¿Cómo se está usando la IA en medicina?

16 de junio de 2026 · 5 estudios citados

¿Cómo se está usando la IA en medicina?

Informe semanal · lunes 16 de junio de 2026

Ventana de búsqueda: 1 → 16 de junio de 2026 (novedades de las últimas 1-2 semanas).

Método: IA (inteligencia artificial) — modo mixto. Estudios vía MCP (Model Context Protocol) de PubMed; contexto regulatorio y de adopción vía búsqueda web. Se priorizan fuentes primarias/oficiales sobre blogs. Lo no verificado en fuente primaria se marca explícitamente como reportado.

Honestidad de recencia: esta semana sí hubo desarrollos primarios fechados dentro de la ventana (estudios indexados en PubMed entre el 9 y el 16 de junio). El bloque "Contexto 2026" recoge desarrollos mayores algo anteriores, con su fecha, porque siguen marcando la agenda.

1. Lo nuevo de esta semana (fuentes primarias, fechadas 9-16 jun 2026)

1.1 Cribado de retinopatía diabética con IA en atención primaria

Estudio prospectivo de validación en 10 clínicas de atención primaria danesas, con cribado oftalmológico como patrón de referencia. En 183 pacientes con diabetes tipo 2 (336 imágenes de fondo de ojo), el cribado asistido por IA alcanzó sensibilidad 73,7 %, especificidad 90,2 %, valor predictivo negativo (VPN) 98,3 % y área bajo la curva (AUC) 0,82. Al excluir las imágenes de mala calidad (18,6 % del total), la sensibilidad subió a 80,0 % y la AUC a 0,84. Los autores concluyen que tiene potencial clínico, pero que hace falta validación en poblaciones más grandes y mejorar la calidad de imagen antes de implementarlo (1).

Lectura clínica: prometedor para tamizaje en primer nivel, pero el VPN alto + sensibilidad moderada significan que sirve más para descartar que para confirmar; la calidad de la foto es el cuello de botella.

1.2 Aprendizaje automático para predecir eventos mayores en insuficiencia cardíaca crónica

Cohorte retrospectiva de 271 pacientes con insuficiencia cardíaca (IC). Siete modelos de aprendizaje automático (machine learning, ML) predijeron eventos adversos cardiovasculares y cerebrovasculares mayores (MACCE) a partir de parámetros de la prueba de esfuerzo cardiopulmonar. El modelo CatBoost (Categorical Boosting) rindió mejor; con interpretabilidad SHAP (Shapley Additive exPlanations), la recuperación de frecuencia cardíaca al primer minuto (HRR1) y la pendiente VE/VCO₂ emergieron como predictores independientes (2).

Lectura clínica: señal interesante, pero muestra pequeña y validación solo interna; aún no es para usar en consulta.

1.3 Predicción del injerto renal a 5 años (modelo KAPTOR)

Cohorte de 940 receptores de trasplante renal de donante fallecido, con seguimiento >5 años. Dos modelos de ML: KAPTOR-pre (datos pretrasplante, AUROC 0,813) y KAPTOR-full (añade datos del primer año postrasplante, AUROC 0,904). Ambos superaron herramientas establecidas como el KDPI (Kidney Donor Profile Index) en validación interna; los autores piden validación multicéntrica independiente antes de uso clínico (3).

1.4 Registro 3D/2D en tiempo real para cirugía guiada por imagen (LXPose)

Equipos de Inria (Francia) y el MIT CSAIL (Computer Science and Artificial Intelligence Laboratory) presentan LXPose, un marco de redes neuronales convolucionales (CNN) multi-etapa que alinea en tiempo real la tomografía computarizada (TC) 3D preoperatoria con la radiografía (rayos X) 2D intraoperatoria. Logra precisión comparable al estado del arte reduciendo el tiempo de inferencia dos órdenes de magnitud: de varios segundos a 20 milisegundos, y elimina la necesidad de anotaciones manuales. Código abierto disponible (4).

Lectura clínica: del laboratorio a quirófano todavía hay trecho, pero los 20 ms abren la puerta a guía intervencionista verdaderamente en vivo.

