La inteligencia artificial aplicada al diagnóstico médico constituye una transformación metodológica de gran importancia porque modifica una actividad que tradicionalmente depende de la integración humana de síntomas, signos, antecedentes, pruebas de laboratorio, imágenes y conocimiento clínico. En términos generales, su función diagnóstica consiste en identificar patrones presentes en grandes cantidades de datos y utilizarlos para estimar la probabilidad de que un paciente presente una determinada enfermedad, lesión o alteración fisiopatológica. Esta capacidad resulta particularmente relevante cuando los datos contienen relaciones complejas que son difíciles de reconocer mediante reglas clínicas explícitas. La evidencia científica acumulada demuestra que determinados sistemas pueden alcanzar un rendimiento diagnóstico comparable o incluso superior al de especialistas en tareas específicas, aunque este resultado no significa que la inteligencia artificial pueda sustituir de manera general al médico ni que una elevada precisión experimental garantice seguridad clínica en condiciones reales.
Fundamento de la inteligencia artificial aplicada al diagnóstico
El diagnóstico médico puede entenderse como un problema de inferencia bajo incertidumbre. El profesional recibe información incompleta y heterogénea y debe determinar qué enfermedades son compatibles con ella, cuáles son más probables, qué pruebas adicionales deben solicitarse y qué resultados modificarían sustancialmente la probabilidad diagnóstica. Los sistemas de inteligencia artificial intentan reproducir parcialmente este proceso mediante modelos matemáticos capaces de aprender asociaciones entre datos de entrada y resultados clínicos previamente establecidos.
En los sistemas tradicionales basados en reglas, un programador debía especificar relaciones explícitas, por ejemplo, que determinados signos combinados con determinados resultados de laboratorio aumentan la probabilidad de una enfermedad. En cambio, los métodos contemporáneos de aprendizaje automático pueden aprender dichas relaciones a partir de conjuntos de datos. El aprendizaje profundo representa una evolución especialmente importante porque utiliza redes neuronales con numerosas capas capaces de construir representaciones jerárquicas de los datos. En imágenes médicas, por ejemplo, las primeras capas pueden identificar estructuras elementales, mientras que capas posteriores pueden combinar esas características hasta reconocer patrones anatómicos o patológicos de mayor complejidad. El desarrollo de estos métodos ha sido especialmente relevante en radiología, dermatología, oftalmología, patología digital y endoscopia.
La ventaja fundamental de estos sistemas no consiste simplemente en calcular más rápido, sino en analizar simultáneamente numerosas variables y detectar regularidades que pueden resultar difíciles de apreciar visualmente. En principio, un modelo puede procesar imágenes, información clínica, resultados bioquímicos, datos fisiológicos y antecedentes médicos de manera integrada. Sin embargo, la capacidad de encontrar asociaciones estadísticas no equivale necesariamente a comprender los mecanismos biológicos de una enfermedad. Esta distinción es esencial: un modelo puede realizar una predicción correcta sin poseer una representación causal del proceso patológico que está identificando.
Diagnóstico mediante imágenes médicas
La radiología constituye uno de los campos donde la inteligencia artificial ha mostrado mayor desarrollo. Las imágenes digitales proporcionan grandes cantidades de información estructurada y permiten construir conjuntos de datos relativamente adecuados para entrenar modelos computacionales. Las aplicaciones comprenden la detección de nódulos pulmonares, fracturas, neumonía, lesiones intracraneales, cáncer de mama y múltiples alteraciones cardiovasculares, abdominales y musculoesqueléticas.
Una revisión sistemática y metaanálisis reciente que examinó estudios en los cuales radiólogos realizaron tareas de diagnóstico oncológico con y sin asistencia de inteligencia artificial encontró que la sensibilidad agrupada aumentó de 0.67 sin asistencia a 0.79 con asistencia, mientras que la especificidad aumentó de 0.82 a 0.87. Estos resultados sugieren que, en determinadas circunstancias, la inteligencia artificial puede mejorar simultáneamente la capacidad para identificar enfermedad y la capacidad para evitar resultados positivos incorrectos. No obstante, aproximadamente la mitad de los estudios incluidos presentaron preocupación por riesgo de sesgo, lo que demuestra que el rendimiento observado debe interpretarse conjuntamente con la calidad metodológica de las investigaciones.
