Artículo de revisión
Inteligencia artificial y simulación en urología
Artificial intelligence and simulation in urology
J. Gómez Rivasa,c,
, C. Toribio Vázquezb, C. Ballesteros Ruizb, M. Taratkinc,d, J.L. Marencoc,e, G.E. Cacciamanic,f, E. Checcuccic,g, Z. Okhunovc,h, D. Enikeevd, F. Espertoi, R. Grossmannc,j, B. Somanik, D. Venezianoc,l
Autor para correspondencia
a Departamento de Urología, Hospital Clínico San Carlos, Madrid, España
b Departamento de Urología, Hospital Universitario La Paz, Madrid, España
c Young Academic Urologist-Urotechnology Working Party (ESUT-YAU), European Association of Urology, Arnhem, Países Bajos
d Institute for Urology and Reproductive Health, Sechenov University, Moscú, Rusia
e Departamento de Urología, Instituto Valenciano de Oncología, Valencia, España
f Catherine and Joseph Aresty Department of Urology, USC Institute of Urology, Keck School of Medicine, University of Southern California, Los Angeles, California, Estados Unidos
g Division of Urology, Department of Oncology, School of Medicine, San Luigi Hospital, University of Turin, Orbassano, Italia
h Department of Urology, University of California, Irvine, California, Estados Unidos
i Department of Urology, Campus Biomedico, University of Rome, Roma, Italia
j Eastern Maine Medical Center, Bangor, Maine, Estados Unidos
k Department of Urology, University Hospital Southhampton, Southampton, Reino Unido
l Department of Urology and Kidney Transplant, Grande Ospedale Metropolitano, Reggio Calabria, Italia
Ver másLeído
107
Vecesse ha leído el artículo
37
Total PDF
70
Total HTML
Compartir estadísticas
array:24 [ "pii" => "S0210480621000887" "issn" => "02104806" "doi" => "10.1016/j.acuro.2020.10.012" "estado" => "S300" "fechaPublicacion" => "2021-10-01" "aid" => "1377" "copyright" => "AEU" "copyrightAnyo" => "2021" "documento" => "article" "crossmark" => 1 "subdocumento" => "rev" "cita" => "Actas Urol Esp. 2021;45:524-9" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "Traduccion" => array:1 [ "en" => array:19 [ "pii" => "S2173578621000871" "issn" => "21735786" "doi" => "10.1016/j.acuroe.2021.07.001" "estado" => "S300" "fechaPublicacion" => "2021-10-01" "aid" => "1377" "copyright" => "AEU" "documento" => "article" "crossmark" => 1 "subdocumento" => "rev" "cita" => "Actas Urol Esp. 2021;45:524-9" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "en" => array:12 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Review article</span>" "titulo" => "Artificial intelligence and simulation in urology" "tienePdf" => "en" "tieneTextoCompleto" => "en" "tieneResumen" => array:2 [ 0 => "en" 1 => "es" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "524" "paginaFinal" => "529" ] ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "Inteligencia artificial y simulación en urología" ] ] "contieneResumen" => array:2 [ "en" => true "es" => true ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "J. Gómez Rivas, C. Toribio Vázquez, C. Ballesteros Ruiz, M. Taratkin, J.L. Marenco, G.E. Cacciamani, E. Checcucci, Z. Okhunov, D. Enikeev, F. Esperto, R. Grossmann, B. Somani, D. Veneziano" "autores" => array:13 [ 0 => array:2 [ "nombre" => "J." "apellidos" => "Gómez Rivas" ] 1 => array:2 [ "nombre" => "C." "apellidos" => "Toribio Vázquez" ] 2 => array:2 [ "nombre" => "C." "apellidos" => "Ballesteros Ruiz" ] 3 => array:2 [ "nombre" => "M." "apellidos" => "Taratkin" ] 4 => array:2 [ "nombre" => "J.L." "apellidos" => "Marenco" ] 5 => array:2 [ "nombre" => "G.E." "apellidos" => "Cacciamani" ] 6 => array:2 [ "nombre" => "E." "apellidos" => "Checcucci" ] 7 => array:2 [ "nombre" => "Z." "apellidos" => "Okhunov" ] 8 => array:2 [ "nombre" => "D." "apellidos" => "Enikeev" ] 9 => array:2 [ "nombre" => "F." "apellidos" => "Esperto" ] 10 => array:2 [ "nombre" => "R." "apellidos" => "Grossmann" ] 11 => array:2 [ "nombre" => "B." "apellidos" => "Somani" ] 12 => array:2 [ "nombre" => "D." "apellidos" => "Veneziano" ] ] ] ] ] "idiomaDefecto" => "en" "Traduccion" => array:1 [ "es" => array:9 [ "pii" => "S0210480621000887" "doi" => "10.1016/j.acuro.2020.10.012" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210480621000887?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173578621000871?idApp=UINPBA00004N" "url" => "/21735786/0000004500000008/v1_202110020838/S2173578621000871/v1_202110020838/en/main.assets" ] ] "itemSiguiente" => array:19 [ "pii" => "S0210480621000875" "issn" => "02104806" "doi" => "10.1016/j.acuro.2021.04.003" "estado" => "S300" "fechaPublicacion" => "2021-10-01" "aid" => "1376" "copyright" => "AEU" "documento" => "article" "crossmark" => 1 "subdocumento" => "rev" "cita" => "Actas Urol Esp. 2021;45:530-6" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:12 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Artículo de revisión</span>" "titulo" => "Cambios en el manejo ambulatorio de pacientes con cáncer de próstata durante la pandemia por SARS-CoV-2. Revisión bibliográfica y aporte de nuestro grupo en atención telemática" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "530" "paginaFinal" => "536" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Changes in the ambulatory care of prostate cancer patients during the SARS-CoV-2 pandemic. Literature review and contribution of our group in telematic care" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "J. García Rodríguez, C. González Ruiz de León, R. Sacristán González, S. Méndez Ramírez, L. Modrego Ulecia, J.M. Fernández-Gómez" "autores" => array:6 [ 0 => array:2 [ "nombre" => "J." "apellidos" => "García Rodríguez" ] 1 => array:2 [ "nombre" => "C." "apellidos" => "González Ruiz de León" ] 2 => array:2 [ "nombre" => "R." "apellidos" => "Sacristán González" ] 3 => array:2 [ "nombre" => "S." "apellidos" => "Méndez Ramírez" ] 4 => array:2 [ "nombre" => "L." "apellidos" => "Modrego Ulecia" ] 5 => array:2 [ "nombre" => "J.M." "apellidos" => "Fernández-Gómez" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2173578621000949" "doi" => "10.1016/j.acuroe.2021.07.008" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173578621000949?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210480621000875?idApp=UINPBA00004N" "url" => "/02104806/0000004500000008/v1_202110020736/S0210480621000875/v1_202110020736/es/main.assets" ] "itemAnterior" => array:19 [ "pii" => "S0210480621000851" "issn" => "02104806" "doi" => "10.1016/j.acuro.2021.03.004" "estado" => "S300" "fechaPublicacion" => "2021-10-01" "aid" => "1374" "copyright" => "AEU" "documento" => "simple-article" "crossmark" => 1 "subdocumento" => "edi" "cita" => "Actas Urol Esp. 2021;45:521-3" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:10 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Editorial</span>" "titulo" => "¿Estamos ante el final de la radioterapia adyuvante en cáncer de próstata?" "tienePdf" => "es" "tieneTextoCompleto" => "es" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "521" "paginaFinal" => "523" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Are we at the end of adjuvant radiotherapy for prostate cancer?" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "F. Couñago, M. Alvarez-Maestro" "autores" => array:2 [ 0 => array:2 [ "nombre" => "F." "apellidos" => "Couñago" ] 1 => array:2 [ "nombre" => "M." "apellidos" => "Alvarez-Maestro" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2173578621000937" "doi" => "10.1016/j.acuroe.2021.07.007" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173578621000937?