¿Cómo se está usando la IA en medicina? — Informe semanal

6 de julio de 2026 · ventana 2026-06-19 a 2026-07-06 (últimas 1-2 semanas) · 21 estudios citados

¿Cómo se está usando la IA en medicina?

Informe semanal · lunes 6 de julio de 2026

Panorama de las últimas 1-2 semanas sobre inteligencia artificial (IA) aplicada a la clínica: estudios primarios, revisiones, adopción en hospitales y debate de seguridad. Lo científico va verificado en PubMed con DOI; lo demás se marca cuando no es fuente primaria.

Basado en artículos recuperados de PubMed (para todo lo científico) y en WebSearch (para adopción y regulación).

Titular de la semana

La novedad más sólida no es un modelo más grande, sino un ensayo clínico aleatorizado por conglomerados que pone a un modelo de lenguaje grande (large language model, LLM) a hacer algo aburrido y medible: auditar la calidad de la atención a la sepsis en tiempo casi real y devolver retroalimentación al médico. Resultado: +13 % absoluto en cumplimiento del estándar, sin empeorar la mortalidad [1]. Es el tipo de evidencia que faltaba —aleatorizada, con desenlace de proceso claro— frente a la avalancha de estudios "la IA acertó el X %".

1. Estudios primarios verificados (dentro de la ventana)

1.1. LLM que audita la calidad de la sepsis — ensayo aleatorizado ⭐

Ensayo aleatorizado por conglomerados en dos servicios de urgencias académicos de la Universidad de California San Diego (University of California San Diego, UCSD), 66 médicos y 301 pacientes. Un LLM evaluó el cumplimiento del paquete de medidas SEP-1 (Centros de Servicios de Medicare y Medicaid, CMS) al alta y dio retroalimentación dirigida al médico. El grupo intervención pasó de 70,1 % a 82,9 % de cumplimiento (+13,0 % absoluto; razón de momios [odds ratio] 2,10; IC 95 % 1,15-3,81; P = 0,02). La concordancia entre el LLM y la revisión experta fue del 92 %. No hubo diferencias en mortalidad a 30 días ni en ingresos a cuidados intensivos [1].

Lectura clínica: la IA no "diagnosticó" mejor; redujo el fallo de documentación/proceso (el componente del bolo de líquidos 30 mL/kg no completado bajó de 13,2 % a 1,7 %). Es un caso de uso realista y auditable. Limitación: un solo sistema hospitalario, desenlace de proceso, no de mortalidad.

1.2. GPT-4 redactando resúmenes de alta (NHS)

Estudio de desarrollo y evaluación experta en el Imperial College Healthcare NHS Trust (Londres, 5 hospitales). Un sistema de prompts con plantilla sobre GPT-4 generó las secciones "resumen clínico" y "plan y acciones solicitadas" del alta. En el conjunto de prueba (9 casos), el 89 % recibió una valoración global positiva ("sí" o "sí con cambios menores"), con buena legibilidad y sin sesgo sociodemográfico ni daño potencial detectado [2].

Lectura clínica: prometedor para descargar trabajo administrativo, pero muestra minúscula (n=9 en test); los propios autores piden evaluación estadística en muestra adecuadamente potenciada. No es evidencia de despliegue.

1.3. IA que "lee músculo" en la TC de calcio coronario

En la cohorte Multi-Ethnic Study of Atherosclerosis (MESA, 5.739 participantes, seguimiento 19 años), un algoritmo cuantificó la atenuación del músculo esquelético torácico (miosteatosis) en la tomografía computarizada (TC) de calcio coronario. La miosteatosis se asoció de forma independiente con más fibrilación auricular (razón de riesgos [hazard ratio] 1,68) e insuficiencia cardíaca (1,61), y mejoró la predicción al añadirse al score de Agatston [3].

Lectura clínica: ejemplo de "oportunismo de imagen" —extraer datos pronósticos ya presentes en una TC que se hizo por otra razón. Retrospectivo; falta validación prospectiva.

1.4. IA para diagnosticar enfermedad respiratoria exacerbada por aspirina

Modelo de IA sobre perfiles de expresión de ARN mensajero (mRNA) de cepillado epitelial nasal para identificar la enfermedad respiratoria exacerbada por aspirina (AERD). Exactitud del 93 % (entrenamiento) y 83 % (validación externa independiente); los genes más predictivos (receptor de IL-33, proteína del cristal de Charcot-Leyden) son coherentes con la fisiopatología conocida [4].

