Un radiólogo revisa decenas de mamografías al día y la fatiga visual al final de la jornada degrada su precisión. Un algoritmo de aprendizaje profundo no se cansa, pero tampoco entiende el contexto clínico ni asume responsabilidad legal. La medicina asistida por inteligencia artificial no es un relevo, sino una colaboración entre ambos. Este artículo describe cómo se aplica la IA al diagnóstico por imagen, a la genómica y al descubrimiento de fármacos, y qué exige el marco regulatorio sanitario europeo —el Reglamento de Productos Sanitarios y el Reglamento de IA— para que una herramienta llegue a la cabecera del paciente.
Diagnóstico por imagen: visión artificial clínica
El campo más maduro es el análisis de imagen médica. Las redes neuronales convolucionales, y cada vez más los vision transformers, procesan radiografías, tomografías, resonancias y preparaciones de anatomía patológica para tareas de clasificación, detección y segmentación. En cribado de retinopatía diabética, en detección de nódulos pulmonares en tomografía de baja dosis o en la delineación de tumores para planificar radioterapia, estos sistemas alcanzan un rendimiento que, en estudios controlados, iguala al de especialistas para tareas concretas.
La clave técnica está en cómo se mide ese rendimiento. La sensibilidad —proporción de enfermos correctamente identificados— y la especificidad —proporción de sanos correctamente descartados— se compensan entre sí, y la curva ROC con su área bajo la curva resume el equilibrio. En cribado interesa una sensibilidad altísima aunque se sacrifique especificidad, porque dejar pasar un cáncer es mucho más grave que generar una revisión adicional. El umbral de decisión, por tanto, no es un detalle: define el comportamiento clínico del sistema.
Medicina personalizada y genómica
La medicina personalizada adapta la prevención y el tratamiento al perfil molecular de cada paciente. El aprendizaje automático interviene al integrar datos heterogéneos —variantes genómicas, expresión génica, historia clínica electrónica, biomarcadores— para estratificar riesgo y predecir respuesta a fármacos. En oncología, los modelos ayudan a predecir qué pacientes responderán a una inmunoterapia concreta a partir de la carga mutacional del tumor; en farmacogenómica, anticipan reacciones adversas según el genotipo metabolizador del paciente.
El reto dominante es la dimensionalidad: decenas de miles de genes frente a cohortes de unos pocos cientos de pacientes. Sin una regularización rigurosa y una validación externa en cohortes independientes, los modelos sobreajustan y descubren correlaciones espurias que no se replican. La reproducibilidad —no la exactitud en un único conjunto— es el criterio que separa un hallazgo publicable de uno clínicamente útil.
La integración de datos multimodales —imagen, genómica, texto de la historia clínica y señales de monitorización— es la frontera más prometedora y la más difícil. Cada modalidad tiene su escala, su ruido y sus valores ausentes, y combinarlas exige arquitecturas que aprendan a ponderar cada fuente según su fiabilidad. Cuando funciona, el modelo captura matices que ninguna fuente aislada revela: un mismo marcador genético puede significar cosas distintas según la imagen y la evolución clínica del paciente. Cuando falla, suele ser por una integración ingenua que mezcla datos de calidad muy desigual y diluye la señal útil en el ruido.
Descubrimiento de fármacos acelerado
Diseñar un fármaco nuevo cuesta más de una década y miles de millones de euros, con altísima tasa de fracaso. La IA acorta varias etapas. En el cribado virtual, los modelos predicen qué moléculas de una biblioteca enorme se unirán a una diana terapéutica, reduciendo los ensayos de laboratorio. La predicción de estructura de proteínas ha transformado la biología estructural al inferir el plegamiento tridimensional a partir de la secuencia de aminoácidos. Y los modelos generativos proponen moléculas nuevas con propiedades farmacológicas deseadas, que luego se sintetizan y validan experimentalmente.
Conviene la prudencia: la IA propone candidatos, pero la eficacia y la seguridad solo se demuestran en ensayos clínicos con personas. Ningún modelo sustituye las fases regulatorias.
Un campo intermedio en rápido crecimiento es el de los gemelos digitales de paciente y los ensayos in silico, donde se simula la respuesta de un organismo virtual a un compuesto antes de pasar al laboratorio. Estas simulaciones no reemplazan al ensayo clínico, pero permiten descartar pronto candidatos con mal perfil de toxicidad y orientar el diseño de los estudios hacia las hipótesis más prometedoras, lo que reduce el número de personas expuestas a moléculas que finalmente fracasarán. La validez de estos modelos depende por completo de la calidad y la representatividad de los datos biológicos con que se construyen.