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210480621000851?idApp=UINPBA00004N" "url" => "/02104806/0000004500000008/v1_202110020736/S0210480621000851/v1_202110020736/es/main.assets" ] "es" => array:18 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Artículo de revisión</span>" "titulo" => "Inteligencia artificial y simulación en urología" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "524" "paginaFinal" => "529" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "J. Gómez Rivas, C. Toribio Vázquez, C. Ballesteros Ruiz, M. Taratkin, J.L. Marenco, G.E. Cacciamani, E. Checcucci, Z. Okhunov, D. Enikeev, F. Esperto, R. Grossmann, B. Somani, D. Veneziano" "autores" => array:13 [ 0 => array:4 [ "nombre" => "J." "apellidos" => "Gómez Rivas" "email" => array:1 [ 0 => "juangomezr@gmail.com" ] "referencia" => array:3 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff1" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 2 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">*</span>" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "C." "apellidos" => "Toribio Vázquez" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0005" ] ] ] 2 => array:3 [ "nombre" => "C." "apellidos" => "Ballesteros Ruiz" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0005" ] ] ] 3 => array:3 [ "nombre" => "M." "apellidos" => "Taratkin" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">d</span>" "identificador" => "aff0015" ] ] ] 4 => array:3 [ "nombre" => "J.L." "apellidos" => "Marenco" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">e</span>" "identificador" => "aff0020" ] ] ] 5 => array:3 [ "nombre" => "G.E." "apellidos" => "Cacciamani" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">f</span>" "identificador" => "aff0025" ] ] ] 6 => array:3 [ "nombre" => "E." "apellidos" => "Checcucci" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">g</span>" "identificador" => "aff0030" ] ] ] 7 => array:3 [ "nombre" => "Z." "apellidos" => "Okhunov" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">h</span>" "identificador" => "aff0035" ] ] ] 8 => array:3 [ "nombre" => "D." "apellidos" => "Enikeev" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">d</span>" "identificador" => "aff0015" ] ] ] 9 => array:3 [ "nombre" => "F." "apellidos" => "Esperto" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">i</span>" "identificador" => "aff0040" ] ] ] 10 => array:3 [ "nombre" => "R." "apellidos" => "Grossmann" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">j</span>" "identificador" => "aff0045" ] ] ] 11 => array:3 [ "nombre" => "B." "apellidos" => "Somani" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">k</span>" "identificador" => "aff0050" ] ] ] 12 => array:3 [ "nombre" => "D." "apellidos" => "Veneziano" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff0010" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">l</span>" "identificador" => "aff0055" ] ] ] ] "afiliaciones" => array:12 [ 0 => array:3 [ "entidad" => "Departamento de Urología, Hospital Clínico San Carlos, Madrid, España" "etiqueta" => "a" "identificador" => "aff1" ] 1 => array:3 [ "entidad" => "Departamento de Urología, Hospital Universitario La Paz, Madrid, España" "etiqueta" => "b" "identificador" => "aff0005" ] 2 => array:3 [ "entidad" => "Young Academic Urologist-Urotechnology Working Party (ESUT-YAU), European Association of Urology, Arnhem, Países Bajos" "etiqueta" => "c" "identificador" => "aff0010" ] 3 => array:3 [ "entidad" => "Institute for Urology and Reproductive Health, Sechenov University, Moscú, Rusia" "etiqueta" => "d" "identificador" => "aff0015" ] 4 => array:3 [ "entidad" => "Departamento de Urología, Instituto Valenciano de Oncología, Valencia, España" "etiqueta" => "e" "identificador" => "aff0020" ] 5 => array:3 [ "entidad" => "Catherine and Joseph Aresty Department of Urology, USC Institute of Urology, Keck School of Medicine, University of Southern California, Los Angeles, California, Estados Unidos" "etiqueta" => "f" "identificador" => "aff0025" ] 6 => array:3 [ "entidad" => "Division of Urology, Department of Oncology, School of Medicine, San Luigi Hospital, University of Turin, Orbassano, Italia" "etiqueta" => "g" "identificador" => "aff0030" ] 7 => array:3 [ "entidad" => "Department of Urology, University of California, Irvine, California, Estados Unidos" "etiqueta" => "h" "identificador" => "aff0035" ] 8 => array:3 [ "entidad" => "Department of Urology, Campus Biomedico, University of Rome, Roma, Italia" "etiqueta" => "i" "identificador" => "aff0040" ] 9 => array:3 [ "entidad" => "Eastern Maine Medical Center, Bangor, Maine, Estados Unidos" "etiqueta" => "j" "identificador" => "aff0045" ] 10 => array:3 [ "entidad" => "Department of Urology, University Hospital Southhampton, Southampton, Reino Unido" "etiqueta" => "k" "identificador" => "aff0050" ] 11 => array:3 [ "entidad" => "Department of Urology and Kidney Transplant, Grande Ospedale Metropolitano, Reggio Calabria, Italia" "etiqueta" => "l" "identificador" => "aff0055" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Artificial intelligence and simulation in urology" ] ] "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Introducción</span><p id="par0005" class="elsevierStylePara elsevierViewall">La inteligencia artificial (IA) se ha desarrollado a un ritmo vertiginoso a medida que se han dado a conocer nuevos avances tecnológicos y científicos en la última década. La IA es el estudio de los algoritmos que dan a las máquinas la capacidad de razonar y de realizar funciones cognitivas como la resolución de problemas, el reconocimiento de objetos y palabras, y la toma de decisiones<a class="elsevierStyleCrossRef" href="#bib0210"><span class="elsevierStyleSup">1</span></a>.</p><p id="par0010" class="elsevierStylePara elsevierViewall">En el campo de la cirugía, la IA comenzó con la incorporación de robots, concretamente con el sistema Da Vinci<a class="elsevierStyleCrossRef" href="#bib0215"><span class="elsevierStyleSup">2</span></a>. El sistema quirúrgico Da Vinci fue aprobado por la Administración de Alimentos y Medicamentos de los Estados Unidos (<span class="elsevierStyleItalic">Food and Drug Administration</span> [FDA]) en el año 2000 con el objetivo de facilitar la cirugía mínimamente invasiva mediante un robot controlado por un cirujano desde una consola<a class="elsevierStyleCrossRef" href="#bib0220"><span class="elsevierStyleSup">3</span></a>.</p><p id="par0015" class="elsevierStylePara elsevierViewall">Estos avances tecnológicos han permitido la inclusión de las plataformas digitales en los programas educativos, mejorando de esta manera la formación quirúrgica. Tradicionalmente, el aprendizaje quirúrgico se realizaba en el quirófano mediante la observación del procedimiento y la posterior ejecución con ensayo y error<a class="elsevierStyleCrossRef" href="#bib0225"><span class="elsevierStyleSup">4</span></a>. Posteriormente, con la llegada de la laparoscopia, aparecieron las primeras cajas de entrenamiento de habilidades laparoscópicas y, gracias a los avances tecnológicos, han surgido los simuladores virtuales. Estos simuladores quirúrgicos de realidad virtual son excelentes herramientas para el entrenamiento del cirujano en formación, ya que proporcionan un entrenamiento de las habilidades psicomotoras, así como una evaluación objetiva de la técnica, traduciéndose en un beneficio claro para el paciente<a class="elsevierStyleCrossRef" href="#bib0230"><span class="elsevierStyleSup">5</span></a>.</p><p id="par0020" class="elsevierStylePara elsevierViewall">Los sistemas de IA analizan grandes conjuntos de datos generados en los procedimientos quirúrgicos. Por un lado, descubren patrones no reconocidos previamente que comprenden tanto la técnica como el error quirúrgico y, por otro lado, el sistema agrupa a los participantes según su capacidad técnica con una finalidad educativa. Este sistema es capaz de mejorar la seguridad y los resultados al disminuir el error humano, reduciendo la variabilidad de las cirugías<a class="elsevierStyleCrossRef" href="#bib0235"><span class="elsevierStyleSup">6</span></a>.</p><p id="par0025" class="elsevierStylePara elsevierViewall">Sin embargo, a pesar del uso de la IA y el aprendizaje automático como nuevo método de trabajo, no debemos olvidar la importancia de la relación médico-paciente, sobre todo en las especialidades quirúrgicas<a class="elsevierStyleCrossRef" href="#bib0240"><span class="elsevierStyleSup">7</span></a>. El objetivo de esta revisión es ofrecer una visión general del estado actual de la IA en la formación quirúrgica y analizar sus beneficios.</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Material y métodos</span><p id="par0030" class="elsevierStylePara elsevierViewall">Este artículo revisa el escenario actual en el que se puede aplicar la tecnología de IA y simulación al campo urológico. Se realizó una búsqueda literaria y exhaustiva de artículos originales y de revisión en inglés utilizando la base de datos Medline hasta agosto de 2020. Buscamos los siguientes términos MeSH: «artificial intelligence», «healthcare», «machine learning», «urology» («inteligencia artificial», «asistencia sanitaria», «aprendizaje automático» y/o «urología»). Se incluyeron los artículos que contenían información sobre la IA y la simulación utilizada como herramienta educativa en la asistencia sanitaria, especialmente en el ámbito urológico. Se excluyeron los resúmenes y los artículos en los que la IA y la simulación se utilizaban para cualquier otro propósito, como el escenario clínico, de diagnóstico y de tratamiento.