- La inteligencia artificial ya se usa en diagnóstico, monitorización, logística y salud pública, siempre como apoyo al criterio clínico.
- El marco europeo (AI Act, EEDS y nueva Directiva de responsabilidad) regula la seguridad, el uso de datos y la responsabilidad de los sistemas de IA en salud.
- La adopción masiva de IA exige abordar retos de confianza, sesgos, ciberseguridad y ética, así como reforzar la formación de profesionales sanitarios.
La inteligencia artificial aplicada a la salud ha pasado en muy poco tiempo de ser una promesa casi futurista a convertirse en una pieza clave de la práctica clínica, la gestión sanitaria y la investigación biomédica. Desde sistemas que analizan imágenes con una precisión increíble hasta plataformas que optimizan la logística de un hospital entero, la IA está cambiando la forma en la que entendemos la medicina.
Al mismo tiempo, la adopción masiva de estas tecnologías abre debates complejos sobre ética, seguridad de los datos, regulación y responsabilidad. La Unión Europea y países como España están reaccionando con leyes, guías y proyectos específicos para garantizar que esta transformación se haga de forma segura, justa y centrada en las personas. Vamos a desgranar, con calma pero sin rodeos, cómo se está usando la IA en salud, qué beneficios reales aporta, qué riesgos existen y qué marco normativo la está ordenando.
Cómo está transformando la IA la asistencia sanitaria
En la práctica clínica, la IA ya no es un experimento de laboratorio: es una herramienta de apoyo integrada en flujos de trabajo reales. Se utiliza para analizar imágenes médicas, estimar riesgos, priorizar pacientes, automatizar procesos administrativos o extraer información de historias clínicas. Siempre, eso sí, bajo supervisión profesional y con validación clínica.
Los sistemas de IA destacan especialmente en tareas que implican procesar grandes volúmenes de datos complejos (imágenes, señales, analíticas, texto clínico) y detectar patrones sutiles que a veces se escapan al ojo humano, o que llevarían muchísimo tiempo revisar manualmente. De ahí que su despliegue haya empezado con más fuerza en radiología, cardiología, oncología, UCI y áreas de gestión.
Según encuestas recientes, una parte importante del personal sanitario ya ha usado algún sistema de IA en su trabajo, aunque el uso directo para tomar decisiones clínicas complejas sigue siendo minoritario. La realidad actual es que la IA se está extendiendo primero en tareas muy concretas y bien acotadas: priorizar estudios de imagen, sugerir códigos diagnósticos, detectar alertas en monitorización o agilizar trámites administrativos.
Tipos de inteligencia artificial más usados en medicina
En salud no hablamos de “una” IA, sino de varias familias de técnicas con funciones distintas, que a menudo se combinan entre sí para construir soluciones completas.
Machine learning (aprendizaje automático) es el gran caballo de batalla. Se enfoca en aprender patrones a partir de datos estructurados: constantes vitales, analíticas, antecedentes, tratamientos, resultados de pruebas, etc. Con esa información genera probabilidades, clasificaciones o puntuaciones de riesgo (scores) útiles para apoyar la toma de decisiones.
El deep learning (aprendizaje profundo) es un subconjunto del machine learning basado en redes neuronales profundas. Se lleva especialmente bien con datos muy complejos como imágenes (TAC, RM, mamografías, FDG-PET), señales (ECG, EEG) o grandes masas de texto. Su gran ventaja es la capacidad de detectar patrones extremadamente sutiles; su gran reto, la necesidad de muchos datos, potencia de cómputo y una validación rigurosa para garantizar que el modelo se comporta bien en contextos distintos.
El procesamiento del lenguaje natural (NLP/PLN) permite que los sistemas de IA interpreten y generen lenguaje humano. En sanidad se utiliza para analizar informes, notas clínicas, epicrisis, cartas de alta o literatura científica. A partir de ese texto extrae conceptos clave, codifica diagnósticos (por ejemplo en ICD-10), clasifica documentación o ayuda a resumir información para hacerla más manejable.
