¿Cómo ayuda la IA a la automatización y eficiencia de la radiología?
¿Pueden los flujos de trabajo radiológicos rutinarios ser más rápidos, más precisos y menos gravosos? Con el auge de la inteligencia artificial (IA), la respuesta es sí. A medida que aumentan los volúmenes de diagnóstico por imagen y se estrechan las limitaciones de personal, la IA se está convirtiendo en una herramienta clave para ayudar a los equipos de radiología a gestionar y automatizar las tareas repetitivas con rapidez y coherencia.
Las aplicaciones radiológicas de IA ayudan ahora en el triaje de casos, el análisis de imágenes, la generación de informes y otros procesos rutinarios que suelen consumir un tiempo valioso. Al automatizar estas tareas, los radiólogos pueden centrarse en los casos de alta complejidad manteniendo las expectativas de calidad y plazos de entrega. La IA no sustituye al juicio clínico. Al contrario, lo apoya con información fiable que mejora la eficacia y la confianza en el diagnóstico.
Este artículo explora cómo la IA está agilizando los flujos de trabajo radiológicos rutinarios. Hablaremos de las tareas más comunes potenciadas por la IA, de sus principales ventajas, como informes más rápidos y menores tasas de error, y de las limitaciones que deben tener en cuenta los consultorios. Por el camino, haremos referencia a estadísticas y perspectivas del mundo real para ofrecer una imagen completa del creciente papel de la IA en radiología.
La necesidad de automatización en radiología
Como los volúmenes de Imaging siguen aumentando y los equipos de radiología se enfrentan a una creciente presión para ofrecer resultados más rápidamente, la automatización se ha convertido en un imperativo tanto clínico como operativo. Los radiólogos tienen que gestionar flujos de trabajo cada vez más exigentes en un contexto de escasez de personal y creciente agotamiento. Al automatizar los procesos repetitivos, la IA ayuda a mantener la coherencia y la calidad, incluso en entornos de alta presión.
Aumento de la demanda y escasez de radiólogos
En todo el mundo escasean los radiólogos. El volumen de estudios de imagen aumenta hasta un 5 por ciento anual, mientras que el número de radiólogos formados no sigue el mismo ritmo. Sólo en Estados Unidos, se prevé una escasez de hasta 42.000 radiólogos para 2033. En toda Europa, el NHS del Reino Unido informa de un déficit de personal del 30%, y algunos países de renta baja tienen menos de dos radiólogos por millón de habitantes. A medida que aumenta la brecha, los departamentos de radiología se ven presionados para hacer más con menos recursos.
Tareas rutinarias que consumen tiempo
Tareas como las mediciones, las comparaciones, el etiquetado de imágenes y la redacción de informes exigen tiempo, pero no siempre requieren una interpretación de alto nivel. Automatizar estos pasos repetitivos ayuda a los radiólogos a priorizar los casos complejos y dedicar más atención a la toma de decisiones clínicas. Soluciones como OmegaAI® y PowerServer™ permiten un triaje inteligente, una segmentación automática y una gestión inteligente de la lista de trabajo que encamina los estudios en función de la urgencia, todo lo cual contribuye a una prestación asistencial más rápida y eficaz.
El agotamiento y el error humano
El agotamiento sigue afectando a más del 45% de los radiólogos, impulsado por las largas jornadas y las cargas administrativas. La fatiga eleva el riesgo de error humano, sobre todo durante los turnos nocturnos o de gran volumen. El análisis de imágenes basado en IA ayuda a los radiólogos a detectar hallazgos críticos, permite establecer prioridades y respalda los flujos de trabajo de segunda lectura. Cuando se integra cuidadosamente, la IA mejora la confianza en el diagnóstico y contribuye a una atención más segura y eficiente.
Estas ventajas reflejan los beneficios más amplios de la inteligencia artificial en radiología, donde el análisis y la automatización de imágenes ayudan a reducir la variabilidad del diagnóstico, acelerar los flujos de trabajo y apoyar una atención de alta calidad centrada en el paciente, sin comprometer la supervisión clínica.
Tareas radiológicas automatizadas impulsadas por la IA
La inteligencia artificial está transformando el flujo de trabajo diario de los departamentos de radiología al automatizar tareas rutinarias y repetitivas que antes consumían tiempo y atención valiosos. La IA mejora la precisión, acelera la revisión de casos y facilita que los equipos de radiología dediquen más atención a los casos de alta complejidad y a la toma de decisiones clínicas.
