{"id":77030,"date":"2025-11-20T13:26:49","date_gmt":"2025-11-20T11:26:49","guid":{"rendered":"https:\/\/ospitalarioakfundazioaeuskadi.org\/?post_type=articulo&p=77030"},"modified":"2025-11-24T13:50:25","modified_gmt":"2025-11-24T11:50:25","slug":"dano-cerebral-inteligencia-artificial-juan-marin","status":"publish","type":"articulo","link":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/articulo\/dano-cerebral-inteligencia-artificial-juan-marin\/","title":{"rendered":"Inteligencia artificial en la valoraci\u00f3n y el diagn\u00f3stico en da\u00f1o cerebral: de los modelos predictivos a la pr\u00e1ctica cl\u00ednica diaria"},"content":{"rendered":"

La inteligencia artificial<\/strong> (IA) ha pasado en pocos a\u00f1os de ser un concepto casi futurista a convertirse en una herramienta tangible en nuestros hospitales. En el \u00e1mbito del da\u00f1o cerebral adquirido<\/a> (DCA), especialmente en ictus y traumatismo craneoencef\u00e1lico (TCE), empezamos a disponer de modelos, algoritmos y asistentes que prometen ayudarnos a valorar mejor, diagnosticar antes y priorizar recursos de forma m\u00e1s eficiente.<\/p>\n

Sin embargo, la pregunta clave no es qu\u00e9 puede hacer la IA \u201cen teor\u00eda\u201d, sino qu\u00e9 est\u00e1 funcionando ya hoy en la valoraci\u00f3n y el diagn\u00f3stico en neurorrehabilitaci\u00f3n, y c\u00f3mo podemos integrarlo de forma segura y \u00fatil en la pr\u00e1ctica diaria. El objetivo de este texto no es hacer una revisi\u00f3n exhaustiva de toda la literatura, sino ofrecer una visi\u00f3n panor\u00e1mica y pr\u00e1ctica de lo que sabemos, de lo que ya est\u00e1 empezando a usarse y de c\u00f3mo puede ayudarnos \u2014siempre bajo criterio cl\u00ednico\u2014 en la atenci\u00f3n a las personas con da\u00f1o cerebral.<\/p>\n

De la evidencia al mapa actual<\/h2>\n

Entre 2018 y 2025 se ha producido una aut\u00e9ntica explosi\u00f3n de estudios en IA aplicada al DCA. Si nos centramos en poblaci\u00f3n adulta, en entornos de rehabilitaci\u00f3n y en trabajos originales y revisiones, el panorama actual puede organizarse en varios grandes bloques: los modelos basados en datos cl\u00ednicos y escalas, las aplicaciones sobre neuroimagen y radiomics, el an\u00e1lisis del movimiento a trav\u00e9s de sensores y visi\u00f3n por ordenador, y las aplicaciones en cognici\u00f3n, lenguaje y degluci\u00f3n. Sobre todo ello, en paralelo, han irrumpido los modelos de lenguaje grande (LLM) y la IA generativa, que est\u00e1n cambiando la forma en que gestionamos la informaci\u00f3n cl\u00ednica.<\/p>\n

En primer lugar, los modelos entrenados con datos cl\u00ednicos (edad, comorbilidades, puntuaciones en NIHSS, Glasgow, Barthel, FIM, Rankin, etc.) han demostrado de forma consistente una capacidad razonable para predecir mortalidad y discapacidad. Muchos de ellos alcanzan \u00e1reas bajo la curva (AUC) entre 0,80 y 0,90. Dicho de una forma sencilla, esto significa que el modelo, en una poblaci\u00f3n, distingue bastante bien entre las personas que probablemente tendr\u00e1n un buen resultado funcional y aquellas con m\u00e1s riesgo de fallecer o presentar una discapacidad grave, aunque no sea capaz de \u201cacertar\u201d con total precisi\u00f3n lo que ocurrir\u00e1 en cada paciente individual. Su valor radica en ayudar a estratificar pron\u00f3stico desde fases muy precoces, apoyar decisiones sobre la intensidad de la rehabilitaci\u00f3n, orientar la planificaci\u00f3n del alta o seleccionar candidatos para programas intensivos y ensayos cl\u00ednicos. Lo que est\u00e1 todav\u00eda por desarrollar de forma m\u00e1s amplia es su aplicaci\u00f3n espec\u00edfica al entorno rehabilitador, con resultados centrados en autonom\u00eda, participaci\u00f3n o calidad de vida, m\u00e1s all\u00e1 del cl\u00e1sico Rankin.<\/p>\n

