Cirugía cerebral asistida por IA: qué pasó de verdad

Una IA miró una operación de cerebro en tiempo real y dibujó sobre ella. No sostuvo ningún instrumento, no cortó y no decidió nada. Esa es la descripción honesta de la cirugía cerebral asistida por IA realizada en Londres y reportada el 26 de agosto de 2026, y la diferencia entre señalar y actuar es justamente la razón por la que vale explicarle esta noticia a un hijo. University College London informó que neurocirujanos del National Hospital for Neurology and Neurosurgery operaron a un paciente de 48 años diagnosticado con un tumor cerebral en 2024, con un sistema analizando el video en vivo y marcando las estructuras que el equipo más necesitaba no dañar.

Puntos clave

• La operación ocurrió en el National Hospital for Neurology and Neurosurgery, parte de UCLH, y se reportó el 26 de agosto de 2026 en un paciente de 48 años diagnosticado con un tumor cerebral en 2024.
• El sistema analizó el video quirúrgico en vivo, no las imágenes previas a la operación, y estaba diseñado para “reconocer anatomía crítica, instrumentos quirúrgicos e interacciones de tejido en tiempo real”.
• Su propósito declarado era “ayudar al equipo quirúrgico a tomar decisiones más precisas señalando estructuras críticas en la base del cerebro”. Los humanos operaron.
• La doctora Sophia Bano, de UCL, describió la base de entrenamiento: “Al aprender de cientos de videos quirúrgicos, ha estado expuesto a una variedad de ejemplos que a un cirujano le tomaría muchos años encontrar.”
• Todavía no hay resultados. UCL señaló que “el ensayo clínico en curso reportará factibilidad, seguridad y resultados clínicos”. Un caso reportado no es evidencia de beneficio, y decirlo no es escepticismo: es como funcionan los ensayos.

Qué pasó en la cirugía cerebral asistida por IA

El comunicado de UCL, titulado “First patient in live AI-assisted sight-saving brain surgery”, da el mecanismo. El sistema se desarrolló en el UCL Hawkes Institute, un grupo multidisciplinario formado por la fusión del Centre for Medical Image Computing de UCL y el centro Wellcome y EPSRC de ciencias intervencionistas y quirúrgicas. Durante la operación, “la IA analizó el video quirúrgico en vivo en tiempo real”, con el objetivo de ayudar “al equipo quirúrgico a tomar decisiones más precisas señalando estructuras críticas en la base del cerebro”.

El paciente, Rhys Hibbert, de 48 años, de Bedfordshire, aparece nombrado en el comunicado. El profesor Hani Marcus agradece “a los participantes del ensayo y al equipo comprometido con mejorar los resultados de los pacientes”. La cobertura de The Guardian, de Andrew Gregory, salió el 26 de agosto de 2026.

Dos puntos de precisión importan.

Primero, esto fue análisis de video en tiempo real, no interpretación de estudios de imagen. Que la IA lea resonancias y tomografías antes o después de una operación es rutina desde hace años, y lo cubrimos en la IA que ya lee las imágenes médicas de tus hijos. Analizar lo que ve la cámara mientras la operación está pasando es un problema distinto y más difícil, porque tiene que correr lo bastante rápido para servir en el momento.

Segundo, la palabra “sight-saving” del titular de UCL señala dónde en el cráneo se pone difícil este trabajo. Los tumores en la base del cerebro están en un corredor angosto, lleno de estructuras que un cirujano no puede permitirse tocar, incluidos los nervios y vasos que sirven a la visión. Explicárselo a un niño no requiere anatomía más allá de una frase: hay lugares en la cabeza donde unos milímetros son la diferencia entre un buen día y una lesión permanente, y son exactamente los lugares donde un segundo par de ojos se gana el sueldo.

Qué hizo el sistema y qué no

	Qué pasó	Quién era responsable
Mirar el video en vivo	El modelo analizó el video cuadro por cuadro	El sistema
Reconocer anatomía e instrumentos	El modelo identificó estructuras y herramientas en tiempo real	El sistema
Señalar qué evitar	Las estructuras críticas de la base del cráneo quedaron marcadas	El sistema
Decidir dónde cortar	Un juicio de los cirujanos	Los humanos
Sostener y mover instrumentos	Totalmente manual	Los humanos
Decidir detenerse o cambiar de enfoque	Un juicio clínico	Los humanos
Demostrar que ayudó	Todavía no establecido	El ensayo

Esa tabla es el artículo. Todo lo de las tres primeras filas es percepción. Todo lo de las cuatro últimas es acción, juicio y evidencia, y nada de eso se movió.

