Inteligencia Artificial en la medicina: aplicaciones, beneficios y desafíos
Una resonancia. Una analítica. El historial médico de los últimos diez años. Una mamografía realizada hace unos meses. Un electrocardiograma aparentemente normal.
Toda esa información puede acabar sobre la mesa del mismo especialista en cuestión de minutos.
Durante años, el desafío no fue obtener los datos, sino encontrar tiempo para revisarlos con calma. Ahí es donde la IA en la medicina ha empezado a hacerse un hueco. No porque diagnostique mejor que un profesional ni porque tome decisiones por su cuenta, sino porque es capaz de recorrer miles de registros en segundos y señalar aquello que merece una segunda mirada.
La escena ya es cotidiana en muchos hospitales. Mientras un radiólogo revisa una prueba de imagen, un algoritmo ha analizado previamente la exploración y ha marcado las zonas que considera sospechosas. Un cardiólogo recibe una alerta sobre un patrón compatible con una arritmia. Un equipo de investigación descarta millones de moléculas antes de seleccionar unas pocas candidatas para desarrollar un nuevo medicamento.
Cada especialidad aprovecha estas herramientas de una forma distinta, pero todas buscan lo mismo: liberar tiempo para que el profesional pueda dedicarlo a aquello que ninguna máquina puede hacer por él.
La velocidad a la que se está incorporando esta tecnología también tiene reflejo en las cifras. Hasta enero de 2025, la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) había autorizado más de un millar de dispositivos médicos basados en inteligencia artificial, la mayoría destinados al análisis de imágenes diagnósticas.
Más que preguntarnos si la inteligencia artificial en salud llegará a los hospitales, quizá la cuestión sea otra: en muchos procesos ya está presente. Lo llamativo es que casi nunca ocupa el centro de la escena. Y por eso, en el Máster de Formación Permanente en Inteligencia Artificial aplicada a la Salud tratamos de darle ese nuevo enfoque.
¿Qué es la inteligencia artificial en medicina?
Existe una imagen muy extendida cuando se habla de inteligencia artificial en medicina: un ordenador tomando decisiones por sí solo.
En la práctica ocurre algo bastante menos cinematográfico.
Antes de que un médico valore a un paciente, estos sistemas pueden revisar historias clínicas, comparar casos similares, detectar patrones estadísticos o destacar información que merece una revisión más detenida. No sustituyen el razonamiento clínico. Preparan el terreno.
Para hacerlo combinan información muy distinta:
Muchos modelos aprenden observando ejemplos. Cuantos más casos analizan y mejor es la calidad de los datos, mayor es su capacidad para reconocer situaciones parecidas. Esa misma tecnología puede ayudar a revisar una mamografía, anticipar complicaciones tras una cirugía o acelerar la búsqueda de nuevos tratamientos.
Hay, sin embargo, una frontera que apenas ha cambiado.
El algoritmo puede levantar una bandera. Quien decide sigue llevando bata.
La Organización Mundial de la Salud mantiene esa idea desde hace años. Reconoce el potencial de la inteligencia artificial para medicina, pero recuerda que su incorporación exige supervisión humana, protección de los datos personales y sistemas cuyos resultados puedan entenderse y justificarse. En medicina no basta con acertar; también hay que saber por qué.
¿Cómo se utiliza la inteligencia artificial en medicina?
Si alguien preguntara dónde está hoy la inteligencia artificial dentro de un hospital, probablemente muchos profesionales responderían lo mismo: en casi todas partes, aunque pocas veces se vea.
No ocupa una consulta. Tampoco una planta concreta. Aparece allí donde se generan grandes cantidades de información y cada minuto cuenta.
Radiología: un segundo par de ojos
La radiología es uno de los ejemplos más conocidos.
Cada jornada se revisan cientos de radiografías, resonancias o TAC. Entre decenas de imágenes, una lesión pequeña puede pasar desapercibida. Los algoritmos realizan una primera lectura y destacan las zonas que conviene revisar con más atención.
No dictan un diagnóstico.
Tampoco sustituyen al especialista.