Análisis y detección de imágenes
Los algoritmos de IA se entrenan en grandes volúmenes de datos de Imaging anotados para identificar patrones asociados a anomalías como tumores, fracturas, hemorragias y nódulos pulmonares. Utilizando modalidades como la TC, la RM y los rayos X, estas herramientas analizan rápidamente conjuntos de imágenes y destacan regiones de interés para su posterior revisión.
Al escanear miles de estudios con gran precisión, la IA mejora tanto la velocidad como la coherencia del diagnóstico. Estudios revisados por expertos informan de que los modelos basados en YOLO han alcanzado una precisión de hasta 98,7% en la detección de nódulos pulmonares en TC[1]. Este nivel de rendimiento permite a los radiólogos centrarse más en la interpretación avanzada y los diagnósticos diferenciales, lo que contribuye a unos resultados clínicos más sólidos y una mayor confianza en el diagnóstico.
Triaje del flujo de trabajo y priorización de casos
Las plataformas de triaje basadas en IA analizan los estudios de imagen entrantes en tiempo real, clasificándolos automáticamente en función de su urgencia y relevancia clínica. Los hallazgos críticos, como la sospecha de ictus, neumotórax o hemorragia intracraneal, se priorizan y se sitúan al principio de las listas de trabajo de los radiólogos. Cada centro puede personalizar los estados para reflejar las prioridades y los protocolos clínicos locales. Estos sistemas inteligentes se integran directamente en las plataformas RIS, PACS y Enterprise Imaging para mantener la continuidad del flujo de trabajo sin fisuras.
Este tipo de automatización es especialmente vital en radiología de urgencias y centros de diagnóstico por imagen de gran volumen, donde los retrasos en la interpretación y la infravaloración de las afecciones de alto riesgo pueden retrasar la atención médica urgente. Por ejemplo, la interpretación de radiografías de tórax asistida por IA ha ayudado a reducir el tiempo medio de respuesta de 11,2 días a 2,7 días[2], lo que ilustra el valor operativo y clínico de la priorización automatizada. Este enfoque mejora el tiempo de diagnóstico, aumenta la productividad de los radiólogos y reduce la duración de la estancia de los pacientes de alto riesgo. La IA en medicina de urgencias da visibilidad a los casos críticos con alertas de listas de trabajo de los casos más críticos frente al "primero en entrar, primero en leer".
Segmentación y anotación
Las herramientas de IA manejan ahora tareas como la segmentación de lesiones, el etiquetado anatómico automatizado y la identificación de regiones de interés con una precisión impresionante. Estas funciones reducen el esfuerzo manual y mejoran la coherencia de las anotaciones de imágenes entre radiólogos e instituciones.
La segmentación automatizada desempeña un papel fundamental en la planificación quirúrgica, la orientación de la radioterapia y el seguimiento de la respuesta al tratamiento. Por ejemplo, los sistemas con IA pueden calcular los volúmenes tumorales, marcar puntos de referencia anatómicos o seguir la evolución de la enfermedad a lo largo del tiempo. Este nivel de automatización garantiza la reproducibilidad, apoya la medicina de precisión y reduce la variabilidad en los complejos flujos de trabajo clínicos.
Al estandarizar las anotaciones y minimizar la introducción manual, la IA también reduce la variabilidad entre observadores, un factor clave en la concordancia diagnóstica y los estudios longitudinales.
Generación de informes y documentación
Los sistemas potenciados por IA pueden extraer datos estructurados de los estudios de Imaging y generar borradores de informes para que los radiólogos los revisen y finalicen. El procesamiento del lenguaje natural (PLN) mejora aún más este proceso convirtiendo los hallazgos médicos en resúmenes legibles y concisos con menos dictado.
Los algoritmos de PLN son especialmente útiles para transformar notas habladas o escritas en informes radiológicos estructurados. OmegaAI® y PowerServer™ de RamSoft integran herramientas de reconocimiento de voz con plantillas de informes estructurados para rellenar automáticamente impresiones diagnósticas, mediciones y detalles de procedimientos. Los procesos de IA también automatizan la comparación y la selección de plantillas, el mapeo de dictados de hallazgos clave y la generación automática de códigos de facturación.
Esto reduce la carga cognitiva de los radiólogos y minimiza los errores administrativos.
