17 Casos de uso de IA generativa en el sector sanitario
Los sistemas de salud se enfrentan a volúmenes de datos cada vez mayores, escasez de personal y expectativas crecientes de atención personalizada. La IA generativa está surgiendo como una solución clave al sintetizar datos médicos no estructurados, como notas clínicas, informes de imágenes e historiales de pacientes, en información valiosa para médicos y administradores.
Descubra cómo se aplica la IA generativa en la prestación de atención médica, la administración y la gestión de la salud de la población, junto con los retos y las direcciones futuras que están dando forma a su adopción.
Área | Casos de uso | Ejemplos |
|---|---|---|
Prestación de atención médica | Imágenes médicas sintéticas Planificación de tratamientos personalizados | - GAN para radiografías sintéticas, - LLMs para el descubrimiento de fármacos - Análisis genómico y tratamientos personalizados para la artritis reumatoide |
Administración de la atención médica | Fijación de precios de reclamaciones Apoyo a las guías clínicas Detección de fraude Análisis de historiales médicos Automatización administrativa | - GPT-4 en los EHR - Nuance DAX Copilot para documentar las visitas de los pacientes con IA generativa |
Salud de la población | Síntesis de datos Predicción de tendencias Segmentación de grupos de riesgo | - Análisis predictivo de Diagnostic Robotics para reducir las visitas a urgencias, aumentar el ROI y personalizar las estrategias de atención. |
Iniciativas de salud pública | Campañas dirigidas Planificación de recursos Atención preventiva Educación | - Cribado de cáncer de mama guiado por IA - Intervenciones simuladas y planificación del despliegue de la salud móvil |
Investigación y desarrollo | Apoyo a la investigación médica Descubrimiento y desarrollo de fármacos | - IA co-scientist de Google Research para el apoyo a la investigación biomédica - Google Cloud y el LLM de proteínas de Ginkgo Bioworks para el descubrimiento de fármacos |
Mejora de la prestación de atención médica
1. Crear nuevas imágenes médicas
La IA generativa, especialmente las redes generativas antagónicas (GAN, por sus siglas en inglés), puede entrenarse para generar imágenes médicas sintéticas que imitan radiografías, resonancias magnéticas y tomografías computarizadas del mundo real. Estas imágenes sintéticas tienen varias aplicaciones importantes en la atención médica:
- Formación y educación médica: Las imágenes generadas por IA pueden usarse para formar a profesionales de la salud creando conjuntos de datos diversos de enfermedades raras, anomalías o variantes normales que quizá no siempre estén presentes en casos reales.
- Aumento de datos para modelos de IA: Entrenar sistemas de IA para diagnosticar afecciones médicas requiere grandes conjuntos de datos. La IA generativa puede producir imágenes sintéticas para aumentar conjuntos de datos limitados, mejorando así la precisión de los modelos de diagnóstico sin comprometer la privacidad.
- Simulación e investigación: Las imágenes sintéticas pueden ayudar a los investigadores a simular diversos escenarios (como la posible progresión de una enfermedad) o a probar algoritmos de IA sin esperar nuevos datos de pacientes. Este proceso puede contribuir a acelerar la investigación médica.
- Desidentificación de datos: Al generar imágenes sintéticas que conservan características clínicas clave sin representar a pacientes reales, los sistemas de salud pueden compartir datos sin infringir leyes de privacidad como la HIPAA.
La investigación ha demostrado la eficacia de las imágenes sintéticas en el análisis de imágenes médicas. Por ejemplo, un estudio publicado en Nature Biomedical Engineering demostró que las imágenes retinianas sintéticas generadas por GAN eran tan eficaces como las imágenes reales para entrenar un modelo de aprendizaje profundo en la detección de la retinopatía diabética.
Otro ejemplo procede del estudio MAISI (Medical IA for Synthetic Imaging) estudio, que utilizó modelos de difusión para generar imágenes sintéticas de TC 3D de alta resolución.
Los resultados experimentales demuestran que MAISI puede generar imágenes realistas y anatómicamente precisas en diversas regiones corporales y afecciones.
