25 casos de uso de IA en el sector sanitario con ejemplos
Los sistemas sanitarios están sometidos a una presión cada vez mayor debido al creciente volumen de datos de los pacientes y a la creciente demanda de atención personalizada.
Las aplicaciones de IA en el sector sanitario han surgido como una solución eficaz a estos problemas, al optimizar los procesos, mejorar la precisión diagnóstica y optimizar los resultados para los pacientes.
Un estudio reciente demuestra que los equipos híbridos de médicos y sistemas de IA realizan diagnósticos médicos más precisos, principalmente porque tienden a cometer errores diferentes y complementarios que se corrigen mutuamente. Estos hallazgos indican el gran potencial de la IA para mejorar la seguridad del paciente y promover una atención médica más equitativa. 1
Atención al paciente
1. Salas virtuales
Una sala virtual es un modelo de atención en el que los pacientes reciben tratamiento hospitalario en casa mientras son monitorizados a distancia por personal médico.
Ejemplo real: Salas virtuales del NHS
Miles de niños gravemente enfermos en Inglaterra están recibiendo tratamiento en casa a través de las "salas virtuales" del NHS (Servicio Nacional de Salud del Reino Unido), evitando así largas estancias en el hospital. Mediante dispositivos portátiles como monitores de frecuencia cardíaca y oxígeno, los médicos pueden controlar las constantes vitales de los pacientes y responder con rapidez ante cualquier cambio.
Los niños con afecciones como asma, problemas cardíacos, infecciones y enfermedades crónicas reciben atención médica de nivel hospitalario a distancia. Las enfermeras los visitan en sus hogares cuando se requieren pruebas o medicamentos. Los equipos clínicos supervisan los datos las 24 horas del día mediante plataformas como Feebris, que utiliza inteligencia artificial para detectar señales de alerta temprana (véase la Figura 1).
Figura 1: Ejemplo de monitorización del pulso con Feebris.
Para las familias, el impacto emocional es significativo. Recibir cuidados en casa reduce el estrés y ayuda a que los niños se sientan más seguros y cómodos. Los responsables del NHS afirman que las salas virtuales están liberando camas de hospital a la vez que hacen que la atención sea más amigable para los niños, y prevén que la atención remota se convierta en la norma para muchas afecciones en los próximos años. 2
2. Diagnóstico asistido y prescripción
Los chatbots con inteligencia artificial pueden ayudar a los pacientes a autodiagnosticarse afecciones leves o ayudar a los médicos con el diagnóstico basándose en los síntomas, el historial médico y los datos de diagnóstico.
Un estudio diseñado para evaluar la eficacia de ChatGPT para diagnosticar afecciones y la frecuencia con la que recomienda consultar a un médico arrojó resultados mixtos en cuanto a su fiabilidad diagnóstica.
Durante cinco días, los investigadores le hicieron a ChatGPT las mismas preguntas sobre cinco afecciones ortopédicas comunes. Las respuestas se clasificaron como correctas, parcialmente correctas, incorrectas o como una lista de posibles diagnósticos. Se midió la precisión y la coherencia de las respuestas, y la capacidad de ChatGPT para diagnosticar con precisión las afecciones ortopédicas resultó inconsistente.
Además, sus recomendaciones para buscar atención médica no siempre fueron firmes. ChatGPT podría ser útil como primer paso, pero existe el riesgo de confiar en él para el autodiagnóstico sin el asesoramiento médico adecuado. 3
Ejemplo real: Ochsner Health con DeepScribe
Anteriormente, los médicos dedicaban mucho tiempo a documentar las consultas de los pacientes (a menudo fuera del horario laboral), lo que afectaba tanto a la precisión como al equilibrio entre la vida laboral y personal. Ochsner Health se asoció con DeepScribe para reducir la carga administrativa de la documentación clínica en toda su red multiespecializada.
La inteligencia artificial ambiental de DeepScribe captura las conversaciones en tiempo real y genera notas altamente personalizables y específicas para cada especialidad, lo que permite a los médicos centrarse más en las interacciones con los pacientes.
Como resultado, el sistema logró una adopción del 78 % por parte de los médicos y una satisfacción del 96 % por parte de los pacientes, al tiempo que redujo significativamente el tiempo de documentación y mejoró la calidad de las notas. 4
Ejemplo de la vida real: DxGPT
DxGPT es una herramienta de inteligencia aumentada diseñada para apoyar el diagnóstico clínico proporcionando un diagnóstico diferencial estructurado en lugar de un texto abierto.
Genera cinco hipótesis diagnósticas con síntomas a favor y en contra de cada una, utilizando modelos de lenguaje avanzados dentro de un marco controlado destinado a garantizar la relevancia y la seguridad.
Los estudios de validación iniciales, incluyendo la colaboración con el Hospital Sant Joan de Déu, sugieren niveles de precisión comparables a los de los expertos clínicos. Sin embargo, el sistema no está diseñado para proporcionar diagnósticos autónomos y debe ser interpretado por profesionales cualificados.
