La inteligencia artificial en medicina ha pasado de las promesas académicas a la práctica clínica real. En 2026, más de 900 dispositivos y algoritmos médicos con IA tienen aprobación de la FDA estadounidense, y la EMA europea ha autorizado más de 200. Desde la detección temprana de cáncer de mama hasta la predicción de crisis de diabetes, la IA está cambiando cómo se diagnostica y trata a los pacientes. Cómo periodista tecnológico que ha cubierto esta intersección durante más de 10 años, y cómo paciente que ha experimentado en primera persona un diagnóstico asistido por IA, considero que es una de las aplicaciones más transformadoras de esta tecnología.
Lo clave: la IA médica en 2026 destaca en tres áreas: análisis de imagen médica (radiología, dermatología, oftalmología), predicción de riesgo (cardiovascular, diabetes, sepsis) y descubrimiento de fármacos (reducción del tiempo de desarrollo de 10-15 años a 4-6 años). No reemplaza a los médicos sino que los potencia, reduciendo errores diagnósticos que según la OMS afectan a 1 de cada 10 pacientes.
IA en diagnóstico por imagen: donde más brilla
La radiología es el campo donde la IA ha demostrado mayor impacto clínico. Algoritmos de deep learning entrenados con millones de imágenes médicas detectan patologías que el ojo humano puede pasar por alto, especialmente en condiciones de fatiga o alta carga de trabajo.
Mamografías: el sistema de IA de Google Health (publicado en Nature, 2020) reduce los falsos negativos un 9,4 % y los falsos positivos un 5,7 % respecto a radiólogos expertos. En Suecia, un estudio de 2023 con 80.000 pacientes demostró que la IA detectó un 20 % más de cánceres que la doble lectura humana estándar, sin aumentar los falsos positivos.
Retinopatía diabética: el sistema IDx-DR (ahora LumineticsCore) fue el primer dispositivo de IA en recibir aprobación de la FDA para diagnóstico autónomo (2018). Analiza fotos del fondo de ojo y diagnostica retinopatía diabética sin necesidad de que un oftalmólogo interprete la imagen. Se usa en más de 300 centros de atención primaria en EE. UU.
Dermatología: apps cómo SkinVision (4,99 €/mes) y DermAssist de Google analizan fotos de lunares y lesiones cutáneas para evaluar el riesgo de melanoma. Su sensibilidad es del 95 % para melanomas, comparable a dermatólogos expertos. No sustituyen la biopsia, pero aceleran la detección en consultas de atención primaria. Para entender cómo la fotografía móvil puede captar imágenes con calidad suficiente para estas apps, esa guía es relevante.
IA predictiva: anticiparse a la enfermedad
La IA predictiva analiza datos de historia clínica, genética, estilo de vida y monitorización continua para predecir crisis antes de que ocurran. Los modelos de predicción de sepsis, implantados en hospitales cómo el Johns Hopkins, alertan a los intensivistas hasta 12 horas antes de que el paciente desarrolle sepsis, permitiendo intervención temprana que reduce la mortalidad un 18-20 %.
En España, el Hospital Clínic de Barcelona usa IA para predecir descompensaciones en pacientes con insuficiencia cardíaca, analizando datos de dispositivos wearables (frecuencia cardíaca, actividad, peso diario) y alertando al equipo médico cuando el algoritmo detecta un patrón preocupante. Desde su implantación en 2024, las readmisiones hospitalarias se han reducido un 22 %.
Los wearables de consumo contribuyen a este ecosistema. El Apple Watch Series 10 detecta fibrilación auricular con una sensibilidad del 98 %, y la función de oximetría de pulso ha alertado a usuarios de apnea del sueño no diagnosticada. El Bluetooth de los wearables hace posible esta transmisión continua de datos de salud.
Descubrimiento de fármacos acelerado
El desarrollo de un fármaco nuevo cuesta una media de 2.600 millones de dólares y tarda 10-15 años. La IA está comprimiendo ambas cifras. AlphaFold de DeepMind (2020-2024) predijo la estructura 3D de más de 200 millones de proteínas, un conocimiento que habría llevado décadas de trabajo experimental. Esto acelera la identificación de dianas terapéuticas y el diseño de moléculas candidatas.
Insilico Medicine, una biotech que usa IA para el descubrimiento de fármacos, llevó un candidato para fibrosis pulmonar idiopática desde la identificación de la diana hasta el inicio de ensayos clínicos de fase II en solo 30 meses (frente a los 5-7 años habituales). Recursion Pharmaceuticals procesa 2 millones de experimentos semanales con robots y modelos de IA.
