Hace apenas una década, hablar de inteligencia artificial en medicina sonaba a ciencia ficción o a promesa de congreso. Hoy es una realidad cotidiana, aunque a menudo invisible: algoritmos que ayudan a leer una radiografía, sistemas que transcriben una consulta mientras el profesional atiende al paciente, modelos que predicen qué enfermos tienen más riesgo de empeorar o herramientas que aceleran la búsqueda de nuevos fármacos. La IA ya no es un experimento de laboratorio, sino una capa tecnológica que se está incorporando, con mayor o menor rapidez, a casi todas las disciplinas sanitarias.
Este artículo repasa dónde está teniendo más impacto, qué papel juegan los datos y la documentación clínica, qué riesgos conviene vigilar y qué marco ético y regulatorio se está construyendo para que esta transformación beneficie a pacientes y profesionales.
Qué entendemos por IA en salud
Bajo el paraguas de la «inteligencia artificial» conviven tecnologías muy distintas. Las más relevantes en el ámbito sanitario son:
- El aprendizaje automático (machine learning), que permite a un sistema detectar patrones en grandes volúmenes de datos y hacer predicciones, por ejemplo, el riesgo de reingreso de un paciente.
- El aprendizaje profundo (deep learning), especialmente eficaz con imágenes, señales biomédicas y secuencias genéticas.
- El procesamiento del lenguaje natural, que interpreta y genera texto: resume historias clínicas, extrae datos de informes o transcribe conversaciones.
- La IA generativa y los grandes modelos de lenguaje, capaces de redactar, resumir, traducir o responder preguntas en lenguaje natural.
La Organización Mundial de la Salud (OMS) subraya que estas tecnologías prometen mejorar el diagnóstico, el tratamiento, la investigación en salud y el desarrollo de fármacos, además de apoyar funciones de salud pública como la vigilancia epidemiológica o la respuesta a brotes. Pero también insiste en que deben diseñarse y utilizarse poniendo la ética y los derechos humanos en el centro, un asunto al que volveremos más adelante.
Diagnóstico por imagen: el ojo que no se cansa
El terreno donde la IA se ha consolidado antes es el de las imágenes médicas. Los algoritmos de aprendizaje profundo han demostrado una notable capacidad para detectar patrones en radiografías, tomografías, resonancias, mamografías, imágenes de fondo de ojo o fotografías de lesiones cutáneas.
Sus aplicaciones más habituales incluyen:
- Cribado y priorización: ordenar las pruebas pendientes para que las que presentan hallazgos sospechosos se revisen antes.
- Detección asistida: marcar zonas de la imagen que merecen una segunda mirada, como nódulos pulmonares o microcalcificaciones.
- Medición y cuantificación: calcular volúmenes, tamaños o cambios entre estudios de forma reproducible.
- Patología digital: analizar muestras de tejido escaneadas para ayudar a identificar células anómalas.
Conviene matizar el mensaje: la IA no sustituye al especialista, sino que funciona como un segundo lector incansable. La decisión diagnóstica sigue correspondiendo al profesional, que integra la imagen con el contexto clínico del paciente.
Investigación y desarrollo de fármacos
Otro frente de gran impacto es la investigación biomédica. Desarrollar un medicamento es un proceso largo, caro y con una alta tasa de fracaso. La IA contribuye en varias fases: identifica posibles dianas terapéuticas, predice cómo se plegará una proteína, diseña moléculas candidatas, optimiza ensayos clínicos o localiza pacientes que cumplen los criterios de inclusión.
Los modelos capaces de predecir la estructura tridimensional de proteínas, por ejemplo, han abierto nuevas vías para entender enfermedades y diseñar tratamientos. También se aplican a la genómica, donde ayudan a interpretar variantes genéticas y a estratificar a pacientes según su perfil molecular, un paso clave hacia la medicina personalizada.
Predicción de riesgos y medicina personalizada
Los hospitales y centros de salud generan enormes cantidades de datos: analíticas, constantes vitales, pruebas de imagen, historiales de medicación. Los modelos predictivos pueden combinarlos para estimar, por ejemplo, qué pacientes tienen más probabilidad de desarrollar una complicación, de sufrir una caída o de abandonar un tratamiento.
Esto permite pasar de una medicina reactiva a una más proactiva y personalizada: intervenir antes de que el problema se agrave, ajustar las pautas al perfil de cada paciente y asignar mejor los recursos. Eso sí, estos modelos son tan buenos como los datos con los que se entrenan, y ahí entra uno de los factores menos vistosos pero más decisivos de toda esta revolución: la calidad de la documentación clínica.