DxGPT hace hincapié en prácticas estrictas de protección de datos, que incluyen la anonimización automática, el procesamiento en memoria, la retención cero de información personal y el cumplimiento del RGPD, la HIPAA y la emergente Ley de IA de la UE. 5
Ejemplo de la vida real: OpenAI para atención médica
OpenAI para el sector sanitario es un conjunto de herramientas de IA que cumplen con la normativa HIPAA y que dan soporte a los flujos de trabajo clínicos, operativos y administrativos en hospitales, sistemas de salud y otros entornos asistenciales.
Una de las capacidades principales de OpenAI en el ámbito de la salud es el apoyo clínico basado en la evidencia para el diagnóstico. La herramienta proporciona respuestas fundamentadas en la literatura médica pertinente, incluidos estudios revisados por pares, directrices de salud pública y guías clínicas.
También incluyen citas transparentes que enumeran los títulos, las revistas y las fechas de publicación, lo que permite una rápida verificación de la fuente, respalda el razonamiento clínico y facilita la atención oportuna al paciente. 6
3. Herramientas de IA para la salud mental
La IA se utiliza cada vez más en la atención de la salud mental para facilitar la detección temprana, el tratamiento y el apoyo continuo. Estas herramientas de IA para la salud mental analizan texto , voz , expresiones faciales , dispositivos portátiles e historiales médicos para detectar signos tempranos de afecciones como la ansiedad y la depresión, predecir riesgos y personalizar el tratamiento.
Además, los chatbots y las plataformas digitales brindan apoyo emocional, orientación terapéutica, conexión con el terapeuta y seguimiento continuo, al tiempo que reducen la carga de trabajo de los profesionales clínicos mediante la automatización. Si bien estas herramientas amplían el acceso y mejoran la eficiencia, persisten desafíos en torno a la privacidad, los sesgos, la regulación y la necesidad de garantizar que la IA apoye la atención humana en lugar de reemplazarla.
4. Chatbots de atención al cliente en el sector sanitario
Los chatbots de atención al cliente pueden responder a las preguntas de los pacientes sobre citas, facturación o renovación de medicamentos.
Esto puede mejorar la velocidad y la precisión de los diagnósticos, reducir la carga de trabajo de los profesionales sanitarios y permitir una mejor asignación de recursos. Los médicos pueden centrarse en los casos más complejos, mientras que las herramientas de IA proporcionan evaluaciones iniciales o segundas opiniones para los casos rutinarios.
Ejemplo real: Chatbot oncológico con inteligencia artificial en el Hospital SSG.
En 2025, el Hospital SSG lanzó un chatbot con inteligencia artificial diseñado específicamente para pacientes con cáncer y sus cuidadores. Este chatbot ofrece orientación instantánea sobre opciones de tratamiento (como cirugía, quimioterapia y radioterapia), instrucciones para el cuidado posterior al tratamiento, manejo de síntomas y efectos secundarios, e información sobre los departamentos de consulta externa en varios idiomas. El objetivo del chatbot es reducir la ansiedad y brindar una atención al cliente más accesible y fácil de usar. 7
5. Agentes de IA en la atención médica
Los agentes de IA ayudan en la atención médica automatizando tareas, mejorando la toma de decisiones y la atención al paciente. Analizan datos médicos para el diagnóstico, sugieren tratamientos personalizados, predicen resultados y gestionan tareas administrativas.
Las herramientas de IA agente también permiten la monitorización en tiempo real y las consultas virtuales, lo que aumenta la eficiencia y reduce los errores.
Ejemplo de la vida real: Prosper, agente de voz con IA para ginecología y obstetricia en el noreste.
El centro de obstetricia y ginecología del noreste tuvo dificultades para hacer frente al rápido crecimiento debido a la escasez de personal, la alta rotación y el aumento del volumen de llamadas, lo que provocó largos tiempos de espera, beneficios para pacientes no verificados y agotamiento del personal.
Para solucionar este problema, el centro implementó Prosper, una solución de recepción basada en inteligencia artificial que automatiza la programación de citas, las cancelaciones, la verificación de beneficios y la gestión de listas de espera, al tiempo que deriva los casos complejos al personal.
Tras una implementación gradual, el sistema se integró rápidamente en las operaciones diarias, gestionando todas las llamadas entrantes y resolviendo aproximadamente el 50 % sin intervención humana. Esto se tradujo en una reducción del 40 % en los costes operativos, un aumento del 12 % en las citas programadas y una cobertura constante las 24 horas del día, los 7 días de la semana. 8
Ejemplo de la vida real: Claude para la atención médica
Claude para la atención médica 9 es el producto de Anthropic compatible con HIPAA que permite a los proveedores de atención médica, las empresas emergentes y los pacientes usar Claude de forma segura para tareas médicas y administrativas.
Amplía las funciones existentes de Claude con conectores específicos para el sector sanitario, habilidades de agente y controles de cumplimiento para permitir a las organizaciones trabajar directamente con datos clínicos, de cobertura y de facturación.