Figura 1: (a) Una tomografía computarizada de alta resolución generada por MAISI con su superposición de segmentación, mostrada en vistas axial, sagital y coronal. (b) Una renderización 3D centrada en estructuras óseas, que destaca el realismo de la exploración generada.1
Otro estudio sobre la creación de nuevas imágenes médicas con modelos de IA generativa se centró en X-Diffusion, un enfoque novedoso que reconstruye exploraciones de resonancia magnética 3D completas utilizando una o unas pocas secciones 2D, lo que acelera considerablemente los tiempos de exploración y reduce los costes.
A diferencia de los métodos tradicionales que dependen de datos 3D completos o tratan las resonancias magnéticas como secciones 2D separadas, X-Diffusion aprende de volúmenes 3D completos durante el entrenamiento (vea la imagen a continuación). Supera a las técnicas existentes en calidad de imagen y precisión, conserva detalles anatómicos críticos e incluso generaliza a regiones corporales nuevas para las que no fue entrenado.
Se espera que este avance haga que la obtención de imágenes de resonancia magnética de alta resolución sea más rápida, más asequible y más ampliamente accesible.
Figura 2: comparación entre la reconstrucción de resonancia magnética tradicional y X-Diffusion.2
Ejemplo real: MedGemma 1.5
Google DeepMind’s MedGemma es una colección de modelos de IA generativa de código abierto ajustados para la comprensión de texto e imágenes médicas, concebida como punto de partida para desarrolladores que crean aplicaciones de atención médica.
La última variante de 4B parámetros, MedGemma 1.5, amplía las capacidades del modelo a imágenes de alta dimensionalidad, como TC, resonancia magnética e histopatología de portaobjetos completos, junto con el análisis longitudinal de radiografías de tórax y la localización anatómica. Los posibles casos de uso incluyen:
- Imágenes médicas de alta dimensionalidad: Procesamiento de datos de exploraciones de TC, resonancia magnética e histopatología.
- Imágenes médicas longitudinales: Comparación de radiografías de tórax con imágenes previas para seguir los cambios temporales.
- Comprensión de documentos médicos: Extracción de datos estructurados de informes de laboratorio y registros médicos electrónicos.
- Clasificación e interpretación de imágenes médicas: Generación de informes en radiología, patología digital, dermatología y oftalmología.
- Respuesta a preguntas médicas: Apoyo a entrevistas preclínicas, triaje y ayuda a la toma de decisiones clínicas.
MedGemma está disponible en variantes de 4B (eficientes en cómputo, multimodales) y de 27B (razonamiento complejo), distribuidas a través de Hugging Face y Vertex IA de Google Cloud. Los modelos no están pensados para uso clínico directo sin validación independiente, y sus resultados se consideran preliminares y requieren correlación clínica.3
2. Generar planes de tratamiento personalizados
Los modelos de IA generativa pueden analizar el historial médico completo de un paciente, su perfil genético, los factores de estilo de vida e incluso datos de salud en tiempo real (por ejemplo, de dispositivos wearables como relojes inteligentes) para crear planes de tratamiento personalizados. Así es como funciona:
- Análisis del paciente: Los sistemas de IA pueden identificar patrones en el historial del paciente, como diagnósticos previos, respuestas al tratamiento y predisposiciones genéticas. Las herramientas de IA generativa pueden generar un plan de tratamiento adaptado a las circunstancias particulares del paciente.
- Integración de datos en tiempo real: La IA puede incorporar datos de fuentes como dispositivos ponibles, pruebas de laboratorio y sistemas de monitorización continua. Con base en estos datos, el sistema puede ajustar o generar nuevas recomendaciones de tratamiento para garantizar que el paciente siga siempre el curso de tratamiento más eficaz.
- Tratamiento predictivo: Al generar modelos que simulan cómo podría responder un paciente a diversos tratamientos, las herramientas de IA generativa pueden sugerir opciones que maximicen la probabilidad de éxito. Por ejemplo, si un paciente tiene una mutación genética específica asociada a una mala respuesta a un fármaco, estas herramientas podrían sugerir alternativas de antemano.