Las clínicas que adoptan herramientas de elaboración de informes asistidas por IA han informado de ganancias apreciables tanto en velocidad como en precisión. Los radiólogos pueden finalizar los informes con mayor eficacia, cumplir los acuerdos de nivel de servicio y dedicar más tiempo a comunicar los resultados a los médicos remitentes. En los entornos de diagnóstico por imagen de gran volumen, este nivel de automatización mejora significativamente los plazos de entrega de los informes y favorece una atención continuada más fluida.
Ventajas de la IA para la eficiencia en radiología
La inteligencia artificial mejora algo más que los flujos de trabajo. Ayuda a los departamentos de radiología a prestar una atención más rápida, coherente y consciente de los recursos. A medida que aumenta el volumen de pacientes y se pide a los equipos que hagan más con menos recursos, la IA actúa como una herramienta estratégica que ataja las ineficiencias y mejora la prestación de servicios de Imaging. Las siguientes áreas demuestran cómo la IA contribuye significativamente a la eficiencia operativa en los entornos radiológicos modernos.
Mayor velocidad
La IA mejora la eficiencia de la exploración reduciendo el tiempo entre la adquisición de la imagen y el diagnóstico, automatizando los primeros pasos del proceso de interpretación. En lugar de revisar cada imagen manualmente, los radiólogos pueden confiar en algoritmos de IA para preanalizar los estudios, resaltar los hallazgos clave y clasificar los casos en función de la urgencia clínica, para luego dirigir el estudio a la especialidad del radiólogo. En los sistemas hospitalarios o redes de teleradiología con mucho tráfico, esta funcionalidad es fundamental para mantener las expectativas de nivel de servicio.
La IA también ayuda a eliminar los retrasos al gestionar los casos rutinarios con mayor rapidez, mejorando el rendimiento general de los pacientes. Unos tiempos de revisión más rápidos acortan los plazos de notificación y agilizan las decisiones de tratamiento, lo que es especialmente importante en los entornos de urgencias y cuidados intensivos.
Precisión y coherencia diagnósticas
Las plataformas de IA se entrenan en amplios conjuntos de datos y siguen criterios interpretativos coherentes, lo que ayuda a estandarizar el rendimiento diagnóstico entre radiólogos y turnos. Estos sistemas son especialmente eficaces a la hora de identificar patrones sutiles que pueden pasarse por alto en entornos con limitaciones de tiempo, como microfracturas, tumores en fase inicial o cambios isquémicos leves.
Como parte del diagnóstico por IA, estas herramientas actúan como un segundo lector, aumentando la confianza y reduciendo los errores de omisión durante la interpretación de las imágenes.La IA ayuda a superar los sesgos de lectura, como los influidos por el historial, la satisfacción de la búsqueda y la distracción causada por la patología.
Este nivel de coherencia es especialmente valioso en los programas de garantía de calidad y seguimiento de enfermedades a largo plazo, en los que son esenciales las comparaciones precisas a lo largo del tiempo.
Reducción de la carga de trabajo administrativo
La IA reduce significativamente el tiempo dedicado a tareas no clínicas, como la documentación y el etiquetado de imágenes. Los radiólogos suelen dedicar muchas horas a tareas administrativas que no requieren interpretación clínica. Con herramientas de IA basadas en el procesamiento del lenguaje natural y el reconocimiento de voz, gran parte de esta documentación puede automatizarse. Las soluciones ayudan a extraer los datos pertinentes de las notas del EMR, historial, análisis, historias quirúrgicas, etc., rellenar automáticamente las plantillas y redactar los resúmenes de los informes. Esto permite a los radiólogos dedicar más tiempo a revisar casos complejos y consultar con los médicos remitentes, mejorando tanto la productividad como la satisfacción laboral.
Ahorro de costes y optimización de recursos
La IA permite a los departamentos de radiología mejorar la eficiencia sin necesidad de ampliar necesariamente la plantilla o la infraestructura. Al reducir los tiempos de respuesta y aumentar la precisión de los informes, la IA ayuda a minimizar la necesidad de repetir exploraciones y de realizar seguimientos innecesarios. Estas mejoras se traducen en un mejor uso de los escáneres, una programación más predecible y un mayor volumen de estudios al día.