Las características principales incluyen:
- Conectores de datos sanitarios: Proporcionan acceso directo a fuentes estándar del sector, como la base de datos de cobertura de CMS, la CIE-10, el Registro Nacional de Identificadores de Proveedores y PubMed.
- Soporte para el desarrollo de FHIR: Simplifica la integración entre sistemas sanitarios que utilizan el estándar FHIR, reduciendo el tiempo de desarrollo y los errores de integración.
- Flujos de trabajo de autorización previa: una plantilla configurable para la revisión de autorizaciones previas que ayuda a cotejar las políticas de cobertura, las guías clínicas, los historiales de los pacientes y la documentación de apelación.
- Coordinación y clasificación de la atención: Asistencia para clasificar y priorizar los mensajes de los pacientes, las derivaciones y los traspasos de información para garantizar que los problemas urgentes reciban atención oportuna.
- Plataforma para startups del sector sanitario: API y herramientas para desarrolladores que permiten a las startups crear soluciones basadas en IA, como soporte para la documentación clínica, herramientas de revisión de historiales clínicos y automatización administrativa.
- Integración de datos de salud personales (EE. UU.): Acceso opcional y controlado por el usuario a los resultados de laboratorio y los registros médicos a través de HealthEx, Function, Apple Health y Android Health Connect, lo que permite a Claude resumir el historial, explicar los resultados y ayudar a prepararse para las visitas clínicas.
- Controles de privacidad y seguridad: consentimiento explícito del usuario, control de permisos detallado, ausencia de capacitación sobre datos personales de salud, avisos legales contextuales y orientación para consultar a profesionales de la salud cuando sea apropiado.
Ejemplo de la vida real: Sully.ai
Parikh Health, dirigida por la Dra. Neesheet Parikh, ha mejorado notablemente sus operaciones y la atención al paciente mediante la integración de Sully.ai con sus registros médicos electrónicos (EMR).
El sistema de registro basado en inteligencia artificial personaliza las interacciones con los pacientes, mientras que la automatización de las tareas de recepción permite que el personal se centre más en la atención al paciente.
Esta colaboración con Sully.ai redujo las operaciones por paciente en un factor de 10 y el tiempo dedicado a tareas administrativas, como la gestión de historiales clínicos, de 15 minutos a tan solo 1-5 minutos. Esto ha dado como resultado un aumento del triple en la eficiencia y la velocidad.
Además, la plataforma ha reducido el agotamiento profesional de los médicos en un 90%, lo que permite interacciones con los pacientes más centradas y significativas. 10
Ejemplo real: plataforma de atención médica basada en IA agente
Agentic-AI Healthcare es un prototipo de investigación que combina múltiples agentes de IA con salvaguardias integradas de privacidad, explicabilidad y cumplimiento normativo.
El sistema utiliza cifrado, acceso basado en roles y registros de auditoría para respaldar flujos de trabajo sanitarios más seguros, al tiempo que ofrece soporte multilingüe en inglés, francés y árabe para mejorar la inclusión. 11
6. Auditoría de recetas
La tecnología de IA ayuda a los profesionales sanitarios a reducir los errores de prescripción mediante el análisis de las recetas para detectar posibles interacciones medicamentosas, dosis incorrectas y alergias del paciente.
Esto reduce el riesgo de reacciones adversas a los medicamentos, una fuente importante de complicaciones y costes en la atención sanitaria.
7. Manejo del embarazo
Los sistemas de inteligencia artificial pueden emplearse para controlar la salud tanto de la madre como del feto mediante dispositivos portátiles y sistemas de monitorización remota.
Estas herramientas utilizan datos de constantes vitales y otras métricas para predecir y diagnosticar posibles complicaciones de forma temprana. Esto mejora los resultados del embarazo y reduce las tasas de mortalidad materna e infantil.
8. Triage de priorización en tiempo real
El análisis prescriptivo basado en IA puede analizar datos de pacientes, como síntomas, historial médico y constantes vitales, para ayudar a los profesionales sanitarios a priorizar los casos en tiempo real.
Ejemplo real: Lightbeam Health
Lightbeam Health utiliza análisis predictivos para prever los riesgos para la salud de los pacientes.
Analiza más de 4500 factores, incluidos determinantes clínicos, sociales y ambientales, para identificar riesgos ocultos. El sistema también proporciona recomendaciones específicas para intervenciones dirigidas que mejoran los resultados de los pacientes, como la reducción de reingresos y visitas a urgencias. 12
Ejemplo de la vida real: Wellframe
Wellframe permite a los profesionales sanitarios ofrecer programas de atención personalizados e interactivos directamente a los pacientes a través de una aplicación móvil. Los módulos clínicos de la plataforma se basan en la atención basada en la evidencia para garantizar que los pacientes reciban orientación de prácticas médicas de eficacia comprobada.