La base de todo: una historia clínica bien estructurada
Para que la IA funcione, necesita datos fiables, completos y ordenados. Y en la práctica diaria, esos datos nacen en la historia clínica. Si la información está dispersa en papeles, hojas de cálculo o notas sueltas, es difícil de recuperar, de comparar y, por supuesto, de aprovechar con herramientas inteligentes. De ahí que la digitalización ordenada de los registros sea el primer paso de cualquier estrategia seria de innovación.
Es en este punto donde las herramientas digitales de gestión cobran protagonismo. Según explican los profesionales de Reasoning Physios, la tecnología puede ayudar a las clínicas a disponer de una historia del paciente estructurada y clara: permite registrar y encontrar todo en segundos, con un buscador por nombre, DNI o teléfono que da acceso inmediato a cada historia, incluso con años de antigüedad, y facilita documentar cada caso con rigor profesional, desde la anamnesis y la exploración física hasta los cuestionarios y los consentimientos.
Este tipo de enfoque ilustra una idea importante: la innovación en salud no empieza necesariamente con un algoritmo sofisticado, sino con datos bien recogidos. Una anamnesis completa, una exploración registrada con criterios homogéneos o un consentimiento localizable al instante mejoran la continuidad asistencial hoy y constituyen la materia prima de los análisis de mañana. Cuando los campos están estructurados, es posible comparar la evolución de un paciente a lo largo del tiempo, detectar patrones en toda una clínica o evaluar qué tratamientos obtienen mejores resultados.
La IA que quita burocracia: documentación y gestión
Una de las promesas más tangibles de la IA generativa es reducir la carga administrativa de los profesionales sanitarios, que dedican una parte considerable de su jornada a documentar. Entre las aplicaciones que ya se están probando o implantando destacan:
- Transcripción y resumen de consultas, que convierten la conversación con el paciente en una nota clínica estructurada para que el profesional la revise y valide.
- Extracción de información de informes antiguos, escaneados o en formatos heterogéneos.
- Asistentes de búsqueda que localizan en segundos antecedentes, pruebas previas o consentimientos.
- Redacción de informes y cartas de derivación, que el profesional supervisa y firma.
- Gestión de agendas y recordatorios, que reducen las ausencias y mejoran la organización.
La clave está en que el profesional mantenga siempre el control: revisar, corregir y validar lo que la herramienta propone. El tiempo que se gana en burocracia puede reinvertirse en lo que ninguna máquina sustituye: mirar al paciente, escuchar y explorar.
Rehabilitación: movimiento medido, tratamiento ajustado
En disciplinas como la fisioterapia, la terapia ocupacional o la medicina deportiva, la IA está encontrando un terreno fértil. Los sensores portátiles y los sistemas de visión por ordenador permiten analizar el movimiento, la marcha o la postura con una precisión antes reservada a laboratorios especializados. Algunas aplicaciones permiten:
- Evaluar la calidad de un ejercicio realizado en casa y corregir la técnica.
- Monitorizar la adherencia al tratamiento y la evolución funcional.
- Personalizar las pautas de ejercicio según la respuesta del paciente.
- Apoyar programas de telerrehabilitación para quienes viven lejos del centro.
En todos los casos, el razonamiento clínico sigue siendo humano. La tecnología aporta medidas objetivas y seguimiento continuo; el profesional interpreta, decide y acompaña.
Salud mental y atención al paciente
La IA también está entrando en la relación directa con el paciente. Los asistentes conversacionales se utilizan para resolver dudas frecuentes, recordar la medicación, realizar un triaje inicial de síntomas o apoyar programas de bienestar emocional. Pueden mejorar el acceso a la información y descargar tareas rutinarias, pero plantean cuestiones delicadas: la exactitud de las respuestas, la gestión de situaciones de riesgo y la confianza que un paciente deposita en una máquina. Por eso se recomienda que funcionen siempre como complemento de la atención profesional y con protocolos claros de derivación a una persona cuando la situación lo requiera.
Los riesgos que no se pueden ignorar
Cada avance trae consigo desafíos que conviene afrontar con claridad.