La IA generativa y los grandes modelos de lenguaje (LLM) aportan una capa conversacional y de redacción asistida: generan borradores de informes, resúmenes, explicaciones, materiales docentes o respuestas a preguntas clínicas basadas en guías y evidencia. Su valor está en agilizar el acceso y la estructuración del conocimiento, pero requieren límites de uso claros y revisión experta, porque pueden producir información errónea si no se controlan.
Aplicaciones clínicas de la IA en diagnóstico y tratamiento
Una de las aportaciones más visibles de la IA en medicina es su papel en el diagnóstico asistido y la detección precoz de enfermedades. Aquí confluyen machine learning, deep learning y herramientas de análisis de texto.
En imagen médica, los algoritmos de aprendizaje profundo son capaces de analizar radiografías, TAC, RM o mamografías identificando patrones patológicos con alta precisión. Empresas como Aidoc, Zebra Medical Vision o Paige.AI han desarrollado sistemas que detectan hemorragias intracraneales, embolias pulmonares, fracturas vertebrales o tumores microscópicos en tejido histopatológico, a menudo con rendimiento comparable al de especialistas y con aprobación de organismos reguladores como FDA o marcado CE.
En el campo de la neurología, herramientas como StateViewer analizan estudios FDG-PET para reconocer patrones de consumo de glucosa cerebral asociados a distintos síndromes neurodegenerativos, facilitando el diagnóstico diferencial de demencias complejas. En cardiología, modelos como FADE aprenden el patrón de normalidad de los ECG para marcar desviaciones sospechosas, actuando como sistema de cribado que ayuda a priorizar revisiones detalladas.
La detección temprana de sepsis en UCI es otro ejemplo relevante: sistemas de IA integrados en monitores y registros clínicos analizan constantes y analíticas en tiempo real para anticipar la sepsis horas antes de que aparezcan signos clínicos claros, permitiendo intervenir antes y reduciendo mortalidad y complicaciones.
En oncología, más allá del diagnóstico inicial, la IA se usa para detectar y segmentar tumores en TAC o RM, como hace la herramienta SALSA en tumores hepáticos. La segmentación automática y consistente ahorra tiempo, reduce la variabilidad entre profesionales y facilita un seguimiento más preciso del volumen tumoral a lo largo del tratamiento.
El impacto también llega a la genética y las enfermedades raras. Modelos como PopEVE analizan variantes genéticas de un paciente y las ordenan según su probabilidad de ser causales, combinando información evolutiva y datos de variación humana. Esto acorta drásticamente la lista de mutaciones a revisar y puede acelerar diagnósticos que, de otro modo, tardarían años.
Monitorización continua, telemedicina y atención al paciente
La expansión de wearables y dispositivos conectados ha abierto la puerta a una monitorización continua de pacientes apoyada en IA. Relojes inteligentes, parches de ECG, sensores de glucosa o dispositivos domiciliarios captan datos en tiempo real que los algoritmos analizan para detectar anomalías y desencadenar alertas.
Plataformas como Medopad integran datos de múltiples fuentes (sensores, apps, historiales) y aplican modelos predictivos para identificar patrones de deterioro, falta de adherencia o riesgo de descompensación en enfermedades crónicas como insuficiencia cardiaca, patologías neurodegenerativas u oncológicas. Esto permite actuar antes de que el paciente necesite un ingreso de urgencia y, de paso, reduce hospitalizaciones evitables.
Los asistentes virtuales y chatbots médicos también se han hecho un hueco. Uro-Oncogu(IA)s, por ejemplo, es un chatbot entrenado con guías clínicas de uro-oncología que responde a dudas concretas de profesionales, ofreciendo recomendaciones alineadas con la evidencia. Otras aplicaciones, como la de Mapfre Salud, incluyen un evaluador de síntomas basado en IA que orienta al paciente sobre el tipo de especialista más adecuado, agilizando la derivación y el inicio del proceso diagnóstico.
En fisioterapia y rehabilitación se están implantando programas de telerrehabilitación con IA, que monitorizan los ejercicios realizados por el paciente a través de cámara o sensores (como en la iniciativa conjunta de Mapfre y Trak) y corrigen en tiempo real posturas y movimientos, reduciendo la necesidad de visitas presenciales y mejorando la adherencia a los ejercicios.