1.5 Transparencia: las guías TRIPOD+AI apenas se citan

Análisis de brechas sobre 32 estudios de IA/ML en artroplastia de hombro frente a la guía de reporte TRIPOD+AI (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis, extensión para IA). Solo el 9,4 % de los estudios la referencia; la adherencia mediana fue 56,5 %, y el 34,4 % tenía alto riesgo de sesgo (herramienta PROBAST). Es un primer baremo de la calidad del reporte en modelos de predicción quirúrgicos (5).

Lectura clínica: el problema recurrente de la IA médica no es solo que funcione, sino que se reporte de forma que otros puedan verificarla y reproducirla. Aquí el sistema todavía está flojo.

2. Contexto 2026 (desarrollos mayores, con fecha — no de esta semana)

• Adopción médica. Según la 2026 AMA Physician Survey on Augmented Intelligence (Asociación Médica Estadounidense), el 81 % de los médicos ya usa IA en su práctica, más del doble que en 2023; el uso dominante son los escribas ambientales (IA que escucha la consulta y redacta la nota). Aun así, ~40 % se declara a la vez entusiasmado y preocupado, sobre todo por la privacidad del paciente y la relación médico-paciente. Reportado (Medscape, 2026); no verificado en fuente primaria. (6)
• Escribas ambientales (evidencia 2026). Estudios de este año (JMIR Medical Informatics; UCLA Health) reportan −8,5 % de tiempo en la historia clínica electrónica, ~7 % de mejora en burnout y 84 % de médicos percibiendo efecto positivo en la comunicación, aunque el ahorro de tiempo es modesto y variable entre productos. Reportado. (7)
• Ritmo regulatorio FDA. La FDA (Food and Drug Administration, EE. UU.) habría autorizado 24 dispositivos de IA/ML en marzo y 27 en abril de 2026, con cerca de 1.500 dispositivos de IA acumulados. Reportado; cifras de fuentes secundarias. (8)
• Principios FDA + EMA. En enero de 2026, la FDA y la EMA (European Medicines Agency) publicaron conjuntamente diez "Principios de Buenas Prácticas de IA" para el desarrollo de medicamentos, con enfoque de ciclo de vida basado en riesgo. (9)
• Seguridad — riesgo nº 1. El 2026 Health Tech Hazard Report del ECRI (Emergency Care Research Institute) sitúa el mal uso de chatbots de IA (ChatGPT, Gemini, Copilot) como el principal peligro tecnológico sanitario del año. Reportado. (10)
• Oncología — cribado mamográfico (ensayo MASAI). Aunque sus resultados completos se publicaron en febrero de 2026 (no esta semana), siguen siendo la referencia: primer ensayo clínico aleatorizado (ECA) de cribado mamográfico con IA, 105.915 mujeres en Suecia, +29 % de detección de cáncer sin aumentar los falsos positivos, −44 % de carga de lectura para radiólogos y menos cánceres avanzados/agresivos a 2 años. Reportado vía The Lancet / notas de prensa. (11)
• Sesgo algorítmico. Análisis citados en 2026 advierten que sistemas de IA "alucinaron" síntomas en pacientes negros con más frecuencia que en blancos, ligado a la subrepresentación en los datos de entrenamiento. Reportado; cifra puntual no verificada en fuente primaria. (12)

3. Qué nos dice la semana

1. La IA clínica madura por nichos, no por titulares. Lo fechado esta semana son modelos de predicción acotados (retinopatía, injerto renal, IC) y herramientas de quirófano: avances reales pero de validación interna o muestra pequeña.
2. El cuello de botella se desplaza de "¿funciona?" a "¿se reporta y se valida bien?". El estudio TRIPOD+AI lo deja crudo: <10 % de adherencia a la guía de transparencia.
3. Regulación y seguridad convergen. FDA/EMA con principios comunes y el ECRI poniendo el mal uso de chatbots como riesgo nº 1 marcan el tono defensivo del año.

4. Vacíos y limitaciones

• Varios hallazgos primarios son validación interna o muestras pequeñas (retinopatía n=183; MACCE n=271); ninguno es aún práctica estándar.
• El bloque "Contexto 2026" se apoya en fuentes secundarias (notas de prensa, Medscape, agregadores); se marca como reportado y debería confirmarse en fuente primaria antes de citarse con contundencia.
• No se hizo búsqueda exhaustiva en repositorios de preprints (arXiv/medRxiv) para esta ventana; el foco fue PubMed + oficial.

