.

Lo que el software aprobado para M1 no ve

Catapano y colegas analizaron 559 pacientes con sospecha de ACV cuyas imágenes pasaron por un software de detección, en un centro de Estados Unidos (Catapano et al., 2023). Según los autores, la detección automática de ese programa estaba aprobada solo para oclusión del segmento M1, y por eso las otras oclusiones se excluyeron del análisis. Para M1, la sensibilidad fue de 71 por ciento y el valor predictivo positivo de 49 por ciento (Catapano et al., 2023).

El detalle de la aprobación restringida importa mucho en la práctica. Si el programa solo se hizo para M1, la ausencia de alerta no dice nada sobre una oclusión de carótida, de M2 o de basilar. Los autores mostraron además que sumar a la alerta dos signos clínicos y de imagen simples, la desviación de la mirada y el signo de la arteria hiperdensa, aumentó la especificidad y el valor predictivo positivo para M1.

La circulación posterior

La oclusión de la arteria basilar es rara, grave y difícil de reconocer, porque los síntomas pueden ser fluctuantes o parecer otra cosa. Brito y colegas probaron un algoritmo de aprendizaje profundo que busca oclusión en la circulación posterior en la tomografía sin contraste, en 184 pacientes de cuatro instituciones de Estados Unidos y Europa (Brito et al., 2026).

El software tuvo sensibilidad de 55,4 por ciento y especificidad de 80,9 por ciento, frente a sensibilidad de 27,4 por ciento y especificidad de 91,8 por ciento del neurorradiólogo (Brito et al., 2026). El programa encontró más oclusiones, pero falló más en los negativos, y aun así dejó pasar casi la mitad de las oclusiones. El estudio fue retrospectivo, los casos positivos se reunieron hasta alcanzar una meta, y parte de los autores trabaja para la empresa del software, lo que los propios autores declaran.

IA contra lectores humanos

La comparación con el radiólogo depende de quién es el lector, de qué oclusión se busca y del tipo de examen. En la tomografía sin contraste, como se vio arriba, la IA fue más sensible que los especialistas; en la angiotomografía, el panorama puede invertirse.

En un centro australiano, los lectores fueron mejores

Slater y colegas compararon un software comercial con ocho lectores en un centro de ACV de Australia, en 500 pacientes con sospecha de ACV isquémico (Slater et al., 2024). Los lectores eran un radiólogo, cinco neurólogos y dos residentes de radiología, y el patrón de referencia fue el diagnóstico de un panel de cuatro neurorradiólogos intervencionistas.

Para oclusión de gran vaso, la sensibilidad del software fue de 0,62, y la de los lectores varió de 0,65 a 0,96. Cuando la pregunta incluyó también las oclusiones de vasos medianos, la sensibilidad del software cayó a 0,39, mientras que la de los lectores quedó entre 0,62 y 0,94 (Slater et al., 2024). Todos los lectores tuvieron sensibilidad mayor que la del software. La razón de verosimilitud negativa del programa para oclusión de gran vaso fue de 0,41, y los autores concluyeron que no era suficiente para descartar la oclusión.

Qué significa esto para usted

Estas comparaciones enseñan a pensar el software como una prueba más, con sensibilidad, especificidad y razones de verosimilitud propias. La misma lógica del post sobre probabilidad pretest vale aquí: en un paciente con afasia, hemiparesia densa y desviación de la mirada, la probabilidad de oclusión de gran vaso es alta antes de cualquier imagen. Un resultado negativo del software, con razón de verosimilitud negativa de 0,41, reduce esa probabilidad, pero puede dejarla lo bastante alta para exigir lectura inmediata de las imágenes.

En un déficit leve y fluctuante, la tasa basal de oclusión es menor, y una alerta positiva tiene más chance de ser falsa.

El efecto en el tiempo hasta la trombectomía

Si el software no es mejor que un buen lector, la razón para usarlo es el tiempo: la alerta llega al celular de todo el equipo a la vez, mientras el radiólogo todavía puede estar en otro examen y el neurointervencionista fuera del hospital.