La robótica médica asistida por IA lleva la cirugía y la rehabilitación a otro nivel. Robots quirúrgicos inteligentes permiten realizar procedimientos mínimamente invasivos con enorme precisión, reduciendo riesgos y tiempos de recuperación. En rehabilitación, exoesqueletos y dispositivos robóticos adaptan la terapia física a la respuesta del paciente, personalizando intensidad, frecuencia y tipo de ejercicio según los datos recogidos sesión a sesión.
Aplicaciones de IA en salud pública, gestión y logística
La IA no solo mejora la práctica clínica individual; también está transformando la salud pública, la gestión hospitalaria y la cadena de suministro sanitaria. Una de las áreas con más potencial es el análisis predictivo de poblaciones.
Mediante la combinación de datos epidemiológicos, registros clínicos, movilidad y factores ambientales, los modelos de IA pueden predecir brotes epidémicos y tendencias de enfermedades, ayudando a las autoridades a planificar medidas preventivas, dimensionar recursos y minimizar el impacto económico y social de las crisis sanitarias.
En el ámbito hospitalario, la IA se emplea para optimizar la asignación de camas, personal y equipamiento, anticipando picos de demanda y ajustando las plantillas a patrones históricos y condiciones externas (estacionalidad, eventos, condiciones meteorológicas…). La lógica es la misma que se usa en otras industrias para la distribución de recursos, pero adaptada a la sensibilidad del entorno sanitario.
La gestión de inventarios y la logística es otra gran beneficiada. Sistemas inteligentes pueden predecir la demanda de medicamentos, material fungible o dispositivos, ajustar niveles de stock y optimizar rutas de distribución para asegurar que los suministros críticos lleguen a tiempo, reduciendo tanto desabastecimientos como sobrecostes de almacenamiento. Proyectos como el desarrollado para Becton Dickinson, que utiliza un gemelo digital de la planta de fabricación para simular y mejorar procesos, son un buen ejemplo.
En el sector Medtech, estas capacidades permiten a las pymes desarrollar soluciones que combinan diagnóstico asistido, monitorización, logística inteligente y automatización administrativa. Herramientas como GASTRICAITOOL (diagnóstico precoz de cáncer gástrico), COLONLP (extracción automática de códigos ICD-10 a partir de texto clínico) o proyectos de textiles inteligentes para personas mayores (como MATUROLIFE) muestran cómo la IA puede integrarse en productos muy diversos.
Investigación biomédica, descubrimiento de fármacos y formación
En investigación, la IA funciona como un multiplicador de capacidades. Permite analizar grandes conjuntos de datos clínicos, genómicos, proteómicos o de imagen con una rapidez y profundidad inalcanzables por métodos manuales, lo que acelera la generación de hipótesis y el descubrimiento de patrones relevantes.
En el descubrimiento de medicamentos, empresas como Insilico Medicine utilizan modelos generativos y biología computacional para diseñar nuevas moléculas desde cero, predecir su toxicidad, biodisponibilidad y posible eficacia antes de llegar a ensayos en humanos. La IA también ayuda a seleccionar mejor a los participantes en ensayos clínicos y a monitorizar datos en tiempo real, detectando problemas o señales de eficacia más rápido.
El ciclo completo del fármaco (desde la identificación de dianas hasta la farmacovigilancia) se está viendo impactado: la IA facilita el diseño de formulaciones, apoya la personalización de tratamientos, mejora los controles de calidad en fabricación y agiliza el análisis de datos de seguridad en vida real para detectar eventos adversos de forma temprana.
Infraestructuras como 1HealthAI, una factoría europea de IA ubicada en el CESGA, apuntan a un futuro en el que los proyectos sanitarios contarán con recursos de supercomputación y marcos comunes para desarrollar, entrenar y evaluar modelos a gran escala bajo el enfoque One Health (salud humana, animal y ambiental).
En docencia y formación continuada, la IA permite crear escenarios virtuales de simulación clínica donde estudiantes y residentes practican habilidades críticas (cirugía, manejo de emergencias, comunicación con el paciente) en entornos seguros, a menudo combinando realidad virtual o aumentada con sistemas que evalúan su desempeño y adaptan la dificultad de forma personalizada.
