¿Cómo se está usando la IA en medicina?

29 de junio de 2026 · 14 estudios citados

¿Cómo se está usando la IA en medicina?

Informe semanal · lunes 29 de junio de 2026

Panorama clínico verificado · ventana real 17–29 de junio de 2026

Fuentes priorizadas: PubMed (vía MCP, con DOI) + búsqueda web priorizando fuentes oficiales.

Nota de recencia (honesto). Esta semana el bloque principal son estudios primarios indexados en PubMed entre el 17 y el 26 de junio de 2026. El contexto regulatorio recoge desarrollos algo anteriores, siempre con su fecha. Lo que solo se sostiene en prensa secundaria se marca como [reportado]. No se barrieron preprints (arXiv/medRxiv) en esta corrida; foco en PubMed + fuentes oficiales. Según PubMed, todo lo científico lleva su DOI.

Abreviaturas (expandidas en su primera aparición)

IA — Inteligencia artificial
LLM (large language model) — Modelo de lenguaje grande
ML (machine learning) — Aprendizaje automático
CNN (convolutional neural network) — Red neuronal convolucional
AUC (area under the curve) — Área bajo la curva ROC (mide capacidad discriminativa: 1,0 = perfecto, 0,5 = azar)
ECA — Ensayo clínico aleatorizado
FDA — Agencia de Medicamentos y Alimentos de EE. UU. (Food and Drug Administration)
EMA — Agencia Europea de Medicamentos (European Medicines Agency)
HCE — Historia clínica electrónica
NLP (natural language processing) — Procesamiento de lenguaje natural
RAG (retrieval-augmented generation) — Generación aumentada por recuperación de fuentes
PWV (pulse wave velocity) — Velocidad de onda de pulso (marcador de rigidez arterial)
LRA — Lesión renal aguda
MASH (metabolic dysfunction–associated steatohepatitis) — Esteatohepatitis asociada a disfunción metabólica (antes NASH)

1) Lo nuevo de esta semana — estudios primarios

Según PubMed. Cada estudio enlaza su DOI. Son sobre todo estudios de validación retrospectiva o de modelo: muestran capacidad técnica, no desenlaces en pacientes salvo que se indique.

1.1 · Panorama: IA generativa y LLM en oncología clínica

Revisión amplia (MedComm, 23 de junio de 2026) que sintetiza cómo la IA generativa y los LLM integran datos heterogéneos —HCE, imagen, patología, genómica y texto clínico— a lo largo del continuum oncológico: diagnóstico, pronóstico, planificación del tratamiento, manejo del paciente y optimización de ensayos. Señala como retos abiertos la interpretabilidad, la fiabilidad, la privacidad y la gobernanza regulatoria, y apunta a arquitecturas basadas en agentes y flujos de trabajo de colaboración humano-IA como la próxima frontera. Es una revisión, no evidencia nueva en pacientes. [ref 1]

1.2 · Diagnóstico de cáncer de mama por imagen (mamografía + resonancia)

Estudio (Topics in Magnetic Resonance Imaging, 24 de junio de 2026) sobre 269 mamografías y 267 resonancias con contraste dinámico, clasificando en normal / benigno / maligno con cuatro CNN preentrenadas combinadas con máquinas de vectores de soporte. La red ResNet-18 fue la mejor en mamografía (exactitud 90,9 %, sensibilidad 90,9 %, especificidad 95,4 %); un modelo híbrido elevó el AUC a 0,99 en mamografía y 0,98 en resonancia. [ref 2]

Lectura clínica: datos de un solo centro y muestra pequeña; resultados prometedores en clasificación, pendientes de validación externa y prospectiva antes de cualquier uso real.

1.3 · Biomarcadores retinianos por IA para riesgo cardiovascular (telemedicina)

Estudio (Annals of Medicine, 26 de junio de 2026) en el Tercer Hospital de la Universidad de Pekín: un sistema de IA cuantificó parámetros vasculares de la retina a partir de fotografía de fondo de ojo y los asoció con la velocidad de onda de pulso (PWV), patrón de oro de la rigidez arterial. En 3.088 visitas, la concordancia entre PWV predicha y real fue buena (coeficiente de correlación intraclase 0,762) y moderada para el índice tobillo-brazo (0,410). [ref 3]

Lectura clínica: abre una vía no invasiva y remota para estimar rigidez arterial desde una foto de retina; aún es asociación retrospectiva, no cribado validado.

1.4 · Radiómica con IA para predecir recurrencia de cáncer de cuello uterino

Estudio multicéntrico (Radiology: Imaging Cancer) con 804 pacientes (2016–2023): un nomograma que combina parámetros clínicos, biomarcadores inflamatorios en sangre y rasgos radiómicos de resonancia predijo la supervivencia libre de enfermedad con AUC de 0,93 (1 año), 0,84 (3 años) y 0,86 (5 años) en el conjunto de prueba externo. [ref 4]

Lectura clínica: modelo pronóstico no invasivo con validación externa y correlato biológico; todavía retrospectivo.