- Automatización de decisiones complejas: Las enfermedades complejas, como el cáncer, suelen requerir tratamientos multimodales que incluyen cirugía, quimioterapia y terapias dirigidas. Las herramientas de IA generativa pueden ayudar creando calendarios de tratamiento, prediciendo efectos secundarios y coordinando una atención multidisciplinar adaptada a la evolución del paciente.
- Medicación personalizada: La IA puede recomendar dosis personalizadas o tipos de medicación según el perfil metabólico del paciente, reduciendo el riesgo de reacciones adversas o tratamientos ineficaces.
Ejemplo real: SensorFM de Google Research
Google Research presentó SensorFM, un modelo fundacional diseñado para convertir datos continuos de sensores ponibles en información relacionada con la salud. SensorFM aprende una representación general de la fisiología humana que puede adaptarse a tareas cardiovasculares, metabólicas, de sueño, de salud mental, de estilo de vida y demográficas.
El modelo se preentrenó con más de un billón de minutos (o dos mil millones de horas) de datos de sensores desidentificados de cinco millones de participantes que dieron su consentimiento. Los datos se recopilaron en más de 100 países, los 50 estados de EE. UU., a través de más de 20 modelos de Fitbit y Pixel Watch, e incluyeron varias semanas de datos de cada participante.
SensorFM procesa 34 características a nivel de minuto de cinco tipos de sensores ponibles:
- Fotopletismografía para mediciones de frecuencia cardíaca, variabilidad de la frecuencia cardíaca y oxígeno en sangre
- Acelerómetros para movimiento, pasos y patrones de sueño
- Sensores de actividad electrodérmica para mediciones de conductancia de la piel
- Sensores de temperatura cutánea
- Altímetros para cambios de elevación y relacionados con la actividad
Estas mediciones se analizan en periodos de 24 horas, lo que permite al modelo identificar relaciones entre las señales fisiológicas, el comportamiento y los resultados de salud.
Un reto importante de los datos de dispositivos ponibles es que a menudo están incompletos porque los usuarios se quitan los dispositivos, las baterías se agotan o sensores individuales se apagan. En lugar de descartar los registros incompletos o rellenar artificialmente los huecos antes del entrenamiento, SensorFM utiliza un método de entrenamiento consciente de la ausencia de datos. Aprende tanto de las mediciones disponibles como de los huecos que aparecen de forma natural, lo que lo hace más adecuado para los datos reales de dispositivos ponibles.
SensorFM también se integró en un Agente de Salud Personal que generaba resúmenes de salud personalizados utilizando datos demográficos, métricas diarias de dispositivos ponibles y las predicciones de salud del modelo.
Los médicos evaluaron los resúmenes creados para 31 perfiles de participantes mediante 1.860 calificaciones que cubrían el contexto, la relevancia, la justificación, la personalización y el posible daño. Añadir las predicciones de SensorFM mejoró los resúmenes en los cinco criterios en comparación con el uso exclusivo de métricas estándar de dispositivos ponibles. Los investigadores tampoco encontraron diferencias de rendimiento estadísticamente significativas entre los resúmenes respaldados por las predicciones de SensorFM y los respaldados por mediciones de salud reales.4
Ejemplo real: Princess Máxima Center for Pediatric Oncology con Google
En colaboración con Google, el Princess Máxima Center for Pediatric Oncology de los Países Bajos está desarrollando un sistema de IA llamado Capricorn.
Impulsada por los modelos Gemini, la herramienta ayuda a los médicos a identificar opciones personalizadas de tratamiento contra el cáncer mediante el análisis de grandes volúmenes de datos médicos públicos junto con datos desidentificados de pacientes.
Capricorn genera rápidamente resúmenes de terapias relevantes y literatura científica, lo que permite a los médicos mantener conversaciones más informadas y detalladas sobre el tratamiento. Vea el siguiente vídeo para obtener más información sobre Capricorn:
Ejemplo real: Mayo Clinic con Cerebras Systems
En 2024, Mayo Clinic se asoció con Cerebras Systems para desarrollar modelos de IA que analizan datos genómicos de más de 100.000 pacientes. Estos modelos pretenden predecir las respuestas individuales a los tratamientos, por ejemplo evaluando la eficacia del metotrexato en pacientes con artritis reumatoide, lo que permite estrategias terapéuticas más personalizadas.5
Apoyo a la administración de la atención médica
Las herramientas de IA generativa desempeñan un papel crucial en la gestión de diversas funciones administrativas dentro de la atención médica. Estas tecnologías pueden aplicarse en múltiples áreas para mejorar la eficiencia, la precisión y la prestación general de atención médica.