La mamografía proporciona uno de los ejemplos más conocidos. Un sistema evaluado con grandes conjuntos de datos procedentes del Reino Unido y Estados Unidos mostró reducciones relativas en resultados falsamente positivos y falsamente negativos y alcanzó un área bajo la curva característica operativa del receptor superior a la del promedio de los radiólogos participantes. El hallazgo es importante porque demuestra que un algoritmo puede identificar determinados patrones relacionados con cáncer de mama con un rendimiento elevado. Sin embargo, el resultado correspondió a una tarea diagnóstica específica y bajo condiciones experimentales concretas; no demuestra que la inteligencia artificial pueda realizar por sí sola todo el proceso de diagnóstico, que incluye valoración clínica, interpretación contextual, indicación de pruebas complementarias, comunicación con la paciente y toma de decisiones terapéuticas.
La tuberculosis pulmonar también constituye un ejemplo especialmente ilustrativo. Diversas investigaciones han utilizado radiografías de tórax para identificar patrones compatibles con tuberculosis. Un metaanálisis que incluyó 61 estudios y 124,959 individuos encontró una sensibilidad agrupada de 91 % y una especificidad de 65 % en estudios clínicos, mientras que los estudios de desarrollo de modelos presentaron valores sustancialmente mayores. Esta diferencia es metodológicamente importante porque evidencia que un sistema puede funcionar extraordinariamente bien durante su desarrollo y mostrar un rendimiento inferior cuando se enfrenta a poblaciones clínicas diferentes.
Una revisión sistemática más reciente sobre sistemas de inteligencia artificial destinados a detectar tuberculosis mediante radiografías de tórax encontró buenos valores promedio de sensibilidad y especificidad, pero también señaló que la gran mayoría de los estudios correspondían a desarrollo de modelos y que solamente una proporción mínima había evaluado adecuadamente el cambio de dominio. El cambio de dominio ocurre cuando el modelo se utiliza sobre pacientes, hospitales, equipos, poblaciones o condiciones de adquisición diferentes de aquellos presentes durante su entrenamiento. Este fenómeno constituye una de las principales razones por las que el rendimiento observado en una investigación puede no reproducirse en la práctica clínica.
Inteligencia artificial en dermatología
La dermatología fue uno de los primeros campos en demostrar de manera convincente que una red neuronal profunda podía alcanzar un desempeño comparable al de especialistas humanos en una tarea diagnóstica visual. Un estudio entrenó una red neuronal convolucional utilizando 129,450 imágenes clínicas correspondientes a 2,032 enfermedades y posteriormente comparó su rendimiento con el de 21 dermatólogos certificados. En dos tareas de clasificación relacionadas con cáncer cutáneo, el sistema alcanzó un rendimiento comparable al de los especialistas evaluados.
La importancia de este resultado no reside solamente en que una máquina pueda clasificar imágenes. También demuestra que determinados aspectos del reconocimiento visual médico pueden ser formalizados matemáticamente a partir de ejemplos. La enfermedad puede manifestarse mediante diferencias sutiles en coloración, textura, geometría, distribución espacial y arquitectura de una lesión que un modelo entrenado con un número suficientemente grande de ejemplos puede aprender a asociar con determinadas categorías diagnósticas.
Sin embargo, una imagen dermatológica no contiene necesariamente toda la información requerida para establecer un diagnóstico definitivo. La localización de una lesión, su evolución temporal, síntomas asociados, exposición solar, edad, antecedentes familiares, medicamentos y características clínicas adicionales pueden modificar sustancialmente la interpretación. Por esta razón, un sistema especializado en clasificación de imágenes debe entenderse como un componente de un proceso diagnóstico más amplio.
Inteligencia artificial en oftalmología
La retinopatía diabética representa otro caso paradigmático porque las fotografías del fondo de ojo contienen manifestaciones visuales relativamente estructuradas de una enfermedad sistémica. Un algoritmo de aprendizaje profundo fue desarrollado para detectar retinopatía diabética a partir de fotografías retinianas y posteriormente validado con conjuntos de datos independientes. Este trabajo mostró que el aprendizaje profundo podía utilizar imágenes de retina para realizar una clasificación diagnóstica con elevado desempeño, demostrando la posibilidad de utilizar inteligencia artificial como instrumento de detección de enfermedades que, de otra manera, requieren evaluación especializada.