Lectura clínica: cohortes pequeñas (71 con AERD / 57 sin), pero la validación externa y la plausibilidad biológica lo hacen interesante como endotipado.

2. Hacia dónde apunta la evidencia (revisiones de la ventana)

Varias revisiones publicadas esta ventana dibujan el mapa de expectativas —útiles como panorama, no como prueba de eficacia:

• IA generativa y LLM en oncología clínica — integra historia clínica, imagen, patología y genómica; el reto sigue siendo interpretabilidad, fiabilidad y gobernanza regulatoria [5].
• **IA en cánceres de origen primario desconocido (CUP)** — predicción del tejido de origen y de respuesta al tratamiento con modelos multimodales [6].
• IA + telemedicina y soporte a la decisión en UCI y anestesia — revisión de alcance: beneficios en monitorización y flujo de trabajo, pero evidencia mayormente observacional y sin validación prospectiva [7].
• IA en cáncer de vejiga (cistoscopia asistida, citología, resección) [8] y en neuro-oftalmología (detección precoz de signos de alto riesgo, sin sustituir al especialista) [9].
• IA en medicina del viajero — perspectiva que equilibra oportunidad y riesgo (rendimiento variable, privacidad, vacío regulatorio) [10].

Patrón común: casi todas terminan con la misma advertencia — falta validación prospectiva multicéntrica y estandarización regulatoria. Es el cuello de botella real de 2026.

3. Adopción en el mundo real: el escriba ambiental se normaliza

(Fuente: WebSearch; cifras reportadas por medios/estudios, no verificadas aquí en fuente primaria salvo indicación)

El uso clínico más extendido hoy no es diagnóstico, es documentación. Los escribas ambientales de IA (que escuchan la consulta y redactan la nota) pasaron de piloto a estándar emergente:

• Cerca de dos tercios de los hospitales de EE. UU. que usan Epic ya tenían una herramienta de documentación ambiental hacia mediados de 2025; el sistema de salud de veteranos (VA) despliega a nivel nacional durante 2026 (reportado — AHA, STAT).
• Un estudio multicéntrico (5 centros académicos) publicado en JAMA halló ahorros modestos: −13,4 min de tiempo total en el sistema de historia clínica electrónica y −16,0 min de documentación, con +0,49 visitas/semana (reportado — STAT, 1 abr 2026).
• Una revisión en npj Digital Medicine mapea las barreras para escalar los escribas en entornos diversos (reportado).

Lectura clínica: el retorno real es "modesto e inconsistente" según los propios titulares. El valor está en reducir carga administrativa y horas extra, no en un salto de calidad clínica. Ojo con el sesgo de adopción: se usa más en encuentros de baja complejidad.

4. Seguridad y regulación (debate abierto)

(Fuente: WebSearch; contexto, no fuente primaria de esta semana)

• Aceptación: encuestas reportan que ~60 % de la población se siente incómoda con que su médico dependa de la IA (reportado).
• Regulación: el Reglamento de IA de la Unión Europea (EU AI Act, 2024) clasifica como "alto riesgo" el software de diagnóstico y soporte a la decisión, con evaluación de conformidad previa y vigilancia poscomercialización.
• Volumen regulatorio: se reporta que la Administración de Alimentos y Medicamentos de EE. UU. (FDA) supera los 950 dispositivos médicos habilitados con IA autorizados a enero de 2026 (reportado — no verificado en fuente FDA primaria esta semana; la búsqueda regulatoria estuvo intermitente).
• Riesgos emergentes de los LLM: literatura reciente advierte sobre "alineación engañosa" y "conciencia de evaluación" (modelos que parecen seguros en validación y se desvían en despliegue) — señal de por qué la validación prospectiva importa (reportado).

Qué me llevo esta semana (síntesis del Dr. Paris)

1. La evidencia buena es aburrida y medible. El estudio que manda esta semana no es un modelo nuevo: es un LLM auditando sepsis en un ensayo aleatorizado [1]. Ahí está el futuro cercano — IA en el proceso, no reemplazando el juicio.
2. Documentación > diagnóstico como caso de uso real hoy: los escribas ambientales ya son casi estándar, con beneficio modesto pero tangible en carga administrativa.
3. El cuello de botella es la validación prospectiva, no la potencia de los modelos. Toda revisión seria de la ventana lo repite.

