IA en salud: del diagnóstico por imágenes al descubrimiento de fármacos

La atención médica está experimentando lo que podría ser su transformación tecnológica más significativa desde la introducción de los antibióticos. La inteligencia artificial — específicamente el aprendizaje profundo, el procesamiento de lenguaje natural y el aprendizaje por refuerzo — no solo está automatizando procesos existentes. Está habilitando capacidades completamente nuevas: detectar cánceres años antes de que sean visibles al ojo humano, predecir qué moléculas farmacológicas se unirán a una proteína diana sin sintetizarlas en un laboratorio, y sintetizar toda la historia clínica de un paciente en recomendaciones de tratamiento accionables en segundos. Pero la brecha entre lo que la IA puede hacer en un laboratorio de investigación y lo que entrega en una sala de hospital sigue siendo significativa, y cerrarla requiere comprender tanto la tecnología como las restricciones únicas de la prestación de salud.

IA en diagnóstico por imágenes

Las imágenes médicas fueron el primer área clínica donde la IA demostró un impacto claro y medible. La razón es estructural: las imágenes médicas son datos de alta dimensionalidad con etiquetas bien definidas (enfermedad o no, maligno o benigno), y la tarea diagnóstica es fundamentalmente reconocimiento de patrones — exactamente el problema en el que el aprendizaje profundo sobresale.

En dermatología, investigadores de Stanford demostraron en 2017 que una red neuronal convolucional podía clasificar cáncer de piel con una precisión comparable a la de dermatólogos certificados. El sistema de IA de Google Health para detectar retinopatía diabética a partir de fotografías de fondo de ojo alcanzó una sensibilidad del 97,5% y una especificidad del 93,4% en la validación clínica — superando a la mayoría de los oftalmólogos del estudio. En mamografía, los sistemas de IA se usan rutinariamente como segundo lector en programas europeos de screening mamario, detectando cánceres que los radiólogos humanos pasan por alto mientras reducen las tasas de falsos positivos.

Sin embargo, la realidad de la implementación es más matizada de lo que sugieren los titulares de investigación. Los sistemas de imágenes con IA son altamente sensibles al cambio de distribución — un modelo entrenado con imágenes de un tipo de escáner, población de pacientes o protocolo de imagen puede tener un desempeño pobre con imágenes de un contexto diferente. Un sistema de IA que logra 95% de precisión en el dataset con el que fue entrenado podría caer al 80% cuando se despliega en un hospital con equipamiento diferente. Esta no es una preocupación hipotética; se ha documentado repetidamente en implementaciones reales y es una de las razones principales por las que los organismos reguladores exigen validación clínica exhaustiva antes de la aprobación.

• Triaje radiológico: Los sistemas de IA priorizan automáticamente hallazgos urgentes (neumotórax, hemorragia intracraneal, embolia pulmonar) en las colas de imágenes, asegurando que los casos críticos lleguen a un radiólogo en minutos en lugar de horas. Esta es una de las aplicaciones de IA en imágenes de mayor valor y menor riesgo.
• Análisis cuantitativo: La IA extrae mediciones precisas — volumen tumoral, dimensiones de órganos, scores de calcificación vascular — que son consumidoras de tiempo y propensas a error cuando se hacen manualmente. Estos biomarcadores cuantitativos permiten un seguimiento más objetivo de la progresión de la enfermedad.
• Screening a escala: En entornos con recursos limitados, la IA puede habilitar programas de tamizaje que serían imposibles con la expertise humana disponible. Detectar tuberculosis en radiografías de tórax en clínicas rurales, tamizar retinopatía diabética en atención primaria y triaje de cáncer cervical en países de bajos ingresos son aplicaciones donde el impacto de la IA en la equidad en salud es más directo.
• Integración multimodal: Los sistemas más avanzados combinan datos de imágenes con notas clínicas, resultados de laboratorio y datos genómicos para proporcionar evaluaciones diagnósticas integradas — yendo más allá de lo que cualquier estudio de imagen individual puede revelar.