Marco regulador europeo: AI Act y Espacio Europeo de Datos de Salud
El despliegue masivo de IA en salud ha obligado a Europa a crear un marco regulatorio específico. El Reglamento Europeo de Inteligencia Artificial (AI Act), en vigor desde agosto de 2024, establece un sistema basado en el riesgo del uso de IA. La sanidad se considera un ámbito de alto riesgo, por lo que la mayoría de aplicaciones médicas están sujetas a requisitos estrictos.
Los sistemas de IA de alto riesgo destinados a fines médicos deben cumplir con gestión de riesgos, uso de datos de alta calidad, documentación técnica detallada, transparencia hacia el usuario, supervisión humana efectiva y ciberseguridad robusta. Además, se prevén prohibiciones para determinados usos considerados inaceptables y requisitos reforzados para modelos de IA de uso general que puedan impactar en entornos críticos.
Para coordinar la implementación del reglamento se ha creado la Oficina Europea de Inteligencia Artificial, que actúa como centro de conocimiento y supervisión, especialmente en lo relativo a modelos de propósito general. También se está desarrollando un Código de Buenas Prácticas para proveedores de estos modelos, con énfasis en transparencia, derechos de autor y gestión de riesgos.
En paralelo, el Espacio Europeo de Datos de Salud (EEDS), en vigor desde 2025, proporciona la infraestructura legal y técnica para que datos sanitarios electrónicos se utilicen de forma segura tanto en la atención directa al paciente (uso primario) como en investigación, innovación y regulación (uso secundario). Los pacientes tendrán más control sobre sus datos y se facilitará la interoperabilidad de los sistemas de historia clínica electrónica.
Para la IA, el EEDS es clave porque ofrece un marco estructurado para entrenar, validar y evaluar algoritmos con datos de salud diversos y de calidad, respetando la protección de datos y unas normas sectoriales específicas dada la sensibilidad de la información sanitaria. Proyectos como HealthData@EU y SHAIPED pilotan el uso de esta infraestructura para desarrollar modelos de IA sobre datos europeos reales.
Responsabilidad, seguridad y confianza en la IA sanitaria
El auge de la IA en productos y servicios sanitarios obliga también a actualizar las reglas de juego en materia de responsabilidad. La nueva Directiva europea sobre responsabilidad por productos defectuosos amplía el concepto de producto para incluir explícitamente el software, incluidas las aplicaciones y sistemas de IA, independientemente de cómo se suministren.
Esto significa que los desarrolladores y proveedores de sistemas de IA para salud son tratados como fabricantes con responsabilidad objetiva: si un producto defectuoso causa daños, el fabricante debe indemnizar a la víctima. Se tiene en cuenta, además, la capacidad de los sistemas para seguir aprendiendo o actualizarse después de su puesta en el mercado, algo muy relevante en modelos que se recalibran con nuevos datos.
En caso de que se demuestre que el producto no cumple requisitos de seguridad establecidos en derecho de la UE o nacional diseñados para proteger frente al tipo de daño sufrido, se presumirá su carácter defectuoso, lo que refuerza la posición de las víctimas. Esto se suma a otras obligaciones ya existentes en materia de protección de datos, programas de seguridad en organizaciones españolas y regulación de productos sanitarios.
En ciberseguridad, el sector salud es especialmente vulnerable: historiales médicos digitalizados, sistemas interconectados y dependencia tecnológica lo convierten en un objetivo prioritario para ataques como el ransomware, con capacidad para paralizar hospitales. Los marcos regulatorios actuales exigen medidas reforzadas de seguridad, auditorías periódicas y monitorización continua del rendimiento y la robustez de los modelos para evitar tanto accesos indebidos como degradación (deriva) de su comportamiento con el tiempo.
Iniciativas europeas para impulsar la implantación de la IA en salud
Pese a todos los avances, la presencia de productos sanitarios basados en IA en el mercado y su integración profunda en la práctica clínica sigue siendo limitada. Para acelerar una adopción segura y equitativa, la Comisión Europea ha lanzado iniciativas como AICare@EU, coordinada por la Dirección General de Salud y Seguridad Alimentaria.
AICare@EU busca identificar y superar los principales obstáculos a la implantación de la IA en hospitales, especialmente públicos. Entre ellos se incluyen retos tecnológicos y de datos, barreras jurídicas y regulatorias, obstáculos organizativos y empresariales, y factores sociales y culturales (confianza de profesionales y pacientes, cultura de innovación, formación, etc.).