La importancia clínica de este tipo de aplicación radica en la posibilidad de ampliar el acceso al tamizaje. En regiones donde existen pocos especialistas, un sistema automatizado podría analizar imágenes obtenidas en centros periféricos y seleccionar a las personas que necesitan valoración especializada. La utilidad potencial, por tanto, no depende únicamente de que el algoritmo tenga una elevada sensibilidad, sino de que pueda incorporarse a una infraestructura clínica que permita confirmar los casos positivos y proporcionar tratamiento oportuno.
Patología digital y diagnóstico histopatológico
La patología digital constituye otro campo particularmente adecuado para la inteligencia artificial porque las muestras histológicas pueden digitalizarse como imágenes de muy alta resolución. El patólogo tradicional analiza estructuras celulares y tisulares, pero una imagen digital permite que los algoritmos cuantifiquen características morfológicas a escalas y velocidades difíciles de reproducir manualmente.
Una revisión sistemática y metaanálisis publicada en 2024 examinó la precisión diagnóstica de sistemas de inteligencia artificial aplicados a imágenes completas de preparaciones histológicas. El trabajo incluyó estudios que utilizaban como referencia diagnóstica la evaluación histopatológica y, cuando correspondía, la inmunohistoquímica. El propósito central fue determinar hasta qué punto los sistemas podían reproducir resultados diagnósticos a partir de imágenes digitalizadas. La revisión demuestra que esta área ha avanzado desde experimentos de prueba de concepto hacia evaluaciones formales de precisión diagnóstica.
Una ventaja potencial consiste en que el algoritmo puede cuantificar características que presentan variabilidad entre observadores. Por ejemplo, puede analizar densidad celular, tamaño nuclear, organización arquitectónica y distribución espacial de determinadas estructuras. Esto podría contribuir a una mayor reproducibilidad. Sin embargo, tampoco aquí debe confundirse clasificación automatizada con diagnóstico integral, porque el diagnóstico anatomopatológico puede requerir correlación con información clínica, características macroscópicas, estudios inmunohistoquímicos y, en determinados casos, estudios moleculares.
La inteligencia artificial no siempre mejora al médico
Una de las conclusiones más importantes de la investigación contemporánea es que demostrar que un algoritmo puede diagnosticar correctamente una enfermedad no es equivalente a demostrar que su utilización mejora la atención médica.
Esta diferencia se ha estudiado mediante ensayos en los cuales los profesionales realizan primero una interpretación convencional y posteriormente reciben asistencia algorítmica. Un ensayo clínico multicéntrico y prospectivo realizado con médicos no radiólogos encontró que la asistencia mediante inteligencia artificial aumentó significativamente el área bajo la curva característica operativa del receptor al interpretar radiografías de tórax y aumentó la sensibilidad, además de reducir determinadas derivaciones innecesarias. El resultado apoya la idea de que el modelo puede ser más útil como complemento de la evaluación profesional que como sustituto del profesional.
Un ensayo aleatorizado publicado en 2025 sobre diagnóstico de lesiones periapicales mostró igualmente que la asistencia mediante inteligencia artificial incrementó modestamente la exactitud diagnóstica de 91.6 % a 93.3 %, principalmente mediante reducción de resultados falsamente positivos. Sin embargo, la sensibilidad permaneció prácticamente sin cambios. Este resultado demuestra que el efecto de la inteligencia artificial puede manifestarse en una dimensión concreta del desempeño diagnóstico y no necesariamente producir una mejora uniforme en todos los indicadores.
La investigación con modelos de lenguaje de gran escala resulta todavía más compleja. En un estudio aleatorizado de médicos que resolvieron casos clínicos, el acceso a GPT-4 no produjo una mejora estadísticamente significativa del razonamiento diagnóstico frente a recursos convencionales, aunque redujo parcialmente el tiempo empleado. El mismo estudio mostró que el modelo utilizado de manera independiente podía obtener un desempeño superior al de los grupos de médicos evaluados. Esto pone de manifiesto una paradoja importante: una inteligencia artificial puede obtener una elevada puntuación en una tarea diagnóstica y, sin embargo, su incorporación al razonamiento de un médico no necesariamente incrementa el rendimiento del médico en la misma magnitud.