</p><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Inteligencia artificial en el entrenamiento quirúrgico</span><p id="par0035" class="elsevierStylePara elsevierViewall">La formación quirúrgica es el proceso mediante el cual el médico incorpora habilidades técnicas y no técnicas que permiten la transición desde una situación de desconocimiento de la realización de un procedimiento hasta aquella en la que puede operar de manera segura e independiente. Tradicionalmente, este aprendizaje se ha basado en un enfoque de <span class="elsevierStyleItalic">«see one, do one, teach one»</span> (método de aprendizaje mediante la observación, la realización y la enseñanza de un procedimiento), pero está claro que las implicaciones de este modelo en términos de seguridad del paciente pueden ser inquietantes. Es bien sabido que los cirujanos con menos experiencia son más propensos a tener resultados adversos<a class="elsevierStyleCrossRef" href="#bib0245"><span class="elsevierStyleSup">8</span></a>, por lo que un modelo de formación más seguro es claramente deseable para los cirujanos y los pacientes. En nuestra opinión, la formación basada en la IA presenta una serie de ventajas que comentamos a continuación.<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">•</span><p id="par0040" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Menor exposición del paciente.</span> Un proceso de formación quirúrgica en el que el aprendizaje se basa menos en la exposición al paciente y más en la simulación, mejora las habilidades técnicas de los cirujanos y los resultados en los pacientes<a class="elsevierStyleCrossRefs" href="#bib0250"><span class="elsevierStyleSup">9,10</span></a>. Por lo tanto, un modelo basado en la IA que proporcione retroalimentación y aumente progresivamente la complejidad del caso según el nivel del aprendiz podría reducir el riesgo de complicaciones al inicio de la curva de aprendizaje de la cirugía en humanos. Además, permite que el aprendiz cometa errores sin poner en riesgo la seguridad del paciente<a class="elsevierStyleCrossRef" href="#bib0260"><span class="elsevierStyleSup">11</span></a>.</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">•</span><p id="par0045" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Mayor número de procedimientos.</span> El aprendizaje de una técnica quirúrgica requiere un número variable de casos hasta que el cirujano se considera experto<a class="elsevierStyleCrossRef" href="#bib0265"><span class="elsevierStyleSup">12</span></a>. Es comprensible que resulte difícil aumentar el número de casos de condiciones de presentación poco frecuentes o erráticas de cara a la formación. Por lo tanto, mediante la simulación se puede aumentar o mantener un nivel de exposición suficiente para adquirir un nivel aceptable de competencia, además de proporcionar un gran número de procedimientos y escenarios quirúrgicos disponibles en cualquier momento sin implicaciones en términos de coste o seguridad<a class="elsevierStyleCrossRef" href="#bib0270"><span class="elsevierStyleSup">13</span></a>.</p></li><li class="elsevierStyleListItem" id="lsti0015"><span class="elsevierStyleLabel">•</span><p id="par0050" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Evaluación objetiva de las habilidades quirúrgicas.</span> La evaluación continua de los alumnos es esencial en el aprendizaje basado en competencias, pues permite medir habilidades quirúrgicas o resultados clínicos como son la pérdida de sangre, el tiempo quirúrgico o los márgenes claros en cirugía oncológica. Los resultados clínicos son relativamente fáciles de determinar, pero la evaluación de las habilidades quirúrgicas es más compleja y a menudo depende de la evaluación de expertos, la cual es costosa, subjetiva y no exportable<a class="elsevierStyleCrossRef" href="#bib0275"><span class="elsevierStyleSup">14</span></a>. Por este motivo, se han propuesto diferentes métodos de puntuación objetiva. La evaluación basada en métricas consiste en dividir un procedimiento en pasos para analizar objetivamente el nivel de competencia para cada tarea independiente antes de realizar el procedimiento<a class="elsevierStyleCrossRef" href="#bib0280"><span class="elsevierStyleSup">15</span></a>. Las métricas empleadas tradicionalmente para la evaluación de destrezas requieren la revisión de una persona que observa la tarea grabada y asigna una calificación, lo cual es costoso y requiere mucho tiempo. Recientemente se ha informado de métodos de puntuación automatizados, y la cirugía robótica ha sido la principal plataforma en la que se han desarrollado estas estrategias, proporcionando un registro completo de las interacciones de los cirujanos<a class="elsevierStyleCrossRef" href="#bib0285"><span class="elsevierStyleSup">16</span></a>. Sarikaya et al.<a class="elsevierStyleCrossRef" href="#bib0290"><span class="elsevierStyleSup">17</span></a> aplicaron redes neuronales profundas para evaluar la precisión del cirujano en diferentes procedimientos robóticos basándose en el posicionamiento de las herramientas quirúrgicas, y esto a su vez se comparó con una referencia de predicción de la región obtenida de expertos realizando la técnica. También se han propuesto enfoques de aprendizaje automático en los que el sistema aumenta la dificultad y el número de casos de manera gradual. Por ejemplo, Fard et al.<a class="elsevierStyleCrossRef" href="#bib0295"><span class="elsevierStyleSup">18</span></a> utilizaron lecturas de movimiento de la realización de tareas quirúrgicas robóticas básicas, como el atado de nudos, para asignar automáticamente un nivel de experiencia; el modelo demostró una precisión del 90% para caracterizar a los cirujanos noveles y expertos. Hung et al.<a class="elsevierStyleCrossRef" href="#bib0300"><span class="elsevierStyleSup">19</span></a> aplicaron el aprendizaje automático para procesar métricas automatizadas obtenidas del uso de instrumentos durante la cirugía robótica en vivo, lo que permitió identificar patrones de movimiento y evaluar el nivel de competencia entre los usuarios. Así mismo, pudieron correlacionar el nivel de competencia evaluado por su modelo con los resultados de los pacientes, concluyendo que este modelo podría utilizarse para proporcionar una formación individualizada basada en los requisitos del alumno.</p><p id="par0055" class="elsevierStylePara elsevierViewall">En conclusión, se han propuesto diferentes estrategias de IA para evaluar la capacidad de los cirujanos; una vez validado, este método de evaluación podría brindar una valoración rápida, de bajo coste, objetiva y comparable de las habilidades quirúrgicas.</p></li><li class="elsevierStyleListItem" id="lsti0020"><span class="elsevierStyleLabel">•</span><p id="par0060" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">La IA aporta datos adicionales.</span> Aunque la cirugía robótica ofrece una mejor visualización y una manipulación intuitiva de los instrumentos que facilita la cirugía mínimamente invasiva, una carencia relevante de esta es la falta de retroalimentación háptica, lo que puede resultar en la aplicación excesiva o insuficiente de fuerza durante tareas como el anudado. Con el objetivo de solventar esta carencia, Dai et al.<a class="elsevierStyleCrossRef" href="#bib0305"><span class="elsevierStyleSup">20</span></a> desarrollaron un dispositivo para detectar el punto de rotura de una sutura generando una vibración en la pinza del cirujano. Los resultados mostraron que los cirujanos noveles realizaban mejor la sutura, reduciendo los fracasos en un 59% y minimizando la fuerza media aplicada, que es la principal causa de rotura de la sutura.</p></li></ul></p><p id="par0065" class="elsevierStylePara elsevierViewall">La IA abre un nuevo escenario en el que la formación quirúrgica pasará a ser un modelo más rápido, seguro y económico. Tanto los pacientes como los alumnos se beneficiarán de esta transformación, que podría mejorar los resultados quirúrgicos y reducir las complicaciones. La cirugía robótica es el marco perfecto para el desarrollo de estos programas, ya que proporciona un registro exhaustivo de los movimientos de los cirujanos, así como una visualización constante de los instrumentos.