El ensayo aleatorizado de Houston

Martinez-Gutierrez y colegas realizaron un ensayo clínico aleatorizado por conglomerados, escalonado, en cuatro centros integrales de ictus de la región de Houston, en Estados Unidos (Martinez-Gutierrez et al., 2023). En ese diseño, los hospitales entran en el período con el software en fechas sorteadas, y cada centro aporta pacientes antes y después. El software combinaba la lectura automática de la angiotomografía con mensajes seguros en grupo por el celular.

Se incluyeron 243 pacientes tratados con trombectomía que llegaron por urgencias; los trasladados desde otros hospitales quedaron fuera. El tiempo mediano entre la llegada y la punción de la ingle antes del software era de 100 minutos. Con el software, ese tiempo cayó 11,2 minutos, con intervalo de confianza del 95 por ciento de 18,22 a 4,2 minutos de reducción (Martinez-Gutierrez et al., 2023). El tiempo entre el inicio de la tomografía y el inicio de la trombectomía cayó 9,8 minutos.

¿Y el desenlace del paciente?

En el análisis exploratorio, la proporción de pacientes funcionalmente independientes a los 90 días fue del 32 por ciento antes y del 42 por ciento después del software (Martinez-Gutierrez et al., 2023). Tras el ajuste, la razón de probabilidades fue de 1,3, con intervalo de 0,42 a 4,0. Como el intervalo incluye el 1, el resultado es inconcluso: el ensayo no tuvo tamaño para responder si los minutos ganados cambiaron la vida de los pacientes.

Los autores recuerdan otros límites. Los cuatro hospitales pertenecían al mismo sistema de salud, con la misma historia clínica y los mismos protocolos, y algunos médicos trabajaban en más de un centro. En servicios con tiempos de partida muy distintos de 100 minutos, el efecto puede ser otro.

El software depende de quien lo usa

Un análisis posterior del mismo ensayo, realizado con 101 pacientes, midió cuánto interactuaban los equipos con la aplicación (Ebirim et al., 2026). Por cada aumento de una unidad en la razón entre comentarios y pacientes, el tiempo entre la llegada y la punción cayó 2,6 minutos, con intervalo de 0,13 a 5,09 minutos de reducción. El número de usuarios activos por paciente, en cambio, tuvo una asociación inconclusa, con intervalo que incluía el cero.

La ganancia, por lo tanto, depende de que el equipo converse dentro de la aplicación, y no solo de instalarla.

Lo que dicen los estudios antes y después

Sarhan y colegas reunieron, en un metaanálisis, 12 estudios con 15 595 pacientes que compararon períodos antes y después de la implantación de un mismo software de detección (Sarhan et al., 2025). El tiempo entre la llegada y la punción disminuyó, con diferencia media estandarizada de −0,50, y el tiempo entre la tomografía y la trombectomía también, con −0,71. Los autores no encontraron diferencia estadísticamente significativa en desenlaces clínicos como hemorragia, mortalidad e independencia funcional a los 90 días.

Los estudios antes y después tienen un problema conocido: entre un período y otro, muchas cosas cambian en el hospital, de protocolos a equipos. Parte de la mejora puede venir de esos cambios y no del software. Por eso el ensayo aleatorizado de Houston pesa más, aunque sea menor.

En la red de hospitales: traslado y telemedicina

Muchos pacientes llegan primero a un hospital sin trombectomía, donde el tiempo que importa es el de la decisión de trasladar.

Un estudio prospectivo con telemedicina

Olive-Gadea y colegas realizaron un estudio prospectivo, multicéntrico y cuasiexperimental en dos centros de ictus con telemedicina que derivan pacientes a un centro con trombectomía (Olive-Gadea et al., 2026). Compararon 129 pacientes trasladados antes y 136 después de la implantación de un algoritmo que lee la tomografía sin contraste y la angiotomografía. La decisión final de trasladar siguió en manos del neurólogo vascular a distancia.

