17 Casos de Uso de IA Generativa en Salud
Los sistemas de salud se enfrentan a volúmenes de datos crecientes, escasez de personal y expectativas cada vez mayores de atención personalizada. La IA generativa está emergiendo como una solución clave al sintetizar datos médicos no estructurados, como notas clínicas, informes de imagen e historiales de pacientes, en información útil para clínicos y administradores.
Descubra cómo se aplica la IA generativa en la prestación de servicios de salud, la administración y la gestión de la salud de la población, junto con los desafíos y las direcciones futuras que moldean su adopción.
Área | Casos de Uso | Ejemplos |
|---|---|---|
Prestación de Servicios de Salud | Imagen médica sintética Planificación de tratamientos personalizada | - GANs para radiografías sintéticas, - LLMs para el descubrimiento de fármacos - Análisis genómico y tratamientos personalizados para la artritis reumatoide |
Administración Sanitaria | Valoración de reclamaciones Soporte de guías clínicas Detección de fraudes Análisis de historiales médicos Automatización administrativa | - GPT-4 en EHRs - Nuance DAX Copilot para documentar las visitas de 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 salud móvil |
Investigación y Desarrollo | Apoyo a la investigación médica Descubrimiento y desarrollo de fármacos | - Google Research IA co-scientist para apoyo a la investigación biomédica - Google Cloud y Ginkgo Bioworks, proteína LLM para el descubrimiento de fármacos |
Mejorando la prestación de servicios de salud
1. Crear nuevas imágenes médicas
La IA generativa, especialmente las Redes Generativas Antagónicas (GANs), 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 sanitaria:
- Formación y educación médica: Las imágenes generadas por IA pueden utilizarse para formar a profesionales sanitarios mediante la creación de conjuntos de datos diversos de enfermedades raras, anomalías o variantes normales que pueden no estar siempre 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 varios escenarios (como la progresión de una enfermedad) o a probar algoritmos de IA sin esperar nuevos datos de pacientes. Este proceso puede ayudar a acelerar la investigación médica.
- Desidentificación de datos: Al generar imágenes sintéticas que preservan las características clínicas clave sin representar a pacientes reales, los sistemas de salud pueden compartir datos sin violar 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 en Nature Biomedical Engineering demostró que las imágenes retinianas sintéticas generadas por GAN eran tan efectivas como las imágenes reales para entrenar un modelo de aprendizaje profundo para la detección de retinopatía diabética.
Otro ejemplo es del estudio MAISI (Medical IA for Synthetic Imaging), que utilizó modelos de difusión para generar imágenes de TC 3D sintéticas de alta resolución.
Los hallazgos experimentales demuestran que MAISI puede generar imágenes realistas y anatómicamente precisas en varias regiones y condiciones corporales.
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 representación 3D centrada en las estructuras óseas, destacando 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 escaneos de resonancia magnética 3D completos utilizando uno o unos pocos cortes 2D, acelerando enormemente los tiempos de exploración y reduciendo costes.
A diferencia de los métodos tradicionales que dependen de datos 3D completos o tratan las resonancias magnéticas como cortes 2D separados, X-Diffusion aprende de volúmenes 3D completos durante el entrenamiento (Vea la imagen a continuación). Supera a las técnicas existentes en calidad y precisión de imagen, preserva detalles anatómicos críticos e incluso generaliza a nuevas regiones corporales para las que no fue entrenado.
Se espera que este desarrollo haga que las imágenes de resonancia magnética de alta resolución sean más rápidas, asequibles y ampliamente accesibles.
Figura 2: Una comparación entre la reconstrucción de resonancia magnética tradicional frente a X-Diffusion.2
Ejemplo de la vida real: MedGemma 1.5
MedGemma de Google DeepMind es una colección de modelos de IA generativa de código abierto ajustados para la comprensión de texto e imágenes médicas, concebidos como punto de partida para desarrolladores que crean aplicaciones sanitarias.
La última variante de 4B parámetros, MedGemma 1.5, amplía las capacidades del modelo a imágenes de alta dimensión como TC, RM y histopatología de portaobjetos completos, junto con el análisis longitudinal de radiografías de tórax y la localización anatómica. Los posibles casos de uso incluyen:
- Imagen médica de alta dimensión: Procesamiento de datos de escaneos de TC, RM e histopatología.