Investigaciones más recientes han comenzado a estudiar explícitamente la colaboración entre médicos e inteligencia artificial. Un ensayo aleatorizado de 2026 comparó diferentes formas de integrar un sistema basado en un modelo de lenguaje de gran escala dentro del proceso diagnóstico. La exactitud de los médicos aumentó cuando la inteligencia artificial funcionó como primera o segunda opinión, con resultados de 85 % y 82 %, respectivamente, frente a 75 % utilizando recursos convencionales. El sistema de inteligencia artificial utilizado de manera aislada obtuvo 90 %. Estos resultados apoyan un modelo de cooperación en el que la inteligencia artificial no sustituye automáticamente al clínico, sino que contribuye a generar y contrastar hipótesis diagnósticas.
El problema de los errores de la inteligencia artificial
La principal dificultad de la inteligencia artificial médica no es únicamente conseguir una alta exactitud promedio. El problema más importante es determinar cuándo se equivoca, por qué se equivoca y qué consecuencias tiene el error.
En medicina, los errores tienen una distribución asimétrica. No todos los errores tienen la misma importancia. Confundir dos enfermedades benignas puede tener consecuencias relativamente pequeñas, mientras que no reconocer un cáncer, una infección grave o una emergencia cardiovascular puede producir consecuencias potencialmente irreversibles.
Por ello, la evaluación de un sistema diagnóstico debe considerar sensibilidad, especificidad, valores predictivos, área bajo la curva característica operativa del receptor, calibración, tasas de falsos negativos y falsos positivos, rendimiento por subgrupos y consecuencias clínicas de las decisiones generadas.
Además, los valores predictivos dependen de la prevalencia de la enfermedad. Un algoritmo puede presentar una sensibilidad y una especificidad elevadas y aun así producir una proporción considerable de resultados falsamente positivos cuando se aplica a una población con baja prevalencia. Por esta razón, el desempeño observado en una población seleccionada para investigación no puede extrapolarse automáticamente a una población general.
Sesgo y desigualdad diagnóstica
Uno de los riesgos más importantes es el sesgo algorítmico. Los modelos aprenden de los datos disponibles y, por lo tanto, pueden aprender también las desigualdades, errores de medición y particularidades de las poblaciones presentes en esos datos.
Si un modelo se entrena predominantemente con pacientes pertenecientes a un grupo demográfico, una institución, un país o un tipo específico de equipo médico, su rendimiento puede disminuir cuando se utiliza en poblaciones diferentes. Esto puede producir desigualdades diagnósticas sistemáticas.
La investigación experimental ha demostrado que un modelo sesgado puede incluso perjudicar el razonamiento del médico. En un estudio aleatorizado realizado con 457 profesionales, la exactitud diagnóstica aumentó ligeramente cuando los participantes recibieron predicciones de un modelo no sesgado. Sin embargo, cuando las predicciones del modelo estaban sistemáticamente sesgadas, la exactitud de los profesionales disminuyó 11.3 puntos porcentuales respecto de su desempeño basal. Además, proporcionar explicaciones visuales no eliminó de manera fiable el daño producido por las predicciones sesgadas.
Este hallazgo es particularmente importante porque demuestra que la interacción entre médico e inteligencia artificial puede ser bidireccional. Un sistema incorrecto no necesariamente produce simplemente una segunda opinión incorrecta; puede modificar el razonamiento del profesional y aumentar la probabilidad de que este adopte una conclusión equivocada.
El problema de la generalización
Un modelo diagnóstico debe funcionar fuera del conjunto de datos utilizado para desarrollarlo. Esta propiedad se denomina generalización.
Supóngase que un sistema aprende a identificar neumonía utilizando radiografías provenientes de un hospital específico. Si en ese hospital las imágenes positivas fueron obtenidas principalmente con determinados equipos, protocolos o marcas radiográficas, el modelo puede aprender indirectamente características relacionadas con el hospital en lugar de aprender exclusivamente características de la enfermedad. Cuando posteriormente se utiliza en otro hospital, puede perder precisión.