Algo parecido ocurre con la neuroimagen. La combinaci\u00f3n de TAC, resonancia magn\u00e9tica y algoritmos de\u00a0deep learning<\/em>\u00a0ha permitido automatizar tareas como la clasificaci\u00f3n de lesiones, la segmentaci\u00f3n de estructuras o la estimaci\u00f3n del volumen lesional. A ello se suma el campo de la\u00a0radiomics<\/em>, que consiste en extraer de forma sistem\u00e1tica cientos de variables cuantitativas de la imagen (formas, texturas, intensidades) y buscar patrones asociados a determinados resultados. Para la fase aguda, esto se traduce en una lectura m\u00e1s r\u00e1pida y precisa; para la rehabilitaci\u00f3n, el verdadero potencial est\u00e1 en construir \u201cmapas lesionales funcionales\u201d que relacionen la afectaci\u00f3n de determinadas redes \u2014motoras, sensoriales, cognitivas, del lenguaje\u2014 con la capacidad de recuperaci\u00f3n de funciones concretas. La visi\u00f3n que se abre a medio plazo es la de una neuroimagen que no solo nos dice d\u00f3nde est\u00e1 la lesi\u00f3n, sino qu\u00e9 margen de recuperaci\u00f3n existe para caminar, utilizar el miembro superior, comunicarse o tragar.<\/p>\n

El tercer gran \u00e1mbito es el movimiento. Probablemente es donde la utilidad pr\u00e1ctica es m\u00e1s evidente ya hoy. La combinaci\u00f3n de sensores inerciales colocados en segmentos corporales, plataformas de fuerza, c\u00e1maras de v\u00eddeo est\u00e1ndar o sistemas de captura de movimiento permite describir la marcha y el equilibrio con una precisi\u00f3n que antes solo estaba disponible en laboratorios especializados. Los algoritmos de IA analizan estos datos y ayudan a clasificar el patr\u00f3n de marcha, estimar de forma aproximada escalas como FAC, Berg o PASS, detectar asimetr\u00edas, compensaciones o patrones de apoyo inestables, y seguir la evoluci\u00f3n no solo en el gimnasio, sino tambi\u00e9n en la vida diaria. En el miembro superior ocurre algo similar: m\u00e1s all\u00e1 de las escalas cl\u00e1sicas como Fugl-Meyer o ARAT, los modelos aplicados a sensores o v\u00eddeo cuantifican la velocidad de movimiento, la suavidad, el n\u00famero de compensaciones proximales o la capacidad para realizar tareas bimanuales. Esto permite detectar cambios muy peque\u00f1os d\u00edas o semanas antes de que se reflejen en las escalas convencionales y da al terapeuta una \u201clupa\u201d objetiva para ajustar el programa de tratamiento.<\/p>\n

Por \u00faltimo, en cognici\u00f3n, lenguaje y degluci\u00f3n la IA est\u00e1 empezando a ofrecer apoyos concretos. En negligencia espacial, por ejemplo, se exploran entornos de realidad virtual o aumentada donde el comportamiento del paciente en tareas de exploraci\u00f3n visual, conducci\u00f3n simulada o interacci\u00f3n con objetos en el espacio es analizado por algoritmos que identifican patrones de omisi\u00f3n del hemiespacio izquierdo de forma m\u00e1s ecol\u00f3gica que los tests l\u00e1piz y papel tradicionales. En afasia, los sistemas de reconocimiento autom\u00e1tico del habla ayudan a cuantificar la fluidez, los errores articulatorios o la capacidad de denominaci\u00f3n a lo largo del tiempo. En degluci\u00f3n, los modelos aplicados a videofluoroscopia o FEES empiezan a distinguir de forma semiautomatizada penetraciones, aspiraciones, retrasos del reflejo deglutorio o cambios en la motilidad orofar\u00edngea. En todos estos casos, el denominador com\u00fan es el mismo: hacer medible, con m\u00e1s resoluci\u00f3n, aquello que hasta ahora depend\u00eda casi en exclusiva de la observaci\u00f3n cl\u00ednica.<\/p>\n