</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Enseñanza clínica</span><p id="par0070" class="elsevierStylePara elsevierViewall">No cabe duda de que la IA es cada vez más influyente en la medicina. Lo vemos con los sistemas de aprendizaje profundo, que están evolucionando rápidamente y son cada vez más eficaces respecto a la mejora del diagnóstico intraoperatorio<a class="elsevierStyleCrossRef" href="#bib0310"><span class="elsevierStyleSup">21</span></a> y a la evaluación exhaustiva de la patología o las imágenes<a class="elsevierStyleCrossRef" href="#bib0315"><span class="elsevierStyleSup">22</span></a>. El papel de la simulación en la formación quirúrgica también es fundamental, ya que con frecuencia aparecen nuevos modelos de simulación<a class="elsevierStyleCrossRef" href="#bib0320"><span class="elsevierStyleSup">23</span></a> y se utilizan simulaciones virtuales para la planificación preoperatoria y como herramienta de aprendizaje<a class="elsevierStyleCrossRef" href="#bib0325"><span class="elsevierStyleSup">24</span></a>. Sin embargo, el campo de la formación clínica parece progresar más lentamente en lo que respecta a la IA, y el número de simulaciones y nuevas tecnologías educativas utilizadas en la práctica diaria es limitado<a class="elsevierStyleCrossRefs" href="#bib0330"><span class="elsevierStyleSup">25,26</span></a>. Está claro que la tecnología de simulación no tiene por qué limitarse a la formación quirúrgica, sino que podría implementarse en la educación clínica. Rowley y Liss<a class="elsevierStyleCrossRef" href="#bib0340"><span class="elsevierStyleSup">27</span></a> mencionaron algunos buenos ejemplos del uso de la simulación en su revisión de los simuladores de ultrasonido en urología. Los autores encontraron que 8 de los 19 simuladores/cursos de formación disponibles estaban dirigidos a la práctica clínica y no a la quirúrgica.</p><p id="par0075" class="elsevierStylePara elsevierViewall">La mayoría de los simuladores de entrenamiento disponibles tienen los siguientes objetivos: enseñar habilidades esenciales sin perjudicar a los pacientes y con un coste incremental mínimo para el laboratorio; personalizar el programa de enseñanza; mejorar el compromiso del estudiante en el proceso de aprendizaje, y proporcionar acceso a nuevos recursos<a class="elsevierStyleCrossRefs" href="#bib0320"><span class="elsevierStyleSup">23,28,29</span></a>. Si bien la mayoría de los sistemas de aprendizaje digital cumplen el último punto, los otros tres aspectos quedan parcialmente representados cuando se trata de la urología. Uno de los campos en los que la IA evoluciona más vertiginosamente es el de la patología y el diagnóstico por la imagen. Recientemente se han introducido varios sistemas de resonancia magnética (RM) para el apoyo en la toma de decisiones con implicaciones de aprendizaje profundo; sin embargo, ninguno de ellos ha sido utilizado con fines educativos<a class="elsevierStyleCrossRefs" href="#bib0355"><span class="elsevierStyleSup">30,31</span></a>. El ejemplo perfecto de sistema de IA y simulación que emplea tanto el apoyo a la decisión como la enseñanza es lo que se conoce como redes generativas adversarias <span class="elsevierStyleItalic">(GANs por Generative Adversarial Networks)</span>. Estos algoritmos ya se han utilizado para aumentar e incluso crear datos para el entrenamiento y, sin duda, tarde o temprano serán introducidos en la práctica clínica. El objetivo de las GANs era facilitar la planificación de la terapia de protones<a class="elsevierStyleCrossRef" href="#bib0365"><span class="elsevierStyleSup">32</span></a> y, respecto a la formación, ayudar a generar imágenes con los patrones de Gleason necesarios para el entrenamiento de los urólogos<a class="elsevierStyleCrossRef" href="#bib0370"><span class="elsevierStyleSup">33</span></a>. Hou et al.<a class="elsevierStyleCrossRef" href="#bib0375"><span class="elsevierStyleSup">34</span></a> demostraron que un sistema de este tipo podía mejorar la segmentación de los núcleos e incrementar la calidad de la formación<a class="elsevierStyleCrossRef" href="#bib0380"><span class="elsevierStyleSup">35</span></a>. Hoy en día la calidad de tales sistemas dista mucho de ser perfecta, pero está mejorando progresivamente, haciéndose cada vez más sofisticada e indistinguible de las imágenes reales (incluso por algunos expertos, según Senaras et al.<a class="elsevierStyleCrossRef" href="#bib0385"><span class="elsevierStyleSup">36</span></a>) y puede potenciar los conjuntos de entrenamiento utilizados para optimizar la clasificación de los cánceres<a class="elsevierStyleCrossRef" href="#bib0385"><span class="elsevierStyleSup">36</span></a>.</p><p id="par0080" class="elsevierStylePara elsevierViewall">Asensio Romero et al.<a class="elsevierStyleCrossRef" href="#bib0390"><span class="elsevierStyleSup">37</span></a> crearon un interesante modelo de imagen que permite tanto el acceso remoto como un mayor nivel de implicación en el proceso educativo. Los autores crearon un programa informático de atlas anatómico utilizando la ecografía y la RM de una mujer de 29<span class="elsevierStyleHsp" style=""></span>años. La simulación les permitió manipular las imágenes para la enseñanza de la anatomía estándar<a class="elsevierStyleCrossRef" href="#bib0390"><span class="elsevierStyleSup">37</span></a>. Los usuarios también pudieron localizar y marcar las estructuras anatómicas en la imagen, lo que les ayudó a comprender mejor las imágenes de RM y ultrasonido. El inconveniente evidente de este modelo es el prolongado proceso de creación de la simulación y su incapacidad para individualizar los modelos<a class="elsevierStyleCrossRef" href="#bib0390"><span class="elsevierStyleSup">37</span></a>. Cabe mencionar que, en la actualidad, la simulación de la anatomía real es una de las implicaciones más estudiadas de las tecnologías digitales en urología. Un buen ejemplo de ello es el uso de la realidad virtual en la planificación quirúrgica. Parkhomenko et al.<a class="elsevierStyleCrossRef" href="#bib0395"><span class="elsevierStyleSup">38</span></a> estudiaron a 25 pacientes con cálculos renales cuyos datos de tomografía computarizada (TC) se utilizaron para crear modelos virtuales. Los autores descubrieron que la realidad virtual mejoró la comprensión por parte de los cirujanos del cáliz de entrada óptimo, la ubicación del cálculo y que además modificó el abordaje quirúrgico en el 40% de los casos. La principal limitación de estas tecnologías es el elevado coste de los equipos y la necesidad de traducir las imágenes de TC a modelos 3D, lo que puede ser un proceso bastante dispendioso<a class="elsevierStyleCrossRef" href="#bib0395"><span class="elsevierStyleSup">38</span></a>.</p><p id="par0085" class="elsevierStylePara elsevierViewall">Un campo en desarrollo en la educación digital son los simuladores de pacientes virtuales<a class="elsevierStyleCrossRef" href="#bib0335"><span class="elsevierStyleSup">26</span></a>. Ya son conocidos en otros campos de la medicina: promueven el aprendizaje autónomo reduciendo los costes de los materiales de laboratorio y de los instructores, por lo que se centran más en el proceso de aprendizaje que en las prácticas de enseñanza convencionales<a class="elsevierStyleCrossRefs" href="#bib0365"><span class="elsevierStyleSup">32,39</span></a>. Es evidente que estos simuladores son una herramienta efectiva en la formación clínica, pero hasta ahora están poco representados en la formación urológica.</p><p id="par0090" class="elsevierStylePara elsevierViewall">Mientras que los simuladores se utilizan ampliamente en la formación y en la práctica clínica diaria, todavía pasará algún tiempo antes de que se introduzcan los sistemas de IA. Los mejores algoritmos disponibles son la clave de los sistemas de toma de decisiones para las imágenes de RM y la patología, como se ha mencionado anteriormente. Sin embargo, algunos investigadores ven el futuro de la IA en el campo del análisis de <span class="elsevierStyleItalic">big data</span>, concretamente en el análisis de las historias clínicas electrónicas (<span class="elsevierStyleItalic">electronic medical record</span> [EMR]). Estos algoritmos de aprendizaje profundo están mostrando resultados prometedores, pero todavía requieren mucha orientación y, por lo tanto, en esta etapa no se prestan a la enseñanza. Lamentablemente, la IA por sí sola no puede convertir a nadie en un profesional de la medicina, pero constituye un sistema de apoyo útil en la toma de decisiones<a class="elsevierStyleCrossRef" href="#bib0405"><span class="elsevierStyleSup">40</span></a>. Según algunos autores, es esencial ser un médico establecido antes de dejarse llevar por la tecnología de la IA<a class="elsevierStyleCrossRef" href="#bib0405"><span class="elsevierStyleSup">40</span></a>.