Referencias

Estudios científicos en estilo Vancouver. Fuente: PubMed (se incluye DOI). Contexto regulatorio/adopción con enlace directo.

1. Krogh M, Ørskov M, Nørgaard TL, Germund Nielsen M, Jensen MB, Jensen MSA, et al. The diagnostic accuracy of AI-assisted diabetic retinopathy screening in primary care: a prospective validation study. Scand J Prim Health Care. 2026;44(1):2683982. doi:10.1080/02813432.2026.2683982. PMID 42284159.
2. Feng S, Fan B, Bai J, Gu Y, Li Z, Lu L, et al. Predicting major adverse cardiovascular and cerebrovascular events in chronic heart failure: a machine learning study. Ann Med. 2026;58(1):2667587. doi:10.1080/07853890.2026.2667587. PMID 42286995.
3. Gao X, Chen J, Wang M, Li Z, Lou X, Chen J. Predicting long-term allograft outcomes in kidney transplant recipients using a machine learning approach: a 5-year retrospective cohort study. Ren Fail. 2026;48(1):2683944. doi:10.1080/0886022X.2026.2683944. PMID 42272126.
4. Facente F, Billot B, Gopalakrishnan V, Kattel M, Wei W, Golland P, et al. Toward real-time alignment of 3D CT and 2D X-ray with multi-stage CNNs (LXPose). Comput Assist Surg (Abingdon). 2026;31(1):2684372. doi:10.1080/24699322.2026.2684372. PMID 42299683.
5. Checketts JX, Marsh L, Anderson M, Hughes G, Williamson TK, Hsu JE, et al. Artificial intelligence and machine learning: an important new set of tools for clinical shoulder arthroplasty research. JSES Int. 2026;10(4):101715. doi:10.1016/j.jseint.2026.101715. PMID 42292138.
6. AMA Survey: More Doctors Are Embracing AI-Based Tools. Medscape, 2026. https://www.medscape.com/viewarticle/ama-survey-more-doctors-are-embracing-ai-based-tools-2026a1000k8x
7. Impact of an Ambient AI Scribe Among Clinicians and Patients: Time-Motion Study. JMIR Med Inform. 2026;1:e85580. https://medinform.jmir.org/2026/1/e85580 · UCLA Health: https://www.uclahealth.org/news/release/ucla-study-finds-ai-scribes-may-reduce-documentation-time
8. FDA's AI Medical Device List: Stats, Trends & Regulation (IntuitionLabs, 2026). https://intuitionlabs.ai/articles/fda-ai-medical-device-tracker
9. EMA, FDA issue joint AI guiding principles for drug developers (RAPS, ene-2026). https://www.raps.org/news-and-articles/news-articles/2026/1/ema-fda-issue-joint-ai-guiding-principles-for-drug · EMA: https://www.ema.europa.eu/en/documents/other/guiding-principles-good-ai-practice-drug-development_en.pdf
10. Misuse of AI chatbots in health care tops 2026 Health Tech Hazard Report (ECRI). AHCJ, feb-2026. https://healthjournalism.org/blog/2026/02/misuse-of-ai-chatbots-in-health-care-tops-2026-health-tech-hazard-report/
11. AI-supported mammography screening — full MASAI randomized controlled trial results. The Lancet, feb-2026 (vía EurekAlert/ASCO Post). https://www.eurekalert.org/news-releases/1114399 · https://ascopost.com/news/february-2026/randomized-trial-shows-ai-supported-mammography-improves-sensitivity-and-lowers-interval-cancer-rate/
12. Medical Hallucination in Foundation Models and Their Impact on Healthcare (medRxiv, 2025). https://www.medrxiv.org/content/10.1101/2025.02.28.25323115.full.pdf

Generado por Dr. Juan Camilo Paris · Informe semanal "¿Cómo se está usando la IA en medicina?" · 16 de junio de 2026. Documento de divulgación profesional; no sustituye el juicio clínico ni constituye recomendación regulatoria.