Modelos de lenguaje en la documentación clínica
Más allá del diagnóstico, los modelos de lenguaje se abren paso en una tarea menos vistosa pero enorme: la carga documental. Un médico dedica una parte sustancial de su jornada a redactar informes, codificar diagnósticos y resumir historias clínicas. Los asistentes de documentación transcriben la conversación de la consulta, proponen un borrador de informe estructurado y sugieren los códigos correspondientes, que el profesional revisa y valida. El beneficio es devolver tiempo a la relación con el paciente. El riesgo es la alucinación: un modelo que inventa un dato clínico plausible pero falso puede tener consecuencias graves, por lo que estos sistemas operan como apoyo con validación humana obligatoria y nunca como fuente autónoma de información clínica. La trazabilidad de qué generó el modelo frente a qué escribió el clínico es, aquí, un requisito de seguridad del paciente.
| Aplicación | Técnica principal | Madurez | Riesgo regulatorio |
|---|---|---|---|
| Cribado por imagen | CNN / vision transformer | Alta (uso clínico real) | Producto sanitario |
| Estratificación de riesgo | Modelos integrativos | Media | Alto según uso |
| Cribado virtual de fármacos | Aprendizaje sobre grafos | Media-alta (investigación) | Bajo (preclínico) |
| Asistentes de documentación clínica | Modelos de lenguaje | Emergente | Variable, según decisión |
Marco regulatorio: producto sanitario y AI Act
Un algoritmo destinado a diagnosticar, prevenir o tratar una enfermedad es, jurídicamente, un producto sanitario. En la Unión Europea se rige por el Reglamento (UE) 2017/745 de Productos Sanitarios, que obliga al marcado CE, a la evaluación clínica y a la gestión del riesgo a lo largo de todo el ciclo de vida. La norma ISO 13485 establece el sistema de gestión de calidad para fabricantes de dispositivos médicos, y la ISO 14971 define el proceso de gestión de riesgos. El software con función diagnóstica suele clasificarse en una clase de riesgo media o alta, lo que exige la intervención de un organismo notificado.
A esto se suma el Reglamento Europeo de Inteligencia Artificial, que califica como de alto riesgo los sistemas de IA usados como producto sanitario y les impone gobernanza de datos, transparencia, supervisión humana y registro de actividad. El tratamiento de datos de salud, considerados categoría especial por el RGPD, requiere garantías reforzadas: base jurídica explícita, evaluación de impacto y, cuando es posible, anonimización o seudonimización. La Agencia Española de Medicamentos y Productos Sanitarios supervisa la comercialización en España.
Errores comunes y buenas prácticas en la implantación
El primer error es entrenar con datos de un único hospital y desplegar en otro con equipos, protocolos y población distintos: el modelo se degrada por desplazamiento de dominio. La buena práctica es validar externamente en cohortes independientes antes de cualquier uso. El segundo error es ignorar el sesgo: si el conjunto de entrenamiento infrarrepresenta a un grupo demográfico, el sistema rendirá peor con él y amplificará desigualdades. El tercero es presentar la salida del modelo como veredicto y no como apoyo a la decisión; la supervisión humana cualificada es un requisito clínico y legal, no una formalidad. Finalmente, debe vigilarse el rendimiento en producción, porque los protocolos clínicos y la tecnología de imagen cambian con el tiempo.
Preguntas frecuentes
¿Puede un algoritmo emitir un diagnóstico sin médico?
En la práctica clínica europea, no. Estas herramientas son apoyo a la decisión y operan bajo supervisión de un profesional sanitario, que mantiene la responsabilidad. El Reglamento de IA refuerza esta exigencia de supervisión humana para los sistemas de alto riesgo.
¿Qué diferencia hay entre sensibilidad y especificidad en este contexto?
La sensibilidad mide cuántos enfermos detecta correctamente el sistema; la especificidad, cuántos sanos descarta bien. En cribado se prioriza la sensibilidad para no pasar por alto casos, asumiendo más revisiones de falsos positivos.
¿Cómo se protegen los datos de los pacientes?
Los datos de salud son categoría especial bajo el RGPD y exigen base jurídica explícita, evaluación de impacto y medidas como la seudonimización. El acceso se restringe y se registra, y los modelos pueden entrenarse con técnicas que minimizan la exposición de datos identificables.
¿La IA encarece o abarata la sanidad?
Depende del caso de uso. En cribado de alto volumen puede priorizar casos y reducir tiempos de espera; en descubrimiento de fármacos acorta etapas preclínicas. El coste real incluye la validación clínica, la certificación como producto sanitario y la integración en los sistemas hospitalarios.
Conclusión
La IA aplicada a la salud avanza más rápido en imagen médica y en descubrimiento preclínico de fármacos que en la práctica diagnóstica autónoma, y por buenas razones: el listón regulatorio es deliberadamente alto cuando hay vidas de por medio. El factor que decide si una herramienta llega a usarse no es la métrica en un único conjunto de prueba, sino la validación externa reproducible, la ausencia de sesgo demográfico y el encaje en el marco de producto sanitario y del Reglamento de IA. La medicina personalizada no llegará por sustituir al clínico, sino por darle, en el momento de la decisión, una segunda lectura cuantitativa y trazable. En Summum ayudamos a centros sanitarios y a empresas de tecnología médica a recorrer ese camino con rigor metodológico y conformidad normativa.