Este problema se conoce como cambio de distribución o cambio de dominio. Las investigaciones sobre tuberculosis han mostrado que una gran proporción de estudios de inteligencia artificial todavía se concentra en el desarrollo de modelos y que existe una escasez considerable de evaluaciones de cambio de dominio.
Por esta razón, una evaluación rigurosa debe incluir validación externa, preferiblemente multicéntrica y prospectiva. El objetivo es demostrar que el sistema conserva su desempeño cuando cambian los pacientes, los hospitales, los equipos, los protocolos, los operadores y las condiciones epidemiológicas.
Sobreajuste y contaminación de los datos
Otro problema fundamental es el sobreajuste. Un modelo puede aprender demasiado bien las características específicas de los datos utilizados durante su entrenamiento y, en consecuencia, presentar un rendimiento aparentemente extraordinario sin poseer una capacidad equivalente para analizar casos nuevos.
El problema puede agravarse cuando las imágenes del mismo paciente aparecen, directa o indirectamente, en los conjuntos utilizados para entrenamiento y evaluación. Si esto ocurre, el resultado puede producir una estimación artificialmente elevada del desempeño.
Por ello, las investigaciones diagnósticas deben separar rigurosamente los conjuntos de entrenamiento, validación y prueba, idealmente a nivel de paciente. La evaluación externa independiente proporciona una protección adicional frente a este problema.
Sensibilidad y especificidad: por qué no basta con decir que la inteligencia artificial es “precisa”
Una afirmación como “la inteligencia artificial tiene 95 % de precisión” puede resultar clínicamente poco informativa.
La sensibilidad representa la capacidad de identificar correctamente a quienes presentan la enfermedad. Una sensibilidad elevada es particularmente importante cuando el coste de un falso negativo es alto.
La especificidad representa la capacidad de identificar correctamente a quienes no presentan la enfermedad. Una especificidad elevada adquiere especial importancia cuando los falsos positivos pueden provocar biopsias, procedimientos invasivos, ansiedad, sobretratamiento o utilización innecesaria de recursos.
Por ejemplo, los sistemas de inteligencia artificial estudiados para tuberculosis mediante radiografía de tórax han mostrado que aumentar la sensibilidad puede acompañarse de una reducción importante de la especificidad. Una revisión de sistemas comerciales certificados encontró, para diferentes productos, sensibilidades agrupadas elevadas acompañadas de especificidades considerablemente menores. Esto significa que el umbral de decisión debe adaptarse al objetivo clínico: no es necesariamente el mismo para un sistema de tamizaje que para un sistema destinado a confirmar enfermedad.
Por consiguiente, el rendimiento de un sistema debe evaluarse en relación con la pregunta clínica concreta. No existe una única combinación de sensibilidad y especificidad que sea óptima para todas las enfermedades y todos los escenarios.
Explicabilidad e interpretabilidad
Un problema adicional consiste en comprender por qué un sistema produjo una determinada predicción.
Una red neuronal profunda puede producir una clasificación correcta sin proporcionar una explicación equivalente al razonamiento clínico humano. Las técnicas de visualización pueden indicar qué regiones de una imagen contribuyeron a la predicción, pero señalar una zona de interés no demuestra necesariamente que el modelo haya utilizado una relación causal o clínicamente válida.
La importancia de este problema se vuelve evidente cuando un médico debe decidir si confiar en una recomendación algorítmica. Una predicción puede ser estadísticamente correcta pero basarse en una característica accidental de los datos. Por ello, la transparencia no debe reducirse a mostrar una imagen coloreada o una puntuación de probabilidad. También implica conocer cómo fue entrenado el sistema, con qué población, bajo qué condiciones, cuál es su población objetivo, qué limitaciones tiene y en qué circunstancias ha sido validado.
La Organización Mundial de la Salud considera precisamente la transparencia, la explicabilidad y la inteligibilidad como elementos fundamentales para el uso responsable de inteligencia artificial en salud. También establece que la autonomía humana, la seguridad, la responsabilidad, la equidad y la sostenibilidad deben formar parte de la gobernanza de estas tecnologías.