La aplicación también permite la comunicación en tiempo real entre los equipos de atención médica y los pacientes para una monitorización continua y una intervención inmediata cuando sea necesario.
Los profesionales sanitarios pueden personalizar la experiencia para cada paciente, abordando sus problemas de salud individuales, como el control de enfermedades crónicas o el seguimiento posterior al alta hospitalaria.
La tecnología de IA de Wellframe ofrece a los pacientes planes de atención personalizados y, además, proporciona a los médicos información valiosa a través de un panel de control. Esta información en tiempo real ayuda a priorizar a los pacientes de alto riesgo y facilita una atención médica más eficiente.
Wellframe permite obtener mejores resultados para los pacientes gracias a estas capacidades, apoya la atención preventiva y proporciona relaciones más personalizadas entre los pacientes y sus equipos de atención médica. 13
9. Clasificación de pacientes en tiempo real
La integración de la IA para la priorización garantiza que los casos más críticos se traten primero, lo que mejora la eficiencia de la sala de urgencias y los resultados para los pacientes.
Ejemplo de la vida real: Enlítico
Las soluciones de clasificación de pacientes de Enlitic aprovechan las tecnologías de IA para mejorar la eficiencia de los sistemas sanitarios mediante el escaneo de los casos médicos entrantes y su evaluación en busca de múltiples hallazgos clínicos.
Estos hallazgos se priorizan, asegurando que los casos más urgentes se deriven a los profesionales sanitarios adecuados de la red. Este proceso permite a los profesionales sanitarios atender los casos de alta prioridad con mayor rapidez, mejorando la atención general al paciente y reduciendo las demoras en el diagnóstico y el tratamiento.
Mediante la automatización del triaje con IA, las soluciones de Enlitic ayudan a reducir la carga de trabajo manual de los médicos y a optimizar los flujos de trabajo, especialmente en radiología. La plataforma también mejora la calidad de los datos sanitarios al estandarizar los datos de imágenes médicas, lo que garantiza que las imágenes estén correctamente etiquetadas y enrutadas. 14
10. Medicamentos y cuidados personalizados
La IA permite desarrollar planes de tratamiento personalizados mediante el análisis de datos individuales de cada paciente, incluyendo información genética, estilo de vida e historial médico. La medicina personalizada ayuda a mejorar la eficacia del tratamiento, reducir los efectos secundarios y disminuir los costos de atención médica al evitar tratamientos innecesarios y centrarse en los mejores resultados para cada paciente.
La inteligencia artificial en las herramientas sanitarias puede ayudar a los usuarios a encontrar los mejores planes de tratamiento en función de los datos de sus pacientes, reduciendo así los costes y aumentando la eficacia de la atención.
Ejemplo de la vida real: Aitia
La empresa utiliza el aprendizaje automático para encontrar el tratamiento más eficaz para cada paciente. 15
Ejemplo real: Oncora Medicals
Oncora puede analizar los datos de los sistemas de salud y aprender de ellos para permitir un tratamiento personalizado, específicamente para pacientes con cáncer. 16
11. Análisis de datos de pacientes
Las soluciones de análisis de datos sanitarios permiten extraer información valiosa de los datos clínicos para ofrecer a los profesionales sanitarios recomendaciones que mejoren la atención al paciente, identifiquen poblaciones de riesgo y optimicen la asignación de recursos. Este enfoque contribuye a reducir los costes asistenciales y, al mismo tiempo, a mejorar los resultados de los pacientes mediante una toma de decisiones más informada.
Ejemplo real: Delphi-2M
Delphi-2M es un modelo generativo transformador diseñado para predecir la progresión de enfermedades a lo largo de la vida de un individuo. A diferencia de los modelos tradicionales para una sola enfermedad, captura la multimorbilidad al analizar más de 1000 afecciones simultáneamente. Basado en una arquitectura GPT-2 modificada, codifica la edad, predice la siguiente enfermedad y su momento de aparición, y considera diagnósticos concurrentes.
Más allá de la predicción, Delphi-2M puede generar trayectorias de enfermedades a largo plazo y crear conjuntos de datos sintéticos que preservan los patrones clínicos al tiempo que protegen la privacidad.
A pesar de estas limitaciones, Delphi-2M muestra potencial para la medicina de precisión, la detección temprana y la planificación a nivel sistémico. Anticipar los riesgos individuales y proyectar la carga de enfermedad puede ser útil tanto para la atención al paciente como para las políticas de salud. Futuras extensiones podrían integrar datos genómicos, de imágenes y de dispositivos portátiles para fortalecer aún más las aplicaciones clínicas y de salud pública. 17
Ejemplo de la vida real: Zakipoint Health
Zakipoint Health ofrece un panel de control integral diseñado para brindar una visión transparente de los riesgos y costos de atención médica de cada miembro. Este enfoque permite intervenciones personalizadas para mejorar los resultados de salud.
