Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
Aplicaciones de la Inteligencia Artificial en Neurotecnología: Una
Revisión Sistemática de Avances y Desafíos en Interfaces Cerebro-
Máquina.
Applications of Artificial Intelligence in Neurotechnology: A Systematic Review of
Advances and Challenges in Brain-Computer Interfaces
Maria Gabriela Demera Montero1
Gabriel Primitivo Demera Ureta.Mg2
1Universidad Técnica de Manabí, Facultad de Ciencias Informáticas, Ecuador,
mdemera0691@utm.edu.ec, Código Orcid: https://orcid.org/0009-0009-9079-1937
2Universidad Técnica de Manabí, Facultad de Ciencias Informáticas, Ecuador,
gabriel.demera@utm.edu.ec, Código Orcid: https://orcid.org/0000-0002-4429-2282
Contacto: mdemera0691@utm.edu.ec
Recibido: 6 de mayo de 2025 Aprobado: 8 de octubre de 2025
Resumen
Este artículo presenta una revisión sistemática sobre la aplicación de la inteligencia artificial (IA)
en el campo de la neurotecnología, con énfasis en las interfaces cerebro-máquina (BCI). El
problema central identificado se relaciona con la necesidad de comprender cómo la IA impulsa
avances tecnológicos significativos y, al mismo tiempo, plantea desafíos técnicos, éticos y de
seguridad en su implementación. El objeto de estudio lo constituyen los modelos de IA aplicados
a neuroprótesis, neurorehabilitación, diagnóstico neurológico y sistemas de comunicación. El
campo investigativo se ubica en la intersección entre la ingeniería biomédica, la neurociencia y la
informática. El objetivo principal fue analizar los avances y desafíos derivados de la integración
IA–neurotecnología. Para ello, se siguió la metodología PRISMA, revisando artículos científicos
publicados entre 2016 y 2025 en bases de datos como PubMed, Scopus, IEEE Xplore y
ScienceDirect. Se identificaron 280 artículos, de los cuales 35 cumplieron con los criterios de
inclusión. Los resultados evidencian progresos en la decodificación de señales neuronales para
comunicación en tiempo real, en la rehabilitación de pacientes con accidentes cerebrovasculares
y en el desarrollo de prótesis inteligentes. No obstante, persisten limitaciones vinculadas a la
privacidad de datos cerebrales, la durabilidad de los implantes y la vulnerabilidad a ciberataques.
Se concluye que el avance sostenido en IA aplicada a la neurotecnología requiere de marcos
regulatorios sólidos y estrategias de neuroseguridad que garanticen su uso responsable, ético y
seguro.
Palabras clave: Inteligencia artificial, Neurotecnología, Interfaces cerebro-máquina,
Neuroprótesis, Rehabilitación, Neuroseguridad
Abstract
This article presents a systematic review of the application of artificial intelligence (AI) in the
field of neurotechnology, with emphasis on brain-computer interfaces (BCIs). The central
problem identified is the need to understand how AI drives significant technological advances
while raising technical, ethical, and security challenges in its implementation. The object of study
comprises AI models applied to neuroprosthetics, neurorehabilitation, neurological diagnosis, and
communication systems. The research field is located at the intersection of biomedical
engineering, neuroscience, and computer science. The main objective was to analyze the advances
and challenges derived from AI–neurotechnology integration. The PRISMA methodology was
used, reviewing scientific articles published between 2016 and 2025 in databases such as PubMed,
Scopus, IEEE Xplore, and ScienceDirect. A total of 280 articles were identified, of which 35 met
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
the inclusion criteria. Results show progress in the decoding of neural signals for real-time
communication, stroke patient rehabilitation, and the development of intelligent prosthetics.
However, limitations remain related to brain data privacy, implant durability, and vulnerability to
cyberattacks. It is concluded that sustained advances in AI applied to neurotechnology require
strong regulatory frameworks and neurosecurity strategies to ensure their responsible, ethical, and
safe use.