En ingeniería esto tiene nombre: apoyo a la decisión. El sistema cambia lo que el operador puede ver, no lo que el operador tiene permitido hacer. Es la misma arquitectura que una cámara de reversa, un detector de humo o una alerta de proximidad al terreno en un avión, y es un modelo mucho mejor para pensar en IA útil que un chatbot.

Por qué este es un mejor ejemplo de IA que los que conocen los niños

Cuatro propiedades hacen de este un caso más limpio que casi todo lo que tu hijo se encuentra.

La tarea es angosta y la respuesta correcta existe. “¿Dónde está el nervio óptico en este cuadro?” tiene una respuesta que un experto puede confirmar. Compáralo con “escríbeme un ensayo sobre la Revolución Francesa”, donde la noción de respuesta correcta es difusa.

Los datos de entrenamiento los etiquetaron expertos. La frase de la doctora Bano es la clave: el sistema aprendió de cientos de videos quirúrgicos, con una variedad de ejemplos que a un cirujano le tomaría muchos años encontrar. Cada uno de esos videos presumiblemente lo revisó gente que sabía qué estaba viendo. Eso es caro, y por eso este tipo de sistema es más raro que un chatbot general y más confiable dentro de su rango angosto.

Un humano sigue siendo quien decide. La arquitectura no le permite al modelo actuar. Compáralo con un agente con permisos de enviar y gastar, donde la pregunta de diseño sobre qué requiere aprobación está abierta. Nuestro artículo sobre la diferencia entre una barrera y una promesa aplica directo: acá la restricción es estructural, no una declaración de política.

Se mide, con reglas que nadie eligió por comodidad. La IA quirúrgica entra en una ruta regulatoria con criterios de evaluación de un ensayo, no en un lanzamiento de producto con una entrada de blog.

La Organización Mundial de la Salud fijó el encuadre en Ethics and Governance of Artificial Intelligence for Health, publicado el 28 de junio de 2021, que identifica seis principios de consenso e insiste en que las tecnologías que usan IA “deben poner la ética y los derechos humanos en el centro de su diseño, despliegue y uso”. Un hospital opera dentro de ese marco. Una app de consumo no.

Las advertencias honestas

Quiero no sobrevender esto, porque la cobertura de IA médica lo hace de rutina.

Un caso reportado te dice que el procedimiento fue factible una vez. No te dice que el sistema mejoró resultados, redujo complicaciones o ahorró tiempo, y UCL no afirma lo contrario: el comunicado dice con claridad que “el ensayo clínico en curso reportará factibilidad, seguridad y resultados clínicos”. Esas tres palabras son los criterios, y ninguno tiene todavía un valor publicado.

Las afirmaciones de “primera vez” merecen una ceja levantada. Los “primeros” en cirugía dependen de definiciones: primero en este país, primero con esta técnica, primero con video en vivo. El trabajo de definición suele estar en la letra chica.

Y un riesgo más callado que vale nombrar: un sistema que señala peligro puede generar complacencia. Si un cirujano se acostumbra a la capa de información, ¿qué pasa el día en que está equivocada o ausente? La aviación lleva décadas estudiando ese problema bajo el nombre de dependencia de la automatización, y es una de las cosas que un ensayo de seguridad debería estar buscando.

Cómo enseñarle esto a tu hijo

El concepto es la diferencia entre ver y hacer.

De 5 a 8 años

Arma una tarea simple de motricidad fina: mover un clip por un laberinto de cartón con pinzas, o pasar una canica por un túnel. Un niño hace la tarea. Otro es el ayudante, y el ayudante tiene exactamente un trabajo: decir “cuidado, ahí” y señalar. El ayudante nunca toca nada.

Cambien de rol. Después haz la pregunta: “¿Quién hizo el trabajo y quién ayudó?” Los niños chiquitos lo entienden al instante, y además suelen descubrir algo real: un buen ayudante habla menos que uno malo.

De 9 a 12 años

Imprime una foto de algo visualmente complejo: el motor de un carro, una tarjeta de circuito, un plato de comida enredada. Dale tres marcadores y tres etiquetas, y pídele que marque las partes.

Y después la parte que enseña: hagan una segunda foto, con cronómetro. Se vuelve más rápido. Pregúntale cuántas fotos necesitaría para hacerlo al instante y sin errores. Casi todos dicen algo como cincuenta. El sistema quirúrgico aprendió de cientos de videos, cada uno con miles de cuadros, y vale decir ese número en voz alta porque vuelve concreto lo de “aprender de datos” en lugar de mágico.

Pregunta de seguimiento con filo real: “¿Qué pasa si algunas de las etiquetas de tus fotos de entrenamiento estaban mal?”

