Imagina entrar a la consulta de urgencias. El médico te mira a los ojos en lugar de mirar la pantalla. Te escucha con atención, sin teclear furiosamente en el ordenador cada vez que describes un síntoma. No es que haya dejado de tomar nota, es que el micrófono inteligente de la sala lo está haciendo por él.
Esto ya no es ciencia ficción. La adopción de la inteligencia artificial por parte de los profesionales de la salud se ha disparado, alcanzando a un 81% de los facultativos encuestados en regiones como Latinoamérica en este 2026. A veces nos imaginamos la medicina del futuro como una sala llena de cirujanos robot, pero la verdadera revolución tecnológica actual consiste, sencillamente, en devolverle al médico el tiempo necesario para tratar con pacientes humanos. Aunque llegar a este punto de confianza nos ha costado unas cuantas décadas.
Los tropiezos de la «inteligencia artificial en medicina» en los años 70
La idea de que una máquina diagnostique enfermedades no es nueva. En la Universidad de Stanford, allá por la década de 1970, crearon un sistema experto llamado MYCIN. Su trabajo era diagnosticar infecciones graves en la sangre, como la sepsis, y recomendar antibióticos.
Sorprendentemente, funcionaba. Evaluaciones de la época demostraron que MYCIN lograba una tasa de acierto del 65%, superando con holgura la precisión de los propios especialistas en enfermedades infecciosas de Stanford, que oscilaban entre un 42,5% y un 62,5%.
Pero MYCIN jamás llegó a tratar a un paciente real. ¿El motivo? Cuestiones puramente prácticas. En los 70 no existían las historias clínicas electrónicas. Para que el programa funcionara, el médico tenía que abandonar al paciente, sentarse frente a una terminal ruidosa y meter a mano cientos de datos fisiológicos. Además, si la máquina se equivocaba, nadie tenía claro quién asumía la responsabilidad legal: si el médico, el programador o la universidad. Era un avance brillante en el laboratorio, pero un desastre operativo en la planta del hospital.
Los modelos de IA clínica que sí se han graduado
Hoy el escenario es radicalmente distinto. Hemos dejado atrás los sistemas basados en reglas rígidas para abrazar un ecosistema donde conviven modelos comerciales y alternativas de código abierto (open-weight). Google, por ejemplo, lanzó en enero de 2026 MedGemma 1.5, un modelo que superó a los sistemas cerrados en los exámenes de licencia médica (MedQA). Lo realmente útil es que los hospitales pueden ejecutarlo de forma local en sus propios ordenadores. Esto resuelve de un plumazo los dolores de cabeza sobre la privacidad de los datos.
El abanico de opciones ha crecido tanto que cada hospital puede elegir la herramienta exacta para su problema. Si un centro universitario necesita auditar cada decisión, puede instalar Meditron, un modelo entrenado únicamente con literatura científica abierta. Para los casos clínicos más enrevesados han surgido alternativas como DeepSeek-R1, que utiliza cadenas de pensamiento lógico para debatir consigo mismo y afinar el diagnóstico diferencial. Incluso el problema de las invenciones algorítmicas se está mitigando gracias a plataformas como Baichuan-M3, que ha logrado hundir la tasa de alucinaciones al 3,5%. Al final, ya no dependemos de un único gran sistema, sino de especialistas de silicio.
Junto a esta base, estamos viendo avances muy serios en pruebas concretas. Sistemas comerciales como Med-Gemini analizan ya resonancias tridimensionales y redactan informes con una precisión casi idéntica a la de un radiólogo humano. Al mismo tiempo, los modelos con ventanas de contexto masivas permiten volcar el historial completo de un paciente de los últimos diez años. La máquina lo procesa de un solo vistazo y encuentra correlaciones que a nosotros nos llevaría horas buscar entre archivos antiguos.
El fin del papeleo interminable
Uno de los cuellos de botella de la sanidad moderna está frente al teclado. El flujo de trabajo lleva años lastrado por la enorme cantidad de documentación que los médicos deben rellenar, un factor que dispara directamente las tasas de agotamiento profesional (burnout). Aquí entran los escribas clínicos ambientales. Son micrófonos inteligentes que, previo consentimiento del paciente, escuchan la consulta y estructuran los datos automáticamente en el historial.
El proceso va mucho más allá de un simple dictado de voz. El software procesa la conversación en lenguaje natural, descarta las charlas irrelevantes sobre el tráfico o el clima y extrae limpiamente los antecedentes y el plan de tratamiento. Esto cambia por completo la dinámica dentro de la sala. En hospitales muy masificados como Intermountain Health, los facultativos reportan una mejora brutal en su bienestar y en la relación con los enfermos. Poder mirar a los ojos de quien te habla en lugar de clavar la vista en una pantalla tiene un valor terapéutico que los gestores a veces olvidan.
Actualmente, herramientas integradas en los centros como Nuance DAX Copilot ya logran reducir a la mitad el tiempo dedicado a redactar informes por visita. Pero lo más interesante viene de plataformas más ágiles como Abridge, que asocian cada término médico del informe a un marcador de audio. Si el médico lee «dolor agudo en el costado» y duda, hace clic y reproduce exactamente el segundo donde el paciente lo mencionó. Además, estas IA ya empiezan a rellenar de forma autónoma el papeleo burocrático de las aseguradoras en tiempo real. Esto suprime de raíz la tarea más frustrante de la jornada médica.
Las reglas para la inteligencia artificial en medicina
Evidentemente, no puedes conectar un algoritmo de lenguaje masivo a un hospital sin más. Europa y Estados Unidos han tenido que ponerse serios con la regulación para evitar alucinaciones médicas y sesgos peligrosos.
La Unión Europea aplica de forma estricta el AI Act, que exige evaluaciones rigurosas y supervisión humana en tiempo real para cualquier algoritmo de alto riesgo (como los que asisten en el diagnóstico o la dosificación de medicamentos). Saltarse estas normas a partir de agosto de 2026 implica multas de hasta 35 millones de euros.
A nivel nacional, España aprobó en noviembre de 2025 la Estrategia de Inteligencia Artificial para el Sistema Nacional de Salud (eIASNS). Su objetivo principal es crear un «Sello de Calidad SNS» que sirva para validar técnicamente las herramientas antes de que toquen el sistema público. Todo esto se apoya en infraestructuras como el proyecto IMPaCT, que recopila datos de alta calidad para entrenar algoritmos de medicina predictiva y farmacogenómica adaptados a nuestra población.
El miedo a que la inteligencia artificial deje sin trabajo a los profesionales de la salud se está diluyendo. Lo que estamos construyendo es inteligencia aumentada. La tecnología asume el trabajo estadístico pesado y el papeleo repetitivo, permitiendo que el juicio final y la empatía sigan dependiendo de las personas.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