El desenlace principal, el tiempo entre la llegada al hospital local y la solicitud de traslado, no cambió de forma concluyente: diferencia mediana de −2,40 minutos, con intervalo de −6,16 a 4,48 (Olive-Gadea et al., 2026). El tiempo entre la imagen y la solicitud cayó 7,16 minutos, y el tiempo entre la llegada y la punción cayó 31,28 minutos.

La explicación de los autores para la ganancia mayor no es la alerta en sí. La proporción de pacientes que se hicieron angiotomografía ya en el hospital local subió de 28 a 81 por ciento, y la repetición de exámenes en el centro de destino cayó de 79 a 42 por ciento (Olive-Gadea et al., 2026). Menos exámenes repetidos significaron reperfusión más rápida.

Una base de datos con miles de alertas

Devlin y colegas analizaron retrospectivamente 14 116 alertas de ACV atendidas por telemedicina en 166 hospitales de 17 estados de Estados Unidos, comparando hospitales con y sin una plataforma de IA (Devlin et al., 2024). El tiempo mediano entre la llegada y el aviso al neurointervencionista fue de 50,0 minutos en los hospitales con IA y de 89,5 minutos en los hospitales sin ella.

El mismo estudio encontró un efecto en sentido opuesto. En los hospitales sin trombectomía local, la presencia de la IA se asoció a una tasa menor de aceptación del paciente para trombectomía por el neurointervencionista, con una reducción absoluta de 10,79 puntos porcentuales (Devlin et al., 2024). Los autores no pudieron medir los tiempos de imagen ni los desenlaces de los pacientes, y el diseño observacional no permite separar el efecto del software de las diferencias entre los hospitales.

Cómo usar la alerta sin ser usado por ella

El software de detección de oclusión es un buen ejemplo de herramienta que ayuda cuando se usa como pista y estorba cuando se trata como veredicto. El post sobre sesgo de automatización describe el mecanismo: ante un sistema que suele acertar, las personas tienden a aceptar la salida de la máquina y a buscar menos información por cuenta propia.

Cinco actitudes prácticas

• Lea la angiotomografía, o asegúrese de que alguien la lea, en todo paciente con sospecha de ACV isquémico, con o sin alerta.
• Sepa para qué arterias fue validado y aprobado el software de su hospital. Una ausencia de alerta para M2 o basilar puede no significar nada.
• Pese el examen neurológico. Afasia, negligencia, desviación de la mirada y hemiparesia densa aumentan la probabilidad de oclusión, como mostraron los signos clínicos sumados al software en el estudio de Catapano.
• Desconfíe más de la alerta negativa en los escenarios en que el software se equivoca más: oclusiones distales, circulación colateral rica y síntomas de circulación posterior.
• Use el canal de mensajes. La ganancia de tiempo del ensayo de Houston dependió de la conversación del equipo dentro de la aplicación.

Calibrar la confianza

Calibrar la confianza en la máquina es parecido a la calibración de la confianza en el propio diagnóstico: confiar en la medida justa para cada situación. La alerta positiva merece confianza suficiente para activar al equipo; la negativa, poca como para mantener la lectura humana. Cuando imagen y cuadro clínico no coinciden, vale nombrar la duda y buscar la información que la resuelve, como en el post sobre incertidumbre diagnóstica. En el ACV agudo, esa información suele ser la lectura inmediata de la angiotomografía por alguien entrenado.

Lo que enseñan otros usos de IA

La lectura automática de imagen también aparece en la radiografía de tórax en la búsqueda de tuberculosis y en el rastreo autónomo de la retinopatía diabética. En el ACV, la diferencia es el reloj: el falso negativo se lleva minutos de cerebro, y no meses, lo que hace aún más importante la lectura humana en paralelo.

