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

27 de julio de 2026 · ventana 2026-07-10 a 2026-07-27 (últimas 1-2 semanas) · 5 estudios citados

¿Cómo se está usando la IA en medicina?

Informe semanal · lunes 27 de julio de 2026

Panorama de las últimas 1-2 semanas sobre inteligencia artificial (IA) aplicada a la clínica: estudios primarios, revisiones, adopción real y regulación/economía. Lo científico va verificado en PubMed con identificador de objeto digital (digital object identifier, 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, regulación y economía).

Titular de la semana

La noticia grande no es un modelo más listo, es cómo se va a pagar la IA clínica. Los Centros de Servicios de Medicare y Medicaid de EE. UU. (Centers for Medicare & Medicaid Services, CMS) propusieron en julio una categoría de pago nueva para el software clínico —"Software como Servicio Médico" (Software as a Medical Service, SaMS)— pensada para algoritmos que producen un diagnóstico, una puntuación de riesgo o una recomendación de tratamiento, y que aspira a atarse a los resultados en el paciente [A]. Es la primera vez que el mayor pagador del mundo intenta un carril de reembolso estandarizado para la IA. Sin pago no hay adopción: esta es la fontanería que decide qué IA médica sobrevive.

En paralelo, el mejor dato clínico de la ventana es honesto y aburrido: un estudio prospectivo español pone un escriba ambiental de IA en consultas de pediatría y mide lo que pasa de verdad — mejora el contacto visual y la calidad de la nota, pero menos de un tercio de los médicos lo adoptó y dos de cada tres tuvieron problemas técnicos [1].

1. Estudios primarios verificados (dentro de la ventana)

1.1. Escriba ambiental de IA en pediatría — estudio prospectivo español ⭐

Estudio prospectivo observacional de prueba de concepto (febrero-octubre 2025) en el Hospital Sant Joan de Déu (Barcelona): 40 médicos de tres subespecialidades, 197 consultas documentadas. El escriba de IA escucha la consulta y redacta la nota [1].

• Contacto visual médico-paciente: mediana 78,6 % → 95,7 % (p < 0,001), sin alargar la consulta (25,7 vs. 21,9 min; p = 0,262).
• Calidad de la documentación (rúbrica basada en mPDQI-9): mejora en exactitud/completitud (p = 0,008) y en organización/estructura (p < 0,001); puntuación global mediana 23 vs. 17 (p = 0,008).
• Registro de la información dada al paciente: 80 % vs. 20 % (p = 0,003).
• Peros duros: la revisión posconsulta se llevó el 33-38 % del tiempo total; 67 % reportó problemas técnicos, 33 % necesitó correcciones extensas y la adopción se concentró en menos de un tercio de los clínicos formados.

Lectura clínica: evidencia realista y en español. El escriba no mejora el diagnóstico; mejora la interacción y descarga documentación. Pero el estudio pone el dedo en la llaga que la industria esconde: se prueba en pocos, muchos lo abandonan y hay que corregirlo. Prueba de concepto, no despliegue. [1]

1.2. Aprendizaje profundo para predecir respuesta en cáncer de nasofaringe

Estudio retrospectivo multicéntrico (500 pacientes) con carcinoma nasofaríngeo localmente avanzado. Un modelo combinado sobre resonancia magnética (magnetic resonance imaging, MRI) multiparamétrica previa al tratamiento —radiómica convencional + radiómica de "hábitats" + aprendizaje profundo 2,5D— predice la respuesta completa precoz tras quimioinmunoterapia de inducción. Área bajo la curva (area under the curve, AUC) de 0,922 (entrenamiento), 0,847 (validación interna) y 0,821 con validación externa; en el cohorte externo, sensibilidad 0,859 y valor predictivo negativo 0,932 [2].

Lectura clínica: imagen "que ve lo que el ojo no ve" para estratificar quién responderá antes de tratar. Retrospectivo; los propios autores piden validación prospectiva multicéntrica. [2]

1.3. Aprendizaje profundo que "lee" la piel de la insuficiencia venosa crónica

Marco de aprendizaje profundo entrenado en un conjunto multicéntrico (8.672 imágenes, tres centros de Corea del Sur) para clasificar cambios cutáneos de insuficiencia venosa crónica (chronic venous insufficiency, CVI) en fotografías clínicas de rutina, que a menudo imitan dermatosis inflamatorias. Con estimación de pose para localizar la extremidad y segmentación de piel, la arquitectura ResNet-34 logró AUROC interno 0,922 (sensibilidad 0,679, especificidad 0,943) y 0,877 en validación externa, manteniéndose en el conjunto público Fitzpatrick17k (sensibilidad 0,918) [3].

Lectura clínica: herramienta de apoyo para estandarizar el triaje de la enfermedad venosa con una foto de móvil. La validación externa y en piel diversa es lo valioso; falta ensayo prospectivo. [3]

2. Hacia dónde apunta la evidencia (revisiones)

Revisiones de la ventana — útiles como panorama, no como prueba de eficacia:

• IA en xenotrasplante y medicina regenerativa (revisión): sostiene que sistemas de IA cada vez más capaces podrían acelerar el diseño de tejidos derivados de células madre y de órganos, ayudando a reducir la escasez de órganos. Tono especulativo (llega a hablar de inteligencia artificial general); útil como mapa de dirección, no como evidencia. [4]
• Tecnologías de apoyo con IA para niños con parálisis cerebral (revisión sistemática, 23 estudios): rehabilitación motora, evaluación inteligente, comunicación y sistemas de vida diaria. La conclusión es la nota recurrente de 2026: el campo está mayormente en fase de prueba de concepto, con muestras pequeñas y sin validación clínica a largo plazo. [5]

Patrón común: casi todas terminan con la misma advertencia — falta validación prospectiva multicéntrica y estandarización. Ese sigue siendo el cuello de botella real, no la potencia del modelo.