El papel emergente de los modelos de lenguaje y la IA generativa<\/h2>\n

Mientras estos desarrollos iban madurando, los modelos de lenguaje grande y la IA generativa irrumpieron con fuerza, no tanto para predecir resultados como para gestionar informaci\u00f3n cl\u00ednica. En un entorno como el de la rehabilitaci\u00f3n del da\u00f1o cerebral, donde la documentaci\u00f3n es abundante y la casu\u00edstica muy compleja, esta familia de herramientas se est\u00e1 mostrando especialmente \u00fatil.<\/p>\n

Uno de los usos m\u00e1s inmediatos es la redacci\u00f3n y estructuraci\u00f3n de informes. A partir de notas dispersas, de un informe previo o incluso de una grabaci\u00f3n de voz, la IA puede generar un texto coherente, ordenado y con el tono profesional adecuado. Esto incluye informes de ingreso, evolutivos diarios, res\u00famenes para juntas cl\u00ednicas o informes de alta. El valor a\u00f1adido no es s\u00f3lo ahorrar tiempo de escritura: es tambi\u00e9n homogeneizar el lenguaje, evitar omisiones importantes y adaptar el nivel de detalle al destinatario (equipo, paciente, familia, compa\u00f1\u00eda aseguradora, etc.).<\/p>\n

En nuestro contexto, hemos ensayado un caso de uso particularmente ilustrativo: el dictado del evolutivo cl\u00ednico. El cl\u00ednico explica en voz alta, de forma natural, lo que ha ocurrido en la sesi\u00f3n \u2014como si se lo contara a un residente\u2014. La herramienta transcribe, ordena la informaci\u00f3n en apartados (exploraci\u00f3n, intervenci\u00f3n realizada, respuesta del paciente, plan) y devuelve un texto listo para integrarse en la historia cl\u00ednica electr\u00f3nica. El profesional no se limita a aceptar sin m\u00e1s; revisa, corrige matices y firma. Pero el salto en eficiencia y en calidad de la documentaci\u00f3n es evidente.<\/p>\n

Otro ejemplo significativo es la estimaci\u00f3n de escalas funcionales a partir de un informe narrativo. A partir de un informe largo de un paciente con TCE grave, la IA puede proponer estimaciones razonables de Barthel, FIM-FAM, Rankin, FAC, Berg, PASS, FOIS, nivel de disfagia, escala de Rancho o Fugl-Meyer en extremidades. No se trata de sustituir la exploraci\u00f3n sistem\u00e1tica, sino de disponer de una aproximaci\u00f3n r\u00e1pida cuando no se han recogido escalas formales, de traducir narrativa cl\u00ednica en m\u00e9tricas, o de facilitar la docencia y la investigaci\u00f3n. La experiencia inicial sugiere que, cuando el informe est\u00e1 bien elaborado, las estimaciones son coherentes con la situaci\u00f3n real del paciente.<\/p>\n

Tambi\u00e9n en la codificaci\u00f3n diagn\u00f3stica aparecen aplicaciones muy pragm\u00e1ticas: a partir de un informe completo, la IA propone diagn\u00f3sticos CIE-10 ordenados por relevancia, distingue entre diagn\u00f3stico principal y secundarios, se\u00f1ala complicaciones m\u00e9dicas y sugiere c\u00f3digos de procedimiento. El cl\u00ednico revisa, descarta lo que no procede, a\u00f1ade lo que falta y valida la versi\u00f3n final. De nuevo, el valor est\u00e1 en reducir variabilidad, ganar tiempo y mejorar la calidad de los datos.<\/p>\n

