En breve: qué está cambiando la IA en medicina
La inteligencia artificial ya forma parte de la medicina real: ayuda a leer pruebas de imagen, acelera el descubrimiento de fármacos y empieza a personalizar la prevención. No es ciencia ficción ni una amenaza que sustituya a los médicos: es una herramienta de apoyo. Hoy hay más de mil dispositivos con IA autorizados por las agencias sanitarias — la mayoría en radiología —, el sistema AlphaFold (Premio Nobel de Química 2024) ha revolucionado el estudio de las proteínas, y el primer fármaco diseñado con ayuda de IA ya está en ensayos clínicos. Pero la IA también tiene límites importantes — sesgos, necesidad de validación, privacidad — y la decisión final sigue estando, y debe seguir estando, en manos humanas.
Contenido de esta guía
Este artículo forma parte de nuestro enfoque de salud de precisión y hace un repaso realista de lo que la IA ya cambia en la medicina en 2026, separando lo que está en la consulta de lo que aún es promesa.
Dónde ayuda ya la IA: imagen y diagnóstico
El terreno donde la IA está más madura es el análisis de imágenes médicas. Los algoritmos de aprendizaje profundo son muy buenos detectando patrones sutiles en radiografías, mamografías, tomografías, resonancias o preparaciones de anatomía patológica. De hecho, de los más de mil dispositivos con IA autorizados por la agencia estadounidense del medicamento, la gran mayoría son de radiología.
Algunos ejemplos ya en uso: sistemas que ayudan a detectar nódulos en mamografías o TAC de pulmón, que priorizan los casos urgentes de ictus o embolia para que el radiólogo los vea antes, o que analizan biopsias en patología digital. Un hito especialmente ilustrativo es la retinopatía diabética: existe un sistema de IA aprobado que puede diagnosticar esta complicación de la diabetes a partir de una foto del fondo del ojo sin que un especialista revise la imagen, lo que acerca el cribado a centros de atención primaria. La clave: en casi todos estos casos la IA asiste al médico y agiliza su trabajo, no lo reemplaza.
IA y proteínas: AlphaFold y el diseño de fármacos
Quizá el avance más espectacular no está en la consulta, sino en el laboratorio. Durante más de cincuenta años, predecir la forma tridimensional de una proteína a partir de su secuencia fue uno de los grandes problemas sin resolver de la biología. En 2021, el sistema AlphaFold lo consiguió con una precisión cercana a la experimental (Jumper y cols., Nature, 2021), y en 2024 sus creadores recibieron el Premio Nobel de Química. Conocer la forma de una proteína es clave para entender enfermedades y diseñar medicamentos que encajen en ella.
Esto ha acelerado el descubrimiento de fármacos: la IA permite cribar millones de moléculas en tiempo récord y proponer candidatas nuevas. De hecho, el primer fármaco tanto descubierto como diseñado con ayuda de IA — para la fibrosis pulmonar — ya ha llegado a ensayos clínicos en fase avanzada. Conviene el matiz honesto: acelerar el descubrimiento no elimina los años de ensayos clínicos que un medicamento necesita para demostrar que es seguro y eficaz.
IA generativa en la consulta: del papeleo al apoyo a decisiones
La irrupción de los grandes modelos de lenguaje (la tecnología detrás de los asistentes conversacionales) ha llegado también a la medicina. Su uso más inmediato y menos arriesgado es administrativo: transcribir y resumir la conversación de una consulta para liberar al médico del papeleo y devolverle tiempo con el paciente. Más allá de eso, se exploran como apoyo a la decisión clínica — sugerir diagnósticos posibles o revisar interacciones—, pero aquí la cautela es máxima: estos modelos pueden “alucinar”, es decir, generar información incorrecta con total aplomo. Por eso su papel es asistir a un profesional que verifica, nunca decidir por su cuenta.
IA y prevención personalizada
La IA es también la herramienta que empieza a unir todas las piezas de la salud de precisión: integrar tus datos genéticos, tus analíticas, tu microbiota y lo que miden tus dispositivos para afinar la prevención antes de que aparezca la enfermedad. Es una promesa poderosa, aunque todavía en desarrollo: la calidad de las conclusiones depende por completo de la calidad de los datos de entrada, y personalizar de verdad requiere validación clínica, no solo un algoritmo llamativo.