La plataforma utiliza análisis predictivos para identificar los factores que influyen en los costes y los factores de riesgo, lo que ayuda a los sistemas sanitarios a reducir los riesgos sanitarios y a lograr ahorros de costes. 18
12. Robots quirúrgicos
Las cirugías asistidas por robots combinan inteligencia artificial y robots colaborativos. Estas herramientas facilitan procedimientos que requieren precisión y repetición, como la cirugía laparoscópica.
Estos robots pueden seguir movimientos predefinidos sin fatigarse y alcanzar una alta precisión. Esto ayuda a reducir el riesgo de error humano, acelera los tiempos de recuperación y permite a los cirujanos realizar procedimientos más complejos con gran exactitud.
Figura 1: Ejemplo de cirugía robótica. 19
13. Robótica asistencial
La robótica asistencial en el sector sanitario mejora la atención al paciente y ayuda a los profesionales médicos a realizar tareas mediante sensores, actuadores y sistemas de control inteligentes.
Las aplicaciones de la robótica asistencial incluyen exoesqueletos que facilitan la rehabilitación de pacientes con ictus o lesiones medulares, y dispensadores de medicamentos robóticos que garantizan una dosificación precisa. Los robots de telepresencia permiten realizar consultas a distancia, y los asistentes de enfermería robóticos como Robear ayudan a levantar o mover a los pacientes de forma segura.
Estas tecnologías mejoran la eficiencia, la precisión y los resultados para los pacientes en diversos entornos clínicos.
Ejemplo de la vida real: El LUCAS 3
El LUCAS 3 es un sistema mecánico de compresión torácica desarrollado por Stryker. Proporciona compresiones uniformes y de alta calidad durante la reanimación cardiopulmonar (RCP), lo que ayuda a mantener el flujo sanguíneo en pacientes con paro cardíaco (véase la imagen a continuación).
El dispositivo es portátil, funciona con batería y está diseñado para su uso en ambulancias, hospitales o situaciones de emergencia.
Reduce la carga física para los socorristas y mejora los resultados de la RCP al garantizar compresiones ininterrumpidas, incluso durante el transporte o la desfibrilación.
Figura 2: Sistema de compresión torácica LUCAS 3. 20
Imágenes médicas y diagnóstico
14. Diagnóstico precoz
La IA puede analizar historiales médicos, datos de laboratorio y resultados de imágenes para detectar signos tempranos de enfermedades crónicas como el cáncer, la diabetes o afecciones cardiovasculares. El diagnóstico precoz permite intervenciones oportunas, lo que puede mejorar los resultados de los pacientes y reducir los costes del tratamiento a largo plazo.
Ejemplo de la vida real: Investigación para la detección asistida por IA
Un amplio ensayo de cribado aleatorio realizado en Suecia evaluó si la adición de inteligencia artificial a la mamografía de cribado afecta a la tasa de cánceres de mama de intervalo en comparación con la doble lectura estándar realizada por radiólogos.
Más de 105 000 mujeres fueron asignadas a un programa de cribado con apoyo de IA o a un programa de cribado convencional sin IA. El estudio reveló que el cribado con apoyo de IA logró una tasa de cáncer de intervalo no peor que la de la práctica estándar, cumpliendo así los criterios de no inferioridad del ensayo. Si bien las tasas generales de cáncer de intervalo fueron similares, el grupo con IA presentó menos casos de cáncer de intervalo invasivo y de alto riesgo.
La sensibilidad de la prueba de detección fue significativamente mayor con la IA, sin ninguna pérdida de especificidad, y estas mejoras fueron consistentes en todos los grupos de edad y categorías de densidad mamaria.
En general, los resultados sugieren que la mamografía asistida por IA puede mejorar la detección del cáncer y la eficacia de los programas de cribado, lo que respalda su posible adopción en la práctica clínica habitual. 21
Ejemplo de la vida real: Google Salud
La investigación de Health sobre la detección del cáncer de mama indica que su modelo de IA puede detectar signos de cáncer de mama con una precisión similar a la de los radiólogos.
El sistema se entrena con un gran número de mamografías anonimizadas para aprender patrones asociados al cáncer y se está evaluando en entornos clínicos reales. Los esfuerzos de colaboración involucran a pacientes, médicos y profesionales de la salud, así como a instituciones como Northwestern Medicine, Imperial College London, varios hospitales del NHS y la Fundación Japonesa para la Investigación del Cáncer.
Estos estudios examinan cómo el modelo podría ayudar a priorizar los casos de mayor riesgo, actuar como segundo lector en los flujos de trabajo de detección y respaldar una detección más consistente e inclusiva en poblaciones diversas. 22
Ejemplo de la vida real: Ezra
Ezra utiliza inteligencia artificial al analizar resonancias magnéticas de cuerpo completo para ayudar a los médicos en la detección temprana del cáncer. 23
15. Perspectivas sobre imágenes médicas
Las herramientas basadas en inteligencia artificial pueden mejorar el análisis de imágenes médicas (por ejemplo, radiografías, resonancias magnéticas y tomografías computarizadas) al identificar patrones que los radiólogos humanos podrían pasar por alto. Estos hallazgos ayudan a diagnosticar enfermedades de forma más temprana y precisa.