- Imagen médica longitudinal: Comparación de radiografías de tórax con imágenes previas para rastrear cambios temporales.
- Comprensión de documentos médicos: Extracción de datos estructurados de informes de laboratorio y registros electrónicos de salud.
- 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 apoyo a la toma de decisiones clínicas.
MedGemma está disponible en variantes de 4B (eficiente en cómputo, multimodal) y 27B (razonamiento complejo), distribuidas a través de Hugging Face y Vertex IA de Google Cloud. Los modelos no están destinados 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, factores de estilo de vida e incluso datos de salud en tiempo real (por ejemplo, de dispositivos portátiles 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 de un paciente, como diagnósticos pasados, respuestas al tratamiento y predisposiciones genéticas. Las herramientas de IA generativa pueden generar entonces un plan de tratamiento adaptado a las circunstancias únicas del paciente.
- Integración de datos en tiempo real: La IA puede extraer datos de fuentes como dispositivos portátiles, pruebas de laboratorio y sistemas de monitorización continua. Basándose en estos datos, el sistema puede ajustar o generar nuevas recomendaciones de tratamiento para garantizar que el paciente esté siempre en el curso de tratamiento más efectivo.
- Tratamiento predictivo: Al generar modelos que simulan cómo podría responder un paciente a varios 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 con una mala respuesta a un fármaco, estas herramientas podrían sugerir alternativas de antemano.
- Automatización de la toma de decisiones complejas: Afecciones complejas como el cáncer a menudo requieren 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 la atención multidisciplinaria adaptada a la condición evolutiva del paciente.
- Medicación personalizada: La IA puede recomendar dosis o tipos de medicación personalizados basándose en el perfil metabólico del paciente, reduciendo el riesgo de reacciones adversas a medicamentos o tratamientos ineficientes.
Ejemplo de la vida real: SensorFM de Google Research
Google Research presentó SensorFM, un modelo fundacional diseñado para convertir datos continuos de sensores portátiles 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 fue preentrenado 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, en los 50 estados de EE. UU., en 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 portátiles:
- 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 de la piel
- Altímetros para cambios relacionados con la elevación y la actividad
Estas mediciones se analizan en períodos de 24 horas, lo que permite al modelo identificar relaciones entre las señales fisiológicas, el comportamiento y los resultados de salud.
Un gran desafío con los datos de dispositivos portátiles es que a menudo están incompletos porque los usuarios se quitan los dispositivos, las baterías se agotan o los sensores individuales se apagan. En lugar de descartar registros incompletos o llenar artificialmente los vacíos antes del entrenamiento, SensorFM utiliza un método de entrenamiento consciente de la falta de datos. Aprende tanto de las mediciones disponibles como de los vacíos que ocurren naturalmente, lo que lo hace más adecuado para los datos del mundo real de los dispositivos portátiles.
SensorFM también se integró en un Agente de Salud Personal que generó resúmenes de salud personalizados utilizando datos demográficos, métricas diarias del dispositivo portátil y las predicciones de salud del modelo.
Los clínicos evaluaron los resúmenes creados para 31 perfiles de participantes a través de 1,860 calificaciones que cubrían el contexto, la relevancia, la justificación, la personalización y el daño potencial. Añadir las predicciones de SensorFM mejoró los resúmenes en los cinco criterios en comparación con el uso exclusivo de métricas estándar de dispositivos portátiles. Los investigadores tampoco encontraron diferencias de rendimiento estadísticamente significativas entre los resúmenes apoyados por las predicciones de SensorFM y aquellos apoyados por mediciones de salud reales.4
Ejemplo de la vida real: Centro Princesa Máxima de Oncología Pediátrica con Google
En colaboración con Google, el Centro Princesa Máxima de Oncología Pediátrica en los Países Bajos está desarrollando un sistema de IA llamado Capricorn.
Impulsado por modelos Gemini, la herramienta ayuda a los médicos a identificar opciones de tratamiento personalizadas para el cáncer mediante el análisis de grandes volúmenes de datos médicos públicos junto con datos desidentificados de pacientes.
