¿Cómo se está usando la IA en medicina?

15 de junio de 2026 · 8 estudios citados

¿Cómo se está usando la IA en medicina?

Informe semanal · 15 de junio de 2026 (semana ISO 2026-W25)

Resumen de novedades de las últimas 1-2 semanas sobre el uso de la inteligencia artificial (IA) en medicina: herramientas clínicas, estudios y ensayos, aprobaciones regulatorias, diagnóstico/imagen/oncología y debates de seguridad. Fuentes primarias y oficiales priorizadas sobre blogs. Lo no verificable de forma independiente se marca explícitamente como [no verificado]. Cada sigla se expande en su primera aparición.

1. En una frase

La IA pasó esta quincena de "promesa" a rutina supervisada: cribado en atención primaria con validación prospectiva, escribas (scribes) de IA que ya descargan trabajo a médicos de familia, una nueva autorización de la FDA (Administración de Alimentos y Medicamentos de EE. UU.) en imagen, y un consenso creciente de que la alucinación (información inventada por el modelo) sigue siendo el cuello de botella de seguridad.

2. Herramientas clínicas en uso real

2.1. Escribas de IA en la consulta de medicina familiar

Un estudio cualitativo noruego con 10 médicos de familia que llevaban más de 3 meses usando un escriba de IA (transcripción y redacción automática de la nota clínica) encontró que la herramienta ahorra tiempo y reduce estrés, mejora la estructura de la consulta y permite centrarse en el paciente. Pero los médicos reportaron errores de transcripción y alucinaciones que obligan a revisión cuidadosa, pérdida de estilo personal y lenguaje "demasiado estandarizado", además de preocupación por privacidad de datos y la incertidumbre regulatoria. Conclusión de los autores: integración responsable bajo "confianza crítica" y control vigilante del texto generado.¹

Por qué importa (Colombia/HGM): es exactamente el caso de uso de los scribes SOAP que ya exploras en urgencias. El hallazgo clave es operativo: el ahorro es real, pero el modelo de gobernanza obliga a revisión humana del 100 % de las notas.

2.2. Cribado de retinopatía diabética en atención primaria (validación prospectiva)

Estudio prospectivo en 10 centros de atención primaria de Dinamarca: cribado de retinopatía diabética asistido por IA frente al estándar de referencia (lectura por oftalmólogo). En 183 pacientes (336 imágenes), con todas las imágenes incluidas la IA alcanzó sensibilidad 73,7 %, especificidad 90,2 %, valor predictivo negativo (VPN) 98,3 % y área bajo la curva (AUC) 0,82; excluyendo imágenes de mala calidad (18,6 % del total) la sensibilidad subió a 80,0 % y el AUC a 0,84. Hallazgo relevante: detectó además 96 pacientes con otros hallazgos oculares (glaucoma, catarata, degeneración macular). Los autores concluyen "potencial para aplicación clínica" pero piden más validación y mejor calidad de imagen antes de implementar.²

El alto VPN (98 %) es el dato accionable: sirve bien para descartar enfermedad en cribado poblacional; la sensibilidad del 74-80 % todavía deja margen de falsos negativos.

2.3. Modelos de pronóstico clínico (aprendizaje automático)

Dos modelos de aprendizaje automático (machine learning, ML) publicados esta quincena, ambos con buen desempeño pero solo con validación interna (aún no validados en cohortes externas independientes):

• Insuficiencia cardíaca crónica: modelo CatBoost para predecir eventos cardiovasculares y cerebrovasculares adversos mayores (MACCE) a partir de prueba de esfuerzo cardiopulmonar; identificó la recuperación de frecuencia cardíaca al primer minuto y la pendiente VE/VCO₂ como predictores independientes.³
• Trasplante renal: modelos KAPTOR para predecir supervivencia del injerto a 5 años en 940 receptores; el modelo completo (con datos del primer año postrasplante) alcanzó AUC 0,904, superando herramientas establecidas como el KDPI — pendiente de validación multicéntrica.⁴

