¿Podrá la inteligencia artificial predecir y acabar con la enfermedad?
Antes de responder, conviene aclarar qué es realmente la inteligencia artificial. El término nació el 31 de agosto de 1955, en la convocatoria para una reunión académica celebrada en Dartmouth College en 1956, y puede definirse como la capacidad de las máquinas para simular procesos cognitivos que son propios de nuestra especie. Desde entonces, la IA ha pasado por varias olas de entusiasmo y desilusión, hasta llegar al momento actual, en el que la disponibilidad de datos, la capacidad de computo y los nuevos modelos matemáticos han hecho posible la promesa.
Esta tecnología se agrupa en dos grandes familias. La IA determinista funciona siguiendo reglas claras. Si se cumple una condición, ocurre una acción concreta. Es la lógica de un sistema clásico de alertas hospitalarias, fiable, predecible y limitado a lo previsto. La IA probabilística, en cambio, no sigue reglas fijas, sino que aprende a partir de ejemplos y estima probabilidades para generar respuestas que pueden cambiar según los datos con los que se entrene. Es la base del reconocimiento de imágenes, de los traductores automáticos y de los modelos generativos como los que producen texto. La primera ofrece certidumbre en un marco cerrado y la segunda ofrece flexibilidad, a cambio de una incertidumbre. Esto es muy importante en salud.
Durante los tres últimos años hemos escuchado con insistencia que la IA mejorará los diagnósticos, personalizará tratamientos y detectará lesiones invisibles al ojo humano. Es parcialmente cierto, pero no es lo más importante. La transformación profunda, casi imperceptible en este momento, está ocurriendo en otros dominios de la salud.
Empecemos por la investigación biomédica. Durante décadas, el trabajo científico ha dependido de conseguir datos, limpiarlos, anotarlos y cruzarlos, un proceso lento, costoso y desigual. La IA modifica ese equilibrio. Los datos sintéticos permiten simular cohortes, el aprendizaje federado entrena modelos sin sacar los datos del hospital y la revisión bibliográfica asistida reduce el tiempo para analizar literatura. Esto no elimina el rigor, sino que lo desplaza, porque el cuello de botella ya no es acceder a los datos, sino formular buenas preguntas y priorizar problemas relevantes. La IA acelera la producción de hipótesis, pero no garantiza su importancia.
Algo parecido ocurre con el desarrollo de fármacos. AlphaFold, que llevó a sus autores a ganar el Premio Nobel de Química en 2024, transformó la predicción de estructuras proteicas. Por otro lado, los modelos de IA generativa proponen nuevas moléculas y los sistemas computacionales permiten seleccionar dianas, anticipar toxicidad y optimizar fases iniciales. Un ejemplo práctico lo tenemos en el Instituto de Investigación Sanitaria San Carlos con el grupo de Oncología Computacional, que busca distintas moléculas mediante IA para mejorar el tratamiento del cáncer. Con todo estos avances, los ensayos clínicos no desaparecerán, pero el proceso previo será más rápido y guiado computacionalmente, y con más dependencia de la validación externa.
Relacionados con los ensayos clínicos, emergen los gemelos digitales, sobre los que conviene evitar la exageración. No son todavía herramienta rutinaria en la clínica, pero tampoco son ciencia ficción. Ya existen modelos computacionales de órganos, enfermedades y respuestas terapéuticas, y su potencial es claro, ya que se pueden simular escenarios antes de intervenir sobre el paciente real. No sustituirán al ensayo clínico aleatorizado, pero lo complementarán y obligarán a repensar cómo generamos evidencia.
La educación vive un cambio paralelo y parcialmente visible en este momento. Los estudiantes usan agentes de IA para resolver dudas, entrenar razonamiento clínico, recibir tutoría personalizada y simular escenarios. Un buen sistema no se cansa, no juzga, adapta el ritmo y detecta lagunas, pero hay que definir las tareas docentes que aportan valor cuando el acceso al conocimiento deja de ser escaso. El profesor tendrá que aportar criterio, contexto y exigencia intelectual. Además, hay que prestar atención a la pérdida de capacidades y a los errores en su uso si nos dedicamos a externalizar procesos cognitivos (deskilling, misskilling, never-skilling, etc).
Queda la gestión sanitaria, donde el cambio es menos atractivo, pero más importante. Los sistemas sanitarios toman miles de decisiones diarias sobre agendas quirúrgicas, compras, derivaciones y priorización de pacientes, y muchas se apoyan en sistemas fragmentados y cuadros de mando tardíos. La IA mejora la planificación, anticipa reingresos e identifica variabilidad clínica injustificada. Cuando las decisiones se auditen con precisión, será más difícil justificar la variabilidad sin fundamento o la compra basada en inercias.
Reducir la IA en salud al diagnóstico es quedarse en la superficie. El debate real no es tecnológico, sino institucional. ¿Quién controla los modelos? ¿Quién audita los datos? ¿Quién define los objetivos? ¿Qué soberanía operativa conservan los profesionales, los hospitales y los sistemas públicos? La respuesta no puede ser ni rechazo ni fascinación. Debemos aprender sobre estas herramientas para comprender sus límites, exigir transparencia y participar en su diseño. Las instituciones públicas deben desarrollar capacidades propias y la regulación debe proteger al paciente sin bloquear la innovación útil.
¿Podrá la IA predecir y acabar con la enfermedad? Probablemente no. O no del todo. Pero sí cambiará para siempre cómo la entendemos, la investigamos y la tratamos. Esa conversación acaba de empezar.
Por Julio Mayol, catedrático de Cirugía de la Universidad Complutense de Madrid y director científico del Instituto de Investigación Sanitaria San Carlos