3. Fijación de precios de reclamaciones
Las tecnologías de IA generativa pueden contribuir a la fijación de precios de reclamaciones en los sectores de seguros y atención médica automatizando la revisión de contratos complejos.
Tradicionalmente, determinar el precio adecuado de las reclamaciones requiere un análisis detallado de diversas condiciones contractuales, términos y detalles de cobertura, lo que puede dar lugar a errores manuales e ineficiencias. Los modelos de IA pueden procesar estos documentos de forma rápida y precisa, consultar la información relevante de las pólizas y calcular los precios de las reclamaciones.
Este proceso conduce a liquidaciones de reclamaciones más rápidas y precisas, al tiempo que minimiza las disputas y mejora la eficiencia operativa y la experiencia del cliente en la prestación de atención médica.
4. Navegación por las guías clínicas
La IA generativa en la atención médica permite a los proveedores comparar los datos de los pacientes con las guías clínicas, mejorando así la precisión del diagnóstico y los resultados de salud. Estas herramientas de IA apoyan la toma de decisiones clínicas al aprovechar el procesamiento del lenguaje natural para analizar los registros médicos electrónicos (EHR).
Ejemplo real: Sequential Diagnosis Benchmark (SD Bench) de Microsoft
El Sequential Diagnosis Benchmark (SD Bench) de Microsoft utiliza 304 casos complejos del New England Journal of Medicine para evaluar cómo la IA y los médicos abordan los retos diagnósticos, hacen preguntas, solicitan pruebas y gestionan los costes.
Un elemento central de este sistema es el Microsoft IA Diagnostic Orchestrator (MAI-DxO), que coordina múltiples modelos de lenguaje de gran tamaño (como GPT, Llama, Claude, Gemini, Grok y DeepSeek) como un equipo virtual de médicos para ofrecer diagnósticos precisos y conscientes de los costes.
MAI-DxO, combinado con o3 de OpenAI, logró una precisión superior al 85 %, muy por encima del 20 % de media de los médicos, al tiempo que redujo los costes de pruebas innecesarias.
El sistema combina amplitud y profundidad de conocimientos médicos y ofrece el potencial de reducir el despilfarro en la atención médica y empoderar a médicos y pacientes.6
Figura 3: El gráfico que ilustra la orquestación multiagente en SDBench muestra cómo los agentes Gatekeeper, Diagnostic y Judge colaboran para gestionar las preguntas diagnósticas y evaluar los diagnósticos finales con los expedientes de casos del NEJM.7
Ejemplo real: Epic con GPT-4
En 2024, Epic integró GPT-4 en su sistema de registros médicos electrónicos (EHR) mediante una asociación con Microsoft. Esta integración ayuda a los médicos proporcionando respuestas generadas por IA a los mensajes de los pacientes y sugiriendo guías clínicas relevantes, mejorando así la toma de decisiones y la comunicación con los pacientes.8
5. Detección de fraude
Los modelos de IA basados en aprendizaje automático pueden identificar patrones en las reclamaciones y los datos de los pacientes para mejorar la detección del fraude. Estas herramientas analizan imágenes médicas, informes de alta y resultados de laboratorio para reforzar la capacidad del sector sanitario de mitigar el fraude y, al mismo tiempo, abordar las cuestiones de privacidad de los datos.
6. Análisis de historiales médicos
Los modelos de IA generativa en entornos sanitarios pueden extraer información de la documentación clínica no estructurada, como los EHR y las tomografías computarizadas. Esto mejora la precisión del diagnóstico y la capacidad de los proveedores de atención médica para tomar decisiones informadas.