La IA formulando objetivos terap\u00e9uticos<\/h2>\n

Uno de los \u00e1mbitos m\u00e1s interesantes, y quiz\u00e1 m\u00e1s sorprendentes para quien no lo ha probado, es la capacidad de estas herramientas para ayudar a formular objetivos terap\u00e9uticos bien definidos. Sabemos que los objetivos tipo SMART \u2014espec\u00edficos, medibles, alcanzables, relevantes y delimitados en el tiempo\u2014 mejoran la planificaci\u00f3n y la evaluaci\u00f3n de la rehabilitaci\u00f3n. Sin embargo, en la pr\u00e1ctica cl\u00ednica diaria, muchas veces carecemos del tiempo necesario para redactarlos con el nivel de precisi\u00f3n que desear\u00edamos, y acabamos recurriendo a formulaciones demasiado generales.<\/p>\n

En un peque\u00f1o ejercicio con diez informes cl\u00ednicos reales de pacientes con da\u00f1o cerebral, planteamos a un modelo de IA que, a partir de la descripci\u00f3n de la situaci\u00f3n del paciente, propusiera objetivos SMART para cada una de las \u00e1reas implicadas (marcha, miembro superior, AVD, cognici\u00f3n, lenguaje, degluci\u00f3n, conducta, participaci\u00f3n). Adem\u00e1s, se le pidi\u00f3 que vinculara cada objetivo con los componentes correspondientes de la Clasificaci\u00f3n Internacional del Funcionamiento (CIF). Posteriormente, comparamos, a ciegas, sus propuestas con los objetivos definidos por el equipo multidisciplinar.<\/p>\n

El resultado fue llamativo: en los grandes objetivos generales \u2014por ejemplo, mejorar la marcha funcional, aumentar la independencia en las actividades de la vida diaria o optimizar la comunicaci\u00f3n funcional\u2014 la coincidencia fue muy alta. En los objetivos m\u00e1s concretos, la IA tend\u00eda a ser m\u00e1s sistem\u00e1tica que algunos de nosotros: introduc\u00eda plazos, criterios espec\u00edficos de \u00e9xito y medidas cuantificables de manera casi autom\u00e1tica, por ejemplo, \u201cen cuatro semanas caminar diez metros con asistencia supervisada y puntuaci\u00f3n FAC 3\u201d, en vez de limitarse a \u201cmejorar la marcha\u201d. En t\u00e9rminos de forma, la herramienta igualaba el nivel de un terapeuta experto en cuanto a estructura y precisi\u00f3n.<\/p>\n

Ahora bien, donde se hace evidente el valor insustituible del equipo humano es en la priorizaci\u00f3n y el contexto. La IA puede identificar d\u00e9ficits, pero no conoce la historia vital, las barreras arquitect\u00f3nicas del domicilio, los apoyos familiares, la motivaci\u00f3n del paciente o el peso emocional de determinados objetivos. No sabe qu\u00e9 es m\u00e1s importante para esa persona concreta en ese momento de su vida. Esa capacidad de decidir qu\u00e9 es urgente, qu\u00e9 es importante, qu\u00e9 es realista y qu\u00e9 es significativo sigue siendo terreno exclusivamente humano.<\/p>\n

\"Un<\/a><\/p>\n

IA como apoyo en la valoraci\u00f3n de riesgos y en la comunicaci\u00f3n con las familias<\/h2>\n

La IA tambi\u00e9n puede aportar valor en tareas que, aunque menos visibles que la exploraci\u00f3n motora o cognitiva, son fundamentales en la rehabilitaci\u00f3n del da\u00f1o cerebral: la valoraci\u00f3n de riesgos y la comunicaci\u00f3n con las familias.<\/p>\n

En muchas unidades utilizamos matrices de riesgos que contemplan la posibilidad de ca\u00edda, aspiraci\u00f3n, desnutrici\u00f3n, \u00falceras por presi\u00f3n, infecciones, fuga, conductas agresivas, autolesiones, entre otros. Para cada riesgo se describen factores predisponentes, se\u00f1ales de alerta y medidas preventivas. Cuando aplicamos una matriz as\u00ed a un informe largo, la identificaci\u00f3n de todos los riesgos pertinentes y la redacci\u00f3n de un plan puede resultar laboriosa.<\/p>\n

