IA en medicina: cómo está transformando la salud en 2026

La inteligencia artificial aplicada a la medicina está hoy en tres sitios con resultados medibles: el diagnóstico por imagen, el descubrimiento de fármacos y la reducción de carga administrativa de los profesionales sanitarios. Todo lo demás sigue siendo promesa o piloto.

No soy médico, y precisamente por eso este artículo va con más cautela que entusiasmo. La IA médica es probablemente el campo con mayor potencial transformador de todos, y también en el que más caro sale exagerar.

El estado de la IA en medicina

La IA médica ha pasado de los artículos académicos a los hospitales. El cambio no ha sido repentino, pero la aceleración de los últimos dos años es real.

Dónde estamos:

• Cientos de dispositivos con IA aprobados por la FDA estadounidense y con marcado CE en Europa, concentrados sobre todo en radiología
• La predicción de estructura de proteínas, revolucionada por AlphaFold y sus sucesores, con Nobel de Química incluido en 2024
• Moléculas descubiertas o diseñadas con ayuda de IA en ensayos clínicos en fases avanzadas
• Modelos de lenguaje especializados en medicina que asisten en diagnóstico diferencial y revisión de literatura
• Transcripción y redacción automática de notas clínicas, que es hoy el uso más extendido y menos comentado

Ese último punto merece subrayarse porque contradice la narrativa habitual: el uso de IA que más tiempo está devolviendo a los médicos no es el diagnóstico, es la documentación. Los sistemas que escuchan la consulta y redactan la nota clínica se están adoptando mucho más rápido que cualquier herramienta diagnóstica, porque el retorno es inmediato y el riesgo, bajo.

La IA médica no es un médico artificial. Es un instrumento que permite a los médicos ver lo que antes era invisible y dedicar a los pacientes el tiempo que antes se comía el papeleo.

Diagnóstico asistido: dónde funciona de verdad

El diagnóstico por imagen es donde más ha avanzado. Y aquí voy a hacer algo que en este tema casi nadie hace: no darte porcentajes de precisión.

El motivo es que esas cifras se citan sin contexto y son engañosas. La precisión de un modelo depende del conjunto de datos con el que se evaluó, de la población, del equipo con el que se tomó la imagen y de si se comparó contra un especialista solo o contra un especialista con el modelo al lado. Verás circular tablas con "IA 95 %, humano 89 %" y esas comparaciones casi nunca son equiparables. Lo que sí es robusto y consistente entre estudios es el patrón de uso:

Especialidad	Qué aporta la IA	Cómo se usa en la práctica	Dónde falla
Radiología (mama)	Reduce cánceres no detectados	Como segundo lector junto al radiólogo	Falsos positivos que generan pruebas innecesarias
Radiología (pulmón, ictus)	Prioriza los casos urgentes en la cola	Triaje: marca qué mirar primero	Depende mucho del equipo y del protocolo
Dermatología	Cribado inicial masivo	Aplicaciones y atención primaria	Peor rendimiento en pieles oscuras
Oftalmología	Detección de retinopatía diabética	Cribado con cámara de fondo de ojo sin oftalmólogo presente	Calidad de imagen variable
Patología	Velocidad y consistencia	Señala las áreas que el patólogo debe revisar	Digitalización de muestras, que no todos los centros tienen

La conclusión que sostienen los estudios serios es siempre la misma: la combinación de médico y modelo rinde mejor que cualquiera de los dos por separado. Y el valor no está tanto en acertar más como en no cansarse: un modelo revisa la imagen número doscientas del día con la misma atención que la primera.

Descubrimiento de fármacos

Desarrollar un fármaco lleva del orden de diez a quince años y cuesta miles de millones, con una tasa de éxito bajísima. La IA está atacando varias fases del proceso:

Identificación de dianas. Modelos que cruzan datos genómicos, proteómicos y literatura científica para señalar qué proteínas o rutas biológicas son mejores objetivos.

Diseño de moléculas. IA generativa —la misma familia de tecnología que genera imágenes— proponiendo moléculas con propiedades concretas: que se una a esta proteína, sea soluble y no sea tóxica.

Predicción de estructura de proteínas. Es donde el avance ha sido más rotundo. Lo que antes exigía años de trabajo experimental se resuelve en minutos con una precisión notable, y las generaciones más recientes predicen además cómo interactúan las proteínas con otras moléculas. Esto ha acelerado la biología estructural entera.