Fuente y diseño	A quiénes se estudió	Desenlace	Resultado según lo relatado	Lectura
Susanti 2026, revisión y metaanálisis de exactitud	11 artículos, 10 937 pacientes, angiotomografía	Sensibilidad y especificidad	0,87 (IC 95: 0,76 a 0,93) y 0,95 (IC 95: 0,91 a 0,97)	Buena en promedio, heterogeneidad alta
Susanti 2026, análisis por segmento	Estudios con datos de M2	Sensibilidad en M2	0,30 a 0,86	Desempeño variable e inconcluso
Zhou 2026, metaanálisis en red	10 estudios retrospectivos, 3632 pacientes, tomografía sin contraste	Sensibilidad de la IA y de especialistas	0,78 contra 0,62	IA más sensible, certeza baja
Slater 2024, estudio diagnóstico en un centro	500 pacientes en Australia	Sensibilidad para gran vaso	Software 0,62; lectores 0,65 a 0,96	Lectores mejores
Martinez-Gutierrez 2023, ensayo aleatorizado por conglomerados	243 pacientes en cuatro centros	Llegada hasta punción	Reducción de 11,2 min (IC 95: 4,2 a 18,22)	Ganancia de tiempo
Martinez-Gutierrez 2023, análisis exploratorio	Misma muestra	Independencia a los 90 días	OR de 1,3 (IC 95: 0,42 a 4,0)	Inconcluso
Olive-Gadea 2026, estudio cuasiexperimental	265 pacientes transferidos	Llegada hasta solicitud de transferencia	−2,40 min (IC 95: −6,16 a 4,48)	Inconcluso

Fuentes: Susanti et al., 2026; Zhou et al., 2026; Slater et al., 2024; Martinez-Gutierrez et al., 2023; Olive-Gadea et al., 2026. IC 95: intervalo de confianza del 95 por ciento, o intervalo de credibilidad en el estudio de Zhou (Zhou et al., 2026); OR: razón de momios; min: minutos.

Volviendo al caso

La paciente del caso ficticio tenía afasia y hemiparesia derecha, un cuadro con alta probabilidad de oclusión de gran vaso antes de cualquier imagen. El neurólogo no esperó la alerta: abrió la angiotomografía en su propio celular y llamó al radiólogo para leerla juntos. Ambos vieron una interrupción del contraste en una rama M2 de la arteria cerebral media izquierda, con buena circulación colateral, exactamente el escenario en el que los estudios muestran más falsos negativos.

Se activó al equipo de neurointervención y se discutió la indicación de trombectomía. Esa noche, el silencio del software fue la pista que exigió más atención.

Cómo NEXO ayuda a entrenar ese razonamiento

En NEXO, el caso del día es ficticio, con presentación clínica real y hasta seis pistas progresivas, y tú propones el diagnóstico buscando el código en la CIE-10. Desconfiar de un resultado que no concuerda con el cuadro clínico es el mismo ejercicio de tratar cada información como pista y revisar la hipótesis, como en el entrenamiento del diagnóstico diferencial con pistas.

Los límites de uso del juego están descritos en la página de economía de NEXO. Si investigas la enseñanza del razonamiento clínico, la página para Researcher explica cómo ponerse en contacto. Los profesionales que escriben o revisan casos encuentran información en Curator y en Creators, y las instituciones pueden conocer la propuesta en la página para alianzas. Buscar el código correcto en la CIE-10 completa ese entrenamiento.

Preguntas frecuentes

¿La IA lee la angiotomografía mejor que el radiólogo?

Depende del lector y de la oclusión. En un centro australiano, todos los lectores humanos, incluidos neurólogos y residentes, tuvieron una sensibilidad mayor que la del software para la oclusión de gran vaso (Slater et al., 2024). En la tomografía sin contraste, en la que la tarea es más difícil para las personas, la IA fue más sensible que los especialistas en un metaanálisis de estudios retrospectivos, con certeza baja.

Si el software no dio alerta, ¿puedo esperar el informe?

En un paciente con sospecha clínica de oclusión de gran vaso, esperar es riesgoso. Los programas se diseñaron para tamizaje, la razón de verosimilitud negativa medida en un centro fue insuficiente para descartar la oclusión, y las oclusiones distales y de la circulación posterior son las que más se pasan por alto. Asegura la lectura humana de las imágenes cuanto antes.

¿El software mejora el desenlace de los pacientes?