En una prueba de concepto, cargamos una matriz de este tipo en un modelo de IA y le proporcionamos el informe completo de un paciente especialmente complejo. El sistema fue capaz de identificar, por ejemplo, que la combinaci\u00f3n de disfagia con neumon\u00edas previas, traqueostom\u00eda y mal estado general convert\u00eda el riesgo de aspiraci\u00f3n en prioritario, y gener\u00f3 un plan preventivo bastante completo: recomendaci\u00f3n de \u201cnada por boca\u201d en determinadas fases, posturas espec\u00edficas de alimentaci\u00f3n, higiene oral sistem\u00e1tica, seguimiento estrecho por logopedia, reevaluaci\u00f3n instrumental y vigilancia de signos precoces de infecci\u00f3n. Del mismo modo, vincul\u00f3 antecedentes de infecciones urinarias, inmovilidad y sonda vesical al riesgo de infecci\u00f3n, proponiendo medidas concretas de prevenci\u00f3n y seguimiento.<\/p>\n

No descubri\u00f3 nada que el equipo no supiera, pero s\u00ed orden\u00f3 la informaci\u00f3n, la hizo expl\u00edcita y homog\u00e9nea, y dej\u00f3 menos margen para omisiones. En la pr\u00e1ctica, actu\u00f3 como un \u201ccopiloto de seguridad\u201d que ayuda a que los planes de cuidados sean m\u00e1s completos y comparables entre pacientes.<\/p>\n

Algo parecido ocurre con la preparaci\u00f3n de entrevistas complejas con las familias. Explicar a los familiares de una persona con da\u00f1o cerebral grave cu\u00e1l es la situaci\u00f3n actual, qu\u00e9 hacemos en la unidad, qu\u00e9 podemos esperar y cu\u00e1les son los l\u00edmites del pron\u00f3stico es una tarea cargada de responsabilidad. Requiere tiempo para ordenar ideas, traducir t\u00e9rminos t\u00e9cnicos a un lenguaje comprensible, y mantener un equilibrio muy delicado entre realismo y esperanza. A partir de una buena descripci\u00f3n del caso, la IA puede generar un guion que organice los mensajes principales, sugiera explicaciones sencillas para conceptos complejos y ayude a explicar los objetivos de la rehabilitaci\u00f3n y los posibles escenarios futuros. El profesional no va a leer ese guion palabra por palabra, pero s\u00ed puede utilizarlo como base, adaptarlo a su estilo y al contexto emocional de la familia, y asegurarse de que no deja fuera ning\u00fan aspecto clave.<\/p>\n

 <\/p>\n

Limitaciones, gobernanza y prudencia necesaria<\/h2>\n

Frente al entusiasmo que pueden generar estos ejemplos, es imprescindible recordar sus l\u00edmites. Muchos de los modelos publicados se han desarrollado con muestras relativamente peque\u00f1as, a menudo procedentes de un \u00fanico centro o una \u00fanica regi\u00f3n geogr\u00e1fica. Las variables utilizadas var\u00edan enormemente de un estudio a otro, lo que dificulta comparar resultados o reproducir modelos. La validaci\u00f3n externa sigue siendo escasa y rara vez se eval\u00faa el impacto real de estos sistemas sobre los resultados cl\u00ednicos: sabemos que predicen bien determinadas cosas, pero mucho menos si su uso sistem\u00e1tico mejora la supervivencia, la independencia funcional o la calidad de vida.<\/p>\n

Adem\u00e1s, la mayor\u00eda de las publicaciones prestan a\u00fan poca atenci\u00f3n a la detecci\u00f3n y correcci\u00f3n de sesgos. Esto es particularmente relevante en un campo como el da\u00f1o cerebral, donde la edad, el sexo, el nivel socioecon\u00f3mico, el entorno familiar o la disponibilidad de recursos pueden influir en el acceso a la rehabilitaci\u00f3n y en los resultados. Sin una evaluaci\u00f3n rigurosa, corremos el riesgo de que los modelos reproduzcan y amplifiquen desigualdades preexistentes.<\/p>\n