La tecnología también resulta prometedora para analizar enfermedades y ensayos clínicos mediante el uso de datos de entrenamiento para ajustar modelos en un entorno controlado.
Ejemplo real: Harrison.Rad 1.5 de Harrison.ai
Harrison.ai presentó Harrison.Rad 1.5, un modelo fundacional específico de radiología diseñado para generar borradores estructurados de informes a partir de imágenes médicas, estudios previos y contexto clínico.
El modelo puede ayudar a los radiólogos de las siguientes maneras:
- Redacción de informes de radiología: Analiza datos de imagen y genera borradores estructurados de informes en el lenguaje propio de los radiólogos.
- Comparación de exploraciones previas: Puede evaluar las imágenes actuales en comparación con estudios anteriores y describir los cambios en el intervalo.
- Localización de hallazgos anatómicos: Identifica hallazgos con mayor especificidad anatómica y puede incluir mediciones como el índice cardiotorácico.
- Manejo de casos complejos: Está diseñado para razonar en estudios con múltiples hallazgos, incluidos casos de tórax, abdomen, sistema musculoesquelético, columna y diagnóstico por imagen de urgencias.
- Adaptación del estilo del informe: Puede ajustar el lenguaje del informe según la pregunta clínica y el contexto del caso.
Harrison.ai informa de que Harrison.Rad 1.5 obtuvo una puntuación media de 86,5 en el punto de referencia FRCR 2B Short Case, por encima de la nota de aprobado establecida de 73,2. El modelo se entrenó con más de 6 millones de estudios diagnósticos y 18 millones de pares de instrucciones elaboradas clínicamente.
Figura 4: Resultados del punto de referencia de Harrison.Rad 1.5.9
Sin embargo, Harrison.ai señala que el modelo no ha sido revisado, aprobado ni autorizado por ninguna autoridad reguladora para uso clínico y que no debe sustituir el juicio clínico profesional.
7. Aumentar la eficiencia administrativa
Las herramientas de IA generativa pueden ayudar a reducir la carga administrativa en el sector sanitario automatizando tareas como la documentación clínica y la recopilación de datos.
La IA en la atención médica ayuda a los profesionales sanitarios a centrarse en la atención al paciente, permitiendo una prestación eficiente de la atención y mejorando los resultados de salud.
Ejemplo real: Elsa de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA)
La Administración de Alimentos y Medicamentos de Estados Unidos (FDA) ha lanzado Elsa, una herramienta de IA generativa diseñada para aumentar la eficiencia en toda la agencia, desde las revisiones científicas hasta las inspecciones.
Desarrollada en un entorno seguro de GovCloud, Elsa garantiza la protección de los datos sensibles del sector al tiempo que ayuda al personal a resumir acontecimientos adversos, acelerar las evaluaciones de protocolos clínicos, comparar etiquetas, generar código y priorizar las inspecciones.10
Aunque los responsables destacan su potencial para acelerar la aprobación de fármacos y apoyar las operaciones sanitarias, los empleados informan de frecuentes «alucinaciones», estudios tergiversados y resultados poco fiables que exigen una doble comprobación que consume tiempo.
Elsa no puede acceder a las presentaciones del sector, lo que limita su uso en revisiones críticas de fármacos y dispositivos, y la adopción dentro de la agencia sigue siendo desigual. Los responsables subrayan que es opcional, más valiosa para tareas organizativas y que todavía está evolucionando, pero los críticos advierten de que, sin salvaguardas federales de IA, el despliegue de este tipo de herramientas en la regulación sanitaria corre el riesgo de superar a la supervisión.11
Ejemplo real: Stanford Health Care con DAX Copilot
Stanford Health Care ha adoptado DAX Copilot de Nuance, una herramienta impulsada por IA de Microsoft, para automatizar la documentación clínica durante las visitas de los pacientes. Esta tecnología reduce las cargas administrativas y ayuda a combatir el agotamiento de los médicos, al tiempo que mejora el acceso a la atención y la calidad de la documentación.
Mediante IA ambiental y generativa, DAX Copilot genera notas clínicas a partir de las conversaciones de las consultas, lo que permite a los médicos dedicar más tiempo a los pacientes. Los primeros resultados muestran una gran satisfacción de los médicos y un ahorro de tiempo.