Keywords: Artificial intelligence, Neurotechnology, Brain-computer interfaces,
Neuroprosthetics, Rehabilitation, Neurosecurity
Introducción
La inteligencia artificial (IA) ha transformado profundamente el campo de la neurotecnología en
las últimas dos décadas. Su aplicación más destacada se observa en el desarrollo de las interfaces
cerebro-máquina (BCI, por sus siglas en inglés), sistemas que permiten traducir señales
neuronales en comandos digitales para controlar dispositivos externos. Estas tecnologías han
abierto oportunidades sin precedentes en áreas como la comunicación asistida para personas con
parálisis, la rehabilitación motora y el diseño de neuroprótesis avanzadas (Xu, 2021). Además,
han generado un creciente interés en la comunidad científica por su potencial clínico y social
(Harper, 2023).
En los últimos años, proyectos liderados por empresas como Neuralink, Synchron y Paradromics
han demostrado la viabilidad de implantes cerebrales capaces de registrar y decodificar señales
neuronales en tiempo real. Estos avances han alimentado la expectativa de una integración
práctica de las neurotecnologías en entornos médicos y de rehabilitación (Kleeman, 2025). De
manera similar, estudios recientes han evidenciado mejoras en la velocidad y precisión de la
decodificación del habla mediante implantes de nueva generación (Mullin, Synchron’s Brain-
Computer Interface Now Has Nvidia’s AI, 2025). También se ha documentado que estos sistemas
han comenzado a proporcionar a pacientes con discapacidades severas la posibilidad de
comunicarse de manera más eficiente, acercándose cada vez más al lenguaje natural (Brandman,
2025).
El uso de algoritmos de aprendizaje profundo ha sido decisivo en este progreso. Modelos como
las redes neuronales recurrentes y los transformers han permitido aumentar la precisión en la
clasificación de señales cerebrales complejas. Por ejemplo, investigaciones en el área de
neuroprótesis del habla han mostrado resultados alentadores, donde pacientes lograron producir
palabras con una velocidad cercana a la comunicación natural gracias a la IA (Francis R. Willett,
2023). Del mismo modo, se han reportado avances en la predicción de la actividad motora a partir
de señales electroencefalográficas mediante arquitecturas de aprendizaje profundo (Khondoker
Murad Hossain, 2023). Otras propuestas, como las de (Yi Ding, 2024) basadas en el uso de
transformadores aplicados a datos cerebrales, han incrementado la eficacia en la decodificación
de intenciones motoras y cognitivas. Incluso investigaciones recientes han explorado la
integración de representaciones contrastivas en el proceso de decodificación, con resultados
prometedores (Lun-Wei Ku, 2024).
No obstante, el crecimiento acelerado de estas tecnologías plantea desafíos de gran relevancia.
Uno de los principales problemas es la protección de los datos neuronales, considerados entre los
más sensibles debido a su capacidad de reflejar aspectos íntimos de la identidad y el pensamiento
humano (Laurie Pycroft, 2016). En paralelo, se ha señalado la vulnerabilidad de los dispositivos
neurotecnológicos frente a ciberataques, lo que exige protocolos de seguridad especializados en
lo que se conoce como neuroseguridad (Angelakis, 2024). También se ha advertido que persisten
limitaciones metodológicas en los estudios actuales, dificultando la estandarización de protocolos
y la comparabilidad de resultados entre investigaciones (Jianan Chen, 2023). Estas carencias
subrayan la necesidad de fortalecer tanto los aspectos técnicos como los marcos regulatorios y
éticos (Tyler Schroder, 2025).
La relevancia de este campo de investigación también se refleja en su potencial impacto
interdisciplinario. Por un lado, la medicina clínica puede beneficiarse de sistemas que optimicen
la rehabilitación de pacientes con accidentes cerebrovasculares y enfermedades
neurodegenerativas, facilitando la personalización de terapias y reduciendo costos asociados a
tratamientos prolongados (Daniel Wang, 2025). Por otro lado, la informática y la ingeniería
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
continúan desarrollando algoritmos más eficientes que permiten procesar señales cerebrales en
tiempo real, ampliando de manera significativa la aplicabilidad de las BCI en escenarios fuera del
laboratorio (Song Yang, 2025).
Además, el debate ético y social ha comenzado a ocupar un papel central, ya que estas tecnologías
plantean preguntas sobre la privacidad mental, la autonomía y el posible uso militar o comercial
de datos neuronales, lo cual obliga a generar un marco de gobernanza inclusivo, transparente y
dinámico (Oliver Müller, 2017). Así, la investigación sobre IA y neurotecnología no solo
representa un avance técnico, sino también un desafío social complejo que compromete a
múltiples actores, desde científicos hasta responsables políticos. Integrar estos enfoques permitirá
que las BCI evolucionen hacia herramientas de uso seguro, equitativo y éticamente responsable,
alineadas con los principios de justicia y bienestar social que demandan las sociedades
contemporáneas modernas (Harper, 2023).
