La inteligencia artificial en salud es el conjunto de sistemas que analizan datos clínicos, imágenes o texto para apoyar tareas sanitarias: detectar hallazgos en pruebas, acelerar la investigación o ordenar la gestión de un hospital. Funciona como herramienta de apoyo, no como sustituto del profesional sanitario. Cuando se usa para decisiones clínicas, se considera un producto sanitario y debe cumplir normas estrictas.
Esta guía no ofrece consejos médicos. Ante cualquier síntoma, diagnóstico o tratamiento, la persona de referencia es un profesional sanitario.
¿Qué es la inteligencia artificial en salud y qué puede hacer hoy?
Casi todas las aplicaciones sanitarias actuales se basan en machine learning. El sistema aprende patrones a partir de muchos ejemplos, como radiografías con el informe de un especialista, y luego los aplica a casos nuevos.
Muchos modelos de imagen usan redes neuronales. En el análisis de textos clínicos y la transcripción de consultas se emplean técnicas de lenguaje natural y, cada vez más, modelos de lenguaje (LLM).
Conviene separar tres planos que a menudo se mezclan:
- Apoyo clínico: herramientas que ayudan a interpretar una prueba o a priorizar casos.
- Investigación: modelos que analizan datos biológicos o literatura científica.
- Gestión: sistemas que organizan agendas, camas, documentación y flujos de trabajo.
Cada plano tiene riesgos y requisitos distintos. Un sistema que redacta un resumen administrativo no exige las mismas garantías que otro que sugiere un diagnóstico.
¿Cómo se usa la IA en el diagnóstico por imagen?
Es el ámbito más maduro. Los modelos revisan radiografías, mamografías, tomografías, imágenes de retina o preparaciones de anatomía patológica y señalan zonas que merecen atención.
Suelen usarse de dos maneras. Como sistema de priorización, colocan primero en la lista de trabajo los estudios con posibles hallazgos urgentes. Como segunda lectura, ofrecen una opinión adicional que el especialista contrasta con la suya.
El profesional conserva la decisión y la responsabilidad. El resultado del algoritmo es un dato más, junto con la historia clínica, la exploración y otras pruebas.
Su rendimiento depende de factores concretos:
- Los datos con los que se entrenó el modelo y si representan a la población donde se usará.
- El equipo de adquisición de imágenes y su calibración.
- El tipo de paciente y de enfermedad, que puede diferir de los casos de entrenamiento.
Un modelo que funciona bien en un hospital puede rendir peor en otro con equipos o pacientes distintos. Por eso se exige validación en condiciones reales.
¿Qué papel tiene en la investigación y en la gestión hospitalaria?
En investigación, la IA ayuda a buscar patrones en datos genómicos, moleculares o de imagen. Un ejemplo conocido es AlphaFold, un sistema que predice la estructura tridimensional de proteínas y se usa como punto de partida en estudios biológicos.
Un resultado computacional no es un fármaco. Una molécula candidata debe pasar por ensayos de laboratorio y ensayos clínicos antes de llegar a un paciente.
En gestión hospitalaria, las aplicaciones son menos vistosas pero frecuentes: previsión de demanda, organización de quirófanos y citas, codificación de diagnósticos y resumen de notas clínicas. Aquí pesan sobre todo la protección de datos y la supervisión humana de los textos generados.
Comparativa de usos principales
| Uso | Qué hace | Ventaja potencial | Límite principal |
|---|---|---|---|
| Diagnóstico por imagen | Señala hallazgos o prioriza estudios | Apoyo a la lectura y organización del trabajo | Rendimiento variable según población y equipos |
| Investigación biomédica | Analiza datos moleculares o literatura | Genera hipótesis con más rapidez | Requiere validación experimental y clínica |
| Gestión hospitalaria | Predice demanda, organiza recursos, codifica | Menos carga administrativa | Datos sensibles y errores que pasan inadvertidos |
| Asistentes con lenguaje natural | Resumen, transcripción y redacción | Ahorro de tiempo en documentación | Pueden inventar contenido con apariencia fiable |
¿Cómo se regula la IA que se usa en sanidad?
En la Unión Europea, un programa con finalidad médica, como el que ayuda a diagnosticar o a decidir un tratamiento, suele ser un producto sanitario. Lo regula el Reglamento (UE) 2017/745 sobre productos sanitarios.
Ese reglamento clasifica el software por riesgo. El que aporta información para decisiones diagnósticas o terapéuticas queda, en general, en clases que exigen intervención de un organismo notificado antes de obtener el marcado CE. En España, la autoridad competente es la AEMPS.
Encima se superpone el Reglamento (UE) 2024/1689 de inteligencia artificial. Los sistemas que son un producto sanitario sujeto a evaluación por terceros, o un componente de seguridad de uno, se tratan como de alto riesgo. Eso implica gestión de riesgos, calidad de datos, documentación técnica, supervisión humana y transparencia.
El calendario de aplicación es escalonado y puede ajustarse, así que conviene consultar el vigente en el texto oficial. Tienes un resumen en nuestra guía sobre el Reglamento europeo de inteligencia artificial.
Los datos de salud son además una categoría especial de datos personales en el Reglamento General de Protección de Datos. Su tratamiento exige una base jurídica reforzada y medidas de seguridad adicionales.
Fuera de Europa, cada país tiene su autoridad: la FDA en Estados Unidos, o agencias nacionales en los países latinoamericanos. Los requisitos no son idénticos. Que una herramienta esté autorizada en un territorio no garantiza que lo esté en otro.
