Dr. Alfonso Fernández Romera
Médico de familia. Madrid.
La verdadera inteligencia artificial en medicina
En los últimos meses la inteligencia artificial se ha convertido en uno de los temas más repetidos dentro y fuera de la medicina. Hospitales, congresos y medios de comunicación hablan de ella como si se tratara de una revolución inminente que cambiará la práctica clínica.
Pero en muchos casos el debate está mal planteado.
Se están proponiendo programas y aplicaciones que utilizan inteligencia artificial de una forma muy básica, casi como si se tratara simplemente de un software más dentro del ecosistema hospitalario. Sistemas que responden preguntas clínicas, que ayudan a redactar informes o que automatizan tareas administrativas. Herramientas útiles, sin duda, pero que apenas rozan el verdadero potencial que la inteligencia artificial puede aportar a la medicina.
La inteligencia artificial no es simplemente una herramienta informática. Si realmente queremos entender su impacto en la medicina, debemos verla como algo mucho más profundo: un amplificador de la capacidad intelectual humana.
Más información de la que somos capaces de procesar
La medicina moderna genera una cantidad de información imposible de abarcar por una mente humana.
Cada año se publican cientos de miles de artículos científicos, ensayos clínicos y revisiones sistemáticas. A eso hay que añadir los datos procedentes de historias clínicas electrónicas, bases de datos sanitarias, registros epidemiológicos, estudios genómicos y sistemas de imagen médica.
El problema no es que falten datos. El problema es que no somos capaces de explotarlos plenamente.
Leer un artículo científico puede llevar quince o veinte minutos. Analizar un conjunto de ensayos clínicos, compararlos, detectar sesgos y extraer conclusiones robustas puede requerir semanas de trabajo investigador. Este límite no es intelectual, sino biológico: el cerebro humano simplemente no puede procesar grandes volúmenes de información con la rapidez necesaria.
Aquí es donde la inteligencia artificial introduce un cambio radical.
Los sistemas actuales son capaces de analizar miles de artículos científicos en cuestión de segundos, identificar relaciones entre estudios, comparar resultados, detectar inconsistencias y generar síntesis de información que antes habrían requerido meses de trabajo. Los sistemas de procesamiento del lenguaje natural aplicados a literatura biomédica han demostrado su capacidad para identificar relaciones entre conceptos, resultados experimentales y nuevas conexiones entre dominios del conocimiento (Gu et al., Bioinformatics, 2021; Luo et al., Briefings in Bioinformatics, 2022).
Esto comprime de forma extraordinaria el tiempo necesario para desarrollar investigación científica.
Procesos que antes podían requerir semanas o meses —búsqueda bibliográfica, comparación de estudios, análisis de resultados y redacción científica— pueden realizarse ahora en una sola tarde de trabajo intensivo.
Del azar a la serendipia dirigida
La historia de la ciencia está llena de descubrimientos accidentales. La penicilina apareció en una placa de cultivo olvidada. Los rayos X fueron detectados al observar una fluorescencia inesperada en un laboratorio. Muchos hallazgos surgieron simplemente porque alguien observó algo extraño y decidió investigarlo.
Ese fenómeno se conoce como serendipia.
Durante siglos, la ciencia ha dependido en gran medida de ese tipo de descubrimientos accidentales. Pero la inteligencia artificial permite transformar ese modelo.
En muchos casos el debate está mal planteado
En lugar de esperar a que el azar nos muestre algo inesperado, ahora podemos explorar activamente enormes espacios de conocimiento para buscar relaciones ocultas, patrones y conexiones que la mente humana no puede detectar por sí sola.
Un ejemplo extraordinario de este cambio se encuentra en el campo de la biología estructural. El sistema AlphaFold, desarrollado por DeepMind, logró predecir con gran precisión la estructura tridimensional de proteínas a partir de su secuencia de aminoácidos, resolviendo un problema científico que llevaba décadas abierto (Jumper et al., Nature, 2021).
Este tipo de avances ilustra algo fundamental: la inteligencia artificial no solo acelera la ciencia, sino que permite abordar problemas que antes eran prácticamente inaccesibles debido a su complejidad computacional.
Encontrar patrones donde el ojo humano no llega
La medicina está llena de datos, pero también de ruido, sesgos y relaciones complejas entre variables.
Muchos fenómenos biológicos dependen de la interacción simultánea de múltiples factores: genética, metabolismo, entorno, comportamiento y tratamientos farmacológicos. Detectar patrones relevantes dentro de ese entramado de variables puede ser extremadamente difícil.