Ejemplo real: Oscar Health
Oscar Health integra IA generativa, concretamente o1-preview, en múltiples funciones administrativas para mejorar la eficiencia y la precisión. Automatiza la fijación de precios de reclamaciones revisando contratos complejos, ayuda a los médicos comparando los datos de los pacientes con las guías clínicas y mejora la detección de fraude identificando anomalías en las reclamaciones.
Además, Oscar IA extrae información valiosa de datos clínicos no estructurados, como los EHR, lo que mejora la precisión diagnóstica.
Al automatizar tareas administrativas como la documentación clínica, Oscar IA reduce la carga de los proveedores de atención médica, lo que les permite centrarse más en la atención al paciente y mejorar la prestación de servicios sanitarios.12
Gestión de la salud de la población
La IA generativa puede mejorar considerablemente la gestión de la salud de la población al proporcionar una visión más profunda de las tendencias demográficas y permitir el diseño de intervenciones adaptadas:
8. Acceso a información demográfica más detallada
Al sintetizar datos de múltiples fuentes, como registros médicos electrónicos (EHR), reclamaciones de seguros, determinantes sociales de la salud y bases de datos de salud pública, la IA ofrece una visión integral de la dinámica de salud de la población.
En zonas con escasez de datos sanitarios (por ejemplo, comunidades rurales o desatendidas), la IA generativa también puede generar datos sintéticos realistas para cubrir las lagunas, ofreciendo una imagen más completa de la salud de la población y fundamentando las estrategias de intervención.
9. Predicción de tendencias de salud
Los modelos de IA pueden prever tendencias de salud en diferentes grupos demográficos, prediciendo la probabilidad de enfermedades crónicas o brotes. Esto permite a los responsables políticos anticipar las necesidades sanitarias y asignar los recursos de forma eficaz.
10. Segmentación y personalización
Los perfiles generados por IA de diferentes segmentos de población ayudan a identificar grupos o comunidades de alto riesgo que requieren una atención especializada. Esta información puede contribuir a orientar las intervenciones en función de factores como la edad, la etnia, los ingresos o la geografía.
Ejemplo real: Diagnostic Robotics
La plataforma de gestión de la salud de la población basada en IA de Diagnostic Robotics permite una atención basada en el valor al identificar a los pacientes en riesgo de padecer enfermedades prevenibles. El análisis predictivo ayuda a localizar las lagunas asistenciales y las intervenciones proactivas.13
Diseño de iniciativas de salud pública dirigidas
La IA generativa también puede ayudar a diseñar campañas de salud pública más eficaces y dirigidas, adaptadas a las necesidades específicas de las comunidades desatendidas o vulnerables:
11. Campañas personalizadas
La IA puede analizar factores demográficos y culturales para crear mensajes de salud pública personalizados para campañas como la deshabituación tabáquica, la vacunación y la prevención de enfermedades, garantizando que conecten con las distintas poblaciones.
12. Optimización de la asignación de recursos
Al simular diversos escenarios de salud pública, la IA ayuda a los responsables políticos a evaluar el impacto de las distintas intervenciones y a asignar recursos donde más se necesitan, especialmente en zonas de difícil acceso.
13. Abordaje de las desigualdades en salud y aumento del acceso a la atención médica
La IA puede detectar desigualdades de salud ocultas analizando cómo los determinantes sociales de la salud (como los ingresos, la educación o la vivienda) afectan a las distintas poblaciones. Esta información puede orientar las iniciativas para reducir las desigualdades y mejorar el acceso a la atención preventiva.
Las herramientas de IA también pueden identificar las zonas que más necesitan infraestructura sanitaria, orientando la ubicación de clínicas, servicios de telemedicina o unidades de salud móviles.
14. Adaptación de programas de atención preventiva
El análisis basado en IA puede diseñar programas de atención preventiva, como el cribado de enfermedades crónicas, dirigidos a poblaciones de riesgo, lo que conduce a intervenciones más tempranas y a la reducción de los costes sanitarios a largo plazo.