De 13 en adelante

Dale el problema que realmente tienen los investigadores. La afirmación es que señalar estructuras críticas ayuda. Su tarea es diseñar cómo lo averiguarías.

Tiene que especificar tres cosas, que resultan ser exactamente los criterios que nombró UCL: factibilidad, o sea si se puede hacer en una operación en vivo; seguridad, o sea si causa daño; y resultado clínico, o sea si los pacientes terminan medidamente mejor. Después viene la pregunta más difícil: ¿contra qué lo comparas, y cómo manejas que no puedes ocultarle al cirujano si la capa está encendida?

Ese último obstáculo es un problema metodológico abierto y real en los ensayos quirúrgicos, y un chico de dieciséis que se topa con él está haciendo trabajo intelectual de verdad. Si el interés se queda, los puestos se llaman científico de datos quirúrgicos, ingeniero clínico e ingeniero de visión computacional, que describimos en la carrera de visión computacional.

La pregunta que debes hacer: “¿Quién es responsable si la marca queda en el lugar equivocado?”

La respuesta, con este diseño, es el cirujano, porque el cirujano decide. Fíjate cómo cambia esa respuesta en el momento en que a un sistema se le permite actuar por su cuenta, y le acabas de entregar a tu hijo la pregunta central de la próxima década de esta tecnología.

¿Y en América Latina?

La pregunta aquí no es si un hospital de Londres puede hacerlo. Es qué tendría que pasar para que un paciente de Bogotá, Lima o Monterrey lo viera, y la respuesta es menos sobre IA de lo que uno esperaría.

Un sistema que aprende de video quirúrgico necesita, primero, hospitales que graben video quirúrgico. Eso suena trivial y no lo es: implica endoscopios con captura, almacenamiento, consentimiento documentado, y gente con tiempo para etiquetar lo grabado. En buena parte del sistema público de la región ese encadenamiento no existe, y no porque falte talento, sino porque falta infraestructura y presupuesto para el paso aburrido. La IA no es el cuello de botella; el archivo de video sí.

La región tiene centros académicos capaces de participar en ensayos así: el Hospital das Clínicas de São Paulo, el Instituto Nacional de Neurología y Neurocirugía en Ciudad de México, FLENI en Buenos Aires. Si esta tecnología llega, va a llegar por ahí primero.

Pero hay un reencuadre más importante, y es el que yo le daría a un hijo adolescente que quiera trabajar en esto. La IA de mayor valor para la salud en América Latina probablemente no es la capa de información intraoperatoria. Es el tamizaje donde no hay especialista. La razón es el contraste: en Londres, el alternativo a la IA es un neurocirujano experto mirando la misma pantalla. En un municipio sin oftalmólogo, el alternativo a un sistema de tamizaje no es un especialista con mejor ayuda; es que nadie revise nada. El beneficio marginal de la misma tecnología es mucho más grande donde el punto de comparación es la ausencia.

La guía de la OMS de 2021 insiste en que la ética y los derechos humanos estén en el centro del diseño y el despliegue. Para la región, la traducción práctica de ese principio es menos sobre restringir y más sobre acceso: una tecnología que solo funciona en hospitales con presupuesto de primer mundo cumple la letra y falla el espíritu. Esa es una conversación que vale tener en casa, porque es exactamente el tipo de decisión que va a tomar la generación de tus hijos.

Qué hacer con esto en casa

Úsalo como el contraejemplo de la angustia por los chatbots

Cuando la IA salga en la mesa y el ánimo se ponga gris, esta es la historia que conviene tener lista. Tarea angosta, datos etiquetados por expertos, humano al control, medición por ensayo. No es una garantía de que toda la IA está bien. Es una demostración de que la categoría contiene cosas muy distintas, que es una creencia más útil que el entusiasmo o el pavor.

Separa “la IA operó” de lo que de verdad pasó

Tu hijo probablemente va a encontrarse la versión del titular. Corregirla es una intervención de cinco segundos con valor duradero: la IA dibujó en la pantalla, los cirujanos operaron. Los niños que aprenden a preguntar “qué hizo exactamente el sistema” se vuelven adultos que leen bien las afirmaciones de producto.

Señala las partes aburridas como las impresionantes

Los cientos de videos etiquetados, los criterios del ensayo, la ruta regulatoria: son las partes que vuelven confiable el resultado y son invisibles en la cobertura. Admirar la infraestructura sin glamour es un hábito transferible, el mismo de por qué la IA se equivoca con seguridad.