Capricorn produce rápidamente resúmenes de terapias relevantes y literatura científica, permitiendo a los clínicos participar en discusiones de tratamiento más informadas y detalladas. Vea el video a continuación para obtener más información sobre Capricorn:
Ejemplo de la vida 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 buscan predecir las respuestas individuales a los tratamientos, como evaluar la eficacia del metotrexato en pacientes con artritis reumatoide, permitiendo estrategias terapéuticas más personalizadas.5
Apoyando la administración sanitaria
Las herramientas de IA generativa desempeñan un papel crucial en la gestión de diversas funciones administrativas dentro de la atención sanitaria. Estas tecnologías pueden aplicarse en múltiples áreas para mejorar la eficiencia, la precisión y la prestación general de servicios de salud.
3. Valoración de reclamaciones
Las tecnologías de IA generativa pueden apoyar la valoración de reclamaciones en los sectores de seguros y salud automatizando la revisión de contratos complejos.
Tradicionalmente, determinar el precio apropiado para las reclamaciones requiere un análisis detallado de varios términos contractuales, condiciones y detalles de cobertura, lo que puede ser propenso a errores manuales e ineficiencias. Los modelos de IA pueden procesar estos documentos de manera rápida y precisa, cruzar información relevante de la póliza y calcular los precios de las reclamaciones.
Este proceso conduce a acuerdos de reclamaciones más rápidos y precisos, minimizando las disputas y mejorando la eficiencia operativa y la experiencia del cliente en la prestación de servicios de salud.
4. Navegación por guías clínicas
La IA generativa en salud permite a los proveedores comparar datos de pacientes con guías clínicas, mejorando así la precisión diagnóstica y los resultados de salud. Estas herramientas de IA apoyan la toma de decisiones clínicas aprovechando el procesamiento del lenguaje natural para analizar registros electrónicos de salud (EHRs).
Ejemplo de la vida 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 probar cómo la IA y los médicos navegan por los desafíos diagnósticos, hacen preguntas, solicitan pruebas y gestionan los costes.
Un elemento central de esto es el Microsoft IA Diagnostic Orchestrator (MAI-DxO), que coordina múltiples modelos de lenguaje grandes (como GPT, Llama, Claude, Gemini, Grok y DeepSeek) como un equipo virtual de doctores para ofrecer diagnósticos precisos y conscientes del coste.
MAI-DxO, emparejado con o3 de OpenAI, logró más del 85% de precisión, superando con creces el promedio del 20% de los médicos, mientras reducía los costes de pruebas innecesarias.
El sistema combina amplitud y profundidad de experiencia médica, ofreciendo el potencial de reducir el desperdicio en la atención sanitaria y empoderar a clínicos y pacientes.6
Figura 3: El gráfico que ilustra la orquestación multiagente en SDBench muestra cómo los agentes Guardián, Diagnóstico y Juez colaboran para manejar preguntas diagnósticas y evaluar diagnósticos finales contra los registros de casos del NEJM.7
Ejemplo de la vida real: Epic con GPT-4
En 2024, Epic integró GPT-4 en su sistema de Registros Electrónicos de Salud (EHR) a través de una asociación con Microsoft. Esta integración ayuda a los clínicos 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 el paciente.8
5. Detección de fraudes
Los modelos de IA impulsados por aprendizaje automático pueden identificar patrones en reclamaciones y datos de pacientes para mejorar la detección de fraudes. Estas herramientas analizan imágenes médicas, resúmenes de alta y resultados de laboratorio para apoyar la capacidad del sector salud para mitigar el fraude mientras abordan las preocupaciones sobre la privacidad de los datos.
6. Análisis de historiales médicos
Los modelos de IA generativa en entornos sanitarios pueden extraer información de documentación clínica no estructurada, como EHRs y escaneos de TC. Esto mejora la precisión diagnóstica y la capacidad de los proveedores de salud para tomar decisiones informadas.
La tecnología también es prometedora en el análisis de condiciones médicas y ensayos clínicos mediante el uso de datos de entrenamiento para ajustar modelos en un entorno controlado.