1.5 · ML explicable para predecir lesión renal aguda en peritonitis primaria

Estudio multicéntrico (Renal Failure, 25 de junio de 2026): cohorte de derivación (n=329, China) y validación externa (n=367, base MIMIC-IV). El modelo (combinación stepwise + gradient boosting) predijo LRA asociada a peritonitis primaria con AUC de 0,976 (derivación) y 0,901 (validación externa), con explicabilidad por valores SHAP y una calculadora web pública. [ref 5]

Lectura clínica: ejemplo de modelo predictivo de bajo coste e interpretable; falta validación prospectiva al pie de la cama.

1.6 · NLP para farmacovigilancia: interacciones farmacológicas hepatotóxicas

Estudio (Annals of Medicine, 17 de junio de 2026) que aplicó un modelo de NLP a las HCE de 109.263 ancianos hospitalizados para detectar señales de hepatotoxicidad por interacción de fármacos. De 3.227 combinaciones evaluadas surgieron 111 señales (58 con tendencia temporal de riesgo consistente); destacó el riesgo de aspirina, clopidogrel y atorvastatina junto con piperacilina/tazobactam, corroborado con experimentos animales. [ref 6]

Lectura clínica: muestra el potencial de la IA para minería de seguridad de medicamentos en datos del mundo real; las señales requieren confirmación causal.

2) Debate de seguridad de la semana

2.1 · Cómo frenar las "alucinaciones" de los LLM en salud

Revisión sistemática PRISMA (BMC Health Services Research, 6 de junio de 2026): de 427 estudios, 44 cumplieron criterios. Identifica siete familias de estrategias contra las alucinaciones (salidas plausibles pero falsas): RAG, integración de grafos de conocimiento, marcos de autorreflexión, métricas de evaluación especializadas, supervisión humana (human-in-the-loop), técnicas de entrenamiento específicas y red teaming. Resultados: RAG reduce las alucinaciones un 30–50 %; la supervisión humana hasta un 95 % (pero con problemas de escalabilidad); y el red teaming destapa vulnerabilidades que otros métodos no ven. Los enfoques combinados superan a los de método único. [ref 7]

Lectura clínica: en clínica, ningún LLM debería operar sin recuperación de fuentes verificables y revisión humana; las dos juntas son las que más bajan el riesgo.

2.2 · El chatbot mal usado, primer riesgo tecnológico del año [reportado]

El informe anual de peligros tecnológicos en salud de ECRI (2026) situó el mal uso de chatbots de IA como el riesgo número uno: herramientas generales (ChatGPT, Claude, Copilot, Gemini, Grok) no están reguladas como dispositivos médicos ni validadas para uso clínico, y aun así se usan para decisiones de salud. [reportado; informe de febrero de 2026] [ref 8]

3) Contexto regulatorio y de adopción 2026 [con fecha · mayormente reportado]

Termómetro independiente (ene-2026). El informe inaugural State of Clinical AI de la red Stanford-Harvard (ARISE) revisó más de 500 estudios de IA médica: casi la mitad usaban preguntas tipo examen y solo el 5 % usó datos de pacientes reales; al añadir la opción "ninguna de las anteriores" a preguntas estándar, la exactitud cayó más de un tercio. Mejor evidencia: IA como apoyo al clínico, no sustituto. [reportado] [ref 9]
Inventario FDA. Más de 1.200–1.450 dispositivos médicos con IA autorizados; radiología ≈76–77 % del total. En marzo de 2026 la FDA autorizó 24 aplicaciones de IA/ML (una cada ~31 horas). [reportado] [ref 10, 11]
Primera herramienta de IA cualificada para ensayos (MASH). La FDA cualificó AIM-MASH/AIM-NASH (lectura por IA de biopsias hepáticas según la escala NASH-CRN, con el patólogo como responsable final) bajo su programa de Drug Development Tools (dic-2025), tras la cualificación de la EMA. Una Perspective del 22 de junio de 2026 analizó estas primeras avales FDA+EMA de una herramienta de IA para criterio de valoración en ensayos. [fechado; aval previo a la ventana] [ref 12, 13]
Adopción hospitalaria. Se reporta que el 71 % de los hospitales no federales de cuidados agudos de EE. UU. usa ya IA predictiva integrada en su HCE. [reportado] [ref 14]

4) Conflictos y nivel de confianza

Afirmación	Matiz	Confianza
La IA clasifica imagen mamaria con AUC ~0,98–0,99	Un centro, muestra pequeña, sin validación externa/prospectiva	Media (técnica)
Modelos de IA predicen recurrencia/LRA con AUC alto	Validación externa presente, pero retrospectiva	Media-alta (retrospectiva)
RAG + supervisión humana bajan las alucinaciones	Evidencia sistemática consistente; falta estandarizar métricas	Alta
La mayoría de la "IA clínica" se prueba con exámenes, no pacientes	Informe de revisión amplio (ARISE)	Alta (sobre la brecha)
Solo el 5 % de estudios usa datos reales de pacientes	Cifra de prensa secundaria sobre el informe ARISE	Media (reportado)

5) Vacíos y limitaciones de esta corrida

El estudio titular de la semana pasada (LLM generales vs. IA clínica especializada, Nature Medicine, mediados de junio) ya se cubrió en el informe del 22-jun; esta semana se prioriza evidencia nueva no repetida.
Varias cifras de contexto (informe ARISE, ritmo de autorizaciones FDA, 71 % de hospitales) provienen de prensa secundaria; se marcan [reportado] y conviene leer la fuente primaria antes de citarlas como dato firme.
No se identificó una aprobación FDA/EMA individual nueva y verificable dentro de los últimos 14 días distinta de la cualificación MASH ya conocida.
Los estudios primarios de imagen/predicción son retrospectivos y de un solo centro o cohorte: capacidad técnica, no efectividad clínica demostrada.