3. Diagnóstico, imagen y oncología

3.1. Imagen médica: reconstrucción y modelos de base

• Resonancia magnética (RM) de bajo campo: un marco de aprendizaje profundo (deep learning) "DUAG" reconstruye imágenes de RM de bajo campo (0,3-0,5 teslas) con calidad superior, apuntando a equipos de bajo coste para entornos con recursos limitados — relevante para hospitales públicos.⁵
• Radiómica reproducible: se publicó PySERA, biblioteca de código abierto en Python que estandariza la extracción de biomarcadores cuantitativos de imagen (>94 % de reproducibilidad frente al estándar IBSI), pensada para integrar radiómica clásica y aprendizaje profundo de forma reproducible.⁶
• Modelos anatómicos autosupervisados: "Adam-v2" aprende jerarquías anatómicas parte-todo de imágenes médicas sin etiquetar, con capacidad zero-shot de entender anatomía — paso hacia modelos de base generalistas en imagen.⁷

3.2. Oncología

• Detección precoz de cáncer de páncreas: Mayo Clinic reportó un modelo de IA capaz de identificar firmas de cáncer pancreático en un páncreas de apariencia normal hasta 3 años antes del diagnóstico, ahora en validación clínica (estudio AI-PACED); se relaciona con resultados del ensayo PANORAMA sobre tomografía computarizada (TC) potenciada con IA. [Reportado por Mayo Clinic / prensa especializada; pendiente revisar publicación primaria revisada por pares.]⁸
• Ensayos clínicos oncológicos con IA "agéntica": en el congreso ESMO TAT 2026 se discutió el rediseño de ensayos oncológicos con IA agéntica (agentes que ejecutan tareas de forma autónoma) para selección de pacientes y monitorización. [Opinión de congreso, no resultados de ensayo.]⁹

4. Modelos de lenguaje (LLM) como apoyo diagnóstico

• Una revisión/metaanálisis de 50 estudios y 25 modelos grandes de lenguaje (large language models, LLM) distintos situó la exactitud diagnóstica relativa de los LLM frente a profesionales sanitarios en 0,89 (top-1) a 0,91 (top-3), con variabilidad según el caso. [Cifras de reportes secundarios; conviene leer el estudio primario.]¹⁰
• Un ensayo clínico aleatorizado (ECA) con 58 médicos en Pakistán mostró que el apoyo de un LLM en razonamiento diagnóstico mejoró el desempeño un 27,5 % en viñetas clínicas — señal de utilidad especialmente en entornos de recursos limitados.¹¹
• Caveat de los propios investigadores: "aprobar exámenes no es lo mismo que ser médico"; demostrar desempeño de nivel médico en tareas clínicas auténticas es un reto mucho mayor. La revista Nature dedicó un artículo (3 jun 2026) a la pregunta de si pronto seremos diagnosticados por IA.¹²

5. Regulación y adopción

• Nueva autorización FDA (junio 2026): Subtle Medical obtuvo despeje (clearance) de la FDA para SubtleHD(CT), software como dispositivo médico (SaMD) que reduce ruido y mejora la detectabilidad de bajo contraste en imágenes de TC.¹³
• Panorama regulatorio: a enero de 2026 había 1.357 dispositivos médicos con IA autorizados por la FDA, de los cuales radiología representa ~77 % (1.039); en marzo de 2026 la FDA despejó 24 aplicaciones de SaMD con IA/ML (una cada ~31 horas). [Cifras de agregadores especializados, basadas en la lista pública de la FDA.]¹⁴
• Pago y codificación: el conjunto de códigos CPT 2026 (Terminología Procedimental Actual) incorpora 288 códigos nuevos que cubren salud digital y servicios de IA, y CMS amplió políticas de pago para terapias digitales. [Reporte secundario.]¹⁴
• Europa (EMA): la Agencia Europea de Medicamentos (EMA) mantiene vigente su reflection paper sobre el uso de IA en el ciclo de vida del medicamento (ref. EMA/CHMP/CVMP/83833/2023), con enfoque basado en riesgo y alineado con el Reglamento de IA de la UE (EU AI Act).¹⁵
• Adopción médica: según la Asociación Médica Estadounidense (AMA), más del 80 % de los médicos declaran usar IA en su trabajo (el doble que en 2023); ~40 % se sienten a la vez entusiasmados y preocupados, sobre todo por privacidad y por la relación médico-paciente. [Encuesta AMA, reporte secundario.]¹⁶