15. Mejora de la educación y la concienciación sanitaria
La IA generativa puede simular distintos enfoques para impartir educación sanitaria, ayudando a desarrollar estrategias culturalmente sensibles que tengan buena acogida en las distintas comunidades.
Ejemplo real: Google Health con Northwestern Medicine
Google Health está llevando a cabo un estudio con Northwestern Medicine para evaluar la eficacia de la IA en el cribado del cáncer de mama. El modelo de IA marca las mamografías de alto riesgo para que las revise de inmediato un radiólogo, lo que podría acelerar el diagnóstico. Las mujeres señaladas por la IA pueden recibir imágenes adicionales el mismo día, lo que se espera que acorte el periodo de espera habitual.
Este enfoque demuestra la capacidad de la IA para igualar o superar la precisión de los médicos en el análisis de mamografías y crear planes de tratamiento personalizados en consecuencia.
Investigación y desarrollo
16. Apoyo a la investigación médica
La IA generativa apoya la investigación médica en la atención sanitaria ayudando a los investigadores a generar hipótesis, sintetizar grandes volúmenes de literatura científica, diseñar experimentos e identificar posibles dianas terapéuticas u oportunidades de reutilización de fármacos.
Al complementar la experiencia humana con razonamiento computacional y análisis iterativo, las herramientas de IA generativa pueden acelerar los procesos de descubrimiento y, al mismo tiempo, permitir que los investigadores se centren en la interpretación, la validación y la relevancia clínica.
Ejemplo real: IA co-scientist de Google Research
Google Research presentó un IA co-scientist, un sistema de inteligencia artificial multiagente construido sobre el modelo Gemini 2.0 para servir como colaborador de investigación virtual para los científicos.
El sistema está concebido para apoyar el proceso científico ayudando a los investigadores a generar hipótesis novedosas, crear planes de investigación detallados y proponer enfoques experimentales adaptados a objetivos específicos.
El IA co-scientist utiliza una coalición de agentes especializados para generar, evaluar y refinar ideas de forma iterativa, reflejando aspectos del método científico, y puede integrar herramientas como la búsqueda web y los comentarios de expertos para mejorar los resultados.
Los primeros experimentos demuestran su utilidad para tareas biomédicas, como la reutilización de fármacos, la identificación de dianas terapéuticas y la dilucidación de los mecanismos de resistencia a los antimicrobianos. Esto sugiere que el sistema puede acelerar ciertos aspectos de la investigación, aunque sigue siendo una herramienta colaborativa y no un sustituto automatizado de los científicos humanos.
Figura 5: Imagen que muestra los componentes del sistema multiagente del IA co-scientist y la estructura de sus interacciones con el científico.14
17. Descubrimiento y desarrollo de fármacos
La IA generativa mejora la capacidad de los investigadores para explorar e interpretar sistemas biológicos complejos, lo que contribuye al descubrimiento de fármacos.
Puede generar hipótesis sobre los mecanismos de las enfermedades, predecir el comportamiento molecular y respaldar el diseño y la priorización de candidatos a fármacos. Al combinar métodos tradicionales de laboratorio y computacionales, la IA generativa ayuda a reducir los ciclos de experimentación y favorece un desarrollo más eficiente de nuevas terapias.
Ejemplo real: Google Cloud con Ginkgo Bioworks
Google Cloud y Ginkgo Bioworks han colaborado para lanzar un nuevo modelo de lenguaje de gran tamaño (LLM) de proteínas y una API de apoyo, diseñados para respaldar el proceso de descubrimiento de fármacos.
Creadas sobre la plataforma Vertex IA de Google Cloud, estas herramientas utilizan los datos biológicos de Ginkgo para ayudar a los investigadores a analizar estructuras e interacciones de proteínas. Este enfoque permite a las empresas farmacéuticas y biotecnológicas acelerar la identificación de dianas terapéuticas y mejorar el desarrollo de nuevos medicamentos.15
¿Cuáles son algunos de los posibles retos de la IA generativa en la atención médica?
