Optimización de Dosis (ALARA 2.0)
El campo de la Protección Radiológica (PR) se encuentra en una fase de profunda transformación, impulsada por la digitalización avanzada de la práctica médica, los avances en la radiobiología de dosis bajas, y el desarrollo de nuevas infraestructuras energéticas y terapéuticas de alta precisión. Los temas de vanguardia que dominan la agenda internacional de organismos como la Comisión Internacional de Protección Radiológica (ICRP) y el Comité Científico de las Naciones Unidas para el Estudio de los Efectos de la Radiación Atómica (UNSCEAR), se centran en la personalización de la dosis, la reevaluación del riesgo y la adaptación regulatoria a las tecnologías emergentes.
La Revolución Digital en la Optimización de Dosis (ALARA 2.0)
La optimización de la protección (el principio ALARA) está evolucionando de un enfoque centrado en el equipo y el procedimiento a uno centrado en el algoritmo y la biología del paciente. Esta transición es fundamentalmente impulsada por la maduración de la Inteligencia Artificial (IA) en la imagenología.
1.1. Inteligencia Artificial (IA) como Agente de Optimización (ALARA 2.0)
La Inteligencia Artificial, en particular las técnicas de Deep Learning (DL), ha demostrado ser una herramienta poderosa para redefinir el paradigma de la reducción de dosis en el diagnóstico por imagen, especialmente en la Tomografía Computarizada (TC). La IA permite mejorar la calidad de imagen y la eficiencia del análisis, con una clara tendencia potencial hacia la reducción de la dosis de radiación.1
Las aplicaciones de IA en radiología buscan generar imágenes de alta calidad a partir de protocolos que, de forma convencional, resultarían en imágenes ruidosas o de baja resolución. Estudios han demostrado que las técnicas asistidas por IA son capaces de generar imágenes de TC de baja dosis (LDCT) que son virtualmente indistinguibles de aquellas obtenidas utilizando protocolos de dosis estándar.2 Esta capacidad de reconstrucción algorítmica de la imagen ha permitido documentar reducciones significativas en la exposición del paciente. Reportes indican que las intervenciones basadas en IA pueden reducir las dosis de radiación entre un 36% y un 70%, e incluso alcanzar reducciones de hasta un 95% en estudios de radiología pediátrica, sin comprometer la información diagnóstica crucial.2
Esta reducción drástica de la dosis implica que el control radiológico se está desplazando del énfasis tradicional en la calibración física de los equipos hacia la optimización del software y el post-procesamiento de la imagen. La IA aprende, mediante el entrenamiento con grandes conjuntos de datos, a corregir artefactos, reducir el ruido y mejorar la resolución en datos de dosis inherentemente bajos.2 El desafío de vanguardia para la PR radica en garantizar que esta optimización algorítmica no comprometa la Justificación del procedimiento. Si la IA permite reducciones de dosis tan significativas, la prioridad deja de ser simplemente buscar la reducción, sino asegurar la precisión diagnóstica sostenida a través de la validación rigurosa de los algoritmos.
La implementación a gran escala de estas técnicas debe abordar los retos de la generalización del modelo, las restricciones regulatorias y las consideraciones éticas.2 La variabilidad en los algoritmos de IA y el número limitado de estudios de validación clínica exigen cautela.1 El riesgo latente es que un modelo de IA entrenado para optimizar la dosis en un contexto específico pueda fallar en la generalización a poblaciones o equipos diversos, resultando en una pérdida de detalle diagnóstico crucial si la dosis se ha reducido excesivamente. Por lo tanto, la optimización mediante IA es tanto un logro técnico como un reto de gestión de la calidad y de validación regulatoria.
1.2. Implementación de la Optimización Digital según la ICRP Publicación 154
La ICRP, consciente de la creciente digitalización, ha proporcionado un marco estructurado para guiar a las instituciones médicas hacia la excelencia en PR. La Publicación 154 de ICRP (2023) establece un enfoque de capas para el desarrollo de la optimización en técnicas de radiología digital, con el objetivo de fomentar un progreso incremental en las instalaciones.3
Este enfoque define cuatro niveles de madurez organizacional: Nivel D (preliminar), Nivel C (básico), Nivel B (intermedio) y Nivel A (avanzado).3 Estos niveles reflejan la capacidad creciente de la institución para alcanzar procesos de optimización que son específicos del paciente y orientados a la indicación clínica.3 El objetivo es proporcionar a los gestores y al personal una hoja de ruta para determinar el siguiente paso lógico en su programa de PR.3
La Publicación 154 identifica explícitamente la Inteligencia Artificial como un factor clave en la evolución de estos niveles. La ICRP señala que las mejoras netas futuras en la evaluación de la calidad de imagen se lograrán mediante la evaluación automatizada de la calidad, basada directamente en imágenes clínicas del paciente, lo que necesariamente implicará algoritmos de IA implementados en los archivos o en las modalidades de imagen.3
El progreso hacia los niveles superiores (B y A) está íntimamente ligado a la adopción de estas tecnologías. Un centro que se encuentra en una etapa preliminar (Nivel D), a menudo careciendo de físicos médicos especializados en radiodiagnóstico, tendrá una capacidad limitada para avanzar en la optimización.3 Para alcanzar el Nivel A, que exige una optimización totalmente específica del paciente y una gestión automatizada de la calidad, es fundamental la infraestructura técnica y el personal especializado capaz de manejar el aprendizaje profundo. La exigencia de la optimización avanzada, que requiere procesar y analizar grandes volúmenes de datos en tiempo real, convierte la IA en una necesidad operativa, no meramente en una opción tecnológica, para el cumplimiento del espíritu del principio ALARA moderno.
