BRIDGING EFFICIENCY AND INTERPRETABILITY: EXPLAINABLE EDGE AI FOR CLINICAL DECISION-MAKING IN MEDICAL TELEMETRY
Resumen
La creciente adopción de la telemetría médica y del monitoreo remoto de pacientes ha transformado la atención sanitaria al permitir la observación continua de señales fisiológicas en entornos reales. En este contexto, la Edge AI surge como un enfoque prometedor para el procesamiento local de datos, reduciendo la latencia y la dependencia de infraestructuras en la nube, especialmente en escenarios con recursos limitados. Sin embargo, la mayoría de los modelos basados en edge operan como “cajas negras”, limitando su transparencia y dificultando la adopción clínica. Este estudio presenta una revisión sistemática, siguiendo las directrices PRISMA, sobre métodos de XAI aplicados a sistemas de Edge AI en telemetría médica. El análisis evidencia un trade-off persistente entre eficiencia computacional e interpretabilidad, con la mayoría de los enfoques priorizando el rendimiento sobre la explicabilidad. Desde una perspectiva clínica, los resultados destacan que los datos de telemetría aislados son insuficientes para respaldar decisiones médicas, siendo necesaria su integración con el razonamiento clínico y la información contextual del paciente. Además, el estudio discute los riesgos asociados a sesgos algorítmicos y cognitivos, así como los desafíos impuestos por la infraestructura limitada y la capacitación profesional, particularmente en sistemas de salud en desarrollo. Los resultados revelan una brecha crítica en el desarrollo de modelos integrados, livianos e interpretables, adecuados para su implementación en entornos reales. Superar esta brecha es esencial para avanzar en la creación de inteligencia artificial confiable, escalable y clínicamente relevante en la salud.
