La inteligencia artificial en medicina

Breve análisis del papel de la IA en la asistencia médica actual

De promesa lejana a realidad clínica

En apenas una década la inteligencia artificial (IA) ha pasado de ser un tema reservado a unos pocos tecnólogos a ser un apoyo cotidiano para profesionales de la salud. Esta transición ha sido posible gracias a la gran cantidad de datos clínicos, los avances en potencia de computación y la madurez de los modelos de deep learning.

Según la Comisión Europea, hoy la IA médica “se ha convertido en una realidad tangible”. Los sistemas de salud buscan cada vez más integrar herramientas basadas en IA para optimizar recursos, mejorar la precisión diagnóstica y aligerar trámites administrativos en los hospitales, lo que permite descongestionar consultas y dedicar más tiempo a la relación médico-paciente.

Además de su uso en radiología, dermatología o medicina personalizada, la IA está transformando la forma en que se detectan enfermedades como el cáncer, la diabetes o el Alzheimer. Algoritmos entrenados con millones de imágenes médicas ayudan a los profesionales médicos a detectar enfermedades en etapas tempranas.

La implementación de asistentes virtuales basados en IA también está reduciendo la carga administrativa, automatizando la gestión de historiales clínicos, la programación de citas y el seguimiento de pacientes crónicos. En emergencias, sistemas de IA permiten realizar triajes rápidos y eficientes, priorizando la atención según la gravedad de los casos.

A pesar del progreso, persisten desafíos importantes como la protección de datos personales, la transparencia de los algoritmos (explicabilidad) y la necesidad de marcos regulatorios claros. Sin embargo, con una colaboración adecuada entre instituciones médicas, tecnológicas y legislativas, la IA promete seguir evolucionando como una herramienta crucial para una medicina más precisa, eficiente y centrada en el paciente.

Áreas médicas donde la IA está marcando la diferencia

La inteligencia artificial ha comenzado a dejar una huella profunda en distintas áreas de la medicina, con aplicaciones concretas que ya están mostrando beneficios tangibles:

En radiología e imagen médica, sistemas basados en IA están mejorando el diagnóstico en estudios como mamografías y tomografías torácicas computarizadas (TAC). Gracias a estos avances, es posible detectar patologías con mayor precisión y en fases más tempranas, además de reducir la exposición del paciente a la radiación. Iniciativas presentadas en foros como la [RSNA] o revistas especializadas como [IEEE]  respaldan estos progresos.

En el campo de la oftalmología, herramientas como [IDx-DR] y el [Proyecto Tartaglia] han demostrado una alta efectividad en la detección de retinopatía diabética, permitiendo realizar cribados masivos desde la atención primaria. Esta intervención temprana es clave para prevenir casos de ceguera irreversible, especialmente en poblaciones con diabetes mal controlada.

La endoscopia digestiva también se ha beneficiado de la IA, con sistemas que mejoran la detección de pólipos durante las gastroscopias. Esta tecnología, documentada en publicaciones como [ACTA] contribuye significativamente a la prevención del cáncer colorrectal, al aumentar la tasa de hallazgos clínicamente relevantes durante las exploraciones.

En el área de la salud mental, han surgido soluciones innovadoras como Therabot, un robot asistido por un chatbot generativo que interactúa con los pacientes y ayuda a reducir síntomas de ansiedad y depresión. Este tipo de herramienta no reemplaza al terapeuta, pero sí ofrece un canal de apoyo complementario y accesible las 24 horas del día, los siete días de la semana.

En ortodoncia, la automatización del análisis cefalométrico mediante IA —según estudios recopilados en [PubMed]— ha permitido acelerar la planificación de tratamientos, logrando ahorros de hasta un 90 % del tiempo que se requería anteriormente para este proceso.

Por último, en cuidados intensivos neonatales, se ha desarrollado un algoritmo capaz de optimizar la nutrición parenteral en recién nacidos prematuros. Tal como lo señala la revista [Nature], esta innovación no solo mejora la seguridad y la salud del neonato, sino que también contribuye a una gestión más eficiente de los recursos clínicos, reduciendo costes hospitalarios.

Marco regulatorio de la IA médica en Europa

La entrada en vigor en Europa del AI Act (agosto 2024) crea un marco regulatorio para la IA médica, y la tipifica como “IA de alto riesgo”. 

Para que un desarrollo de IA médica sea aprobado en Europa, debe contar con:

1. Conjuntos de datos de calidad con representatividad demográfica, y búsqueda de la equidad.
2. Datos médicos amparados bajo la ley de protección de datos.
3. Gestión de riesgos.
4. Trazabilidad.
5. Supervisión humana antes de decisiones críticas.
6. Reentrenamiento continuo con datos locales para evitar la deriva temporal.
7. Evaluaciones y auditorías externas. 