La IA también se está utilizando para diagnosticar la COVID-19 a partir de datos de imágenes, lo que permite una identificación más rápida de los casos críticos que necesitan asistencia respiratoria con ventilador.
Las técnicas de imagen médica basadas en inteligencia artificial también se utilizan ampliamente para diagnosticar casos de COVID-19 e identificar a los pacientes que requieren asistencia respiratoria mediante ventilador.
Ejemplo real: Huiying Medical
Huiying Medical, una empresa de dispositivos médicos con sede en China, creó una solución de imágenes basada en inteligencia artificial capaz de detectar la COVID-19 mediante tomografías computarizadas de tórax. Según la empresa, esta solución podría beneficiar a zonas que carecen de acceso a la prueba RT-PCR, el método estándar para detectar la COVID-19.
Huiying desarrolló los algoritmos de IA utilizando datos de tomografía computarizada de más de 4000 casos de coronavirus. El sistema examina la opacidad en vidrio deslustrado (GGO, por sus siglas en inglés) en los pulmones, un signo de llenado parcial del espacio aéreo, junto con otros indicadores, para evaluar la probabilidad de infección por COVID-19.
Ejemplo de la vida real: SkinVision
La aplicación de SkinVision permite a los pacientes detectar signos tempranos de cáncer de piel mediante sus teléfonos inteligentes. Al permitir a los usuarios tomar fotos de alta calidad de su piel, centrándose en lunares o lesiones sospechosas, la aplicación puede analizarlas con algoritmos de inteligencia artificial.
Este análisis proporciona una evaluación de riesgos instantánea, que puede ayudar a identificar posibles problemas como el melanoma, el carcinoma de células escamosas o el carcinoma de células basales.
Los algoritmos de SkinVision se han entrenado con una extensa base de datos de imágenes dermatológicas para ayudar a distinguir entre afecciones cutáneas de alto y bajo riesgo. Para evaluaciones de alto riesgo, la aplicación recomienda una consulta médica profesional. 24
Investigación y desarrollo
16. Descubrimiento de fármacos
La IA acelera el descubrimiento de fármacos mediante el análisis de grandes conjuntos de datos procedentes de la investigación médica, datos históricos de tratamientos y vías biológicas. Esto permite identificar con mayor rapidez candidatos a fármacos prometedores y reduce el coste y el tiempo necesarios para comercializar nuevos medicamentos.
La tecnología de IA también puede predecir la eficacia de los fármacos, lo que conduciría a mejores resultados en los ensayos clínicos.
Ejemplo de la vida real: Boltz-ABFE
Boltz-ABFE El método 25 es una técnica de inteligencia artificial que combina predicciones de aprendizaje profundo con simulaciones de energía libre. Al igual que AlphaFold, que predice estructuras proteicas, los modelos de Boltz predicen complejos proteína-ligando.
Al integrar estas predicciones basadas en IA con cálculos fundamentados en la física, Boltz-ABFE amplía el alcance de FEP a etapas más tempranas del descubrimiento de fármacos, lo que permite a los investigadores evaluar las moléculas candidatas de manera más eficiente manteniendo la precisión.
Cómo funciona Boltz-ABFE
- Utiliza Boltz-1 y Boltz-2 , modelos de IA entrenados para predecir complejos proteína-ligando directamente a partir de secuencias de proteínas e información sobre ligandos.
- Aplica un refinamiento estructural para corregir problemas como errores en el orden de los enlaces, errores estereoquímicos y choques estéricos.
- Emplea un proceso de re-acoplamiento en el que los ligandos se ajustan con un software de acoplamiento para mejorar la geometría y la precisión.
- Mejora la fiabilidad eliminando las regiones de baja confianza e incluyendo socios vinculantes cuando sea necesario.
Resultados de las pruebas comparativas
- Probado en cuatro proteínas (TYK2, CDK2, JNK1, P38) del conjunto de referencia FEP+.
- Las estimaciones de energía de enlace obtenidas a menudo se encuentran dentro de 1 kcal/mol de los resultados experimentales.
- En algunos casos, igualó o superó las simulaciones que partieron de estructuras cristalinas.
- Mostró sensibilidad a los detalles estructurales, lo que hizo importantes los pasos correctivos, como el re-acoplamiento.
Ejemplo de la vida real: NuMedii
La empresa biofarmacéutica NuM edii ha desarrollado la tecnología AIDD (Inteligencia Artificial para el Descubrimiento de Fármacos) que aprovecha el Big Data y la IA para descubrir rápidamente conexiones entre fármacos y enfermedades a nivel sistemático. 26
Ejemplo de la vida real: Medicina Insilico
Insilico Medicine, una empresa de biotecnología con sede en Boston y Hong Kong, ha anunciado un hito en el desarrollo de fármacos impulsado por la inteligencia artificial.