Descubrimiento y desarrollo de fármacos

Si el diagnóstico por imágenes es donde la IA se demostró por primera vez en salud, el descubrimiento de fármacos es donde puede tener, en última instancia, el mayor impacto. El pipeline tradicional de desarrollo farmacológico es extraordinariamente costoso (promediando USD 2.600 millones por fármaco aprobado, según el Tufts Center for Drug Development) y dolorosamente lento (10-15 años desde el descubrimiento inicial hasta la aprobación de mercado). La tasa de fracaso es asombrosa — aproximadamente el 90% de los fármacos que entran en ensayos clínicos nunca llegan a los pacientes.

La IA está atacando este problema en múltiples etapas. En la identificación de blancos, los modelos de machine learning analizan datos genómicos, redes de interacción proteica y modelos de vías patológicas para identificar nuevos blancos terapéuticos que los investigadores humanos podrían no haber considerado. En el screening molecular, los modelos de IA generativa diseñan nuevas estructuras moleculares optimizadas para propiedades específicas — afinidad de unión, selectividad, solubilidad, toxicidad — explorando un espacio químico mucho mayor que el que cualquier biblioteca física podría contener.

El avance de AlphaFold en la predicción de estructuras de proteínas — resolviendo un problema que había desconcertado a la biología computacional durante 50 años — ha sido transformador. Conocer la estructura 3D de una proteína es esencial para diseñar fármacos que interactúen con ella de manera precisa. Anteriormente, determinar la estructura de una sola proteína podía llevar meses o años de trabajo experimental. AlphaFold puede predecirla en minutos con una precisión cercana a la experimental. La base de datos de estructuras proteicas de AlphaFold contiene ahora estructuras predichas para más de 200 millones de proteínas — esencialmente cada proteína conocida por la ciencia.

Los resultados están comenzando a materializarse en la clínica. El fármaco descubierto por IA de Insilico Medicine para la fibrosis pulmonar idiopática entró en ensayos clínicos de Fase II, convirtiéndose en uno de los primeros fármacos originados enteramente por IA en avanzar hasta ese punto. Recursion Pharmaceuticals utiliza IA para analizar imágenes celulares a escala masiva e identificar candidatos farmacológicos para enfermedades raras. La expertise de Xcapit en desarrollo de IA y machine learning se extiende a la construcción del tipo de pipelines de datos, arquitecturas de modelos e infraestructura de despliegue que sustentan estos avances.

Sistemas de apoyo a la decisión clínica

Los Sistemas de Apoyo a la Decisión Clínica (CDSS) representan quizás la aplicación más ambiciosa — y más desafiante — de la IA en salud. El objetivo es integrar todos los datos disponibles del paciente (historias clínicas electrónicas, imágenes, resultados de laboratorio, perfiles genómicos, literatura médica publicada) y proporcionar a los médicos recomendaciones basadas en evidencia en el punto de atención.

El potencial es enorme. Los estudios han demostrado que los errores diagnósticos afectan a aproximadamente 12 millones de estadounidenses anualmente, y los errores de medicación lesionan a 1,5 millones de personas cada año. Los CDSS impulsados por IA pueden señalar interacciones farmacológicas, identificar pacientes en riesgo de sepsis horas antes de que aparezcan los signos clínicos, sugerir protocolos de tratamiento basados en evidencia ajustados a las características individuales del paciente, y alertar a los médicos cuando los resultados de pruebas o los signos vitales se desvían de los patrones esperados.

El desafío es que la toma de decisiones clínicas involucra mucho más que reconocimiento de patrones. Requiere comprender las preferencias del paciente, sopesar evidencia incierta, tomar decisiones con información incompleta y comunicarse con empatía. Los diseños de CDSS más efectivos posicionan a la IA como un agregador de información y detector de anomalías que presenta información relevante para la consideración del médico — no como un tomador de decisiones autónomo. La fatiga de alertas es un problema bien documentado: si el sistema genera demasiadas alertas, los médicos aprenden a ignorarlas todas, anulando completamente el propósito.