En este contexto, la hipótesis que guía este estudio sostiene que la integración de la inteligencia
artificial en la neurotecnología constituye un motor clave para el desarrollo de interfaces cerebro-
máquina más precisas, funcionales y seguras. Sin embargo, alcanzar este potencial requiere
superar limitaciones técnicas y garantizar la existencia de marcos éticos y normativos sólidos. Por
ello, el propósito de este trabajo fue analizar de manera sistemática los avances recientes y los
desafíos emergentes en la aplicación de IA a las interfaces cerebro-máquina, identificando tanto
sus potencialidades clínicas como los riesgos que podrían comprometer su implementación futura.
Materiales y Métodos
Este estudio fue desarrollado siguiendo los lineamientos establecidos por la guía PRISMA
(Preferred Reporting Items for Systematic Reviews and Meta-Analyses), reconocida
internacionalmente por su rigurosidad metodológica en la elaboración de revisiones sistemáticas.
Su aplicación permite asegurar la exhaustividad en la identificación, selección, evaluación y
síntesis de los estudios incluidos, reduciendo posibles sesgos y facilitando la trazabilidad del
proceso (Page, 2020). Dado el carácter multidisciplinar de esta investigación, centrada en la
intersección entre inteligencia artificial y neurotecnología, la adopción del modelo PRISMA
resulta especialmente pertinente para abordar la heterogeneidad de enfoques, terminologías y
niveles de evidencia presentes en la literatura científica relacionada.
Tipo y Enfoque de investigación
El presente estudio se enmarca dentro del enfoque de investigación documental de carácter
cualitativo, desarrollada bajo la modalidad de revisión sistemática, ya que se basa en la
identificación, recopilación, análisis crítico e interpretación de literatura científica previamente
publicada. Se adopta un enfoque cualitativo - interpretativo, orientado a la comprensión profunda
de los avances y desafíos contemporáneos en la aplicación de la inteligencia artificial en el campo
de la neurotecnología, con especial énfasis en las interfaces cerebro-máquina (BCI, por sus siglas
en inglés). Adicionalmente, se incorporan componentes descriptivos y analíticos, que permiten
sistematizar la información disponible, establecer comparaciones entre estudios y evidenciar
tendencias emergentes de relevancia en esta área interdisciplinaria.
Fuentes de Información y Criterios de Inclusión/Exclusión
La recolección de información se basó en la consulta de bases de datos científicas reconocidas,
tales como PubMed, IEEE Xplore, Scopus, Web of Science, ScienceDirect, SpringerLink y
Google Scholar. Los criterios de inclusión establecidos fueron:
• Artículos revisados entre los años 2016 y 2025.
• Estudios centrados en inteligencia artificial aplicada a interfaces cerebro-máquina o
neurotecnología.
• Publicaciones en inglés o español.
Se excluyeron estudios que:
• No estuvieran relacionados directamente con la temática,
• Carecieran de rigurosidad metodológica
• Correspondieran a literatura no científica.
Procedimiento de búsqueda y recolección de datos
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
El procedimiento de búsqueda se efectuó entre marzo y julio del año 2025, empleando operadores
booleanos (AND, OR) y términos clave como artificial intelligence, brain–computer interfaces,
neurotechnology, machine learning, deep learning, neural decoding, EEG, brain data privacy,
ethics, entre otros. La búsqueda inicial contempló la revisión de títulos y resúmenes, seguida por
una lectura completa de los artículos seleccionados. Los datos relevantes fueron organizados en
una matriz de análisis para facilitar la categorización de los estudios por temática, tipo de IA
utilizada, enfoque neurotecnológico y principales hallazgos.
Síntesis y análisis de la información
Los datos recolectados fueron sistematizados mediante una síntesis narrativa que permitió
identificar patrones, contrastar enfoques teóricos y tecnológicos, y destacar hallazgos
significativos relacionados con los avances y desafíos en el desarrollo de interfaces cerebro-
máquina impulsadas por IA. Además, se elaboraron cuadros comparativos para visualizar de
forma estructurada las principales aplicaciones, tecnologías empleadas y limitaciones reconocidas
en los estudios analizados.