Ejemplo de la vida real: Harrison.Rad 1.5 de Harrison.ai
Harrison.ai presentó Harrison.Rad 1.5, un modelo fundacional específico de radiología diseñado para generar informes preliminares estructurados a partir de imágenes médicas, estudios previos y contexto clínico.
El modelo puede apoyar a los radiólogos de las siguientes maneras:
- Redacción de informes radiológicos: Analiza datos de imagen y genera borradores de informes estructurados en el lenguaje propio de los radiólogos.
- Comparación de escaneos previos: Puede evaluar imágenes actuales en comparación con estudios previos y describir 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: Diseñado para razonar en estudios con múltiples hallazgos, incluyendo casos de imagen de tórax, abdomen, musculoesquelético, columna vertebral y emergencias.
- Adaptación del estilo del informe: Puede ajustar el lenguaje del informe según la pregunta clínica y el contexto del caso.
Harrison.ai informa 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 fue entrenado con más de 6 millones de estudios diagnósticos y 18 millones de pares de instrucciones clínicamente elaborados.
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 no debe reemplazar el juicio clínico profesional.
7. Aumentar la eficiencia administrativa
Las herramientas de IA generativa pueden ayudar a reducir la carga administrativa en la industria de la salud al automatizar tareas como la documentación clínica y la recopilación de datos.
La IA en la salud ayuda a los profesionales médicos a centrarse en la atención al paciente, permitiendo una prestación de servicios de salud eficiente y mejorando los resultados de salud.
Ejemplo de la vida real: Elsa de la Administración de Alimentos y Medicamentos de EE. UU. (FDA)
La Administración de Alimentos y Medicamentos de EE. UU. (FDA) ha lanzado Elsa, una herramienta de IA generativa diseñada para aumentar la eficiencia en toda la agencia, desde revisiones científicas hasta inspecciones.
Desarrollada en un entorno seguro de GovCloud, Elsa garantiza que los datos confidenciales de la industria permanezcan protegidos mientras ayuda al personal a resumir eventos adversos, acelerar las evaluaciones de protocolos clínicos, comparar etiquetas, generar código y priorizar inspecciones.10
Si bien los líderes destacan su potencial para acelerar las aprobaciones de medicamentos y apoyar las operaciones sanitarias, los empleados informan de frecuentes “alucinaciones”, estudios tergiversados y resultados poco fiables que requieren una doble verificación que consume mucho tiempo.
Elsa no puede acceder a las presentaciones de la industria, lo que limita su uso para revisiones críticas de medicamentos y dispositivos, y la adopción en toda la agencia sigue siendo desigual. Los funcionarios subrayan que es opcional, más valioso para tareas organizativas, y que aún está evolucionando, pero los críticos advierten que sin salvaguardias federales de IA, el despliegue de este tipo de herramientas en la regulación sanitaria corre el riesgo de superar la supervisión.11
Ejemplo de la vida 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, ayudando a abordar el agotamiento médico y mejorando el acceso a la atención y la calidad de la documentación.
Utilizando IA ambiental y generativa, DAX Copilot genera notas clínicas a partir de las conversaciones de las consultas, lo que permite a los médicos pasar más tiempo con los pacientes. Los primeros resultados muestran una alta satisfacción de los médicos y ahorro de tiempo.
Ejemplo de la vida real: Oscar Health
Oscar Health integra IA generativa, específicamente o1-preview, en múltiples funciones administrativas para mejorar la eficiencia y la precisión. Automatiza la valoración de reclamaciones mediante la revisión de contratos complejos, asiste a los clínicos comparando los datos de los pacientes con las guías clínicas y mejora la detección de fraudes identificando anomalías en las reclamaciones.
Además, Oscar IA extrae información valiosa de datos clínicos no estructurados, como los EHRs, mejorando la precisión diagnóstica.