Desafíos regulatorios y éticos

El panorama regulatorio para la IA en salud está evolucionando rápidamente pero permanece fragmentado e incierto. La FDA ha autorizado más de 900 dispositivos médicos habilitados con IA/ML hasta 2025, pero la mayoría están en radiología y categorías de riesgo relativamente bajo. Para aplicaciones de mayor riesgo — sistemas de IA que influyen directamente en las decisiones de tratamiento u operan de forma autónoma — el camino regulatorio es menos claro.

• Aprendizaje continuo: La regulación tradicional de dispositivos médicos asume un producto fijo. Los sistemas de IA que aprenden y se actualizan continuamente a partir de nuevos datos desafían este modelo fundamentalmente. El marco propuesto por la FDA para modificaciones a Software como Dispositivo Médico basado en IA/ML es un paso adelante, pero muchas preguntas siguen sin resolver.
• Sesgo y equidad: Los sistemas de IA entrenados con datos de poblaciones de pacientes predominantemente blancas y de altos ingresos tienen peor desempeño en grupos subrepresentados. Una IA de dermatología entrenada mayormente con pacientes de piel clara puede pasar por alto cánceres de piel en pacientes de piel oscura. Abordar esto requiere no solo soluciones técnicas (datos de entrenamiento diversos, métricas de equidad) sino compromiso institucional con la equidad en salud.
• Explicabilidad: Los modelos de aprendizaje profundo son frecuentemente cajas negras — pueden identificar un tumor en una imagen pero no pueden explicar por qué lo clasificaron de esa manera. En salud, donde las decisiones deben justificarse y comunicarse a los pacientes, esta falta de explicabilidad es una barrera significativa para la adopción. Los organismos reguladores exigen cada vez más que los sistemas de IA proporcionen alguna forma de resultado interpretable.
• Responsabilidad: Cuando un sistema de IA contribuye a un diagnóstico erróneo, ¿quién es responsable? ¿El desarrollador de IA, el hospital que lo desplegó, o el médico que confió en él? Los marcos existentes de mala praxis médica no están diseñados para este escenario, y diferentes jurisdicciones están abordando la cuestión de manera distinta.
• Privacidad de datos: Los datos de salud están entre la información personal más sensible. Entrenar sistemas de IA requiere acceso a grandes datasets, generando tensión entre la necesidad de datos para construir modelos efectivos y los derechos de privacidad de los pacientes. Técnicas como el aprendizaje federado y la privacidad diferencial ofrecen soluciones prometedoras, permitiendo que los modelos aprendan de los datos sin que estos salgan del control del hospital.

El camino hacia adelante

El encuadre más productivo para la IA en salud es aumentación, no reemplazo. El objetivo no es construir doctores autónomos de IA — es darles superpoderes a los médicos humanos. Un sistema de IA que puede tamizar 10.000 imágenes retinales durante la noche no reemplaza al oftalmólogo; asegura que la expertise escasa del oftalmólogo se enfoque en los casos que verdaderamente la necesitan, mientras que los pacientes que de otra manera esperarían meses para el tamizaje reciben atención oportuna.

Las organizaciones que consideren adoptar IA en salud deberían invertir primero en infraestructura de datos — datos de salud limpios, estandarizados e interoperables son el fundamento del que dependen todas las aplicaciones de IA. Deberían comenzar con aplicaciones que aumentan en lugar de reemplazar los flujos de trabajo clínicos, enfocarse en áreas donde la base de evidencia es sólida (triaje de imágenes, verificación de interacciones farmacológicas, predicción de sepsis), y construir capacidad interna para evaluar y validar sistemas de IA en lugar de depender enteramente de las afirmaciones del proveedor. Las implicaciones de ciberseguridad de conectar sistemas de IA a las redes hospitalarias también deben abordarse desde el inicio — el sector salud ya es el más atacado por ciberataques, y los sistemas de IA crean nuevas superficies de ataque que deben ser defendidas.