Sesgos y desigualdad. Si un modelo se entrena con datos de una población concreta, puede funcionar peor con otros grupos de edad, sexo, origen o nivel socioeconómico. La OMS advierte de que los sistemas deben diseñarse para reflejar la diversidad de contextos sociales y sanitarios.
Privacidad y seguridad de los datos. Los datos de salud son especialmente sensibles. Cualquier herramienta que los maneje debe cumplir la normativa de protección de datos, aplicar medidas de ciberseguridad y respetar la confidencialidad y los consentimientos de los pacientes.
Errores y «alucinaciones». Los modelos generativos pueden producir información plausible pero incorrecta. En un contexto clínico, todo contenido generado debe ser revisado por un profesional.
Opacidad. Muchos algoritmos funcionan como «cajas negras». Los profesionales necesitan comprender, al menos en líneas generales, en qué se basa una recomendación para poder valorarla.
Responsabilidad. Cuando un sistema comete un error, ¿quién responde: el fabricante, el centro o el profesional? Clarificar este punto es esencial.
Dependencia y deshumanización. Un exceso de automatización puede erosionar habilidades clínicas o distanciar la relación terapéutica si no se utiliza con criterio.
El marco ético y regulatorio: hacia una IA de confianza
Para abordar estos riesgos se están construyendo marcos de referencia a escala internacional y europea.
La OMS identifica los retos éticos del uso de la IA en salud y propone seis principios consensuados para que la tecnología beneficie al conjunto de la sociedad. Entre ellos figuran proteger la autonomía de las personas, promover el bienestar y la seguridad, garantizar la transparencia y la explicabilidad, fomentar la responsabilidad, asegurar la inclusión y la equidad, y promover una IA sensible a las necesidades y sostenible. La organización ha ampliado después este trabajo con orientaciones específicas sobre los grandes modelos multimodales.
En Europa, la Comisión Europea recoge en su página sobre inteligencia artificial en la sanidad cómo se articulan dos pilares: el Reglamento de Inteligencia Artificial, que establece un enfoque basado en el riesgo y exige a los sistemas de alto riesgo requisitos de calidad de datos, transparencia y supervisión humana, y el Espacio Europeo de Datos de Salud, pensado para facilitar el uso seguro de los datos sanitarios tanto en la atención directa como en la investigación. Muchas herramientas de IA que actúan como productos sanitarios quedan además sujetas a la normativa de productos sanitarios, por lo que deben cumplir ambos marcos. Las obligaciones se aplican de forma escalonada, de modo que conviene consultar siempre el calendario vigente.
Para una clínica o un profesional, la consecuencia práctica es clara: antes de incorporar una herramienta, conviene comprobar qué datos maneja, dónde se almacenan, qué garantías ofrece el proveedor y cómo se mantiene la supervisión humana.
Qué cambia para los profesionales sanitarios
La IA no va a sustituir a los profesionales de la salud, pero sí está modificando el modo de trabajar y las competencias que se les piden. Algunas claves para adaptarse con criterio:
- Formarse en alfabetización digital y en IA. No hace falta programar, pero sí entender qué puede y qué no puede hacer una herramienta y cuáles son sus límites.
- Empezar por lo básico. Ordenar y estructurar los datos clínicos antes de pensar en soluciones avanzadas.
- Mantener el juicio clínico. La herramienta propone; el profesional decide y es responsable.
- Proteger la relación terapéutica. Usar la tecnología para ganar tiempo y presencia, no para perderlos.
- Informar al paciente. Explicar cuándo se usan estas herramientas y cómo se protegen sus datos refuerza la confianza.
- Evaluar los resultados. Medir si una solución mejora realmente la atención, la eficiencia o la seguridad, y corregir si no es así.
Conclusión: una revolución que empieza por los datos y termina en las personas
La inteligencia artificial está transformando las ciencias de la salud en múltiples frentes: ayuda a detectar enfermedades antes, acelera la investigación, personaliza tratamientos y alivia la carga administrativa. Pero su impacto depende de factores muy poco gloriosos: datos ordenados, historias clínicas bien estructuradas, profesionales formados, normas claras y una supervisión humana constante.
El reto de los próximos años no será solo técnico, sino también ético y organizativo: lograr que estas herramientas lleguen a todos los entornos, desde los grandes hospitales hasta las pequeñas clínicas, sin ampliar desigualdades ni comprometer la privacidad. Si se consigue, la IA no deshumanizará la atención sanitaria, sino que devolverá al profesional lo más valioso: tiempo para cuidar.