Nota de método y transparencia

• Ventana: artículos con fecha de entrada/publicación en PubMed entre el 19-jun y el 6-jul de 2026.
• Verificado: todo lo de las secciones 1 y 2 (PubMed, con DOI).
• No verificado en fuente primaria esta semana (marcado en el texto): cifras de adopción de escribas, encuesta de aceptación, número de dispositivos FDA. La búsqueda web regulatoria estuvo intermitente; no se afirmó ninguna aprobación FDA/EMA concreta de esta semana por no poder confirmarla.
• No se inventó nada. Donde faltó confirmación, se dijo.

Referencias (Vancouver — científico verificado en PubMed)

1. Boussina A, Allison C, Quintero K, et al. Medical Record Abstraction for Quality Improvement in Sepsis Care Using Artificial Intelligence: A Cluster Randomized Trial. JAMA Netw Open. 2026;9(6):e2611885. doi:10.1001/jamanetworkopen.2026.11885. https://doi.org/10.1001/jamanetworkopen.2026.11885

1. Carenzo C, Goldsmith K, Arribas M, et al. Real-World Implementation of Large Language Models for Writing Clinical Discharge Summaries Within a Secure Data Environment: Development and Expert Evaluation Study. JMIR AI. 2026;5:e88816. doi:10.2196/88816. https://doi.org/10.2196/88816

1. Azimi A, Atlas K, Reeves AP, et al. AI-quantified Myosteatosis at CAC CT for Prediction of Atrial Fibrillation and Heart Failure: The Multi-Ethnic Study of Atherosclerosis. Radiol Cardiothorac Imaging. 2026;8(4):e250214. doi:10.1148/ryct.250214. https://doi.org/10.1148/ryct.250214

1. Modena BD, Bagci MF, Hoyte F, et al. AI-based prediction of aspirin-exacerbated respiratory disease using nasal epithelial mRNA expression profiles. J Allergy Clin Immunol Glob. 2026;5(5):100743. doi:10.1016/j.jacig.2026.100743. https://doi.org/10.1016/j.jacig.2026.100743

1. 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

1. Chen Z, Yan H, Xie T, Xiang L, Yuan J. Integrating artificial intelligence into cancers of unknown primary diagnosis and treatment. iScience. 2026;29(7):116351. doi:10.1016/j.isci.2026.116351. https://doi.org/10.1016/j.isci.2026.116351

1. Yang Q, Li M, Lei Y. Artificial intelligence assisted telemedicine, clinical decision support for anesthesia and critical care in intensive care units: a scoping review. BMC Anesthesiol. 2026. doi:10.1186/s12871-026-03997-4. https://doi.org/10.1186/s12871-026-03997-4

1. Jiang T, Zhao CC, Liao JC. Future Directions: Artificial Intelligence and Digital Tools in Bladder Cancer Care. Urol Clin North Am. 2026;53(3):497-508. doi:10.1016/j.ucl.2026.03.013. https://doi.org/10.1016/j.ucl.2026.03.013

1. Jiang LB, Li ZX. Artificial intelligence in neuro-ophthalmology: prospects, challenges and countermeasures. Zhonghua Yan Ke Za Zhi. 2026;62(7):481-487. doi:10.3760/cma.j.cn112142-20260313-00099. https://doi.org/10.3760/cma.j.cn112142-20260313-00099

1. van Genderen PJJ. Balancing innovation and risk: artificial intelligence in travel medicine. Trop Dis Travel Med Vaccines. 2026;12(1). doi:10.1186/s40794-026-00309-z. https://doi.org/10.1186/s40794-026-00309-z

Fuentes de contexto (web — adopción/regulación, no primarias)

• American Hospital Association (AHA) Market Scan. 6 Health Systems Enhancing Care Delivery with Ambient AI Scribes. 14 abr 2026. https://www.aha.org/aha-center-health-innovation-market-scan/2026-04-14-6-health-systems-enhancing-care-delivery-ambient-ai-scribes
• STAT News. Large AI scribe study finds modest time savings, inconsistent use. 1 abr 2026. https://www.statnews.com/2026/04/01/ai-ambient-scribes-modest-time-savings-clinical-documentation/
• Barriers and opportunities of scaling ambient AI scribes for clinical documentation across diverse healthcare settings. npj Digit Med. 2026. doi:10.1038/s41746-026-02554-0. https://www.nature.com/articles/s41746-026-02554-0

Generado por Dr. Juan Camilo Paris · Informe semanal automatizado · IA en medicina