</p><p id="par0095" class="elsevierStylePara elsevierViewall">Sin embargo, las posibilidades más interesantes del aprendizaje virtual están saliendo a la luz durante la pandemia del COVID-19, la cual ha afectado a los profesionales de la medicina de todo el mundo, y los urólogos no son una excepción. Cambiando por completo de paradigma, los principales congresos de la <span class="elsevierStyleItalic">American Association of Urology</span> (AUA) y de la <span class="elsevierStyleItalic">European Association of Urology</span> (EAU) se llevaron a cabo de manera virtual, pero no por fueron menos reconocidos. Porpiglia et al.<a class="elsevierStyleCrossRef" href="#bib0410"><span class="elsevierStyleSup">41</span></a> creen que este nuevo formato virtual acabará convirtiéndose en una característica permanente en lo que respecta a los congresos.</p></span></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0085">Conclusiones</span><p id="par0100" class="elsevierStylePara elsevierViewall">La incorporación de la IA a la práctica clínica diaria puede llegar a revolucionar la medicina tal y como la conocemos. El abanico de aplicaciones potenciales es muy amplio, desde la formación médica hasta el diagnóstico de enfermedades (<a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a>). Al implicar técnicas que ofrezcan resultados consistentes, los resultados generales mejorarán al disminuir el margen de error. En este sentido, la seguridad de los pacientes puede mejorar sustancialmente si se ofrecen escenarios clínicos en los que se puedan dominar las técnicas antes de intentarlas en un entorno real. Todavía se requieren más investigaciones antes de que estas nuevas tecnologías puedan incorporarse con seguridad al entorno clínico general.</p><elsevierMultimedia ident="tbl0005"></elsevierMultimedia></span></span>" "textoCompletoSecciones" => array:1 [ "secciones" => array:8 [ 0 => array:3 [ "identificador" => "xres1581744" "titulo" => "Resumen" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0005" "titulo" => "Introducción y objetivo" ] 1 => array:2 [ "identificador" => "abst0010" "titulo" => "Material y métodos" ] 2 => array:2 [ "identificador" => "abst0015" "titulo" => "Resultados" ] 3 => array:2 [ "identificador" => "abst0020" "titulo" => "Conclusión" ] ] ] 1 => array:2 [ "identificador" => "xpalclavsec1423789" "titulo" => "Palabras clave" ] 2 => array:3 [ "identificador" => "xres1581745" "titulo" => "Abstract" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0025" "titulo" => "Introduction and objective" ] 1 => array:2 [ "identificador" => "abst0030" "titulo" => "Material and methods" ] 2 => array:2 [ "identificador" => "abst0035" "titulo" => "Results" ] 3 => array:2 [ "identificador" => "abst0040" "titulo" => "Conclusion" ] ] ] 3 => array:2 [ "identificador" => "xpalclavsec1423790" "titulo" => "Keywords" ] 4 => array:2 [ "identificador" => "sec0005" "titulo" => "Introducción" ] 5 => array:3 [ "identificador" => "sec0010" "titulo" => "Material y métodos" "secciones" => array:2 [ 0 => array:2 [ "identificador" => "sec0015" "titulo" => "Inteligencia artificial en el entrenamiento quirúrgico" ] 1 => array:2 [ "identificador" => "sec0020" "titulo" => "Enseñanza clínica" ] ] ] 6 => array:2 [ "identificador" => "sec0025" "titulo" => "Conclusiones" ] 7 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2020-10-12" "fechaAceptado" => "2020-10-27" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1423789" "palabras" => array:4 [ 0 => "Inteligencia artificial" 1 => "Aprendizaje automático" 2 => "Entrenamiento" 3 => "Urología" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1423790" "palabras" => array:4 [ 0 => "Artificial intelligence" 1 => "Machine learning" 2 => "Training" 3 => "Urology" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:3 [ "titulo" => "Resumen" "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0010">Introducción y objetivo</span><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">La inteligencia artificial (IA) está en pleno desarrollo, y su implementación en la medicina ha supuesto una mejora en la práctica clínica y quirúrgica. Una de sus múltiples aplicaciones es el entrenamiento quirúrgico, con la creación de programas que permiten evitar complicaciones y riesgos para el paciente. El objetivo de este artículo es analizar las ventajas de la IA aplicada al entrenamiento quirúrgico en urología.</p></span> <span id="abst0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0015">Material y métodos</span><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Se realiza una revisión de la literatura de los artículos publicados en inglés sobre la IA aplicada a la medicina, especialmente a la cirugía y a la adquisición de habilidades quirúrgicas.</p></span> <span id="abst0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0020">Resultados</span><p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">El entrenamiento quirúrgico ha evolucionado con el tiempo gracias a la IA. Se ha creado un modelo de aprendizaje quirúrgico en el que las habilidades se adquieren de forma gradual, evitando complicaciones al paciente. El uso de simuladores permite un aprendizaje progresivo en el que la cantidad y la complejidad de los procedimientos aumentan progresivamente. Adicionalmente, la IA se utiliza en pruebas de imagen para planificar cirugías o tratamientos.</p></span> <span id="abst0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Conclusión</span><p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">Actualmente el uso de la IA en la práctica clínica diaria supone un avance en la medicina, y en particular en la formación quirúrgica.</p></span>" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0005" "titulo" => "Introducción y objetivo" ] 1 => array:2 [ "identificador" => "abst0010" "titulo" => "Material y métodos" ] 2 => array:2 [ "identificador" => "abst0015" "titulo" => "Resultados" ] 3 => array:2 [ "identificador" => "abst0020" "titulo" => "Conclusión" ] ] ] "en" => array:3 [ "titulo" => "Abstract" "resumen" => "<span id="abst0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0035">Introduction and objective</span><p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Artificial intelligence (AI) is in full development and its implementation in medicine has led to an improvement in clinical and surgical practice. One of its multiple applications is surgical training, with the creation of programs that allow avoiding complications and risks for the patient. The aim of this article is to analyze the advantages of AI applied to surgical training in urology.</p></span> <span id="abst0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">Material and methods</span><p id="spar0030" class="elsevierStyleSimplePara elsevierViewall">A literary research is carried out to identify articles published in English regarding AI applied to medicine, especially in surgery and the acquisition of surgical skills.</p></span> <span id="abst0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">Results</span><p id="spar0035" class="elsevierStyleSimplePara elsevierViewall">Surgical training has evolved over time thanks to AI. A model for surgical learning where skills are acquired in a progressive way while avoiding complications to the patient, has been created. The use of simulators allows a progressive learning, providing trainees with procedures that increase in number and complexity. On the other hand, AI is used in imaging tests for surgical or treatment planning.</p></span> <span id="abst0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050">Conclusion</span><p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">Currently, the use of AI in daily clinical practice has led to progress in medicine, specifically in surgical training.</p></span>" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "abst0025" "titulo" => "Introduction and objective" ] 1 => array:2 [ "identificador" => "abst0030" "titulo" => "Material and methods" ] 2 => array:2 [ "identificador" => "abst0035" "titulo" => "Results" ] 3 => array:2 [ "identificador" => "abst0040" "titulo" => "Conclusion" ] ] ] ] "multimedia" => array:1 [ 0 => array:8 [ "identificador" => "tbl0005" "etiqueta" => "Tabla 1" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at1" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">• <span class="elsevierStyleItalic">Entorno quirúrgico.</span> En el entrenamiento quirúrgico, la IA ofrece un escenario controlado para la práctica de las diferentes técnicas, permitiendo la adquisición y la evaluación de destrezas de manera previa a la práctica con los pacientes \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">• <span class="elsevierStyleItalic">Seguridad del paciente.