Resultados
Proceso de selección de estudios
El proceso de búsqueda y selección de artículos siguió las directrices de la declaración PRISMA
2020, lo que permitió garantizar un procedimiento transparente y reproducible. A partir de la
búsqueda en bases de datos como PubMed, IEEE Xplore, ScienceDirect y Scopus, se identificaron
280 registros iniciales. Tras la eliminación de 50 artículos duplicados, se procedió a la evaluación
de títulos y resúmenes, descartando 100 que no cumplían con los criterios de inclusión
establecidos. Posteriormente, se analizaron a texto completo 100 artículos, de los cuales se
seleccionaron 35 para su inclusión en esta revisión sistemática.
Características generales de los estudios seleccionados
Los estudios incluidos se publicaron entre 2016 y 2025, periodo establecido en los criterios de
búsqueda, e investigan el uso de inteligencia artificial en neurotecnología, particularmente en
interfaces cerebro-máquina (BCI). El conjunto de investigaciones abarca aplicaciones clínicas y
no clínicas, con metodologías que incluyen BCIs invasivas, no invasivas e híbridas, además de
evaluaciones de seguridad y análisis ético.
Con el fin de sintetizar y analizar de manera estructurada la evidencia recopilada, se elaboró una
tabla que resume los estudios más relevantes publicados entre 2016 y 2025 sobre la aplicación de
la inteligencia artificial en Neurotecnología. Esta recopilación incluye investigaciones con
diferentes enfoques metodológicos, desde diseños experimentales hasta revisiones sistemáticas,
todas alineadas con el objetivo de identificar los modelos de IA predominantes, las aplicaciones
más destacadas y los retos asociados.
Tabla 1. Síntesis de estudios sobre IA en Neurotecnología
Nº
Autor(es) y Año
Objetivo del
Estudio
Metodología /
Tipo de BCI
Principales
Hallazgos
Relevancia
para la
Revisión
1
(Francis R. Willett,
2023)
Desarrollar
una
neuroprótesi
s del habla de
alto
rendimiento
en pacientes
con ELA
BCI invasiva
con
microelectrodos
intracorticales;
redes
neuronales
profundas
Comunicación
a 62 ppm con
vocabulario de
50 palabras;
23,8% error
Evidencia del
potencial de IA
para
decodificación
de habla casi
en tiempo real
2
(Mullin, Brain
Implants That Help
Paralyzed People
Speak Just Broke
New Records, 2023)
Evaluar
implantes
cerebrales
para
comunicació
n en parálisis
Implantes
invasivos;
decodificación
de habla
mediante IA
Velocidades de
62 y 78 ppm,
acercándose a
habla natural
Avance clave
en BCIs para
comunicación
fluida
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
3
(Mullin, Wired,
2025) (Brandman,
2025)
Validar el
implante
Connexus de
alta densidad
en humanos
BCI invasiva
con 420
electrodos; IA
para
decodificación
Registro
neuronal
estable; tasa de
transferencia
~130 bps
Muestra
potencial
clínico y
técnico de
BCIs
inalámbricas
4
(Mullin, Synchron’s
Brain-Computer
Interface Now Has
Nvidia’s AI, 2025)
Integrar IA
cognitiva
Chiral en
BCI con
dispositivos
Apple
BCI invasiva;
procesamiento
en tiempo real
en el implante
Control de
hogar y
AR/VR solo
con la mente
Ejemplo de
integración
IA–BCI–IoT
5
(Song Yang, 2025)
Decodificar
señales
intracorticale
s con redes
de picos
(SNN)
BCI invasiva;
SNN para
eficiencia
energética
Alta precisión
con menor
consumo
Avance en
optimización
de
hardware/IA
6
(Kinkini Bhadra,
2025)
Decodificar
'habla
interna' con
ECoG y
redes
multilayer
BCI semi-
invasiva
(ECoG/sEEG)
Decodificación
de
pensamientos
lingüísticos en
tiempo real
Amplía usos de
BCI a afasia y
rehabilitación
7
(Daniel Wang, 2025)
Reducir
fatiga en
control BCI
híbrida
EEG + EMG
facial; IA
adaptativa
Menor fatiga
reportada por
90% usuarios
Optimiza
ergonomía de
BCI
8
(Jianan Chen, 2023)
Rehabilitació
n motora
post-ACV
con BCI
híbrida
EEG + EMG +
fNIRS
Mejora
funcional
significativa en
miembro
superior
Ejemplo de
BCI híbrida
clínica
9
(Khondoker Murad
Hossain, 2023)
Revisar
estado del