El cerebro humano es muy eficaz reconociendo patrones simples. Pero cuando el número de variables aumenta, nuestra capacidad de análisis se vuelve limitada.
Los sistemas de aprendizaje automático, en cambio, están diseñados precisamente para trabajar en espacios de datos de alta dimensionalidad, identificando relaciones estadísticas que pueden pasar desapercibidas para el análisis tradicional. A diferencia de los métodos estadísticos clásicos, estos sistemas no requieren hipótesis previas sobre la estructura de los datos: pueden descubrir interacciones no lineales y combinaciones de variables que ningún modelo de regresión convencional detectaría (Rajkomar et al., New England Journal of Medicine, 2019).
Esto permite mirar hacia aspectos de la realidad biomédica que hasta ahora permanecían ocultos.
No porque los datos no estuvieran ahí, sino porque no teníamos la capacidad de interpretarlos adecuadamente.
El error de usar la inteligencia artificial como un buscador
Sin embargo, existe un riesgo importante.
Si los médicos utilizamos la inteligencia artificial únicamente como lo hacen nuestros pacientes —consultando síntomas o resolviendo dudas clínicas— estaremos desaprovechando casi todo su potencial.
En ese escenario, el médico se limitaría a actuar como un simple filtro de la información que ya proporciona la inteligencia artificial. Y si ese fuera el caso, tarde o temprano los pacientes podrían prescindir de ese filtro.
En ese escenario, el médico se limitaría a actuar como un simple filtro de la información que ya proporciona la inteligencia artificial. Y si ese fuera el caso, tarde o temprano los pacientes podrían prescindir de ese filtro.
Las premisas son claras: los pacientes tienen acceso creciente a herramientas de inteligencia artificial; estos sistemas mejoran progresivamente en clasificación y análisis de información médica; y si el médico se limita a validar lo que la IA ya produce, su papel diferencial disminuye. La conclusión lógica es que el médico debe utilizar la inteligencia artificial en un nivel cualitativamente diferente al del paciente para mantener su valor profesional.
Una nueva dimensión de la práctica médica
La verdadera revolución de la inteligencia artificial no está en sustituir al médico, sino en transformar su forma de trabajar.
La imaginación, la intuición científica y la capacidad de generar hipótesis siguen siendo profundamente humanas. La inteligencia artificial, por el momento, no posee imaginación ni creatividad genuina.
Pero puede analizar información a una escala imposible para una mente humana.
Cuando ambas capacidades se combinan —imaginación humana y análisis masivo de datos— aparece una nueva forma de hacer ciencia y medicina.
En ese contexto, la inteligencia artificial no es simplemente una herramienta tecnológica. Puede convertirse en una nueva dimensión de la práctica médica, una disciplina que permita explotar el conocimiento biomédico de una forma mucho más profunda.
El verdadero desafío
La pregunta que debemos hacernos no es si la inteligencia artificial va a cambiar la medicina.
Eso es inevitable.
La verdadera cuestión es si los médicos seremos capaces de aprender a utilizarla en toda su profundidad.
Si lo hacemos, la inteligencia artificial puede convertirse en una de las herramientas más poderosas que haya tenido jamás la medicina.
Si no lo hacemos, simplemente será otra tecnología más que utilizaremos de forma superficial mientras otros explotan todo su potencial.
Y en ese caso, el verdadero problema no será la inteligencia artificial.
Será nuestra incapacidad para comprenderla.
Quizá el primer paso sea tan sencillo como dejar de ver la inteligencia artificial como un programa informático y empezar a verla como lo que realmente puede ser: un compañero de razonamiento científico.
Las opiniones, creencias, o puntos de vista expresados en este artículo son responsabilidad del autor y no necesariamente reflejan los de Boehringer Ingelheim España, S.A
Referencias
- Gu Y, Tinn R, Cheng H, et al. Domain-specific language model pretraining for biomedical natural language processing. ACM Transactions on Computing for Healthcare. 2021;3(1):1–23.
- Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596:583–589.
- Luo R, Sun L, Xia Y, et al. BioGPT: generative pre-trained transformer for biomedical text generation and mining. Briefings in Bioinformatics. 2022;23(6):bbac409.
- Rajkomar A, Dean J, Kohane I. Machine learning in medicine. New England Journal of Medicine. 2019;380(14):1347–1358.
DOC.6027.052026