Inteligencia artificial generativa y diagnóstico
La aparición de modelos de lenguaje de gran escala ha ampliado el concepto de inteligencia artificial diagnóstica. A diferencia de los modelos especializados en imágenes, estos sistemas pueden procesar texto clínico, resumir historias médicas, generar diagnósticos diferenciales, proponer preguntas adicionales, organizar resultados de laboratorio y ayudar a estructurar información compleja.
Su potencial reside principalmente en la capacidad de integrar información heterogénea. Una historia clínica contiene datos narrativos que no necesariamente pueden representarse de manera eficiente mediante un modelo especializado exclusivamente en imágenes.
Sin embargo, los modelos generativos presentan un problema particular: pueden generar respuestas lingüísticamente convincentes que contienen información incorrecta. La fluidez lingüística no constituye evidencia de exactitud clínica. Por ello, un modelo puede construir un diagnóstico diferencial aparentemente razonable y, simultáneamente, atribuir una manifestación clínica a una enfermedad incorrecta o inventar una referencia inexistente.
La evidencia experimental disponible respalda una posición prudente. En el estudio aleatorizado de médicos mencionado anteriormente, el acceso a GPT-4 no produjo una mejora estadísticamente significativa del razonamiento diagnóstico frente a los recursos convencionales.
Además, una investigación de 2026 realizada con 1,298 participantes mostró que los modelos de lenguaje podían identificar correctamente condiciones clínicas en 94.9 % de los escenarios cuando se evaluaban directamente, pero las personas que recibían asistencia de esos mismos sistemas obtuvieron resultados considerablemente inferiores, con menos de 34.5 % de identificación correcta de las condiciones relevantes en el conjunto de escenarios evaluado. Esto demuestra que la capacidad interna del modelo y la capacidad de un sistema humano más inteligencia artificial pueden ser radicalmente diferentes. La interfaz, la interpretación del usuario, la formulación de las preguntas y la confianza depositada en la respuesta modifican el resultado clínico.
Automatización frente a asistencia
La cuestión central, por tanto, no debería formularse únicamente como “¿puede la inteligencia artificial diagnosticar una enfermedad?”, sino como “¿cuál es la mejor forma de integrar la inteligencia artificial en el proceso diagnóstico para mejorar los resultados del paciente?”.
Existen al menos tres modelos conceptuales.
- En el primer modelo, la inteligencia artificial actúa como herramienta de detección. Analiza grandes cantidades de información y señala aquellos casos que requieren revisión. Este modelo puede ser particularmente útil en tamizaje.
- En el segundo, funciona como segunda opinión. El médico realiza una evaluación independiente y posteriormente compara su razonamiento con la predicción algorítmica. Esta configuración puede ayudar a detectar omisiones.
- En el tercero, la inteligencia artificial participa como colaborador diagnóstico, integrando su análisis con el razonamiento clínico y señalando acuerdos, desacuerdos y elementos que requieren revisión. Las investigaciones recientes sobre flujos colaborativos sugieren que esta última configuración puede producir beneficios superiores a la utilización de la inteligencia artificial como simple sustituto del profesional.
La evidencia disponible favorece, por tanto, una concepción de la inteligencia artificial como sistema de apoyo a la decisión clínica, al menos mientras no existan pruebas suficientes de seguridad, generalización y beneficio clínico para delegar determinadas decisiones de manera autónoma.
Responsabilidad médica
La introducción de inteligencia artificial también plantea una cuestión jurídica y ética: quién es responsable cuando una recomendación algorítmica es incorrecta.
La existencia de un algoritmo no elimina la responsabilidad profesional. La Organización Mundial de la Salud establece que los seres humanos deben conservar el control de los sistemas de atención sanitaria y de las decisiones médicas, y que deben existir mecanismos de responsabilidad y reparación cuando una tecnología produzca perjuicios.
Esto implica que un médico no debería interpretar una recomendación algorítmica como una orden. Debe considerar la calidad de la información disponible, la plausibilidad clínica, los antecedentes del paciente y las limitaciones conocidas del sistema.