Al automatizar tareas administrativas como la documentación clínica, Oscar IA reduce la carga sobre los proveedores de salud, permitiéndoles centrarse más en la atención al paciente y mejorando la prestación de servicios de salud.12
Gestión de la salud de la población
La IA generativa puede mejorar significativamente la gestión de la salud de la población al proporcionar conocimientos más profundos sobre las tendencias demográficas y permitir el diseño de intervenciones personalizadas:
8. Acceso a información demográfica más detallada
Al sintetizar datos de múltiples fuentes, como registros electrónicos de salud (EHRs), reclamaciones de seguros, determinantes sociales de la salud y bases de datos de salud pública, la IA proporciona una visión integral de la dinámica de la salud de la población.
En áreas con datos sanitarios escasos (por ejemplo, comunidades rurales o desatendidas), la IA generativa también puede generar datos sintéticos realistas para llenar los vacíos, proporcionando una imagen más completa de la salud de la población e informando las estrategias de intervención.
9. Predicción de tendencias de salud
Los modelos de IA pueden pronosticar 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 recursos de manera efectiva.
10. Segmentación y personalización
Los perfiles generados por IA de diferentes segmentos de población ayudan a identificar grupos de alto riesgo o comunidades que requieren atención especializada. Esta información puede ayudar a dirigir las intervenciones en función de factores como la edad, el origen étnico, los ingresos o la geografía.
Ejemplo de la vida real: Diagnostic Robotics
La plataforma de gestión de salud poblacional impulsada por IA de Diagnostic Robotics permite una atención basada en el valor al identificar a los pacientes en riesgo de padecer afecciones prevenibles. El análisis predictivo permite identificar las brechas de atención y la intervención proactiva.
También se integra con los planes de salud para mejorar los flujos de trabajo de gestión de la atención, reducir los costes y mejorar el ROI, logrando un retorno de 2.9x. La plataforma apoya mejores resultados de salud, como una reducción del 25% en las tasas de eventos en el departamento de emergencias.13
Diseño de iniciativas de salud pública dirigidas
La IA generativa también puede ayudar a diseñar campañas de salud pública más efectivas y dirigidas, adaptadas a las necesidades específicas de 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 el abandono del tabaquismo, la vacunación y la prevención de enfermedades, asegurando que resuenen en las diferentes poblaciones.
12. Optimización de la asignación de recursos
Al simular varios escenarios de salud pública, la IA ayuda a los responsables políticos a evaluar el impacto de diferentes intervenciones y a asignar recursos donde más se necesitan, particularmente en áreas de difícil acceso.
13. Abordar las disparidades en salud y aumentar el acceso a la atención sanitaria
La IA puede identificar disparidades de salud ocultas al analizar cómo los determinantes sociales de la salud (como los ingresos, la educación o la vivienda) afectan a varias poblaciones. Esta información puede guiar iniciativas para reducir las disparidades y mejorar el acceso a la atención preventiva.
Las herramientas de IA también pueden identificar las áreas que más necesitan infraestructura sanitaria, guiando la ubicación de clínicas, servicios de telemedicina o unidades móviles de salud.
14. Adaptación de programas de atención preventiva
El análisis impulsado por IA puede diseñar programas de atención preventiva, como cribados para afecciones crónicas, dirigidos a poblaciones en riesgo, lo que conduce a intervenciones más tempranas y a una reducción de los costes sanitarios a largo plazo.
15. Mejora de la educación y concienciación sanitaria
La IA generativa puede simular diferentes enfoques para impartir educación sanitaria, ayudando a desarrollar estrategias culturalmente sensibles que sean bien recibidas en todas las comunidades.
Ejemplo de la vida 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 una revisión radiológica inmediata, 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 período de espera habitual.
Este enfoque muestra la capacidad de la IA para igualar o superar la precisión de los clínicos 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 el ámbito sanitario ayudando a los investigadores a generar hipótesis, sintetizar grandes volúmenes de literatura científica, diseñar experimentos e identificar posibles dianas terapéuticas u oportunidades de reposicionamiento de fármacos.
Al aumentar la experiencia humana con razonamiento computacional y análisis iterativo, las herramientas de IA generativa pueden acelerar los procesos de descubrimiento al tiempo que permiten a los investigadores centrarse en la interpretación, la validación y la relevancia clínica.
Ejemplo de la vida real: IA co-scientist de Google Research
Google Research presentó un co-científico de IA, un sistema de inteligencia artificial multiagente construido sobre el modelo Gemini 2.0 para servir como colaborador de investigación virtual para científicos.