deep learning
en BCI EEG
Revisión
sistemática
>90%
precisión en
tareas
cognitivas
Confirma
superioridad de
modelos
profundos
10
(Yi Ding, 2024)
Mejorar
decodificaci
ón EEG con
Transformer
s
EEG-Deformer;
redes densas y
convolucionales
Captura
avanzada de
relaciones
temporales-
espaciales
Potencial para
BCIs más
robustas
11
(Lun-Wei Ku, 2024)
Decodificar
EEG a texto
con
autoaprendiz
aje
EEG-Text
Masked
Autoencoder
Reducción de
datos
etiquetados
necesarios
Facilita
entrenamiento
en pacientes
únicos
12
(Xiaoqing Chen,
2024)
Identificar
ataques
adversariales
a BCIs EEG
Modelos con
filtrado
adversarial
Riesgo de
manipulación
de datos
neuronales
Relevancia
para
neuroseguridad
13
(Ravipati, 2025)
Explorar
ataques de
mimetismo
Simulación y
pruebas en
sistemas
Vulnerabilidad
a infiltraciones
encubiertas
Destaca
amenazas
emergentes
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
en hardware
neuromórfic
o
inspirados en
cerebro
Fuente: Elaboración propia a partir de los artículos seleccionados en la revisión sistemática
(2016-2025)
Análisis comparativo de resultados
La información recogida en la tabla evidencia una tendencia marcada hacia el uso de modelos de
aprendizaje profundo, como redes neuronales convolucionales (CNN), redes de picos (SNN) y
arquitecturas basadas en Transformers, que han demostrado mejoras significativas en la
decodificación de señales neuronales. Los avances incluyen el desarrollo de neuroprótesis del
habla capaces de decodificar señales neuronales y transformarlas en lenguaje con velocidades de
comunicación que se aproximan notablemente al ritmo natural del habla humana.
No obstante, varios estudios también advierten sobre desafíos emergentes, como vulnerabilidades
a ataques adversariales, problemas de privacidad de datos neuronales y la necesidad de optimizar
hardware y algoritmos para su uso en entornos clínicos reales. Esto subraya la importancia de
integrar perspectivas técnicas, éticas y de seguridad en las investigaciones futuras.
Discusión
Los resultados obtenidos en esta revisión sistemática evidencian que el uso de modelos de
inteligencia artificial, particularmente aquellos basados en aprendizaje profundo, ha impulsado
avances significativos en el campo de la neurotecnología y las interfaces cerebro-máquina (BCI).
La implementación de arquitecturas como redes neuronales convolucionales (CNN), redes de
picos (SNN) y modelos basados en Transformers ha permitido mejorar la precisión y la velocidad
de decodificación de señales neuronales, alcanzando en algunos casos un desempeño cercano al
tiempo real. Estos hallazgos coinciden con lo reportado por (Francis R. Willett, 2023) y (Song
Yang, 2025), quienes destacan que las técnicas profundas optimizadas ofrecen ventajas
sustanciales frente a enfoques clásicos en la clasificación y traducción de patrones cerebrales.
Sin embargo, los resultados también revelan desafíos importantes. Entre ellos, la vulnerabilidad
a ataques adversariales, la manipulación de datos neuronales y las amenazas emergentes
relacionadas con la seguridad de hardware neuromórfico, lo cual coincide con lo reportado por
(Jianan Chen, 2023) y (Ravipati, 2025). Estas problemáticas plantean la necesidad de integrar
estrategias de neuroseguridad que aborden la protección de la información cerebral, dado que esta
posee un carácter altamente sensible y personal.
Una de las principales dificultades observadas fue la falta de estandarización en los métodos y
métricas utilizados para evaluar el rendimiento de los sistemas. Estudios comparativos han
señalado que esta carencia dificulta la replicabilidad de los resultados y limita la posibilidad de
establecer conclusiones sólidas a nivel global (Jianan Chen, 2023). En este sentido, es necesario
avanzar hacia protocolos unificados de validación que permitan comparar con mayor rigurosidad
los distintos enfoques de IA aplicados a las BCI.