</span> Una mejor comprensión de las patologías y su manejo incrementa el dominio de la técnica antes de la acción directa sobre el paciente, reduciendo el riesgo y mejorando la atención \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">• <span class="elsevierStyleItalic">Entorno clínico.</span> La IA promueve la mejora del diagnóstico clínico y del entrenamiento médico mediante sistemas de aprendizaje profundo, siendo un soporte potencial automatizado para la gestión de los pacientes \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab2709456.png" ] ] ] ] "descripcion" => array:1 [ "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Puntos clave sobre el uso de la inteligencia artificial en urología</p>" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:41 [ 0 => array:3 [ "identificador" => "bib0210" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "An introduction to artificial intelligence: Can computers think?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "R. Bellman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Libro" => array:3 [ "fecha" => "1978" "editorial" => "Boyd & Fraser Pub. Co." "editorialLocalizacion" => "San Francisco" ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib0215" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence in medicine" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "P. Hamet" 1 => "J. Tremblay" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Metabolism: Clinical and Experimental." "fecha" => "2017" "volumen" => "69" "paginaInicial" => "S36" "paginaFinal" => "S40" ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0220" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence in medical practice: The Question to the Answer?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "D. Douglas Miller" 1 => "E.W. Brown" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.amjmed.2017.10.035" "Revista" => array:6 [ "tituloSerie" => "Am J Med." "fecha" => "2018" "volumen" => "131" "paginaInicial" => "129" "paginaFinal" => "133" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29126825" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0225" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Can robots accelerate the learning curve for surgical training? An analysis of residents and medical students" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "J.W. Lau" 1 => "T. Yang" 2 => "K.K. Toe" 3 => "W. Huang" 4 => "S.K. Chang" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Ann Acad Med Singap." "fecha" => "2018" "volumen" => "47" "paginaInicial" => "29" "paginaFinal" => "35" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29493708" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0230" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Laparoscopic skills are improved with LapMentor training: Results of a randomized, double-blinded study" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "P.B. Andreatta" 1 => "D.T. Woodrum" 2 => "J.D. Birkmeyer" 3 => "R.K. Yellamanchilli" 4 => "G.M. Doherty" 5 => "P.G. Gauger" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1097/01.sla.0000219641.79092.e5" "Revista" => array:6 [ "tituloSerie" => "Ann Surg." "fecha" => "2006" "volumen" => "243" "paginaInicial" => "854" "paginaFinal" => "860" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/16772789" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0235" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Undergraduate urology in the UK: Does it prepare doctors adequately?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "S. Malde" 1 => "N. Shrotri" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Br J Med Surg Urol." "fecha" => "2012" "volumen" => "5" "paginaInicial" => "20" "paginaFinal" => "27" ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0240" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Surgical adverse events: A systematic review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "O. Anderson" 1 => "R. Davis" 2 => "G.B. Hanna" 3 => "C.A. Vincent" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.amjsurg.2012.11.009" "Revista" => array:6 [ "tituloSerie" => "Am J Surg." "fecha" => "2013" "volumen" => "206" "paginaInicial" => "253" "paginaFinal" => "262" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23642651" "web" => "Medline" ] ] ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib0245" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "New surgeon outcomes and the effectiveness of surgical training: A population-based cohort study" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "R.J. Campbell" 1 => "S.R. el-Defrawy" 2 => "S.S. Gill" 3 => "M. Whitehead" 4 => "E.L.P. Campbell" 5 => "P.L. Hooper" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.ophtha.2016.12.012" "Revista" => array:6 [ "tituloSerie" => "Ophthalmology." "fecha" => "2017" "volumen" => "124" "paginaInicial" => "532" "paginaFinal" => "538" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28129969" "web" => "Medline" ] ] ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib0250" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "An evidence-based laparoscopic simulation curriculum shortens the clinical learning curve and reduces surgical adverse events" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "G. De Win" 1 => "S. van Bruwaene" 2 => "J. Kulkarni" 3 => "B. van Calster" 4 => "R. Aggarwal" 5 => "C. Allen" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2147/AMEP.S102000" "Revista" => array:6 [ "tituloSerie" => "Adv Med Educ Pract." "fecha" => "2016" "volumen" => "7" "paginaInicial" => "357" "paginaFinal" => "370" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27512343" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0255" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "35 residents and medical students" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "J.W. Lau" 1 => "S. Mbbs" 2 => "M. Edin" 3 => "T. Yang" 4 => "K.K. Toe" 5 => "W. Huang" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Ann Acad Med Singap." "fecha" => "2018" "volumen" => "47" "paginaInicial" => "29" "paginaFinal" => "35" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29493708" "web" => "Medline" ] ] ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib0260" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The role and validity of surgical simulation" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "R.A. Agha" 1 => "A.J. Fowler" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.9738/INTSURG-D-14-00004.1" "Revista" => array:6 [ "tituloSerie" => "Int Surg." "fecha" => "2015" "volumen" => "100" "paginaInicial" => "350" "paginaFinal" => "357" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25692441" "web" => "Medline" ] ] ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib0265" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Learning curves in surgical practice" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "A.N. Hopper" 1 => "M.H. Jamison" 2 => "W.G. Lewis" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1136/pgmj.2007.057190" "Revista" => array:6 [ "tituloSerie" => "Postgrad Med J." "fecha" => "2007" "volumen" => "83" "paginaInicial" => "777" "paginaFinal" => "779" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/18057179" "web" => "Medline" ] ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib0270" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The role of simulation in the development of technical competence during surgical training: A literature review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "M.P. Thomas" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Int J Med Educ." "fecha" => "2013" "volumen" => "4" "paginaInicial" => "48" "paginaFinal" => "58" ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib0275" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:1 [ "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J. Chen" 1 => "D. Remulla" 2 => "J.H. Nguyen" 3 => "D. Aastha" 4 => "Y. Liu" 5 => "P. Dasgupta" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1111/bju.14852" "Revista" => array:2 [ "tituloSerie" => "Current status of arti fi cial intelligence applications in urology and their potential to in fl uence clinical practice" "fecha" => "2019" ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib0280" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Metric-based