Predicción de efectos adversos, antes de llegar a ensayos en humanos.

Resultados reales: varias compañías dedicadas al descubrimiento de fármacos con IA tienen moléculas en ensayos clínicos, y la fase inicial de descubrimiento se ha comprimido de años a meses.

Ahora la matización necesaria, porque es donde más se exagera: acortar el descubrimiento no acorta los ensayos clínicos. La fase que se lleva la mayor parte del tiempo y del dinero es probar en personas que el fármaco es seguro y eficaz, y eso no lo acelera ningún modelo. Que una molécula se diseñe en meses no significa que llegue a la farmacia en meses. Faltan años igualmente.

Medicina personalizada

La medicina tradicional funciona con promedios: "este tratamiento funciona en el 70 % de los pacientes". Pero tú no eres un promedio.

Farmacogenómica. Modelos que analizan tu perfil genético para anticipar qué fármacos funcionarán mejor, tu riesgo de ciertas enfermedades y qué dosis encaja con tu metabolismo.

Oncología de precisión. Análisis del perfil genético del tumor para elegir terapia, predicción de respuesta a inmunoterapia y detección temprana de recurrencia mediante biopsias líquidas.

Asistentes clínicos. Modelos especializados que apoyan en diagnóstico diferencial, detectan interacciones farmacológicas peligrosas y resumen literatura reciente relevante para un caso concreto. El desglose práctico para profesionales está en IA para médicos y, en el ámbito de farmacia, en IA para farmacéuticos.

Lo que ha cambiado en Europa: la regulación ya tiene fechas

Esta es la parte que más ha avanzado en 2026 y la que menos se cuenta en los artículos sobre IA médica.

El Reglamento Europeo de IA clasifica como de alto riesgo los sistemas de IA destinados a usos sanitarios. Sus obligaciones —gestión de riesgos, calidad de los datos, documentación técnica, registro de actividad, supervisión humana y robustez— se aplican por fases. Para los sistemas que son a la vez producto sanitario y requieren evaluación por un organismo notificado, el calendario europeo prevé su exigibilidad a partir de agosto de 2027, un año después que para otras categorías de alto riesgo. Es decir: no es futuro lejano, es la próxima planificación presupuestaria de cualquier hospital o fabricante. El marco general, en el Reglamento Europeo de IA.

Y sigue aplicándose todo lo anterior. Un sistema de IA con finalidad médica es un producto sanitario y necesita marcado CE bajo la normativa de productos sanitarios. El Reglamento de IA se suma a esa obligación, no la sustituye. Es un error común pensar que una cosa reemplaza a la otra.

Espacio Europeo de Datos Sanitarios. La Unión Europea aprobó en 2025 el reglamento que crea este espacio común, con dos vertientes: el uso primario, que da al paciente control sobre su historia clínica y su portabilidad entre países, y el uso secundario, que regula cómo se pueden aprovechar datos sanitarios para investigación y desarrollo de algoritmos. Su aplicación es progresiva a partir de finales de esta década. Para cualquiera que quiera entrenar modelos con datos de pacientes en Europa, es la norma que va a definir el tablero.

Y el RGPD por debajo de todo. Los datos de salud son categoría especial: exigen base legal reforzada, evaluación de impacto y garantías específicas. Cualquier proyecto que envíe información clínica a una API comercial sin ese trabajo previo hecho está construyendo sobre arena. Lo trato en RGPD e inteligencia artificial en la empresa.

IA y desigualdades sanitarias

Esto es lo que más me interesa del asunto. La distribución mundial de profesionales médicos es brutalmente desigual: según los datos de la Organización Mundial de la Salud, Europa occidental ronda los 40 médicos por cada 10.000 habitantes, mientras que buena parte del África subsahariana no llega a 3.

Región	Médicos por 10.000 habitantes (orden de magnitud)
Europa occidental	En torno a 40
Norteamérica	En torno a 30
América Latina	En torno a 20
Asia (media)	En torno a 15
África subsahariana	Por debajo de 3

En amplias zonas del mundo no hay radiólogos, ni dermatólogos, ni oftalmólogos. La IA no reemplaza a un médico, pero permite que un profesional de atención primaria ofrezca un nivel de cribado que antes exigía un especialista. Una enfermera con una cámara de fondo de ojo y un modelo puede detectar retinopatía diabética en una zona rural sin oftalmólogo en doscientos kilómetros.