Su papel es mucho más discreto: ayudar a que nada importante pase inadvertido, especialmente cuando la carga de trabajo es elevada.
Del laboratorio a la investigación
Ese mismo enfoque ya se utiliza en otros ámbitos.
En Anatomía Patológica, los modelos analizan biopsias digitalizadas para localizar alteraciones celulares o clasificar tejidos antes de que el patólogo las revise.
En investigación farmacéutica ocurre algo parecido. Encontrar una molécula prometedora entre millones de posibilidades era un proceso lento y costoso. Hoy, la inteligencia artificial permite descartar automáticamente muchas opciones en las primeras fases de investigación, acelerando un trabajo que antes requería semanas o meses.
Aplicaciones que ya forman parte del día a día
Más allá de los casos más conocidos, muchos hospitales ya utilizan herramientas capaces de:
- Priorizar automáticamente las pruebas más urgentes.
- Detectar pacientes con mayor riesgo de reingreso.
- Resumir historias clínicas antes de una consulta.
- Prever complicaciones tras una intervención quirúrgica.
A simple vista parecen funciones muy distintas. En realidad, todas persiguen el mismo objetivo: liberar tiempo para que los profesionales puedan dedicarlo a las decisiones donde el criterio humano sigue siendo insustituible.
Medicina personalizada
Otro de los campos donde más está creciendo la IA en la medicina es la medicina personalizada.
Durante décadas, dos pacientes con un mismo diagnóstico recibieron tratamientos prácticamente idénticos. Esa fotografía empieza a cambiar.
Al combinar antecedentes clínicos, información genética, respuesta a tratamientos previos e incluso hábitos de vida, estos sistemas ayudan a construir perfiles mucho más precisos y reducen la incertidumbre antes de decidir un tratamiento.
Los resultados empiezan a respaldar ese potencial. Una revisión publicada en Nature Medicine encontró que distintos sistemas de inteligencia artificial alcanzaban niveles de precisión comparables a los de especialistas experimentados en el diagnóstico de enfermedades de la retina.
Los propios investigadores, sin embargo, lanzaban un mensaje de prudencia: un algoritmo que funciona bien en un hospital no tiene por qué ofrecer exactamente los mismos resultados en otro. Cambian los pacientes, cambian los equipos y cambian los datos con los que aprende.
Tipos de IA utilizados en Medicina
Bajo la etiqueta de inteligencia artificial conviven tecnologías muy diferentes. Algunas destacan interpretando imágenes médicas. Otras trabajan con texto clínico. Y otras aprenden a partir de millones de datos para encontrar relaciones que resultarían imposibles de detectar manualmente.
Aprendizaje automático (Machine Learning)
Si hoy un hospital quiere desarrollar un sistema capaz de identificar pacientes con mayor riesgo de sufrir una complicación, lo más probable es que detrás exista un modelo de Machine Learning.
En lugar de seguir reglas programadas, aprende observando millones de ejemplos reales. Con el tiempo identifica patrones que ayudan a estimar riesgos, priorizar pacientes o apoyar decisiones clínicas.
Hay un aspecto que resulta tan importante como el propio algoritmo: la calidad de los datos.
Un modelo entrenado con información incompleta o poco representativa acabará reproduciendo esas mismas limitaciones. Por eso, antes de confiar en cualquier herramienta de inteligencia artificial, también es necesario saber con qué pacientes aprendió y si esos datos reflejan la realidad donde después se utilizará.
Aprendizaje profundo (Deep Learning)
Si el Machine Learning aprende a partir de ejemplos, el Deep Learning va un paso más allá. Trabaja con redes neuronales capaces de reconocer patrones especialmente complejos, algo que resulta muy útil cuando la información llega en forma de imágenes médicas.
Es la tecnología que está detrás de muchos de los avances en diagnóstico por imagen. Tras entrenarse con miles de estudios, estos modelos pueden detectar combinaciones de formas, densidades o contrastes asociadas a determinadas patologías.
Hoy ya sirven de apoyo en tareas como:
- Detección precoz del cáncer de mama.
- Análisis de retinografías.
- Identificación de lesiones pulmonares.