3. Regulación y economía: la semana en que se empezó a pagar la IA (reportado · web)

El movimiento de fondo esta semana es regulatorio y económico, no algorítmico. Cifras y fechas de medios especializados y despachos legales; no verificadas en fuente primaria salvo donde se indica.

• CMS crea un carril de pago para el software clínico. En las reglas propuestas para el año 2027 (Hospital Outpatient Prospective Payment System, OPPS, del 2-jul; y Physician Fee Schedule, PFS, del 14-jul) CMS introduce la categoría "Software como Servicio Médico" (SaMS) y reubica 21 códigos de software ya pagados en nuevos grupos de "tecnología nueva", con la intención declarada de atar el pago a los resultados en el paciente. Reglas finales más adelante en 2026. [A]
• La FDA ya lista 211 dispositivos con IA autorizados desde su actualización de septiembre de 2024, según el corte del 10 de julio de 2026; ~81 % son de radiología (el código de procesamiento de imagen radiológica QIH es el más frecuente). [B]
• Primer dispositivo médico con un LLM de cara al paciente autorizado por la FDA: el software de UpDoc para manejo de insulina en diabetes tipo 2 (autorización 510(k) K253281 publicada el 23-dic-2025; anuncio público 25-jun-2026). Opera dentro de límites clínicos estrechos, no como chatbot general. Este mes se ha analizado como la apertura de un camino regulatorio para IA clínica conversacional. [C]
• Debate abierto — el LLM general le gana al especializado. Un estudio en Nature Medicine (12-jun-2026, muy comentado en julio) encontró que modelos de propósito general de frontera (GPT-5.2, Gemini 3.1 Pro, Claude Opus 4.6) superaron a herramientas clínicas dedicadas (OpenEvidence, UpToDate Expert AI) en tres pruebas (MedQA, HealthBench y consultas clínicas reales). Deja al descubierto una brecha de validación que la regulación aún no cierra: lo que se autoriza no siempre es lo que rinde mejor. [D]

4. Qué me llevo esta semana

1. **La batalla de 2026 se juega en el reembolso y la adopción, no en el benchmark.** Que CMS invente una categoría de pago (SaMS) importa más para tu práctica que un punto más de exactitud [A].
2. El caso de uso real sigue siendo documentación, y sigue siendo imperfecto: el escriba ambiental mejora la interacción, pero se abandona y falla técnicamente en la vida real [1].
3. Validación externa > número grande. Los modelos de imagen de la semana valen por validarse fuera de casa (nasofaringe, piel venosa), no por su AUC máximo [2,3].

Nota de transparencia

Lo científico (secciones 1-2) va verificado en PubMed con DOI. Regulación y economía (sección 3) provienen de búsqueda web y se marcan como reportado; solo el número de expediente FDA de UpDoc (K253281) y las fechas de las reglas de CMS son datos concretos citables de esas fuentes. Se descartó repetir titulares de semanas previas (Mayo Clinic / páncreas es de abril de 2026). No se inventó nada; lo no confirmable se señaló.

Referencias

Vancouver — científico verificado en PubMed (según artículos recuperados de PubMed):

1. Vallejo V, Farreras J, Valero L, et al. Ambient AI scribe in pediatric outpatient visits: documentation burden, quality, and scale-up limits. Med Clin (Barc). 2026;166(8):107541. doi:10.1016/j.medcli.2026.107541 — https://doi.org/10.1016/j.medcli.2026.107541
2. Zhu B, Wen Z, Chen K, et al. Pretreatment multiparametric MRI-based habitat radiomics and 2.5D deep learning for predicting early complete response to induction chemoimmunotherapy in locally advanced nasopharyngeal carcinoma. Oral Oncol. 2026;180:108072. doi:10.1016/j.oraloncology.2026.108072 — https://doi.org/10.1016/j.oraloncology.2026.108072
3. Kim KE, Lee Y, Kang H, et al. A deep learning framework for recognizing skin changes secondary to chronic venous insufficiency in clinical photographs: a multicentre validation study. Ann Med. 2026;58(1):2694142. doi:10.1080/07853890.2026.2694142 — https://doi.org/10.1080/07853890.2026.2694142
4. Solez K, Mahal H, Cheungpasitporn W, Orlando G. Influence of artificial intelligence on xenotransplantation and regenerative medicine on the path toward ending the organ shortage. Ren Fail. 2026;48(1):2685347. doi:10.1080/0886022X.2026.2685347 — https://doi.org/10.1080/0886022X.2026.2685347
5. Li J, Zhu Q, Mohd Noor MN, Foong CC. Effectiveness and usability of artificial intelligence-powered assistive technologies in supporting daily activities of children with cerebral palsy: a systematic review. Ann Med. 2026;58(1):2649427. doi:10.1080/07853890.2026.2649427 — https://doi.org/10.1080/07853890.2026.2649427

Contexto (web, no primario):

• [A] STAT News: CMS signals intent to revamp how it pays for clinical software, AI (16-jul-2026); Wilson Sonsini: CMS Proposes Payment Frameworks for "Software as a Medical Service"; Becker's Payer.
• [B] AuntMinnie: Radiology drives July FDA AI-enabled medical device update (corte 10-jul-2026).
• [C] McGuireWoods: A Pathway for Clinical AI Developers Opens — FDA Clears First SaMD With Patient-Facing LLM (jul-2026); UpDoc/HLTH; 510(k) K253281.
• [D] Bommasani et al. General-purpose large language models outperform specialized clinical AI tools on medical benchmarks. Nat Med. 2026. https://www.nature.com/articles/s41591-026-04431-5 (publicado 12-jun-2026; debate en julio).