El sistema está diseñado 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 co-científico de IA 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 la retroalimentación de expertos para mejorar los resultados.
Los primeros experimentos demuestran su utilidad para tareas biomédicas, incluyendo el reposicionamiento de fármacos, la identificación de dianas de tratamiento y la elucidación de mecanismos de resistencia antimicrobiana. Esto sugiere que el sistema puede acelerar ciertos aspectos de la investigación sin dejar de ser una herramienta colaborativa en lugar de un reemplazo automatizado para los científicos humanos.
Figura 5: Imagen que muestra los componentes del sistema multiagente del co-científico de IA 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 apoyar 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 apoya un desarrollo más eficiente de nuevas terapias.
Ejemplo de la vida real: Google Cloud con Ginkgo Bioworks
Google Cloud y Ginkgo Bioworks han colaborado para lanzar un nuevo LLM (LLM) de proteínas y una API de apoyo, diseñados para apoyar el proceso de descubrimiento de fármacos.
Construidas sobre la plataforma Vertex IA de Google Cloud, estas herramientas utilizan los datos biológicos de Ginkgo para ayudar a los investigadores a analizar las estructuras e interacciones de las 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 desafíos de la IA generativa en salud?
Si bien existen muchos beneficios potenciales en el uso de la IA generativa en la atención sanitaria, también hay algunos posibles desafíos e inconvenientes. Algunos ejemplos incluyen:
- Privacidad y seguridad: La privacidad del paciente está estrictamente regulada. El uso de la IA generativa en la atención sanitaria también plantea preocupaciones sobre la protección de la privacidad del paciente y los datos médicos confidenciales, así como la posibilidad 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 pretenden servir. Esto puede resultar en diagnósticos médicos o planes de tratamiento injustos o inexactos para grupos desfavorecidos, como las mujeres o las razas no blancas.
- Uso indebido y dependencia excesiva: Si los algoritmos de IA generativa se utilizan de forma indebida o se depende excesivamente de ellos, pueden conducir a decisiones médicas incorrectas o perjudiciales. Además, existe el riesgo de que los proveedores de salud dependan demasiado de estos algoritmos, perdiendo la capacidad de emitir juicios independientes.
- Consideraciones éticas: El uso de la IA generativa en la atención sanitaria plantea varias preocupaciones éticas, incluyendo los posibles impactos en el empleo en el sector sanitario.
Añadir como fuente preferidaEl futuro de la IA generativa y su impacto en la atención sanitaria
Es probable que el futuro de la IA generativa en la atención sanitaria sea muy significativo a medida que la tecnología continúe avanzando y se adopte más ampliamente. Algunos posibles desarrollos futuros incluyen:
- Algoritmos más sofisticados: Es probable que los algoritmos de aprendizaje automático se vuelvan cada vez más refinados, con una mayor capacidad para analizar grandes cantidades de datos sanitarios e identificar patrones y tendencias. Esto permitirá a los proveedores de salud 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, imágenes médicas y dispositivos de salud portátiles) para proporcionar una atención al paciente más integral y personalizada.
- Mayor colaboración: Se espera que aumente la colaboración entre proveedores de salud, 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/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 sanitaria funciona mediante el uso de modelos avanzados de IA, como modelos de lenguaje grandes y modelos fundacionales, entrenados con amplios conjuntos de datos de registros electrónicos de salud (EHRs), 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 diagnóstica, agilizar las tareas administrativas y mejorar la prestación de servicios de salud al automatizar la documentación clínica y reducir la carga administrativa de los profesionales médicos.
También apoyan el desarrollo de fármacos y los ensayos clínicos mediante el análisis de datos propietarios.
Para una implementación exitosa, las organizaciones sanitarias deben asegurarse de que las aplicaciones de IA, la disponibilidad de datos y el cumplimiento de las leyes de privacidad se mantengan para ganar la confianza del consumidor y 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 Salud}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/generative-ai-healthcare}},
note = {AIMultiple. Recuperado el 16 de Julio de 2026}
}Enlaces de referencia
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.