Límites: sesgos, validación y privacidad
Toda esta promesa convive con riesgos reales que conviene conocer. El más importante es el sesgo: un algoritmo aprende de los datos con los que se entrena, y si esos datos arrastran desigualdades, el algoritmo las reproduce o incluso las amplifica. Un estudio muy citado demostró que un algoritmo usado en Estados Unidos para gestionar la salud de millones de personas infravaloraba sistemáticamente la gravedad de los pacientes negros, porque usaba el gasto sanitario como aproximación de la enfermedad (Obermeyer y cols., Science, 2019). No fue mala intención: fue un dato de partida mal elegido.
A esto se suman otros dos frentes. La validación: un algoritmo que funciona muy bien en un hospital puede fallar en otro con una población distinta, por lo que necesita probarse en condiciones reales antes de confiar en él. Y la privacidad: los datos de salud son de los más sensibles que existen, y entrenar y usar IA con ellos exige garantías estrictas. Por todo ello, el consenso es claro: la IA es un copiloto que amplía la capacidad del médico, no un piloto automático.
Qué esperar en los próximos años
Lo más probable no es una medicina sin médicos, sino médicos con mejores herramientas: cribados más accesibles, diagnósticos más rápidos, fármacos que llegan antes al ensayo y una prevención más ajustada a cada persona. El reto no será tanto tecnológico como de regulación, equidad y confianza: asegurar que estas herramientas se validan bien, no dejan a nadie atrás y protegen tus datos. Mientras tanto, lo que sí está en tu mano hoy sigue siendo lo de siempre — cuidar la alimentación, el sueño y el movimiento —, y ahí un aporte de base como un concentrado de omega-3 de alta pureza es de las decisiones sencillas con más respaldo.
Preguntas frecuentes
¿La inteligencia artificial va a sustituir a los médicos?
No es lo que se espera. La IA automatiza tareas concretas (leer una imagen, resumir una consulta, cribar moléculas) y actúa como apoyo, pero el juicio clínico, la relación con el paciente y la decisión final siguen siendo humanos. La imagen más realista es la del médico con mejores herramientas, no la de un ordenador que decide solo.
¿En qué se usa ya la IA en medicina?
Sobre todo en el análisis de imágenes (radiología, patología, cribado de retinopatía diabética), en la priorización de casos urgentes, en el descubrimiento de fármacos y en tareas administrativas como la documentación clínica. Hay más de mil dispositivos con IA autorizados, la mayoría de radiología.
¿Qué es AlphaFold y por qué es tan importante?
AlphaFold es un sistema de IA que predice la estructura tridimensional de las proteínas a partir de su secuencia, un problema que llevaba décadas sin resolver. Conocer esa forma ayuda a entender enfermedades y a diseñar fármacos. Su impacto fue tal que sus creadores recibieron el Premio Nobel de Química en 2024.
¿Es fiable un diagnóstico hecho por IA?
Depende del sistema y de su validación. Los aprobados por las agencias sanitarias han superado pruebas rigurosas para usos concretos. Aun así, pueden tener sesgos y fallar en poblaciones distintas de aquellas con las que se entrenaron, por lo que casi siempre funcionan bajo supervisión de un profesional que verifica el resultado.
¿Puedo fiarme de un chatbot de IA para temas de salud?
Con mucha cautela. Los asistentes de IA pueden dar información útil, pero también “alucinar” datos incorrectos con apariencia de seguridad. Son buenos para orientarte y preparar preguntas, pero no sustituyen a un diagnóstico ni a la consulta con tu médico, especialmente ante síntomas o decisiones importantes.

Del mismo autor
Lo que tu analítica no te está contando
32 capítulos para leer tus análisis como un médico que busca causas.
Qué marcadores pedir por su nombre, qué significa cada número más allá del «todo normal» y —sobre todo— qué decidir con lo que ves. Puedes empezar por un capítulo entero, gratis y en PDF.
Leer el capítulo 1 gratis →Referencias científicas
- Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596(7873):583-589. https://doi.org/10.1038/s41586-021-03819-2
- Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-453. https://doi.org/10.1126/science.aax2342
Bibliografía obtenida a través de PubMed.
Aviso médico: este artículo tiene carácter exclusivamente informativo y educativo. No sustituye la consulta, el diagnóstico ni el tratamiento de un profesional sanitario. Los sistemas de inteligencia artificial en salud se utilizan bajo supervisión médica; ante cualquier duda o síntoma, consulta con tu médico.
✔️ Contenido escrito y revisado por el Dr. Fernando Molina Sánchez, médico colegiado, según nuestro método editorial.