Dentro de este marco se han puesto en marcha acciones concretas: estudios sobre implantación real de IA en entornos clínicos, convocatorias de financiación como UEproSalud para fomentar la adopción de sistemas de IA en la práctica asistencial, o proyectos como SHAIPED, que usa la infraestructura del EEDS para desarrollar y validar modelos sobre datos federados.
La Comisión también está alineando las prioridades de IA con su estrategia 2024-2029, impulsando una estrategia específica para IA en servicios públicos (entre ellos la salud) y conectándola con iniciativas en biotecnología y medicina de precisión. La prevención de enfermedades cardiovasculares, por ejemplo, se ha marcado como área prioritaria en la que la IA puede aportar herramientas de cribado, estratificación de riesgo, apoyo al tratamiento y rehabilitación.
En paralelo, se están tejiendo colaboraciones internacionales con la OMS Europa, la OCDE y foros como el G7 y el G20 para compartir experiencias, armonizar políticas y evitar fragmentaciones regulatorias que dificulten el desarrollo de soluciones seguras y escalables más allá de las fronteras nacionales.
Riesgos, sesgos e implicaciones éticas de la IA en medicina
La IA en salud no son solo algoritmos que “funcionan” técnicamente; también plantea preguntas éticas y sociales de gran calado. Entre los riesgos más importantes destacan la privacidad de los datos, los sesgos en los algoritmos, la opacidad de algunos modelos (cajas negras) y el posible impacto en el empleo y la organización del trabajo sanitario.
Muchos sistemas de IA aprenden a partir de datos históricos. Si esos datos no son representativos de toda la población (por ejemplo, sobrerrepresentan a determinados grupos y excluyen a otros), el modelo puede aprender patrones biased, que se traducen en resultados menos fiables o claramente injustos para minorías o colectivos vulnerables. Se han documentado casos, por ejemplo, de sistemas de reconocimiento facial que funcionan peor en mujeres negras que en varones blancos, problema que se ha empezado a abordar con iniciativas como Gender Shades.
La Unión Europea ha elaborado directrices éticas para una IA fiable que insisten en que estos sistemas deben estar centrados en el ser humano, respetar los derechos fundamentales y atender especialmente a los grupos más vulnerables. Se subrayan principios como beneficencia, no maleficencia, autonomía, justicia y explicabilidad, junto con la necesidad de identificar áreas de preocupación crítica donde el impacto negativo potencial sea mayor.
Otro aspecto ético clave es la automatización de tareas y su impacto en el empleo. Robots y sistemas de IA pueden asumir tareas repetitivas o peligrosas (análisis de laboratorio de alto volumen, trabajo en entornos hostiles, etc.), lo que mejora seguridad y eficiencia, pero también puede desplazar ciertas funciones profesionales. La respuesta no pasa por frenar la tecnología, sino por reorientar roles, reforzar la formación y garantizar que la dimensión humana de la atención sanitaria no se diluya.
Por último, la cuestión de la explicabilidad y el control humano es central. Están ganando peso los enfoques de IA explicable (XAI), que ofrecen información sobre cómo el modelo ha llegado a una conclusión, y los modelos híbridos donde la decisión final sigue siendo responsabilidad del profesional sanitario, que se apoya en la IA como herramienta, pero sin perder el timón clínico.
En este contexto, proyectos de formación como másteres en aplicaciones de IA en salud o en Big Data sanitario resultan cruciales para contar con profesionales capaces de interpretar, validar y gobernar estos sistemas, y no solo de usarlos de forma acrítica.
La IA se está consolidando como un aliado estratégico en el ecosistema sanitario: mejora diagnósticos, agiliza la logística, impulsa la investigación y permite una atención más personalizada y preventiva. Pero para que este cambio sea realmente positivo, hace falta seguir reforzando la regulación, la ética y la supervisión clínica, invertir en infraestructuras de datos seguras como el EEDS y, sobre todo, apostar por la formación y la participación activa de los profesionales de la salud, que seguirán siendo quienes, con ayuda de la tecnología, tomen las decisiones que importan a las personas.