Lo que no debes hacer

No uses esto para argumentar que la IA es segura en general. Las propiedades que vuelven razonablemente confiable a este sistema, una tarea angosta, etiquetas expertas, ninguna capacidad de actuar y un ensayo que mide resultados, están ausentes de casi toda la IA que una familia usa de verdad. Transferir confianza por encima de esa brecha es el error específico que conviene evitar.

Qué observar en los próximos 3 meses

• Semana 4: Si se publica el protocolo o el registro del ensayo. Un protocolo registrado te dice qué se comprometieron a medir los investigadores antes de conocer el resultado, que es la mejor protección contra una reinterpretación favorable.
• Mes 2, señales de alerta: Si aparece la palabra “autónomo” en la cobertura de este sistema o de otros parecidos. Si un reporte afirma que una IA realizó una cirugía, revisa si algo en la arquitectura descrita le permite al modelo actuar. Normalmente no, y la distancia entre la afirmación y el diseño es la noticia.
• Mes 3, autoevaluación: Si un segundo hospital reporta el mismo procedimiento. La replicación en otro lado vale más que cualquier detalle adicional sobre el primer caso, y es el punto en que esto deja de ser un evento aislado.

Preguntas frecuentes

¿Una IA operó un cerebro?

No. Los neurocirujanos realizaron la operación. El sistema de IA analizó el video quirúrgico en vivo y señaló estructuras críticas en la base del cerebro para apoyar las decisiones del equipo. No sostuvo instrumentos, no cortó y no emitió juicios clínicos.

¿Qué hizo exactamente la IA?

Corrió visión computacional sobre la operación mientras pasaba, identificando anatomía, instrumentos e interacciones de tejido en tiempo real, y marcando las estructuras que el equipo debía evitar. Estaba diseñada para cambiar lo que los cirujanos podían ver, no lo que tenían permitido hacer.

¿Cómo se entrenó?

Con operaciones grabadas. Como lo puso la doctora Sophia Bano de UCL: “Al aprender de cientos de videos quirúrgicos, ha estado expuesto a una variedad de ejemplos que a un cirujano le tomaría muchos años encontrar.” El video quirúrgico etiquetado por expertos es caro de producir, y en parte por eso estos sistemas son angostos y relativamente confiables dentro de su rango.

¿Esto significa que el sistema funciona?

Todavía no está establecido. UCL señala que el ensayo clínico en curso reportará factibilidad, seguridad y resultados clínicos. Un caso reportado demuestra que el procedimiento se pudo hacer, que es un hito real y no es lo mismo que evidencia de beneficio.

¿Es distinto de que la IA lea estudios de imagen?

Sí, bastante. Interpretar una resonancia o una tomografía es análisis retrospectivo de datos quietos y es práctica clínica desde hace años. Analizar video en vivo durante una operación tiene que correr lo bastante rápido para servir en el momento y lidiar con sangre, movimiento, humo y luz cambiante.

¿Cuándo llegaría algo así a un hospital de la región?

El cuello de botella no es la IA, es la infraestructura previa: hospitales que graben video quirúrgico, lo almacenen y tengan quién lo etiquete. Los centros académicos grandes de Brasil, México y Argentina son la vía más probable, y conviene seguirles la pista a ellos más que a los comunicados de las empresas.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. University College London. (2026). “First patient in live AI-assisted sight-saving brain surgery.” Agosto de 2026. https://www.ucl.ac.uk/news/2026/aug/first-patient-live-ai-assisted-sight-saving-brain-surgery
2. Gregory, Andrew. (2026). “London neurosurgeons perform first successful AI-assisted operation to remove brain tumour.” The Guardian, 26 de agosto de 2026. https://www.theguardian.com/technology/2026/aug/27/london-neurosurgeons-ai-assisted-operation-brain-tumour
3. Colaboradores de Wikipedia. (2026). “2026 in science”, entrada del 26 de agosto de 2026. https://en.wikipedia.org/wiki/2026_in_science
4. UCL Hawkes Institute. Formado por la fusión del Centre for Medical Image Computing de UCL y el centro Wellcome / EPSRC de ciencias intervencionistas y quirúrgicas. https://www.ucl.ac.uk/hawkes-institute/
5. Organización Mundial de la Salud. (2021). “Ethics and Governance of Artificial Intelligence for Health.” 28 de junio de 2021. https://www.who.int/publications/i/item/9789240029200
6. Stanford Institute for Human-Centered AI. (2025). “The 2025 AI Index Report.” https://hai.stanford.edu/ai-index/2025-ai-index-report
7. National Institute of Standards and Technology. (2023). “AI Risk Management Framework.” https://www.nist.gov/itl/ai-risk-management-framework