La siguiente tabla resume los niveles de madurez de la optimización radiológica digital según ICRP 154 y la implicación de la IA:
Niveles de Madurez de la Optimización Radiológica Digital (ICRP 154)
| Nivel (ICRP 154) | Descripción General de Madurez | Requisito Clave de Implementación | Rol de la IA/Tecnología Avanzada |
| Nivel D (Preliminar) | Dependencia de la experiencia básica y regulaciones mínimas. | Ausencia o limitación de gestión formal de dosis. | Mínimo o nulo. |
| Nivel C (Básico) | Sistemas de gestión de dosis estandarizados y revisiones periódicas. | Uso de niveles de referencia diagnósticos (DRLs). | Integración básica de herramientas de segmentación o control de calidad de imagen. |
| Nivel B (Intermedio) | Optimización orientada a la indicación y monitoreo avanzado de dosis. | Revisión de protocolos específicos y análisis de desviaciones. | IA utilizada para verificación de dosimetría y automatización de control de calidad. |
| Nivel A (Avanzado) | Optimización específica del paciente y gestión de la calidad automatizada. | Personalización total de parámetros y evaluación de calidad automatizada. | Algoritmos de Deep Learning (DL) para reconstrucción de imágenes de baja dosis y evaluación de la calidad automatizada directamente en imágenes clínicas.3 |
Ejemplo: Reconstrucción de Imagen en TC de Baja Dosis (LDCT) Asistida por IA
El principio operativo de ALARA 2.0 en la TC se resume en la capacidad de la máquina para adquirir datos con una dosis de radiación significativamente reducida, y luego utilizar la IA para restaurar la calidad diagnóstica de la imagen resultante.
1. El Desafío Convencional
En un TC convencional, reducir la dosis de radiación (por ejemplo, disminuyendo el miliamperaje-segundo o mAs) conduce inevitablemente a un aumento del ruido y la aparición de artefactos en la imagen. Esto compromete el contraste y la capacidad de distinguir estructuras, volviendo la imagen inaceptable para el diagnóstico.
2. La Solución ALARA 2.0 (Deep Learning Reconstruction)
Los fabricantes de equipos de TC han integrado algoritmos de Deep Learning (DL), que son un tipo avanzado de IA, en el proceso de reconstrucción de la imagen:
- Entrenamiento del Algoritmo: El modelo de IA (a menudo una Red Neuronal Convolucional) se entrena con vastos conjuntos de datos que incluyen pares de imágenes:
- Imágenes de alta dosis (el estándar de oro, de alta calidad y bajo ruido).
- Imágenes simuladas o reales de baja dosis (ruidosas y con artefactos).
- Reconstrucción Inteligente: Una vez entrenado, el algoritmo es capaz de tomar los datos sin procesar o la imagen inicial ruidosa adquirida con un protocolo de muy baja dosis, y aplicar un proceso de reducción de ruido algorítmico y corrección de artefactos en tiempo real.2
- Resultado del Diagnóstico: El algoritmo predice cómo se vería la imagen si se hubiera tomado con una dosis estándar, eliminando el ruido y mejorando la resolución.2
Gracias a este proceso, los estudios han demostrado que:
- Las imágenes de TC de baja dosis generadas por IA son «casi indistinguibles» de las obtenidas utilizando protocolos de dosis estándar.2
- Esto permite una reducción significativa de la exposición del paciente, variando generalmente entre un 36% y un 70%.2 En aplicaciones específicas como la radiología pediátrica, se han reportado reducciones de dosis de hasta un 95% sin pérdida de información crítica para el diagnóstico.2
- Effectiveness of AI for Enhancing Computed Tomography Image Quality and Radiation Protection in Radiology: Systematic Review and Meta-Analysis, fecha de acceso: octubre 21, 2025, https://www.jmir.org/2025/1/e66622/
- AI-Driven Advances in Low-Dose Imaging and Enhancement—A Review – PubMed Central, fecha de acceso: octubre 21, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11941271/
- Optimisation of Radiological Protection in Digital Radiology … – ICRP, fecha de acceso: octubre 21, 2025,