Las instituciones que implantan herramientas de IA están mejor posicionadas para satisfacer la creciente demanda sin sacrificar la calidad. Para saber cómo funciona esto en la práctica, explora las principales ventajas de la inteligencia artificial (IA) para el Healthcare Imaging.
Limitaciones y riesgos de la IA en radiología
La inteligencia artificial se está convirtiendo en una parte esencial de los flujos de trabajo radiológicos modernos, ya que ofrece mejoras significativas en velocidad, precisión y eficiencia. Sin embargo, su Implementation introduce nuevas complejidades que exigen una consideración estratégica y una sólida gobernanza. Desde la calidad de los datos y la integración de los sistemas hasta las cuestiones normativas y la aceptación de los médicos, estos factores deben abordarse para garantizar una implementación segura y eficaz en todos los departamentos de Imaging.
Calidad de los datos y sesgo de los algoritmos
La fiabilidad de los modelos de IA depende en gran medida de la calidad y diversidad de los datos con los que se entrenan. Los conjuntos de datos diversos y de alta calidad son esenciales para crear algoritmos que funcionen de forma fiable en una amplia gama de escenarios clínicos. Cuando los datos de entrenamiento carecen de representación, los modelos pueden producir resultados sesgados o inexactos. Esto puede dar lugar a diagnósticos erróneos o resultados desiguales para poblaciones de pacientes infrarrepresentadas.
Además, los errores en los conjuntos de datos etiquetados o las incoherencias en las anotaciones pueden orientar mal los procesos de aprendizaje automático, reduciendo la precisión del modelo. Los equipos de radiología y los desarrolladores de IA deben invertir en prácticas sólidas de gobernanza de datos, incluida la validación en múltiples centros y grupos de pacientes, para mejorar la generalizabilidad y minimizar el sesgo. También es necesario un reentrenamiento continuo del modelo con datos nuevos y verificados para mantener la relevancia clínica y la seguridad a lo largo del tiempo.
Integración en los sistemas existentes
Uno de los obstáculos que más se pasan por alto en la adopción de la IA es la complejidad técnica de integrar nuevas herramientas en los flujos de trabajo radiológicos establecidos. Muchos departamentos dependen de sistemas PACS, RIS y EHR heredados que no están diseñados intrínsecamente para admitir aplicaciones de IA. Sin una estrategia de integración bien planificada, la introducción de la IA puede crear fricciones e interrumpir la continuidad operativa, en lugar de agilizarla.
Una implantación satisfactoria requiere interoperabilidad con los sistemas existentes y una interrupción mínima del flujo de trabajo clínico. Las herramientas de IA deben integrarse perfectamente en el entorno del radiólogo, eliminando la necesidad de cambiar entre listas de trabajo y plataformas o de volver a introducir los datos manualmente. Aquí es donde son fundamentales una infraestructura informática sólida y una arquitectura de software adaptable.
El PowerServer™ de RamSoft (una suite RIS/PACS basada en la nube) y el OmegaAI® (una plataforma RIS/PACS/VNA nativa de la nube y sin huella digital) están diseñados para integrarse sin problemas en cualquier infraestructura radiológica. Ambas son compatibles con estándares del sector como FHIR, HL7 y DICOM, y se conectan fácilmente con herramientas de terceros como RADPAIR, Remedy Logic, iCAD, CARPL, Therapixel y NewVue, lo que las hace muy adaptables a diversos entornos clínicos sin alterar los flujos de trabajo existentes.
Para las redes sanitarias que operan en múltiples ubicaciones o especialidades, la arquitectura Cloud-native de OmegaAI simplifica aún más la integración centralizada y el escalado. Con flujos de trabajo configurables y una amplia compatibilidad, las soluciones de RamSoft permiten a los equipos informáticos y a los responsables clínicos adoptar la IA con confianza, sin comprometer la seguridad, el flujo de datos ni la productividad.
Cuestiones normativas y éticas
El uso de la IA en un entorno médico plantea importantes cuestiones normativas y éticas. Los datos de los pacientes deben manejarse con salvaguardias estrictas para garantizar la privacidad y el cumplimiento de leyes sanitarias como la HIPAA y la GDPR. Los sistemas de IA deben ser transparentes en la forma en que procesan los datos y generan resultados para mantener la confianza tanto de los médicos como de los pacientes.