Los datos muestran una ganancia de tiempo, pero el efecto sobre el desenlace no es concluyente. En el ensayo aleatorizado de Houston, la razón de momios para la independencia funcional a los 90 días tuvo un intervalo de 0,42 a 4,0 (Martinez-Gutierrez et al., 2023). El metaanálisis de estudios antes y después tampoco encontró diferencias en los desenlaces clínicos.

Mensajes clave

• El software de detección de oclusión de gran vaso es una herramienta de tamizaje y comunicación, y no un informe.
• La exactitud promedio es buena en la angiotomografía, pero baja en las oclusiones de M2 y es débil en la circulación posterior.
• El falso negativo es silencioso: ante una sospecha clínica alta, la ausencia de alerta no exime de la lectura humana inmediata.
• Un ensayo aleatorizado mostró cerca de 11 minutos menos hasta la punción, y la ganancia dependió del uso activo por parte del equipo.
• El efecto sobre la independencia funcional de los pacientes sigue sin ser concluyente.

Referencias

1. Martinez-Gutierrez JC, Kim Y, Salazar-Marioni S, et al. Automated large vessel occlusion detection software and thrombectomy treatment times: a cluster randomized clinical trial. JAMA Neurol. 2023;80(11):1182-1190. [PubMed](https://pubmed.ncbi.nlm.nih.gov/37721738/).
2. Ebirim EC, Le NM, Samaha JN, et al. Workflow improvements from automated large vessel occlusion detection algorithms are dependent on care team engagement. J Neurointerv Surg. 2026;18(2):385-389. [PubMed](https://pubmed.ncbi.nlm.nih.gov/39870518/).
3. Susanti L, Cuandra KN, Tristan CD, et al. Diagnostic test accuracy of artificial intelligence in large vessel occlusion: a systematic review and meta-analysis. Neurol Res Int. 2026;2026:5709868. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42028301/).
4. Zhou H, Liu L, Fu B, et al. AI decision support for emergency triage of large vessel occlusion using noncontrast computed tomography: systematic review and Bayesian diagnostic test accuracy network meta-analysis. J Med Internet Res. 2026;28:e105068. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42785737/).
5. Sarhan K, Azzam AY, Moawad MHED, et al. Automated emergent large vessel occlusion detection using Viz.ai software and its impact on stroke workflow metrics and patient outcomes in stroke centers: a systematic review and meta-analysis. Transl Stroke Res. 2025;16(6):2258-2271. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40335883/).
6. Ha HJ, Ryu WS, Kim BJ, et al. RAPID CTA versus JLK LVO for large vessel occlusion detection: a pragmatic comparison of performance and common pitfalls. Neuroradiology. 2026;68(4):877-886. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41805858/).
7. Slater LA, Ravintharan N, Goergen S, et al. RapidAI compared with human readers of acute stroke imaging for detection of intracranial vessel occlusion. Stroke Vasc Interv Neurol. 2024;4(2):e001145. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583584/).
8. Catapano JS, Lee KE, Desai SM, et al. Number needing review: a novel metric to assess triage efficiency of large vessel occlusion detection systems. Stroke Vasc Interv Neurol. 2023;3(4):e000527. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583669/).
9. Brito A, Cendrero J, Tanzi L, et al. Initial experience with a deep learning algorithm for detecting posterior circulation large vessel occlusion on noncontrast computed tomography. Stroke Vasc Interv Neurol. 2026;6(4):e002250. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42404827/).
10. Olive-Gadea M, Rizzo F, Cocho D, et al. CATalyze-AI: accelerating referral for thrombectomy in acute stroke patients using an AI-based software. A prospective, multicentre, quasi-experimental cohort study. Eur Stroke J. 2026;11(7). [PubMed](https://pubmed.ncbi.nlm.nih.gov/42497289/).
11. Devlin T, Gao L, Collins O, et al. VALIDATE: [...] the Viz.ai mobile stroke care coordination platform to limit delays in LVO stroke diagnosis and endovascular treatment. Front Stroke. 2024;3:1381930. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41542251/).