6. Seguridad y debate ético

• El tema dominante sigue siendo la alucinación médica: estudios recientes muestran que incluso los LLM diseñados para medicina son vulnerables a alucinaciones específicas del dominio, a menudo por fallos de razonamiento, no solo por lagunas de conocimiento. Técnicas como cadena de pensamiento (chain-of-thought) y generación aumentada por búsqueda reducen — pero no eliminan — la tasa de alucinación. La conclusión transversal es la necesidad de detección robusta, supervisión humana y guías regulatorias y éticas más claras.¹⁷
• Sesgo de automatización: se acumula evidencia (preprint) de que médicos asistidos por LLM pueden incurrir en automation bias (aceptar acríticamente la salida del modelo), incluso médicos entrenados en IA.¹⁰
• Equidad y formación: un estudio en Pakistán sobre preparación en IA en educación médica encontró una paradoja conocimiento-práctica (a mayor conocimiento, menor uso, posiblemente por prudencia profesional) y barreras de acceso y formación — recordatorio de que la adopción no es homogénea entre países y niveles de renta.¹⁸

7. Lectura para el operador (3 ideas)

1. El patrón ganador esta semana es "IA + revisión humana obligatoria", no autonomía. Los scribes y el cribado funcionan cuando hay una compuerta humana explícita.
2. Validación interna ≠ listo para producción. Los mejores AUC (0,90+) de esta quincena son internos; sin validación externa multicéntrica no deberían guiar decisiones clínicas reales.
3. La alucinación es el riesgo número uno y es de razonamiento, no solo de datos. Cualquier herramienta clínica que despliegues necesita gate de verificación y registro de errores.

Notas de método y limitaciones

• Ventana temporal: novedades con fecha de entrada en PubMed entre el 1 y el 15 de junio de 2026 y noticias regulatorias/de prensa de las últimas 1-2 semanas.
• Fuentes científicas: búsqueda en PubMed (vía Model Context Protocol) con filtro por fecha de entrada; se priorizaron artículos con DOI verificable.
• Las cifras de adopción, recuentos de dispositivos FDA, códigos CPT y notas de congreso provienen de reportes secundarios (prensa especializada, agregadores) y se marcan como tales; conviene contrastarlas con la fuente oficial antes de citarlas en un entregable formal.
• No se incluyó ningún dato de pacientes. No se afirmó nada que no esté en una fuente citada.

Referencias (Vancouver para lo científico; enlaces para lo demás)