También es necesaria una supervisión ética. La dependencia excesiva de las herramientas automatizadas de sin una revisión humana adecuada puede tener consecuencias imprevistas. Los reguladores, las juntas directivas de los hospitales y los desarrolladores deben colaborar para establecer límites claros sobre cómo y cuándo se utiliza la IA. Esto incluye definir la responsabilidad cuando se producen errores y establecer normas para la validación de algoritmos antes de su despliegue clínico. La vigilancia continua posterior a la comercialización es igualmente importante para hacer un seguimiento del rendimiento en el mundo real y abordar los riesgos emergentes.
Resistencia a la adopción
A pesar de los prometedores avances en la precisión diagnóstica y la eficiencia del flujo de trabajo, la resistencia a la IA sigue siendo fuerte entre los radiólogos. En una encuesta realizada en 2024, casi la mitad de los encuestados expresaron su preocupación por que la IA pudiera acabar sustituyendo partes de su trabajo. Estos temores son especialmente frecuentes entre los radiólogos más experimentados, que manifiestan estar menos dispuestos a adoptar la IA que sus homólogos más jóvenes.
La transparencia y la fiabilidad de los algoritmos son también obstáculos persistentes. Según la misma encuesta, el 42,9% de los radiólogos se preguntaban si se podía confiar en la IA en situaciones diagnósticas críticas.
La bibliografía también destaca que la falta de concienciación, la exposición práctica limitada y la ausencia de estrategias de implementación estructuradas contribuyen a las dudas constantes. Los radiólogos que sólo tienen un conocimiento básico de la IA son mucho más propensos a temer su integración, mientras que los que tienen una familiaridad avanzada manifiestan una mayor confianza. Esto indica que la educación específica y el compromiso temprano son fundamentales para mejorar la adopción y la confianza.
Un enfoque colaborativo puede mitigar estas preocupaciones. Cuando los radiólogos participan en la evaluación y el despliegue de las herramientas de IA, es más probable que las consideren ayudas clínicas y no sustitutos. La integración de la IA en el plan de estudios médicos y en los programas de formación continua no sólo aborda las lagunas técnicas, sino que también replantea la IA como un socio en la atención sanitaria, que mejora, en lugar de socavar, el papel del radiólogo.
El futuro de la automatización en radiología
El papel de la IA en radiología
La inteligencia artificial está transformando el modo de trabajar de los radiólogos al encargarse de tareas repetitivas como el análisis de imágenes, la segmentación y la elaboración de informes estructurados. Estas capacidades permiten a los radiólogos concentrarse en la interpretación, la atención al paciente y la toma de decisiones clínicas. La IA actúa como socio de confianza, ayudando a mejorar la coherencia diagnóstica, reducir la fatiga y respaldar una atención oportuna y de alta calidad.
Al priorizar los estudios urgentes, extraer mediciones al instante y organizar los datos de forma eficiente, la IA mejora tanto la velocidad como la precisión del flujo de trabajo del diagnóstico por imagen. Esta asociación permite mejorar la calidad de los informes y acortar los plazos de entrega. A medida que los radiólogos se enfrentan al aumento del volumen y la complejidad de la obtención de imágenes, la IA proporciona la ayuda necesaria para mantener el ritmo sin comprometer los estándares clínicos.
Mirando hacia el futuro de la radiología con IA
El futuro de la IA en radiología apunta hacia sistemas más inteligentes, conectados y conscientes del contexto. A medida que evolucione la tecnología, la IA combinará cada vez más las imágenes médicas con otras fuentes de datos clínicos para ofrecer una imagen diagnóstica más completa. Este nivel de integración ayudará a los radiólogos a tomar decisiones más rápidas e informadas en tiempo real. La IA beneficia a los pacientes acortando los tiempos de exploración y reduciendo la radiación. Además, se está desarrollando IA para reducir u omitir los medios de contraste, sobre todo en RM y TC, generando imágenes sintéticas posteriores al contraste mediante el modelado computacional de IA.
El crecimiento continuado dependerá de la colaboración en toda la asistencia sanitaria, desde los radiólogos y los responsables de TI hasta los organismos reguladores y los desarrolladores. Sigue siendo esencial establecer normas claras de seguridad, transparencia y validación clínica. En el amplio futuro de la IA en radiología, la automatización no sólo impulsará la eficiencia, sino que también reforzará la atención al paciente mediante una mejor coordinación, menos retrasos y diagnósticos más seguros.
¿Listo para ver la IA en acción?