Esto no es teoría: hay programas funcionando en India, Kenia y Brasil con resultados prometedores.

La IA en medicina no debería ser solo para los países ricos. Su mayor impacto potencial es llevar cribado de calidad a los cientos de millones de personas que hoy no tienen acceso a ninguno.

Los riesgos: lo que puede salir mal

Sesgo en los datos. Está documentado: modelos de dermatología que detectan peor el melanoma en pieles oscuras porque las imágenes de entrenamiento eran mayoritariamente de piel clara. La solución conceptual es obvia —datos diversos— y la implementación no lo es.

Sobreconfianza. El riesgo de que el profesional acepte el resultado del modelo sin cuestionarlo. Los falsos negativos son especialmente peligrosos, porque cierran el proceso diagnóstico. Por eso la supervisión humana no es una recomendación ética: en Europa es un requisito legal para los sistemas de alto riesgo.

Alucinaciones en los asistentes de texto. Un modelo de lenguaje general no es una fuente clínica. Puede citar un estudio que no existe con el mismo aplomo con el que cita uno real. Para uso clínico hay que exigir sistemas que respondan desde fuentes verificables y que citen, no que recuerden: la técnica se llama RAG y la explico en qué es RAG.

Privacidad. Los datos médicos son los más sensibles que existen. No hay atajo posible aquí.

Responsabilidad. Si un diagnóstico asistido falla y el paciente sufre daño, ¿quién responde? El marco europeo va aclarando obligaciones del proveedor y del desplegador, pero el reparto último sigue siendo terreno en construcción.

Regulación lenta frente a tecnología rápida. Los procedimientos de aprobación se diseñaron para dispositivos estáticos, y un modelo que se actualiza continuamente es un problema regulatorio nuevo. Se están adaptando los marcos, pero van por detrás.

Qué se preveía y qué está pasando de verdad

"El diagnóstico con IA será estándar": en curso y por especialidades. En radiología ya es rutina en muchos centros. En el resto, desigual y dependiente de la digitalización previa, que es el verdadero cuello de botella: sin las muestras o las imágenes digitalizadas y accesibles, no hay IA que valga.

"Tu asistente médico personal": mucho más lento de lo prometido. Los dispositivos vestibles detectan bien arritmias y patrones de sueño, y la integración real con tu historia clínica sigue siendo la excepción. El obstáculo no es el modelo: es la interoperabilidad de los sistemas sanitarios, que es justo lo que el Espacio Europeo de Datos Sanitarios intenta resolver.

"Fármacos diseñados por IA en el mercado": avanzando, sin llegar todavía. Hay candidatos en fases avanzadas y ninguno ha completado el recorrido. Los ensayos clínicos siguen tardando lo que tardan.

"Cirugía asistida por IA": incremental. La robótica quirúrgica está madura; la parte de IA autónoma dentro del quirófano avanza despacio y con razón.

"Medicina preventiva como norma": es la promesa más grande y la más lejana. Requiere datos longitudinales de calidad, y ese es precisamente el activo que menos disponible está.

Lo que puedes hacer hoy

Como paciente. Usa dispositivos vestibles con criterio: detectan bien algunas anomalías y también generan falsas alarmas. Pregunta a tu médico si en tu caso se están usando herramientas de apoyo diagnóstico. Y no uses un chatbot generalista como sustituto de una consulta: como apoyo para entender un informe o preparar preguntas, muy bien; como fuente de diagnóstico, no.

Como profesional sanitario. Fórmate en qué puede y qué no puede hacer la IA en tu especialidad, sin necesidad de programar. Exige evidencia clínica y marcado regulatorio a cualquier herramienta que te vendan, y desconfía de las demostraciones sin publicación detrás. Y ten muy presente el calendario del Reglamento de IA, porque afecta a las compras de tu centro. Contexto sectorial en IA para el sector salud.

Como sociedad. Exigir equidad en el acceso, transparencia en los algoritmos que afectan a la salud y financiación pública de investigación, para que esto no dependa solo de la inversión privada.

La IA no va a curar todas las enfermedades. Va a hacer que los diagnósticos sean más consistentes, que los médicos recuperen tiempo, que los fármacos se descubran antes y que el cribado llegue más lejos. Con todas las precauciones, eso ya es una noticia extraordinariamente buena.

Preguntas frecuentes

¿Puede la IA diagnosticar enfermedades mejor que un médico?