La inteligencia artificial puede proporcionar una probabilidad diagnóstica, pero la decisión médica implica además valores, preferencias del paciente, riesgos, beneficios, incertidumbre y contexto clínico.
Privacidad y seguridad de los datos
El diagnóstico mediante inteligencia artificial requiere grandes cantidades de información médica. Estos datos pueden incluir imágenes, resultados de laboratorio, antecedentes, información genética, notas clínicas y datos fisiológicos.
La utilización de estos datos plantea problemas de privacidad porque la información sanitaria posee un carácter especialmente sensible. La seguridad debe mantenerse durante la recopilación, almacenamiento, transmisión y procesamiento.
Además, anonimizar datos no siempre elimina completamente el riesgo de reidentificación cuando se combinan múltiples fuentes. La gobernanza de datos, por tanto, constituye un componente esencial del desarrollo de inteligencia artificial médica y no una consideración secundaria posterior al desarrollo técnico.
La Organización Mundial de la Salud señala que la protección de la privacidad y la confidencialidad constituye una condición fundamental para preservar la autonomía humana en el contexto de inteligencia artificial sanitaria.
Beneficios potenciales
La evidencia científica permite identificar varios beneficios plausibles y, en determinados ámbitos, demostrados experimentalmente.
- La primera ventaja es la detección temprana. Un sistema puede examinar rápidamente grandes cantidades de imágenes o registros y señalar anomalías potencialmente relevantes.
- La segunda es la estandarización. Un algoritmo puede aplicar el mismo procedimiento matemático a numerosos pacientes, reduciendo determinadas formas de variabilidad interobservador.
- La tercera es la escalabilidad. Una vez validado, un sistema puede analizar grandes cantidades de estudios sin aumentar proporcionalmente el número de especialistas necesarios.
- La cuarta es el apoyo en regiones con escasez de especialistas. Este aspecto puede ser especialmente importante en enfermedades que requieren interpretación de imágenes y en sistemas sanitarios donde la disponibilidad de especialistas es limitada. La investigación sobre tuberculosis constituye un ejemplo claro de esta posibilidad.
- La quinta es la reducción de determinadas tareas repetitivas. Los sistemas pueden priorizar estudios, realizar mediciones, comparar imágenes sucesivas y señalar cambios potencialmente relevantes.
- La sexta es la asistencia cognitiva. Los modelos de lenguaje pueden ayudar a organizar información y construir diagnósticos diferenciales, siempre que sus resultados sean comprobados mediante fuentes clínicas fiables y valoración profesional.
Limitaciones fundamentales
A pesar de estos avances, existen limitaciones que impiden considerar la inteligencia artificial como una solución universal.
- La primera es la dependencia de los datos. Un modelo es tan representativo como los datos utilizados para desarrollarlo.
- La segunda es la posibilidad de sesgo. Si determinadas poblaciones están subrepresentadas, el rendimiento puede ser desigual.
- La tercera es el cambio de dominio. Un sistema desarrollado en un entorno puede comportarse de manera diferente en otro.
- La cuarta es la incertidumbre. Incluso un sistema con excelente rendimiento promedio puede equivocarse en un caso individual.
- La quinta es la falta de comprensión causal. Una asociación estadística no implica necesariamente que el modelo haya identificado el mecanismo biológico responsable de la enfermedad.
- La sexta es la automatización excesiva de la confianza. Un médico puede aceptar una recomendación algorítmica incorrecta porque supone que la máquina es más objetiva o precisa que él mismo.
- La séptima es la dificultad para evaluar sistemas que cambian con el tiempo. Una modificación del modelo, de los datos o del entorno clínico puede alterar su comportamiento.
- La octava es que muchas investigaciones todavía evalúan resultados intermedios, como sensibilidad, especificidad o área bajo la curva, en lugar de desenlaces clínicos como mortalidad, complicaciones, calidad de vida, oportunidad terapéutica o reducción de procedimientos innecesarios. Las revisiones contemporáneas insisten precisamente en la necesidad de aumentar las evaluaciones clínicas externas y multicéntricas antes de generalizar estos sistemas.