Su compuesto principal, rentosertib, diseñado íntegramente mediante inteligencia artificial, ha demostrado resultados prometedores en un ensayo clínico de fase intermedia para la fibrosis pulmonar idiopática (FPI), una enfermedad pulmonar progresiva y actualmente incurable.
En el estudio, los pacientes que recibieron la dosis más alta de rentosertib mostraron mejoras notables en la función pulmonar. Los análisis de biomarcadores confirmaron que el fármaco actuó eficazmente sobre una proteína específica asociada a la FPI, tal como predijeron los algoritmos de IA de Insilico. 27
17. Análisis y edición genética
La IA ayuda a analizar datos genéticos para comprender las variaciones genéticas y predecir los efectos de la edición genética.
Esta tecnología también ayuda a los investigadores a predecir cómo las modificaciones genéticas específicas podrían afectar el riesgo de enfermedad o los resultados del tratamiento, lo que permite terapias genéticas más precisas y efectivas.
Ejemplo real: SOPHiA GENETICS
SOPHiA GENETICS ofrece a los genetistas la plataforma SOPHiA DDM™, que utiliza inteligencia artificial para mejorar el análisis genómico. La plataforma automatiza la detección, anotación y priorización de variantes complejas en datos de secuenciación de nueva generación (NGS), lo que permite obtener información más rápida y precisa.
Se integra en los entornos de laboratorio existentes, facilita la colaboración a través de una red global de expertos e incluye herramientas como Alamut™ Visual Plus para el análisis detallado de variantes.
El programa MaxCare también ofrece apoyo mediante consultas in situ, capacitación y evaluaciones de desempeño para garantizar una implementación exitosa. 28
18. Eficacia comparativa de dispositivos y fármacos
La IA puede evaluar y comparar la eficacia de diferentes dispositivos médicos o medicamentos analizando los resultados clínicos y los datos de los pacientes.
Esto ayuda a los profesionales sanitarios a tomar decisiones más informadas sobre los tratamientos más eficaces, al tiempo que reduce el método de ensayo y error en las intervenciones médicas.
Ejemplo de la vida real: 4Quant
4Quant aprovecha el análisis de macrodatos y la tecnología de aprendizaje profundo para extraer información valiosa de imágenes y vídeos, lo que facilita el diseño y la optimización de experimentos. Su plataforma aplica algoritmos de aprendizaje automático para procesar grandes cantidades de datos visuales, permitiendo a investigadores y profesionales de la salud analizar información compleja de forma eficaz.
Al automatizar la extracción de información útil a partir de datos de imágenes, 4Quant permite a los usuarios identificar componentes y patrones clave que sean más relevantes para sus necesidades experimentales específicas. Esto puede resultar especialmente valioso en campos como la investigación científica, la medicina y las aplicaciones industriales, donde el análisis de datos visuales es fundamental para la toma de decisiones.
Las soluciones de 4Quant también ofrecen personalización según los requisitos específicos del usuario para realizar análisis más precisos. Este enfoque reduce el tiempo y el esfuerzo necesarios para analizar grandes conjuntos de datos y mejora la precisión y la calidad de los resultados. 29
Gestión sanitaria
19. Gestión y marketing de marcas
Las plataformas de IA pueden analizar la percepción del mercado sanitario y la demografía de los pacientes para ayudar a los profesionales médicos a optimizar sus estrategias de marketing. Los hospitales y las organizaciones sanitarias pueden mejorar la reputación de su marca adaptando los mensajes y dirigiéndose a los segmentos adecuados.
20. Precios y riesgo
Los modelos de IA pueden predecir el precio óptimo para tratamientos y servicios analizando la competencia, la demanda del mercado y los resultados de los pacientes.
Esto ayuda a los proveedores de atención médica a establecer precios competitivos y rentables, al tiempo que reduce la carga financiera de los pacientes y optimiza los márgenes operativos.
21. Investigación de mercado
La IA puede utilizarse para recopilar información competitiva sobre otros hospitales o proveedores de atención médica. Estos datos permiten a los hospitales comparar sus servicios, identificar áreas de mejora y adaptarse a los cambios en el mercado sanitario.
Ejemplo real: MD Analytics
MD Analytics es una solución de investigación de mercado para el sector salud y farmacéutico. La herramienta ofrece una amplia gama de soluciones de investigación cuantitativas y cualitativas adaptadas a cada fase del ciclo de vida de un producto.
Sus servicios abarcan ensayos clínicos, análisis de mercado, análisis del recorrido del paciente y evaluaciones del proceso de compra. Las soluciones previas al lanzamiento incluyen previsión de la demanda, pruebas de concepto, investigación de precios y evaluaciones de programas de apoyo al paciente. Las fases posteriores al lanzamiento y de crecimiento se centran en la interacción con el cliente, la evaluación de la fuerza de ventas, la optimización multicanal y el seguimiento de los indicadores clave de rendimiento (KPI). 30
22. Operaciones
Las tecnologías de automatización de procesos, como la automatización inteligente y la RPA, permiten gestionar operaciones sanitarias como la programación de citas, la facturación y la elaboración de informes. Al automatizar las tareas rutinarias, los proveedores de atención médica pueden liberar personal para que se centre en la atención al paciente, a la vez que reducen los costes administrativos.
