Jemima Domenica Quinapallo Marcalla
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Jemima Domenica Quinapallo Marcalla has a total of 3 co-authors. Here are the top co-authors by number of shared publications:
- Karina Elizabeth Gracia Ortiz
Pontificia Universidad Católica del Ecuador Sede Esmeraldas
1 shared publication - Katiuska Andreina Arboleda Quinde
Pontificia Universidad Católica del Ecuador
1 shared publication - Mary Elena Cetre Cortes
Pontificia Universidad Católica del Ecuador Sede Esmeraldas
1 shared publication
Latest Publications
- Open Access
- 1 October 2026
- Published by Saberes de Conocimiento in Recimundo
- Vol. 10 (4) , 536-547
Aplicación de la inteligencia artificial en la atención de enfermería y su impacto en la calidad del cuidado y la seguridad del paciente: revisión sistemática
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.
- 1 October 2026
- Published by Saberes de Conocimiento in Recimundo
- Vol. 10 (4) , 536-547
Open AccessAplicación de la inteligencia artificial en la atención de enfermería y su impacto en la calidad del cuidado y la seguridad del paciente: revisión sistemática
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.