La Organización Mundial de la Salud publicó sus recomendaciones sobre ética y gobernanza de la IA para la salud. Plantean principios como proteger la autonomía de las personas, garantizar la transparencia y promover la equidad.
¿Qué riesgos plantea la IA en salud?
Los principales son conocidos y manejables si se reconocen a tiempo.
- Sesgos: si los datos de entrenamiento infrarrepresentan a ciertos grupos, el modelo puede fallar más con ellos.
- Privacidad: los historiales clínicos son datos muy sensibles. Reutilizarlos para entrenar modelos exige base legal, minimización y, a menudo, anonimización rigurosa.
- Exceso de confianza: hay riesgo de aceptar la sugerencia del sistema sin contrastarla.
- Errores inventados: los modelos de lenguaje pueden generar datos falsos con tono seguro.
- Responsabilidad difusa: si algo falla, debe estar claro quién responde: fabricante, centro o profesional.
El caso del sesgo está documentado. Un estudio publicado en Science, de Obermeyer y colegas (2019), analizó un algoritmo usado para asignar programas de atención. Empleaba el gasto sanitario previo como indicador de necesidad. Como se gastaba menos en pacientes negros con el mismo nivel de enfermedad, el sistema subestimaba sus necesidades.
La lección: un indicador aparentemente neutro puede reproducir desigualdades. Más información sobre estos debates en nuestra sección de Ética y regulación.
¿Por qué una «precisión del 90 %» puede engañar? Un ejemplo resuelto
Al leer que una herramienta de detección es «muy precisa», conviene preguntar por la sensibilidad, la especificidad y la frecuencia real de la enfermedad. Un cálculo con datos hipotéticos lo muestra.
Imagina un cribado de 1.000 personas para una enfermedad que afecta al 1 %. La herramienta tiene sensibilidad del 90 % (detecta al 90 % de los enfermos) y especificidad del 90 % (descarta al 90 % de los sanos).
- Personas enfermas: 1 % de 1.000 = 10. Personas sanas: 990.
- Verdaderos positivos: 90 % de 10 = 9. Falsos negativos: 1.
- Falsos positivos: 10 % de 990 = 99. Verdaderos negativos: 891.
- Positivos totales: 9 + 99 = 108.
- Valor predictivo positivo: 9 / 108 ≈ 8,3 %.
Pese a esas cifras aparentemente buenas, solo unos 8 de cada 100 positivos corresponderían a personas realmente enfermas. Por eso un positivo de un cribado suele requerir pruebas confirmatorias interpretadas por profesionales. Es un ejemplo didáctico, no un dato de ninguna herramienta real.
Si quieres reforzar el concepto, puedes pedir a un asistente como ChatGPT, Gemini o Claude una explicación didáctica. Más pautas en prompt engineering.
Explícame con un ejemplo numérico sencillo la diferencia entre sensibilidad, especificidad y valor predictivo positivo en una prueba de cribado. Es para entender un artículo científico, no para valorar mi salud. Usa datos inventados y avisa de sus límites.Resultado esperado: una explicación con una población ficticia, una tabla de aciertos y errores, y una advertencia de que la interpretación de cualquier prueba corresponde a un profesional. Si la respuesta incluye cifras de estudios reales sin citar, desconfía y verifica.
¿Puede la IA sustituir al médico o a la enfermera?
Con el conocimiento actual, la evidencia y la regulación apuntan a otro papel: herramienta bajo supervisión. La atención sanitaria implica explorar, escuchar, ponderar valores y preferencias del paciente, y asumir responsabilidad legal. Un modelo estadístico no hace nada de eso por sí solo.
Para el público general, la regla prudente es no usar un asistente conversacional para decidir sobre diagnósticos, medicación o pruebas. Puede ayudarte a entender un término o preparar preguntas para tu consulta, pero la valoración de tu caso corresponde a tu equipo sanitario.
Si trabajas en un centro, pregunta antes de introducir datos de pacientes en cualquier herramienta. Comprueba si existe contrato de tratamiento de datos, dónde se almacenan y si se reutilizan para entrenar el modelo.
Preguntas frecuentes
¿La IA diagnostica enfermedades por sí sola?
Algunas herramientas autorizadas como producto sanitario analizan pruebas y emiten una sugerencia o una alerta. En la práctica clínica, la decisión final sigue en manos del profesional. Las condiciones de uso las define la autorización de cada producto.
¿Es seguro usar ChatGPT para consultar síntomas?
No es un producto sanitario ni está pensado para decidir sobre tu salud. Puede equivocarse y presentar el error con seguridad. Ante síntomas, acude a un profesional o a los servicios de urgencias de tu país.
¿Qué pasa con mis datos de salud si se usan para entrenar una IA?
Son datos de categoría especial y su uso requiere base legal y garantías, como anonimización o consentimiento según el caso. Puedes pedir información al centro sanitario sobre cómo los trata y ejercer tus derechos de protección de datos.
¿Cómo sé si una herramienta de IA sanitaria está autorizada?
En Europa, busca el marcado CE y la clasificación como producto sanitario, y consulta con la autoridad nacional, como la AEMPS en España. En otros países, revisa el registro de su agencia reguladora. Si el fabricante no puede indicar la finalidad prevista y la evidencia, es una señal de alerta.
Si quieres entender este campo con criterio, empieza por el cálculo de sensibilidad y valor predictivo de arriba y aplícalo a cualquier titular sobre «IA que detecta enfermedades». Después consulta el glosario de inteligencia artificial para fijar los términos y lee la normativa oficial enlazada para saber qué garantías se exigen. Con esas tres piezas podrás distinguir un avance respaldado por evidencia de un reclamo comercial.
