Jemima Domenica Quinapallo Marcalla

Jemima Domenica Quinapallo Marcalla

Auto-generated profile, based on publicly available information

Jemima Domenica Quinapallo Marcalla

Pontificia Universidad Católica del Ecuador Sede Esmeraldas

Research Focus & Metrics

Academic Career Length

1Year (2026-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 October 2026 in Recimundo
Verified
Journal Article
Open access
PDF file
KOKarina Elizabeth Gracia Ortiz
Karina Elizabeth Gracia Ortiz
MCMary Elena Cetre Cortes
Mary Elena Cetre Cortes
JMJemima Domenica Quinapallo Marcalla
Jemima Domenica Quinapallo Marcalla
KQKatiuska Andreina Arboleda Quinde
Katiuska Andreina Arboleda Quinde
Introducción: La inteligencia artificial (IA) ha transformado la práctica de enfermería, pero la evidencia sobre su impacto en la calidad del cuidado y la seguridad del paciente presenta heterogeneidad metodológica. Objetivo: Evaluar el impacto de la IA en la atención de enfermería, la calidad del cuidado y la seguridad del paciente. Métodos: Revisión sistemática bajo PRISMA 2020, registrada en PROSPERO (CRD42025123456). Búsqueda realizada entre enero y marzo de 2025 en PubMed/MEDLINE, Scopus, Web of Science, Embase, IEEE Xplore y CINAHL. Se incluyeron estudios primarios empíricos que evaluaran herramientas de IA en enfermería y su efecto en desenlaces de seguridad o calidad. Cribado y extracción por triplicado. Calidad evaluada mediante RoB 2, ROBINS-I/NOS, PROBAST y QUADAS-2. Síntesis narrativa por dominios clínicos. Resultados: De 2.845 registros, se incluyeron 18 estudios primarios. Los sistemas de alerta temprana basados en machine learning (ML) demostraron AUC > 0,80 para deterioro clínico y sepsis, con reducción de mortalidad (HR 0,64; IC 95% 0,53-0,78) y estancia hospitalaria (11,2%). Los modelos predictivos de caídas (AUC 0,92) y úlceras por presión (AUC > 0,85) superaron a las escalas tradicionales. La IA en triaje mostró precisión del 80,5%-99,1%, y en detección de errores de medicación alcanzó AUC 0,920. El riesgo de sesgo fue alto en el dominio de análisis de modelos predictivos (PROBAST). Conclusiones: La IA mejora la detección temprana del deterioro y la prevención de eventos adversos, pero la heterogeneidad metodológica, el riesgo de sesgo y la falta de validación externa limitan la solidez de la evidencia. Se requieren ensayos clínicos aleatorizados con seguimiento prolongado y marcos de gobernanza ética.