Aunque el uso de la IA generativa en la atención médica tiene numerosos beneficios potenciales, también existen algunos retos e inconvenientes posibles. Algunos ejemplos son:
- Privacidad y seguridad: La privacidad del paciente está estrictamente regulada. El uso de la IA generativa en la atención médica también plantea preocupaciones sobre la protección de la privacidad del paciente y los datos médicos sensibles, así como el riesgo de uso indebido o acceso no autorizado a los datos sanitarios.
- Sesgo y discriminación: Los algoritmos de IA generativa pueden ser propensos al sesgo y la discriminación, especialmente cuando se entrenan con datos sanitarios que no son representativos de la población a la que están destinados. Esto puede dar lugar a diagnósticos o planes de tratamiento médicos injustos o inexactos para grupos desfavorecidos, como las mujeres o las personas de razas no blancas.
- Mal uso y dependencia excesiva: Si los algoritmos de IA generativa se utilizan mal o se depende excesivamente de ellos, pueden conducir a decisiones médicas incorrectas o perjudiciales. Además, existe el riesgo de que los proveedores de atención médica se vuelvan demasiado dependientes de estos algoritmos y pierdan la capacidad de emitir juicios independientes.
- Consideraciones éticas: El uso de la IA generativa en la atención médica plantea varias preocupaciones éticas, incluidos los posibles efectos sobre el empleo en el sector sanitario.
Añadir como fuente preferidaEl futuro de la IA generativa y su impacto en la atención médica
Es probable que el futuro de la IA generativa en la atención médica sea muy significativo a medida que la tecnología siga avanzando y se adopte de forma más generalizada. Algunos posibles avances futuros son:
- Algoritmos más sofisticados: Es probable que los algoritmos de aprendizaje automático se refinen cada vez más, con una mayor capacidad para analizar grandes cantidades de datos sanitarios e identificar patrones y tendencias. Esto permitirá a los proveedores de atención médica realizar diagnósticos y planes de tratamiento más precisos y personalizados.
- Mejor integración con otras tecnologías: Es probable que la IA generativa se integre con otras tecnologías (por ejemplo, las imágenes médicas y los dispositivos de salud ponibles) para ofrecer una atención al paciente más completa y personalizada.
- Mayor colaboración: Se espera que aumente la colaboración entre proveedores de atención médica, investigadores y empresas tecnológicas para desarrollar e implementar algoritmos de IA generativa en entornos sanitarios.
Preguntas frecuentes
Los algoritmos de IA generativa utilizan técnicas de aprendizaje profundo y modelos de aprendizaje automático para aprender de grandes cantidades de datos y generar contenido nuevo similar a los datos de entrada.
La IA generativa en la atención médica funciona mediante el uso de modelos avanzados de IA, como los modelos de lenguaje de gran tamaño y los modelos fundacionales, entrenados con amplios conjuntos de datos procedentes de registros médicos electrónicos (EHR), imágenes médicas y otros datos clínicos.
Estos modelos de IA generativa analizan los datos de los pacientes, aplican el procesamiento del lenguaje natural para extraer información y ayudan en la toma de decisiones clínicas.
Ayudan a mejorar la precisión del diagnóstico, agilizan las tareas administrativas y mejoran la prestación de atención médica al automatizar la documentación clínica y reducir la carga administrativa de los profesionales sanitarios.
También apoyan el desarrollo de fármacos y los ensayos clínicos mediante el análisis de datos propietarios.
Para una implementación exitosa, las organizaciones sanitarias deben garantizar que se respeten las aplicaciones de IA, la disponibilidad de datos y el cumplimiento de las leyes de privacidad, a fin de ganarse la confianza de los consumidores y lograr una adopción generalizada en todo el sector sanitario.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{17 Casos de uso de IA generativa en el sector sanitario}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/generative-ai-healthcare}},
note = {AIMultiple. Recuperado el 16 de Julio de 2026}
}Resultados y marcas de tiempo de 5 puntos de datos. Descargue los datos utilizados en este artículo como un archivo ZIP que contiene un archivo CSV.
Enlaces de referencia
El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.
A lo largo de su carrera, Cem se ha desempeñado como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene una Maestría en Ciencias en Psicología Social y una Licenciatura en Artes en Relaciones Internacionales.
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.