En tareas de imagen muy acotadas —detectar un nódulo, una lesión sospechosa, retinopatía diabética— los modelos alcanzan un rendimiento comparable al de un especialista, y son más consistentes porque no se cansan. Pero la comparación "IA contra médico" está mal planteada: lo que muestran los estudios serios es que médico y modelo juntos rinden mejor que cualquiera de los dos por separado.

¿Va la IA a sustituir a los médicos?

No. Va a sustituir tareas: redactar la nota clínica, revisar una imagen en primera pasada, buscar interacciones entre fármacos, resumir literatura. Lo que no sustituye es la exploración física, la decisión en un contexto ambiguo, la comunicación de un diagnóstico difícil y la responsabilidad legal de la decisión. De hecho, el uso más adoptado hoy no es diagnóstico: es documentación.

¿Es legal usar IA para diagnóstico médico en España?

Sí, con condiciones estrictas. Un sistema con finalidad médica es un producto sanitario y necesita marcado CE. Además, el Reglamento Europeo de IA lo clasifica como de alto riesgo, con obligaciones de gestión de riesgos, calidad de datos, documentación, trazabilidad y supervisión humana, exigibles por fases y con agosto de 2027 como hito para los productos sanitarios. Y sobre todo ello, el RGPD, que trata los datos de salud como categoría especial.

¿Puedo usar ChatGPT para consultar síntomas?

Como apoyo para entender un informe médico, preparar preguntas para la consulta o aclarar terminología, es útil. Como fuente de diagnóstico, no: un modelo general no conoce tu historia, no te explora y puede afirmar cosas falsas con total seguridad. Y ojo con lo que escribes: los datos de salud son de los más sensibles que existen y en un plan de consumidor no tienen las garantías de un entorno sanitario.

¿Qué es AlphaFold y por qué importa tanto?

Es el sistema que predice la estructura tridimensional de las proteínas a partir de su secuencia, un problema que llevaba décadas abierto y que exigía años de trabajo experimental por cada proteína. Su impacto en biología estructural fue tan grande que sus responsables recibieron el Nobel de Química en 2024. Importa porque conocer la forma de una proteína es el punto de partida para diseñar un fármaco que actúe sobre ella.

¿Están llegando ya fármacos descubiertos con IA a las farmacias?

Todavía no, y conviene ser preciso con esto. Hay moléculas descubiertas o diseñadas con ayuda de IA en ensayos clínicos avanzados, y la fase de descubrimiento se ha acortado de años a meses. Lo que no se ha acortado es la parte que consume la mayor parte del tiempo: demostrar en personas que el fármaco es seguro y eficaz. Eso sigue llevando años.

¿Es fiable la IA para detectar cáncer de piel desde una app?

Como cribado inicial que te empuja a ir al dermatólogo, puede tener valor. Como decisión final, no. Hay dos limitaciones documentadas: el rendimiento es peor en pieles oscuras porque los datos de entrenamiento estaban sesgados, y la calidad de la foto que haces con el móvil condiciona el resultado mucho más de lo que parece. Un resultado tranquilizador de una app no sustituye una revisión.

¿Qué riesgos tiene la IA en medicina?

Cuatro principales: sesgo en los datos de entrenamiento, que hace que funcione peor en poblaciones infrarrepresentadas; sobreconfianza del profesional, especialmente peligrosa ante falsos negativos; privacidad de unos datos que son los más sensibles que existen; y el reparto de responsabilidad cuando algo sale mal, que sigue sin estar del todo cerrado jurídicamente.

¿Qué es el espacio europeo de datos sanitarios?

Es el reglamento europeo aprobado en 2025 que crea un marco común para los datos de salud, con dos caras. Una da al paciente control sobre su historia clínica y permite que le acompañe entre países de la Unión. La otra regula bajo qué condiciones esos datos pueden usarse para investigación y desarrollo de algoritmos. Se aplica de forma progresiva y va a ser determinante para cualquiera que quiera entrenar modelos médicos en Europa.

¿Cómo puede la IA reducir desigualdades sanitarias?

Permitiendo que profesionales sin especialización realicen cribados que hasta ahora exigían un especialista. En zonas donde hay menos de tres médicos por cada diez mil habitantes, una cámara de fondo de ojo con un modelo detrás puede detectar retinopatía diabética sin que haya un oftalmólogo en cientos de kilómetros. Ya hay programas funcionando con esta lógica en India, Kenia y Brasil.