- Apoyo al diagnóstico neurológico mediante resonancia magnética.
Buena parte de los dispositivos médicos autorizados por la FDA utilizan este tipo de modelos.
Procesamiento del lenguaje natural (NLP)
No toda la información médica aparece en una radiografía.
Una parte enorme está escrita: historias clínicas, informes de alta, resultados de laboratorio o notas realizadas durante una consulta.
El Procesamiento del Lenguaje Natural (Natural Language Processing o NLP) permite interpretar esa documentación, localizar la información más relevante y resumir expedientes que, en ocasiones, ocupan decenas de páginas.
Entre sus aplicaciones más habituales destacan:
- Resumir historias clínicas.
- Identificar antecedentes relevantes.
- Facilitar la búsqueda de información médica.
- Automatizar parte de la documentación asistencial.
Aun así, estos modelos siguen necesitando supervisión. Una expresión ambigua o un contexto malinterpretado pueden cambiar el significado de una anotación clínica.
Visión por computador
Para un ordenador, una radiografía no deja de ser una combinación de millones de píxeles. La dificultad está en aprender qué representan.
La visión por computador reúne las técnicas que permiten interpretar imágenes médicas, localizar estructuras concretas y comparar pruebas realizadas en distintos momentos. También puede medir automáticamente órganos o delimitar zonas que después servirán para planificar un tratamiento.
Es una de las aplicaciones de la inteligencia artificial en salud que más ha madurado durante los últimos años y, en muchos hospitales, ya forma parte del trabajo diario aunque pase completamente desapercibida.
Beneficios de la IA en Medicina
Hablar de inteligencia artificial suele llevar la conversación hacia el futuro.
En realidad, muchos de sus beneficios ya forman parte del presente.
No porque haya cambiado la forma de ejercer la medicina, sino porque ha empezado a aliviar algunas de las tareas que más tiempo consumen dentro del sistema sanitario.
Los avances más visibles se concentran en varios frentes:
- Diagnósticos más rápidos, especialmente en pruebas de imagen con un gran volumen de estudios diarios.
- Mayor capacidad para detectar patrones complejos difíciles de identificar manualmente.
- Tratamientos más personalizados, apoyados en información clínica y genética.
- Procesos de investigación más ágiles, reduciendo el tiempo necesario para analizar grandes bases de datos.
- Optimización de recursos hospitalarios, desde la gestión de agendas hasta la organización de camas o quirófanos.
Eso no significa que hayan desaparecido los retos.
La calidad de los datos sigue condicionando el rendimiento de cualquier algoritmo. Los sesgos presentes durante el entrenamiento pueden trasladarse a los resultados. También continúan abiertas cuestiones relacionadas con la privacidad, la transparencia o la responsabilidad cuando una herramienta se equivoca.
Precisamente para responder a parte de esos desafíos, la Unión Europea ha aprobado el AI Act, una normativa que clasifica los sistemas de inteligencia artificial según el nivel de riesgo que representan y establece obligaciones específicas para aquellos utilizados en ámbitos sensibles como la sanidad.
Más que plantear una competición entre personas y máquinas, el debate parece dirigirse hacia otro escenario: el de profesionales capaces de trabajar con herramientas cada vez más sofisticadas, comprendiendo tanto sus posibilidades como sus límites.
Fórmate en inteligencia artificial aplicada a la salud
La incorporación de la inteligencia artificial está transformando la forma de investigar, diagnosticar y gestionar la atención a los pacientes. Comprender cómo funcionan estas tecnologías ya no es una competencia reservada a perfiles técnicos. También empieza a ser un conocimiento valioso para médicos, profesionales sanitarios y responsables de gestión que desarrollarán su carrera en un entorno cada vez más apoyado en los datos.
En UNIE Universidad creemos que esa transformación exige profesionales capaces de combinar conocimiento clínico, pensamiento crítico y dominio de las nuevas herramientas digitales. Formarse hoy en inteligencia artificial aplicada a la salud significa prepararse para participar en un cambio que ya está en marcha y que seguirá redefiniendo la medicina durante los próximos años.