1. Exploring AI scribes in Norwegian general practice: a qualitative individual interview study. Scand J Prim Health Care. 2026. PMID: 42235527. DOI: 10.1080/02813432.2026.2681143.
2. Krogh M, Ørskov M, Nørgaard TL, et al. The diagnostic accuracy of AI-assisted diabetic retinopathy screening in primary care: a prospective validation study. Scand J Prim Health Care. 2026 Jun 12. PMID: 42284159. DOI: 10.1080/02813432.2026.2683982.
3. Feng S, Fan B, Bai J, et al. Predicting major adverse cardiovascular and cerebrovascular events in chronic heart failure: a machine learning study. Ann Med. 2026 Jun 12;58(1):2667587. PMID: 42286995. DOI: 10.1080/07853890.2026.2667587.
4. Gao X, Chen J, Wang M, et al. Predicting long-term allograft outcomes in kidney transplant recipients using a machine learning approach: a 5-year retrospective cohort study. Ren Fail. 2026 Jun 10;48(1):2683944. PMID: 42272126. DOI: 10.1080/0886022X.2026.2683944.
5. Yang Y, Wang S, Zhang H, et al. A Deep Dual-Domain Interaction Reconstruction Framework With Adaptive Gating Fusion for Low-Field MRI. NMR Biomed. 2026 Jul;39(7):e70330. PMID: 42286973. DOI: 10.1002/nbm.70330.
6. Salmanpour MR, Pouria AH, Barichin S, et al. PySERA: Open-source standardized python library for automated, scalable, and reproducible handcrafted and deep radiomics. Comput Methods Programs Biomed. 2026;284:109463. PMID: 42235274. DOI: 10.1016/j.cmpb.2026.109463.
7. Hosseinzadeh Taher MR, Gotway MB, Liang J. Autodidactic dense anatomical models. Med Image Anal. 2026;112:104117. PMID: 42229212. DOI: 10.1016/j.media.2026.104117.
8. Mayo Clinic News Network. Mayo Clinic AI detects pancreatic cancer up to 3 years before diagnosis in landmark validation study. https://newsnetwork.mayoclinic.org/discussion/mayo-clinic-ai-detects-pancreatic-cancer-up-to-3-years-before-diagnosis-in-landmark-validation-study/ [prensa institucional]
9. ESMO Daily Reporter. Redesigning oncology clinical trials with agentic AI (ESMO TAT 2026). https://dailyreporter.esmo.org/esmo-targeted-anticancer-therapies-congress-2026/opinions/redesigning-oncology-clinical-trials-with-agentic-ai [opinión de congreso]
10. Comparative analysis / meta-analysis of LLMs in clinical diagnosis (rendimiento 0,89-0,91) y automation bias en razonamiento diagnóstico asistido por LLM (preprint medRxiv 2025). https://www.medrxiv.org/content/10.1101/2025.08.23.25334280 [reporte secundario / preprint]
11. Large language model diagnostic assistance for physicians in a lower-middle-income country: a randomized controlled trial. Nat Health. 2025. https://www.nature.com/articles/s44360-025-00007-8
12. How good are 'AI doctors' — and will they take over medicine? Nature. 2026 Jun 3. https://www.nature.com/articles/d41586-026-01691-6
13. Subtle Medical lands FDA clearance for AI CT imaging software (SubtleHD[CT]). Medical Device Network, jun 2026. https://www.medicaldevice-network.com/news/subtle-medical-lands-fda-clearance-for-ai-ct-imaging-software/
14. FDA's AI Medical Device List: Stats, Trends & Regulation. IntuitionLabs / Innolitics (1.357 dispositivos a ene-2026; CPT 2026). https://intuitionlabs.ai/articles/fda-ai-medical-device-tracker — https://innolitics.com/articles/year-in-review-ai-ml-medical-device-k-clearances/ [agregadores]
15. European Medicines Agency. Use of Artificial Intelligence (AI) in the medicinal product lifecycle — Scientific guideline / Reflection paper (EMA/CHMP/CVMP/83833/2023). https://www.ema.europa.eu/en/use-artificial-intelligence-ai-medicinal-product-lifecycle-scientific-guideline
16. American Medical Association. Augmented intelligence in medicine (>80 % de médicos usan IA). https://www.ama-assn.org/practice-management/digital-health/augmented-intelligence-medicine [encuesta AMA]
17. Medical Hallucination in Foundation Models and Their Impact on Healthcare. medRxiv/arXiv 2025-2026. https://www.medrxiv.org/content/10.1101/2025.02.28.25323115v2.full
18. Qazi S, Khan IA, Waleed M, et al. Artificial intelligence readiness in Pakistan's medical and dental education: training-phase decline, a knowledge-practice paradox, and the role of digital determinants of health. Med Educ Online. 2026 Jun 1;31(1):2673253. PMID: 42223076. DOI: 10.1080/10872981.2026.2673253.

Generado por Dr. Juan Camilo Paris · informe automático semanal · 2026-06-15.