En España, el Barcelona Supercomputing Center (BSC-CNS) lidera proyectos de IA para el descubrimiento de fármacos contra enfermedades raras, utilizando el supercomputador MareNostrum 5 para simulaciones moleculares que serían imposibles en hardware convencional.
Riesgos y limitaciones reales
Sesgo en los datos. Los algoritmos de IA médica se entrenan con datasets que históricamente sobrerrepresentan pacientes blancos de países desarrollados. Un estudio de MIT/Harvard (2023) mostró que los modelos de detección de melanoma tenían un 15 % más de falsos negativos en pieles oscuras. Esfuerzos cómo el proyecto STANDING Together de la OMS buscan crear datasets más representativos.
La «caja negra» del diagnóstico. Muchos modelos de deep learning no explican su razonamiento: dicen «esto es probablemente un tumor» pero no por qué. La medicina exige explicabilidad, y la regulación europea (AI Act, artículo 14) exige supervisión humana para sistemas de alto riesgo cómo los médicos. Nuestra guía sobre la cartera digital europea explica cómo la regulación digital europea afecta también a la sanidad.
Sobrediagnóstico. La IA es muy sensible: detecta anomalías que un humano ignoraría. Esto puede llevar a biopsias, pruebas y tratamientos innecesarios. El equilibrio entre sensibilidad y especificidad es el gran desafío clínico.
El sistema sanitario español y la IA
El SNS (Sistema Nacional de Salud) español está integrando IA gradualmente. La Estrategia Nacional de IA 2024-2027 incluye 120 millones de euros para IA en salud. Hospitales cómo el Gregorio Marañón (Madrid), el Clínic (Barcelona) y el Virgen del Rocío (Sevilla) lideran la implantación.
La receta electrónica con IA de Andalucía detecta interacciones medicamentosas peligrosas entre fármacos prescritos por diferentes especialistas, alertando al médico antes de confirmar la prescripción. Desde su activación en 2025, ha evitado más de 15.000 interacciones potencialmente graves.
Mi valoración
La IA médica no es ciencia ficción: está salvando vidas hoy. He experimentado personalmente un diagnóstico asistido por IA que detectó una lesión que el primer médico había pasado por alto, y eso me hizo pasar de escéptico a convencido. Pero es crucial entender que la IA es una herramienta, no un médico. El mejor resultado se obtiene cuando la IA analiza los datos y el médico toma la decisión final con toda la información sobre la mesa. Los riesgos de sesgo, sobrediagnóstico y dependencia tecnológica son reales y deben abordarse, pero el balance neto es extraordinariamente positivo. En 5-10 años, un diagnóstico médico sin apoyo de IA nos parecerá tan extraño cómo un coche sin airbags.
Preguntas frecuentes
¿Puedo fiarme de las apps que diagnostican con IA?
Las apps con certificación de dispositivo médico (cómo SkinVision o IDx-DR, marcado CE en Europa) han pasado validación clínica rigurosa. Las apps sin certificación (la mayoría de «checkers de síntomas») no deben usarse para diagnóstico. Cómo regla: si la app tiene marcado CE cómo dispositivo médico, es razonablemente fiable cómo cribado. Pero ninguna app sustituye la consulta presencial con un profesional.
¿Mi médico ya usa IA sin que yo lo sepa?
Es posible. Muchos hospitales usan herramientas de IA integradas en los sistemas de imagen (PACS) que sugieren hallazgos al radiólogo. El AI Act europeo exige informar al paciente cuando se usa IA en decisiones que le afectan (artículo 52), pero el grado de cumplimiento varía. Tienes derecho a preguntar a tú médico si ha usado alguna herramienta de IA en tú diagnóstico.
¿Es la IA igual de precisa que un médico humano?
Depende de la tarea. En tareas muy delimitadas (detección de melanomas en imagen, retinopatía diabética en fondo de ojo, identificación de fracturas en radiografías) los modelos de IA pueden igualar o superar a especialistas humanos en estudios controlados. Pero en diagnósticos complejos que requieren contexto clínico, exploración física e historial completo, la IA está lejos de sustituir el juicio médico. La fórmula que mejor funciona es médico + IA, no IA sola.
☞ El artículo completo original de Juan Diego Polo lo puedes ver aquí