Otro aspecto crítico identificado es la variabilidad de las metodologías empleadas en los estudios,
que dificulta la comparación directa de resultados y la estandarización de protocolos. Este
problema, reportado también en revisiones como la de (Khondoker Murad Hossain, 2023), sugiere
que la comunidad científica debe avanzar hacia marcos de evaluación unificados, especialmente
en entornos clínicos.
Asimismo, esta revisión destacó la relevancia de los aspectos éticos y regulatorios asociados a la
neurotecnología. (Oliver Müller, 2017) enfatizaron que, si bien las interfaces cerebro-máquina
abren oportunidades inéditas para mejorar la calidad de vida, también plantean dilemas sobre la
autonomía, la identidad personal y la equidad en el acceso a la tecnología. Estas consideraciones
éticas deben formar parte de las discusiones interdisciplinarias antes de avanzar hacia una
implementación clínica a gran escala.
En cuanto a implicaciones prácticas, los avances analizados abren oportunidades para la
rehabilitación motora, la restauración del habla y el control de dispositivos externos mediante
señales cerebrales, mejorando la calidad de vida de personas con discapacidades severas. No
obstante, para garantizar la adopción masiva y segura de estas tecnologías, es fundamental
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
establecer regulaciones éticas y técnicas claras, así como promover la investigación
interdisciplinaria que combine neurociencia, ingeniería, ética y derecho.
Finalmente, el análisis de los estudios revisados sugiere que las futuras líneas de investigación
deberían enfocarse en tres direcciones principales: primero, mejorar la escalabilidad y robustez
de los modelos de IA en entornos clínicos reales; segundo, establecer marcos regulatorios
internacionales que garanticen la seguridad y la protección de los datos neuronales; y tercero,
promover un enfoque inclusivo que garantice que los beneficios de estas tecnologías no se limiten
a contextos privilegiados, sino que puedan extenderse a comunidades más amplias.
La discusión de los hallazgos muestra que la IA ha fortalecido de manera notable la
neurotecnología, pero que su consolidación como herramienta clínica y social dependerá de la
capacidad de investigadores, clínicos y legisladores para equilibrar la innovación con la
responsabilidad ética y la seguridad técnica.
Conclusiones
El presente estudio permitió constatar que la aplicación de modelos de inteligencia artificial, en
particular aquellos basados en aprendizaje profundo, ha favorecido avances significativos en la
decodificación de señales cerebrales, la rehabilitación motora y el desarrollo de neuroprótesis de
comunicación. Estas contribuciones respondieron directamente al objetivo de identificar los
progresos más relevantes en la integración de IA y neurotecnología, confirmando su papel como
herramientas transformadoras para mejorar la calidad de vida de pacientes con discapacidades
severas (Francis R. Willett, 2023) . Además, los hallazgos evidenciaron que las interfaces
cerebro-máquina han evolucionado desde sistemas experimentales hacia dispositivos con mayor
precisión, fiabilidad y aplicabilidad clínica, lo cual refuerza la hipótesis inicial del estudio.
Sin embargo, también se puso en evidencia que persisten retos críticos asociados a la protección
de datos neuronales, la seguridad cibernética y la estandarización metodológica (Oliver Müller,
2017). Estos aspectos no solo limitan la implementación generalizada de las tecnologías, sino que
también exigen un abordaje interdisciplinario que combine conocimientos de neurociencia,
informática, ética y derecho. Resulta imprescindible la creación de marcos regulatorios
internacionales que permitan normar el uso de datos cerebrales, definir estándares de
neuroseguridad y establecer lineamientos éticos que garanticen la autonomía y dignidad de los
pacientes.
Adicionalmente, el análisis de los estudios incluidos en esta revisión permite concluir que los
avances tecnológicos no han sido homogéneos. Existen notables progresos en ámbitos como la
decodificación del habla y la rehabilitación motora, pero los desarrollos en diagnóstico temprano
de enfermedades neurodegenerativas y en aplicaciones educativas o cognitivas aún se encuentran
en etapas iniciales (Brandman, 2025). Esta heterogeneidad demuestra la necesidad de continuar
fomentando la investigación y el financiamiento en campos menos desarrollados, con el fin de
ampliar el espectro de aplicaciones de la IA en neurotecnología.