Referencias (Vancouver para lo científico · fuente: PubMed con DOI)

Yu Y, Zhao Z, Wang Z, et al. Generative Artificial Intelligence and Large Language Models in Clinical Oncology. MedComm (2020). 2026;7(7):e70833. doi:10.1002/mco2.70833. https://doi.org/10.1002/mco2.70833 (PMID 42358410)
Alakhras M, Tayseer I, Alquran H, Alsalatie M, Bani Melhem D. Automated Diagnosis of Breast Cancer Using Deep Learning Techniques Applied to Digital Mammography and Magnetic Resonance Images. Top Magn Reson Imaging. 2026;35(1). doi:10.1097/RMR.0000000000000323. https://doi.org/10.1097/RMR.0000000000000323 (PMID 42360310)
Wang Y, Che Y, Qu J, Qu Y, Wang P, Hong J. Retinal vascular parameters as AI-driven biomarkers for pulse wave velocity assessment: a telemedicine strategy for cardiovascular risk assessment. Ann Med. 2026;58(1):2682652. doi:10.1080/07853890.2026.2682652. https://doi.org/10.1080/07853890.2026.2682652 (PMID 42360005)
Chen S, Zhang Y, Chen D, Dang J, Chen L, Yang W. AI-assisted Radiomic Model for Cervical Cancer Recurrence Prediction: A Multicenter Retrospective Study with Experimental Validation. Radiol Imaging Cancer. 2026;8(4):e250618. doi:10.1148/rycan.250618. https://doi.org/10.1148/rycan.250618 (PMID 42360142)
Hu J, Shu B, Zhang D, Tan S, Sheng Y, Wu Y. Development and validation of an explainable machine learning model for predicting acute kidney injury in critically ill patients with primary peritonitis: a multicenter cohort study. Ren Fail. 2026;48(1):2687291. doi:10.1080/0886022X.2026.2687291. https://doi.org/10.1080/0886022X.2026.2687291 (PMID 42349900)
Ma J, Chen H, Guo C, He G, Yang G. High-throughput signal detection of hepatotoxic drug-drug interactions in hospitalized elderly patients: an NLP-driven pharmacovigilance study. Ann Med. 2026;58(1):2682581. doi:10.1080/07853890.2026.2682581. https://doi.org/10.1080/07853890.2026.2682581 (PMID 42311091)
Basu S, Huynh B. Mitigating hallucinations in healthcare AI: a systematic review of evidence-based strategies. BMC Health Serv Res. 2026. doi:10.1186/s12913-026-14851-1. https://doi.org/10.1186/s12913-026-14851-1 (PMID 42251377)
Misuse of AI chatbots in health care tops 2026 Health Tech Hazard Report. Association of Health Care Journalists, feb-2026. https://healthjournalism.org/blog/2026/02/misuse-of-ai-chatbots-in-health-care-tops-2026-health-tech-hazard-report/
Clinical AI Has Boomed. A New Stanford-Harvard State of Clinical AI Report Shows What Holds Up in Practice. Stanford Medicine (ARISE), ene-2026. https://medicine.stanford.edu/news/current-news/standard-news/clinical-ai-has-boomed.html
AI-Enabled Medical Devices (lista oficial). FDA, 2026. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices
Numbers from the FDA show radiology is maintaining its lead. The Imaging Wire, mar-2026. https://theimagingwire.com/2026/03/11/numbers-from-the-fda-show-radiology-is-maintaining-its-lead/
FDA Qualifies First AI Drug Development Tool, Will Be Used in 'MASH' Clinical Trials. FDA, dic-2025. https://www.fda.gov/drugs/drug-safety-and-availability/fda-qualifies-first-ai-drug-development-tool-will-be-used-mash-clinical-trials
EMA qualifies first artificial intelligence tool to diagnose inflammatory liver disease (MASH) in biopsy samples. European Medicines Agency, 2025. https://www.ema.europa.eu/en/news/ema-qualifies-first-artificial-intelligence-tool-diagnose-inflammatory-liver-disease-mash-biopsy-samples
AI in healthcare news 2026 (adopción hospitalaria). Crescendo AI, 2026. https://www.crescendo.ai/news/ai-in-healthcare-news

Generado por Dr. Juan Camilo Paris · Informe semanal "¿Cómo se está usando la IA en medicina?" · 29 de junio de 2026.

Divulgación profesional. No sustituye el juicio clínico ni constituye recomendación regulatoria. Fuentes primarias vía PubMed (MCP) + búsqueda web priorizando fuentes oficiales.