simulation training to proficiency in medical education:- What it is and how to do it" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "A.G. Gallagher" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Ulster Med J." "fecha" => "2012" "volumen" => "81" "paginaInicial" => "107" "paginaFinal" => "113" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/23620606" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib0285" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence and robotics: A combination that is changing the operating room" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "I. Andras" 1 => "E. Mazzone" 2 => "F.W.B. van Leeuwen" 3 => "G. de Naeyer" 4 => "M.N. van Oosterom" 5 => "S. Beato" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00345-019-03037-6" "Revista" => array:2 [ "tituloSerie" => "World J Urol." "fecha" => "2019" ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib0290" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Detection and localization of robotic tools in robot-assisted surgery videos using deep neural networks for region proposal and detection" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "D. Sarikaya" 1 => "J.J. Corso" 2 => "K.A. Guru" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "IEEE Trans Med Imag." "fecha" => "2017" "volumen" => "36" "paginaInicial" => "1542" "paginaFinal" => "1549" ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib0295" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Automated robot-assisted surgical skill evaluation: Predictive analytics approach" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "M.J. Fard" 1 => "S. Ameri" 2 => "R. Darin Ellis" 3 => "R.B. Chinnam" 4 => "A.K. Pandya" 5 => "M.D. Klein" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/rcs.1850" "Revista" => array:3 [ "tituloSerie" => "Int J Med Robot." "fecha" => "2018 Feb 1" "volumen" => "14" ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib0300" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Automated performance metrics and machine learning algorithms to measure surgeon performance and anticipate clinical outcomes in robotic surgery" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "A.J. Hung" 1 => "J. Chen" 2 => "I.S. Gill" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jamasurg.2018.1512" "Revista" => array:6 [ "tituloSerie" => "JAMA Surg." "fecha" => "2018" "volumen" => "153" "paginaInicial" => "770" "paginaFinal" => "771" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29926095" "web" => "Medline" ] ] ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib0305" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Biaxial sensing suture breakage warning system for robotic surgery" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "Y. Dai" 1 => "A. Abiri" 2 => "J. Pensa" 3 => "S. Liu" 4 => "O. Paydar" 5 => "H. Sohn" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s10544-018-0357-6" "Revista" => array:5 [ "tituloSerie" => "Biomed Microdevices." "fecha" => "2019" "volumen" => "21" "paginaInicial" => "10" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30631976" "web" => "Medline" ] ] ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bib0310" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Augmented bladder tumor detection using deep learning" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "E. Shkolyar" 1 => "X. Jia" 2 => "T.C. Chang" 3 => "D. Trivedi" 4 => "K.E. Mach" 5 => "M.Q.H. Meng" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.eururo.2019.08.032" "Revista" => array:6 [ "tituloSerie" => "Eur Urol." "fecha" => "2019" "volumen" => "76" "paginaInicial" => "714" "paginaFinal" => "718" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31537407" "web" => "Medline" ] ] ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bib0315" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Multiview boosting digital pathology analysis of prostate cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "J.T. Kwak" 1 => "S.M. Hewitt" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.cmpb.2017.02.023" "Revista" => array:6 [ "tituloSerie" => "Comput Methods Programs Biomed." "fecha" => "2017" "volumen" => "142" "paginaInicial" => "91" "paginaFinal" => "99" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28325451" "web" => "Medline" ] ] ] ] ] ] ] ] 22 => array:3 [ "identificador" => "bib0320" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Three-dimensionally printed non-biological simulator for percutaneous nephrolithotomy training" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "S. Ali" 1 => "E. Sirota" 2 => "H. Ali" 3 => "E. Bezrukov" 4 => "Z. Okhunov" 5 => "M. Bukatov" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/21681805.2019.1703806" "Revista" => array:6 [ "tituloSerie" => "Scand J Urol." "fecha" => "2020" "volumen" => "54" "paginaInicial" => "1" "paginaFinal" => "6" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31876229" "web" => "Medline" ] ] ] ] ] ] ] ] 23 => array:3 [ "identificador" => "bib0325" "etiqueta" => "24" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The use of 3-dimensional, virtual reality models for surgical planning of robotic partial nephrectomy" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "J.D. Shirk" 1 => "L. Kwan" 2 => "C. Saigal" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.urology.2018.12.026" "Revista" => array:6 [ "tituloSerie" => "Urology." "fecha" => "2019" "volumen" => "125" "paginaInicial" => "92" "paginaFinal" => "97" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30597166" "web" => "Medline" ] ] ] ] ] ] ] ] 24 => array:3 [ "identificador" => "bib0330" "etiqueta" => "25" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "What should medical students know about artificial intelligence in medicine?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "S.H. Park" 1 => "K.H. Do" 2 => "S. Kim" 3 => "J.H. Park" 4 => "Y.S. Lim" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3352/jeehp.2019.16.18" "Revista" => array:5 [ "tituloSerie" => "J Educ Eval Health Prof." "fecha" => "2019" "volumen" => "16" "paginaInicial" => "18" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31319450" "web" => "Medline" ] ] ] ] ] ] ] ] 25 => array:3 [ "identificador" => "bib0335" "etiqueta" => "26" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Medical education trends for future physicians in the era of advanced technology and artificial intelligence: An integrative review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "E.-R. Han" 1 => "S. Yeo" 2 => "M.-J. Kim" 3 => "Y.-H. Lee" 4 => "K.-H. Park" 5 => "H. Roh" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s12909-019-1891-5" "Revista" => array:5 [ "tituloSerie" => "BMC Med Educ." "fecha" => "2019" "volumen" => "19" "paginaInicial" => "460" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31829208" "web" => "Medline" ] ] ] ] ] ] ] ] 26 => array:3 [ "identificador" => "bib0340" "etiqueta" => "27" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Systematic review of current ultrasound use in education and simulation in the field of urology" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "K.J. Rowley" 1 => "M.A. Liss" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s11934-020-00976-1" "Revista" => array:5 [ "tituloSerie" => "Curr Urol Rep." "fecha" => "2020" "volumen" => "21" "paginaInicial" => "23" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32378073" "web" => "Medline" ] ] ] ] ] ] ] ] 27 => array:3 [ "identificador" => "bib0345" "etiqueta" => "28" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Distant peer-tutoring of clinical skills, using tablets with instructional videos and Skype: A pilot study in the UK and Malaysia" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "J. O’Donovan" 1 => "M. Maruthappu" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3109/0142159X.2014.956063" "Revista" => array:6 [ "tituloSerie" => "Med Teach." "fecha" => "2015" "volumen" => "37" "paginaInicial" => "463" "paginaFinal" => "469" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25182187" "web" => "Medline" ] ] ] ] ] ] ] ] 28 => array:3 [ "identificador" => "bib0350" "etiqueta" => "29" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Personalized augmented reality for anatomy education" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M. Ma" 1 => "P. Fallavollita" 2 => "I. Seelbach" 3 => "A.M. von der Heide" 4 => "E. Euler" 5 => "J. Waschke" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/ca.22675" "Revista" => array:6 [ "tituloSerie" => "Clin Anat." "fecha" => "2016" "volumen" => "29" "paginaInicial" => "446" "paginaFinal" => "453" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/26646315" "web" => "Medline" ] ] ] ] ] ] ] ] 29 => array:3 [ "identificador" => "bib0355" "etiqueta" => "30" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "J. Wang" 1 => "C.J. Wu" 2 => "M.L. Bao" 3 => "J. Zhang" 4 => "X.N. Wang" 5 => "Y.D. Zhang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00330-017-4800-5" "Revista" => array:6 [ "tituloSerie" => "Eur Radiol." "fecha" => "2017" "volumen" => "27" "paginaInicial" => "4082" "paginaFinal" => "4090" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28374077" "web" => "Medline" ] ] ] ] ] ] ] ] 30 => array:3 [ "identificador" => "bib0360" "etiqueta" => "31" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep-learning-based artificial intelligence for PI-RADS classification to assist multiparametric prostate MRI interpretation: A development study" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "T. Sanford" 1 => "S.A. Harmon" 2 => "E.B. Turkbey" 3 => "D. Kesani" 4 => "S. Tuncer" 5 => "M. Madariaga" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/jmri.27204" "Revista" => array:2 [ "tituloSerie" => "J Magn Reson Imaging." "fecha" => "2020" ] ] ] ] ] ] 31 => array:3 [ "identificador" => "bib0365" "etiqueta" => "32" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Evaluation of a deep learning-based pelvic synthetic CT generation technique for MRI-based prostate proton treatment planning" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "Y. Liu" 1 => "Y. Lei" 2 => "Y. Wang" 3 => "G. Shafai-Erfani" 4 => "T. Wang" 5 => "S. Tian" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1088/1361-6560/ab41af" "Revista" => array:5 [ "tituloSerie" => "Phys Med Biol." "fecha" => "2019" "volumen" => "64" "paginaInicial" => "205022" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31487698" "web" => "Medline" ] ] ] ] ] ] ] ] 32 => array:3 [ "identificador" => "bib0370" "etiqueta" => "33" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Unsupervised representation learning with deep convolutional generative adversarial networks" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "A. Radford" 1 => "L. Metz" 2 => "S. Chintala" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Libro" => array:2 [ "fecha" => "2016" "editorial" => "4th International Conference on Learning Representations, ICLR 2016 — Conference Track Proceedings" ] ] ] ] ] ] 33 => array:3 [ "identificador" => "bib0375" "etiqueta" => "34" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Robust histopathology image analysis: To label or to synthesize?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "L. Hou" 1 => "A. Agarwal" 2 => "D. Samaras" 3 => "T.M. Kurc" 4 => "R.R. Gupta" 5 => "J.H. Saltz" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1109/CVPR.2019.00873" "Libro" => array:4 [ "fecha" => "2019" "paginaInicial" => "8525" "paginaFinal" => "8534" "editorial" => "2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)" ] ] ] ] ] ] 34 => array:3 [ "identificador" => "bib0380" "etiqueta" => "35" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A new era: Artificial intelligence and machine learning in prostate cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "S.L. Goldenberg" 1 => "G. Nir" 2 => "S.E. Salcudean" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41585-019-0193-3" "Revista" => array:6 [ "tituloSerie" => "Nat Rev Urol." "fecha" => "2019" "volumen" => "16" "paginaInicial" => "391" "paginaFinal" => "403" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31092914" "web" => "Medline" ] ] ] ] ] ] ] ] 35 => array:3 [ "identificador" => "bib0385" "etiqueta" => "36" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Optimized generation of high-resolution phantom images using cGAN: Application to quantification of Ki67 breast cancer images" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C. Senaras" 1 => "K.K.N. Muhammad" 2 => "B. Sahiner" 3 => "M.P. Pennell" 4 => "G. Tozbikian" 5 => "G. Lozanski" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1371/journal.pone.0196846" "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2018" "volumen" => "13" "paginaInicial" => "e0196846" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29742125" "web" => "Medline" ] ] ] ] ] ] ] ] 36 => array:3 [ "identificador" => "bib0390" "etiqueta" => "37" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Computer application of ultrasound and nuclear magnetic resonance images for the anatomical learning of the pelvis and the female pelvic floor" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "L. Asensio Romero" 1 => "M. Asensio Gómez" 2 => "A. Prats-Galino" 3 => "J.A. Juanes Méndez" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s10916-019-1240-6" "Revista" => array:5 [ "tituloSerie" => "J Med Syst." "fecha" => "2019" "volumen" => "43" "paginaInicial" => "110" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30887135" "web" => "Medline" ] ] ] ] ] ] ] ] 37 => array:3 [ "identificador" => "bib0395" "etiqueta" => "38" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Pilot assessment of immersive virtual reality renal models as an educational and preoperative planning tool for percutaneous nephrolithotomy" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "E. Parkhomenko" 1 => "M. O’Leary" 2 => "S. Safiullah" 3 => "S. Walia" 4 => "M. Owyong" 5 => "C. Lin" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1089/end.2018.0626" "Revista" => array:6 [ "tituloSerie" => "J Endourol." "fecha" => "2019" "volumen" => "33" "paginaInicial" => "283" "paginaFinal" => "288" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30460860" "web" => "Medline" ] ] ] ] ] ] ] ] 38 => array:3 [ "identificador" => "bib0400" "etiqueta" => "39" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Optimal learning in a virtual patient simulation of cranial nerve palsies: The interaction between social learning context and student aptitude" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "T.R. Johnson" 1 => "R. Lyons" 2 => "J.H. Chuah" 3 => "R. Kopper" 4 => "B.C. Lok" 5 => "J.C. Cendan" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Med Teach." "fecha" => "2013" "volumen" => "35" "paginaInicial" => "e876" "paginaFinal" => "e884" ] ] ] ] ] ] 39 => array:3 [ "identificador" => "bib0405" "etiqueta" => "40" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence in medical education" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "K. Masters" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/0142159X.2019.1595557" "Revista" => array:6 [ "tituloSerie" => "Med Teach." "fecha" => "2019" "volumen" => "41" "paginaInicial" => "976" "paginaFinal" => "980" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31007106" "web" => "Medline" ] ] ] ] ] ] ] ] 40 => array:3 [ "identificador" => "bib0410" "etiqueta" => "41" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Traditional and virtual congress meetings during the COVID-19 pandemic and the post-COVID-19 era: Is it time to change the paradigm?" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "F. Porpiglia" 1 => "E. Checcucci" 2 => "R. Autorino" 3 => "D. Amparore" 4 => "M.R. Cooperberg" 5 => "V. Ficarra" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.eururo.2020.04.018" "Revista" => array:6 [ "tituloSerie" => "Eur Urol." "fecha" => "2020" "volumen" => "78" "paginaInicial" => "301" "paginaFinal" => "303" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32334884" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/02104806/0000004500000008/v1_202110020736/S0210480621000887/v1_202110020736/es/main.assets" "Apartado" => array:4 [ "identificador" => "6304" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Artículos de revisión" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/02104806/0000004500000008/v1_202110020736/S0210480621000887/v1_202110020736/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210480621000887?idApp=UINPBA00004N" ]
| año/Mes | Html | Total | |
|---|---|---|---|
| 2024 Agosto | 1 | 3 | 4 |
| 2024 Junio | 1 | 1 | 2 |
| 2023 Octubre | 1 | 2 | 3 |
| 2023 Abril | 7 | 0 | 7 |
| 2023 Marzo | 1 | 0 | 1 |
| 2022 Octubre | 1 | 2 | 3 |
| 2022 Mayo | 1 | 0 | 1 |
| 2022 Febrero | 2 | 0 | 2 |
| 2022 Enero | 3 | 0 | 3 |
| 2021 Diciembre | 5 | 0 | 5 |
| 2021 Noviembre | 5 | 2 | 7 |
| 2021 Octubre | 42 | 23 | 65 |
| 2021 Septiembre | 0 | 2 | 2 |
| 2021 Agosto | 0 | 2 | 2 |
Mostrar todo