Qué debe demostrar un sistema antes de utilizarse clínicamente
El desarrollo responsable de inteligencia artificial diagnóstica requiere una secuencia de evaluación considerablemente más rigurosa que demostrar que un modelo tiene una elevada exactitud sobre una base de datos.
Primero debe definirse con precisión la indicación clínica. No basta con decir que un modelo “diagnostica cáncer”; debe especificarse qué cáncer, en qué población, con qué prueba, en qué etapa del proceso diagnóstico y para qué decisión clínica.
Posteriormente debe realizarse una evaluación técnica utilizando conjuntos de datos adecuadamente separados. Después debe efectuarse una validación externa independiente.
La siguiente etapa debe determinar si el sistema funciona en condiciones clínicas reales. Esto requiere estudios prospectivos, multicéntricos y representativos de la población donde se pretende utilizar.
Debe demostrarse que el uso de la inteligencia artificial mejora algún resultado clínicamente significativo. Un algoritmo que aumenta la sensibilidad pero genera demasiados falsos positivos podría aumentar biopsias innecesarias. Un sistema que disminuye el tiempo de lectura pero aumenta falsos negativos podría ser perjudicial. Por tanto, el éxito no debe definirse exclusivamente mediante una métrica algorítmica.
La Organización Mundial de la Salud ha desarrollado un marco específico para la generación de evidencia de dispositivos médicos basados en inteligencia artificial, precisamente porque la evaluación debe abarcar entrenamiento, validación, evaluación y seguimiento durante su utilización.
Fuente y lecturas recomendadas:
- Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056.
- Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., Kim, R., Raman, R., Nelson, P. C., Mega, J. L., & Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.17216.
- McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., Back, T., Chesus, M., Corrado, G. S., Darzi, A., Etemadi, M., Garcia-Vicente, F., Gilbert, F. J., Halling-Brown, M., Hassabis, D., Jansen, S., Karthikesalingam, A., Kelly, C. J., King, D., … Shetty, S. (2020). International evaluation of an artificial intelligence system for breast cancer screening. Nature, 577(7788), 89–94. https://doi.org/10.1038/s41586-019-1799-6.
- World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance. World Health Organization.
- World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance—Executive summary. World Health Organization.
- Liu, X., Faes, L., Kale, A. U., Wagner, S. K., Fu, D. J., Bruynseels, A., Mahendiran, T., Moraes, G., Shamdas, M., Kern, C., Balaskas, K., Topol, E. J., Bachmann, L. M., Keane, P. A., & Denniston, A. K. (2019). A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: A systematic review and meta-analysis. The Lancet Digital Health, 1(6), e271–e297. https://doi.org/10.1016/S2589-7500(19)30123-2.
- Han, Z. L., Zhang, Y. Y., Li, J., Gao, S., Liu, W., Yang, W. J., & Xing, Z. H. (2025). A systematic review and meta-analysis of artificial intelligence software for tuberculosis diagnosis using chest X-ray imaging. Journal of Thoracic Disease, 17(5), 3223–3237. https://doi.org/10.21037/jtd-2025-604.
- Kottlors, J., Vargas, M. I., Hwang, G., … [La literatura reciente sobre inteligencia artificial en radiología] se encuentra sintetizada en revisiones sistemáticas contemporáneas que evalúan precisión, implementación y riesgo de sesgo.
- Kim, H. E., Kim, H. H., Han, B. K., Kim, K. H., Han, K., Nam, H., Lee, H. E., & Kim, E. K. (2020). Changes in cancer detection and false-positive recall in mammography using artificial intelligence: A retrospective, multireader study. The Lancet Digital Health, 2(3), e138–e148. https://doi.org/10.1016/S2589-7500(20)30003-0.
- Pul, U., Tichy, A., Pitchika, V., & Schwendicke, F. (2025). Impact of artificial intelligence assistance on diagnosing periapical radiolucencies: A randomized controlled trial. Journal of Dentistry, 160, 105868. https://doi.org/10.1016/j.jdent.2025.105868.
- Everett, S. S., et al. (2026). From tool to teammate in a randomized controlled trial of clinician-AI collaborative workflows for diagnosis. npj Digital Medicine. https://doi.org/10.1038/s41746-026-02545-1.
Aprende administración paso a paso
ADMINISTRACION DESDE CERO