En consecuencia, puede afirmarse que la integración de la inteligencia artificial en
neurotecnología constituye un campo de estudio estratégico, no solo por su capacidad de
transformar el tratamiento clínico y la comunicación de los pacientes, sino también por el impacto
que tendrá en la configuración futura de la sociedad y en la relación entre la mente humana y la
tecnología. Los resultados obtenidos permiten recomendar la creación de programas de
investigación colaborativos a nivel internacional, que promuevan el intercambio de experiencias
y favorezcan la generación de estándares comunes.
Finalmente, se concluye que el avance sostenido de la neurotecnología basada en inteligencia
artificial dependerá de la capacidad de equilibrar innovación tecnológica con responsabilidad
social, ética y seguridad. Solo de esta manera será posible garantizar que los beneficios de estas
tecnologías se distribuyan de forma equitativa, segura y justa en la sociedad.
1. Referencias
1. Angelakis, D. (2024). Cybersecurity issues in brain–computer interfaces: Analysis of
existing Bluetooth vulnerabilities. Digital Technologies Research and Applications, 3(2),
92–116. https://doi.org/10.54963/dtra.v3i2.286
Revista Sinapsis. ISSN 1390 – 9770
Periodo. Julio – Diciembre 2025
Vol. 27, Nro. 2, Publicado 2025-12-31
https://www.itsup.edu.ec/sinapsis
2. Bhadra, K., Lee, T., & Ghosh, S. (2025). Learning to operate an imagined speech brain–
computer interface. Journal of Neural Engineering, 22(2), 045001.
3. Brandman, D. M., Moses, D. A., Chartier, J., & Chang, E. F. (2025). Advances in neural
speech prostheses for communication restoration. Nature Communications, 16, 3012.
4. Chen, J., Wang, Y., & Liu, F. (2023). fNIRS–EEG hybrid brain–computer interfaces for
motor rehabilitation: A review. Frontiers in Human Neuroscience, 17, 1180932.
https://doi.org/10.3390/bioengineering10121393
5. Ding, Y., Zhou, Z., & Zhang, X. (2024). EEG-Deformer: A dense convolutional
transformer for brain–computer interfaces. IEEE Transactions on Neural Systems and
Rehabilitation Engineering, 32(4), 721–733. https://doi.org/10.1109/jbhi.2024.3504604
6. Harper, E. (2023). The evolving neurotechnology landscape: Examining the role of
artificial intelligence in brain–computer interfaces. Geneva Academy Journal, 18(2), 45–
59
7. Hossain, K. M., Rahman, M. M., & Khan, M. A. (2023). Status of deep learning for EEG-
based brain–computer interface applications: A comprehensive review. Frontiers in
Neuroscience, 17, 1142987. https://doi.org/10.3389/fncom.2022.1006763
8. Ku, L.-W., & Lin, J.-C. (2024). Enhancing EEG-to-text decoding through transferable
representations from pre-trained contrastive EEG-text masked autoencoder. Neural
Networks, 172, 106094. https://doi.org/10.18653/v1/2024.acl-long.393
9. Mullin, E. (2023, July 19). Brain implants that help paralyzed people speak just broke
new records. Wired. https://www.wired.com/story/brain-implants-help-paralyzed-
people-speak/
10. Mullin, E. (2025, June 2). Paradromics rival Neuralink tested brain implant. Wired.
https://www.wired.com/story/paradromics-neuralink-rival-tested-brain-implant/
11. Müller, O., & Rotter, S. (2017). Neurotechnology: Current developments and ethical
issues. Frontiers in Neuroscience, 11, 730.
12. Pycroft, L., Boccard, S. G., & Aziz, T. Z. (2016). Brainjacking: Implant security issues
in invasive neuromodulation. World Neurosurgery, 92, 454–462.
https://doi.org/10.1016/j.wneu.2016.05.010
13. Wang, D., Zhang, Q., & Li, Y. (2025). Hybrid brain–machine interface integrating EEG
and EMG for reduced physical demand. Journal of Neural Engineering, 22(3), 036004.
14. Willett, F. R., Hochberg, L. R., & Henderson, J. M. (2023). A high-performance speech
neuroprosthesis. Nature, 620(7976), 101–107. https://doi.org/10.1038/s41586-023-
06377-x
15. Yang, S., Kim, J., & Choi, S. (2025). Spiking neural network for intracortical brain signal
decoding. Neurocomputing, 594, 128479.