Descubre cómo RamSoft ayuda a las consultas de radiología a prosperar en el futuro de la IA en radiología. Nuestras soluciones Cloud-native RIS, PACS y VNA están diseñadas para acelerar los flujos de trabajo de Imaging, mejorar la confianza en el diagnóstico e integrarse a la perfección con las herramientas que ya utilizas. Con funcionalidades de IA incorporadas e infinitas posibilidades de integración, puedes agilizar las operaciones, mejorar la colaboración y ofrecer una atención excepcional con confianza.
Solicita una demostración hoy mismo y explora lo que la automatización inteligente puede hacer por tu consulta.
Preguntas frecuentes
¿Se puede automatizar la radiología?
Sí, muchos aspectos de la radiología pueden automatizarse utilizando inteligencia artificial. Aunque sustituir por completo al radiólogo no es ni la intención ni la realidad, la automatización apoya tareas clave como el triaje de imágenes, la detección de anomalías, las mediciones, la generación de informes y las recomendaciones de seguimiento. Esto permite a los radiólogos dedicar más atención a las tareas de alto valor, mejorando tanto la eficiencia como la confianza diagnóstica.
¿Cuáles son las ventajas de automatizar las tareas de radiología?
La automatización de las tareas de radiología ofrece claras ventajas operativas y clínicas. Reduce los tiempos de respuesta, minimiza los errores humanos y aumenta la coherencia de los informes. Los radiólogos dedican menos tiempo a tareas repetitivas, como mediciones y protocolización, y más a decisiones diagnósticas complejas. La automatización también ayuda a gestionar el creciente volumen de imágenes, reduce la fatiga y mejora la eficacia general del flujo de trabajo. En última instancia, los pacientes reciben resultados más rápidos y precisos, con menos retrasos.
¿Qué puede hacer la IA en radiología?
Las soluciones de Imaging con IA pueden analizar imágenes médicas, detectar anomalías, segmentar estructuras, priorizar casos urgentes y ayudar a generar informes estructurados. Aumenta la precisión diagnóstica al descubrir indicadores sutiles que pueden no ser fácilmente perceptibles durante la revisión manual. La IA también puede señalar incoherencias, agilizar la documentación y reducir la carga administrativa.
¿Qué tipos de tareas radiológicas puede automatizar la IA?
La automatización de tareas radiológicas abarca el triaje de imágenes, la detección de anomalías, los cálculos de mediciones, el prellenado de informes y las recomendaciones de seguimiento. También apoya la automatización del flujo de trabajo organizando las prioridades de los estudios, optimizando la programación y las operaciones de recepción. Estas funciones automatizadas ayudan a los departamentos de radiología a aumentar el rendimiento, estandarizar los resultados y mejorar la coherencia diagnóstica en grandes volúmenes de datos de imágenes.
¿Cuántos radiólogos utilizan la IA?
La adopción de la IA en radiología se está acelerando. Según una encuesta realizada en 2024 por la Sociedad Europea de Radiología, el 48% de los radiólogos ya utilizan herramientas de IA en la práctica clínica, y otro 25% tiene previsto adoptarlas en breve. El uso es especialmente elevado en los grandes hospitales y grupos de telerradiología. A medida que aumente la confianza en la IA, se espera que su adopción se extienda a entornos sanitarios de todos los tamaños, respaldando el futuro de la IA en radiología.
Referencias
[1] Abdulqader, A. F., Abdulameer, S., Bishoyi, A. K., Yadav, A., Rekha, M. M., Kundlas, M., Kavitha, V., Aminov, Z., Abdulali, Z. S., Alwan, M., Jawad, M., Mushtaq, H., & Farhood, B. (2025). Aprendizaje profundo multiobjetivo para la detección del cáncer de pulmón en imágenes de TC: Mejoras en la clasificación, localización y eficacia diagnóstica del tumor. Discover Oncology, 16, 529. https://doi.org/10.1007/s12672-025-02314-8
[2] Irmici, G., Cè, M., Caloro, E., Khenkina, N., Della Pepa, G., Ascenti, V., Martinenghi, C., Papa, S., Oliva, G., & Cellina, M. (2023). Radiografía de tórax en radiología de urgencias: ¿Qué aplicaciones de inteligencia artificial existen? Diagnóstico, 13(2), 216. https://doi.org/10.3390/diagnostics13020216