Por encima de todo esto planean cuestiones de protecci\u00f3n de datos, transparencia, explicabilidad y responsabilidad profesional. Integrar la IA en la pr\u00e1ctica cl\u00ednica exige marcos de gobernanza claros: decidir qui\u00e9n valida los modelos que vamos a utilizar, en qu\u00e9 escenarios, con qu\u00e9 controles, c\u00f3mo se supervisa su desempe\u00f1o y c\u00f3mo se corrigen sus sesgos. La llegada del AI Act y de otras regulaciones similares obligar\u00e1 a los centros sanitarios a dotarse de comit\u00e9s y procedimientos espec\u00edficos para evaluar estas herramientas, del mismo modo que existen comit\u00e9s de \u00e9tica o comisiones de farmacia y terap\u00e9utica.<\/p>\n

Conclusi\u00f3n: personas potenciadas por IA<\/h2>\n

Con todo lo anterior en mente, la idea central es sencilla. La IA no viene a sustituir al cl\u00ednico, ni al terapeuta, ni al equipo de rehabilitaci\u00f3n. Lo que ofrece es la posibilidad de liberarnos de parte de la carga documental y de ciertas tareas repetitivas, de homogeneizar procesos, de medir mejor lo que hacemos y de tomar decisiones apoyadas en m\u00e1s datos. Pero la responsabilidad \u00faltima, el juicio cl\u00ednico, la priorizaci\u00f3n de objetivos, la construcci\u00f3n de una relaci\u00f3n de confianza con el paciente y la familia, y el acompa\u00f1amiento a lo largo de un proceso tan duro como la rehabilitaci\u00f3n del da\u00f1o cerebral siguen siendo, y seguir\u00e1n siendo, tareas profundamente humanas.<\/p>\n

En un contexto de alta presi\u00f3n asistencial y de dificultad para encontrar profesionales, la IA no es una moda, sino una oportunidad para sostener la calidad de la atenci\u00f3n, mejorar la seguridad del paciente y cuidar tambi\u00e9n de los equipos. El futuro de la neurorrehabilitaci\u00f3n no ser\u00e1 un enfrentamiento entre \u201cIA o personas\u201d, sino un escenario en el que las personas trabajen potenciadas por herramientas de IA bien dise\u00f1adas, bien gobernadas y puestas al servicio de lo que de verdad importa: la recuperaci\u00f3n y el bienestar de quienes han sufrido un da\u00f1o cerebral.<\/p>\n

La tecnolog\u00eda suma. La humanidad sigue siendo lo que cura.<\/p>\n","protected":false},"excerpt":{"rendered":"

\nEn los \u00faltimos a\u00f1os han aparecido modelos capaces de estratificar el pron\u00f3stico, automatizar el an\u00e1lisis de neuroimagen, cuantificar el movimiento con una precisi\u00f3n in\u00e9dita y aportar nuevas formas de evaluar la cognici\u00f3n, el lenguaje y la degluci\u00f3n. Paralelamente, los modelos de lenguaje y la IA generativa est\u00e1n transformando la gesti\u00f3n de la informaci\u00f3n cl\u00ednica: desde la redacci\u00f3n de informes hasta la estimaci\u00f3n de escalas, la identificaci\u00f3n de riesgos o la formulaci\u00f3n de objetivos terap\u00e9uticos. La IA ampl\u00eda la capacidad del equipo humano y ayuda a sostener la calidad asistencial en un entorno cada vez m\u00e1s complejo. Sin embargo, nuestro autor apela a la prudencia: la variabilidad de los estudios, la falta de validaci\u00f3n externa, los sesgos potenciales y los retos de gobernanza obligan a integrar estas herramientas bajo estricta supervisi\u00f3n profesional.\n<\/div>\n","protected":false},"featured_media":77032,"menu_order":0,"template":"","format":"standard","categories":[646,1036],"tags":[],"linea-asistencial":[981],"class_list":["post-77030","articulo","type-articulo","status-publish","format-standard","has-post-thumbnail","hentry","category-aita-menni","category-conocimiento","linea-asistencial-3-dano-cerebral","entry"],"_links":{"self":[{"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/articulo\/77030","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/articulo"}],"about":[{"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/types\/articulo"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/media\/77032"}],"wp:attachment":[{"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/media?parent=77030"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/categories?post=77030"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/tags?post=77030"},{"taxonomy":"linea-asistencial","embeddable":true,"href":"https:\/\/ospitalarioakfundazioaeuskadi.org\/es\/wp-json\/wp\/v2\/linea-asistencial?post=77030"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}