España, además, ha sido el primer Estado miembro en crear la Agencia Española de Supervisión de la IA (AESIA), activa desde febrero de 2025. Esta es responsable de velar por el cumplimiento del AI Act en el contexto nacional.

La IA médica en España

A continuación mencionamos algunos proyectos desarrollados por hospitales e instituciones españolas, dentro de un marco mucho mayor dentro de todo el territorio nacional, donde se llevan a cabo otras muchas iniciativas:

• Hospital Universitario de Navarra: Este hospital ha implementado NaIA-RD, una herramienta de IA para el cribado de la retinopatía diabética. Ha mostrado una mejora en la sensibilidad del diagnóstico, y contribuido a reducir la carga de trabajo de los profesionales.  [arXiv]

• Hospital Vall d’Hebron (Barcelona): Este centro ha desarrollado la herramienta predictiva ‘Promise Score‘, que utiliza IA para estimar la mortalidad a 90 días de pacientes oncológicos ingresados en urgencias. Se basa en datos clínicos y en resultados de análisis, para ayudar a los profesionales a tomar decisiones sobre los cuidados.
  

• Plataforma de Medicina Computacional de la Fundación Progreso y Salud, del Sistema Sanitario Público de Andalucía. Esta plataforma utiliza datos biomédicos  para desarrollar tratamientos personalizados, analizar genomas para prevenir enfermedades hereditarias,  y mejorar la vigilancia epidemiológica.
  
• Hospital Universitario Ramón y Cajal (Madrid): Este centro está desarrollando una herramienta para identificar riesgos de cáncer hereditario, analizando datos familiares para buscar predisposiciones genéticas.
  

• Emily (Barcelona): Es una solución para la regulación automática del flujo de oxígeno suministrado a pacientes con patologías respiratorias. Está desarrollada por la compañía Aether Tech.
  
• The Blue Box (Reus): Desarrollado por la ingeniera biomédica Judit Giró, es un dispositivo para la detección temprana de cáncer de mama a partir de muestras de orina.
  
• QP-Prostate (Valencia): Consiste en un CAD de resonancia prostática para la detección y diagnóstico de lesiones de cáncer de próstata. Ha sido desarrollado por la empresa Quibim.

Nuestra aportación desde Pixelabs: Proyecto Tartaglia

Hemos trabajado estrechamente con  distintas instituciones, como la Fundación Rioja Salud, el Instituto de Investigación Sanitaria La Fe y el Servicio Gallego de Salud (Sergas).

El objetivo de Tartaglia es acelerar la investigación clínica para la detección temprana de enfermedades como la retinopatía diabética, el cáncer de próstata, el Alzheimer y enfermedades cardiacas. Una de sus principales innovaciones es la creación de una red federada de datos que permite entrenar modelos de IA en los centros de datos locales, sin transferir imágenes entre instituciones, garantizando así la protección de datos de los pacientes.

Desde Pixelabs, nos hemos encargado del diseño y entrenamiento de algoritmos de forma federada con datos distribuidos, para el cribado automático de la retinopatía diabética, analizando imágenes de fondo de ojo mediante visión artificial. Este cribado automático de forma automática, distingue entre aquellas imágenes que presenten indicios de la enfermedad y las que no, para después ir sumando todas las características necesarias para completar y/o añadir nuevos procesos al diagnóstico. Recogemos todo el detalle en este post que podéis leer aquí.

Bibliografía

1. European Commission. Artificial Intelligence in Healthcare (2024).
2. van Kolfschooten H. The EU Artificial Intelligence Act: Implications for Healthcare. Health Policy 149:105152 (2024).
3. Retina Specialist. AI for DR Screening: Where are we in 2025? (2025).
4. Park A. Google’s AI Will Now Be Used in Mammograms. TIME (2022).
5. Phongpreecha T. AI-guided precision parenteral nutrition for NICU. Nature Medicine 31:824-836 (2025).
6. Ortiz O et al. AI-assisted colonoscopy in Lynch syndrome (TIMELY). Lancet Gastroenterol Hepatol 9:802-810 (2024).
7. Jacobson N et al. Randomized Trial of a Generative AI Chatbot for Mental Health Treatment. NEJM AI (2025).
8. Almeida C et al. AI in Orthodontics: Revolutionizing Diagnostics and Treatment. J Clin Med 13:344 (2024).
9. Comisión Europea & Parlamento Europeo. Reglamento (UE) 2024/1685 “AI Act”.
10. AESIA. Garantizando una IA ética y responsable (2025).
11. Kohane I et al. Bias in Medical AI: Implications for Clinical Decision Making.J Am Med Inform Assoc 32:e155-e163 (2024).