Ejemplo de la vida real: Cometa
Comet es el sistema de inteligencia médica de Epic, diseñado para ayudar a los médicos, pacientes y sistemas de atención médica a tomar mejores decisiones basadas en datos, prediciendo los resultados probables en la trayectoria de atención médica de un paciente.
Entrenado con más de 100 mil millones de eventos médicos anonimizados en Epic Cosmos , modela secuencias cronológicas de diagnósticos, resultados de laboratorio, medicamentos y consultas para simular escenarios futuros, incluyendo la progresión de la enfermedad, el riesgo de reingreso y la duración de la estancia hospitalaria.
Basado en modelos lingüísticos similares a los de grandes sistemas, Comet genera trayectorias de salud plausibles y las resume en información práctica integrada en los flujos de trabajo clínicos. A diferencia de las herramientas tradicionales, transforma la planificación de la atención, pasando de un enfoque reactivo a uno anticipatorio, al presentar una gama de posibles resultados, lo que ayuda a los equipos a asignar recursos, planificar altas y gestionar riesgos con mayor confianza.
Operando bajo estrictos estándares de privacidad y seguridad, Comet ha demostrado un rendimiento exitoso en una amplia gama de casos evaluados. A partir de 2026, los investigadores de las organizaciones participantes podrán explorar Comet en un laboratorio virtual para perfeccionar sus casos de uso, lo que representa un paso hacia una toma de decisiones en el sector de la salud más personalizada, proactiva y segura. 31
23. Detección de fraude
Las herramientas de IA pueden analizar patrones en las reclamaciones de atención médica para detectar actividades fraudulentas, como reclamaciones falsas o facturación excesiva. Esto ayuda a las organizaciones de atención médica a minimizar las pérdidas por fraude y garantiza que los recursos se utilicen de manera más eficiente para la atención al paciente.
Ejemplo de la vida real: Markovate
Una aseguradora nacional de salud se enfrentó a un aumento de las reclamaciones fraudulentas y las filtraciones de datos, lo que provocó pérdidas financieras y comprometió la privacidad de los pacientes.
Markovate 32 implementó un sistema de detección de fraude basado en inteligencia artificial que analizaba los datos de las reclamaciones, señalaba los comportamientos sospechosos y se integraba a la perfección con la infraestructura del proveedor, garantizando el cumplimiento de la HIPAA y protegiendo los datos confidenciales de los pacientes.
Los resultados son:
- Reducción del 30% en las reclamaciones fraudulentas en un plazo de seis meses.
- Mejora del 25% en la seguridad de los datos.
- Procesamiento de reclamaciones un 40 % más rápido, lo que aumenta la eficiencia.
Hiperautomatización en la atención médica
La hiperautomatización es un enfoque emergente para la transformación digital que implica automatizar tantos procesos empresariales como sea posible, al tiempo que se mejoran digitalmente aquellos que no pueden automatizarse por completo.
La hiperautomatización combina tecnologías de IA, RPA y visión artificial para la automatización integral de procesos en el sector sanitario.
Estos son algunos casos de uso de la hiperautomatización en el sector sanitario:
24. Tramitación del seguro médico
Al aprovechar los métodos de PLN y los modelos de IA / aprendizaje profundo , un enfoque de hiperautomatización puede ayudar a las empresas de seguros de salud:
- Minimizar el trabajo manual durante la preautorización y el procesamiento de reclamaciones,
- Reducir los errores humanos,
- Detectar y prevenir el fraude en la atención médica con mayor precisión,
- Garantice la satisfacción del cliente con plazos de reclamación más cortos.
25. Cumplimiento normativo
Los proveedores de atención médica, las compañías de seguros de salud, las farmacias y otras entidades de atención médica deben cumplir con regulaciones como HIPAA en los EE. UU. y GDPR en la UE.
La hiperautomatización puede ayudar a garantizar el cumplimiento normativo de las organizaciones sanitarias:
- Intel Los bots inteligentes pueden registrar cada acción en los sistemas de atención médica y documentar el registro de actividad cuando se les solicite.
- Los modelos de IA/ML se pueden utilizar para predecir posibles fraudes en el sector sanitario,
- La automatización de los procesos de auditoría interna puede ayudar a evaluar los riesgos y los controles internos de forma más eficiente y frecuente.
Casos de uso de la IA en el futuro de la atención médica
De cara al futuro de la IA en la atención sanitaria, se puede desarrollar una solución basada en el aprendizaje automático en áreas donde se disponga de una cantidad significativa de datos de entrenamiento y donde el problema esté claramente formulado.
En estos ámbitos, la IA puede beneficiar a los proveedores de atención médica al permitir la toma de decisiones basada en datos y ahorrar tiempo y costes.
Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios.