25 Casos de uso de IA en salud con ejemplos
Un estudio reciente muestra que los equipos híbridos de médicos humanos y sistemas de IA realizan diagnósticos médicos más precisos, en gran parte porque tienden a cometer errores diferentes y complementarios que ayudan a corregirse mutuamente. Estos hallazgos indican un fuerte potencial de la IA para mejorar la seguridad del paciente y promover una atención sanitaria más equitativa.1
¿Cómo se desempeñan los sistemas de IA en salud?
Nature Medicine: IA clínica general frente a especializada
Este estudio compara dos herramientas de IA clínica especializada, OpenEvidence y UpToDate Expert IA, con tres models de vanguardia de propósito general: GPT-5.2, Gemini 3.1 Pro y Claude Opus 4.6. El estudio también incluyó Google Search IA Overview en la evaluación del mundo real como punto de referencia comúnmente accesible.
La evaluación consta de tres componentes:
- MedQA: 500 preguntas del examen de habilitación médica.
- HealthBench: 500 prompts clínicos puntuados según rúbricas elaboradas por expertos.
- Real Clinical Queries (RCQ): 100 preguntas anónimas enviadas por médicos en un entorno clínico real. Las respuestas fueron evaluadas por 12 clínicos cegados en cuanto a corrección, integridad, seguridad y claridad.
El estudio comprueba si los productos comercializados específicamente para uso clínico ofrecen mejor conocimiento médico, alineación clínica y utilidad en el mundo real que los LLM de propósito general.
El componente RCQ es especialmente importante porque mide el rendimiento en preguntas que los médicos realmente hacen, en lugar de depender de datasets de tipo examen.
Resultados del benchmark
Los models de propósito general superaron a las herramientas clínicas especializadas en las tres evaluaciones:
- En MedQA, Gemini obtuvo 97.4 %, frente al 89.6 % de OpenEvidence y el 88.4 % de UpToDate.
- En HealthBench, GPT-5.2 obtuvo 88.0, mientras que OpenEvidence y UpToDate obtuvieron 62.6 y 61.3.
- En RCQ, Gemini alcanzó una calificación media de los clínicos de 3.62 sobre 4, seguido de GPT-5.2 con 3.54 y Claude con 3.52. OpenEvidence obtuvo 3.24, y UpToDate obtuvo 3.17.
- Google IA Overview se desempeñó aproximadamente al mismo nivel que las dos herramientas clínicas.
- UpToDate rechazó 19 % de las consultas clínicas reales, en comparación con 1–3 % para los models de vanguardia.
- El estudio no encontró diferencias estadísticamente significativas entre los sistemas en cuanto a contenido dañino ni tasas de alucinación.
¿Qué significan los resultados?
Una interfaz, un sistema de recuperación o una marca específicos del ámbito sanitario no se traducen automáticamente en un mejor desempeño clínico. Al menos en las tareas evaluadas, la escala del model, la capacidad de razonamiento general y la alineación parecen aportar más valor que el posicionamiento en un dominio específico.
Para las organizaciones sanitarias, este hallazgo respalda la realización independiente de benchmarks de productos de IA clínica antes de su adquisición, en lugar de asumir que las herramientas especializadas son más precisas o seguras. Sin embargo, el estudio no evaluó factores como la calidad de las citas, la latencia, el coste, la integración en los flujos de trabajo ni el rendimiento en tareas médicas altamente especializadas.2
MedAgentBench: un entorno virtual de EHR para evaluar agentes LLM médicos
MedAgentBench es un entorno de evaluación para comprobar si los agentes LLM pueden realizar tareas dentro de una historia clínica electrónica en lugar de limitarse a responder preguntas médicas.
Contiene 300 tareas escritas por clínicos en 10 categorías, 100 perfiles de pacientes realistas y más de 700.000 elementos de datos clínicos. Los models interactúan con un EHR simulado a través de FHIR, el estándar de interoperabilidad respaldado por los principales sistemas de información sanitaria.
Las tareas incluyen recuperar la información del paciente, revisar los resultados de laboratorio, documentar las constantes vitales, solicitar pruebas, realizar derivaciones y crear órdenes de medicación.
MedAgentBench mide si un agente de IA puede:
- Comprender la instrucción de un médico.
- Encontrar la información correcta en el expediente del paciente.
- Aplicar una lógica clínica condicional.
- Seleccionar y llamar a las funciones correctas del EHR.
- Completar la acción solicitada sin producir salidas no válidas o incompletas.
Su métrica principal es el éxito de la tarea de extremo a extremo. Un model debe completar la tarea correctamente, no limitarse a ofrecer una explicación plausible.
Resultados del benchmark
Claude 3.5 Sonnet v2 obtuvo la tasa de éxito general más alta con un 69.67 %, seguido de GPT-4o con un 64.0 %, DeepSeek-V3 con un 62.67 % y Gemini 1.5 Pro con un 62.0 %.
¿Qué significan los resultados?
Muchos models pueden manejar tareas estructuradas de EHR, especialmente la recuperación de información. Sin embargo, incluso el mejor model falló aproximadamente el 30 % de las tareas en general y casi la mitad de las tareas basadas en acciones.
Este nivel de fiabilidad puede ser útil para pilotos supervisados y asistencia administrativa. No es suficiente para acciones no supervisadas de medicación, laboratorio o derivaciones, donde una sola llamada incorrecta a una API puede modificar el historial de un paciente.
MedAgentBench, por tanto, pone de relieve la diferencia entre el conocimiento médico y la fiabilidad operativa: un model puede responder bien a preguntas médicas y, aun así, tener dificultades para ejecutar flujos de trabajo clínicos de varios pasos.3
MAST: prueba de superinteligencia médica de IA
MAST es una batería de benchmarks de IA médica que se actualiza continuamente y que mantiene la ARISE IA Research Network. En lugar de medir una única capacidad limitada, combina evaluaciones que abarcan:
- Razonamiento diagnóstico
- Razonamiento de gestión
- Seguridad del paciente
- Radiología
- Otras imágenes médicas
- Finalización de tareas agénticas
Sus benchmarks componentes incluyen First Do NOHARM, CPC-Bench, la prueba de concordancia de guiones, ReXrank Mini, MedAgentBench v2 y PhysicianBench.
MAST publica tanto un compuesto general como un compuesto centrado en los clínicos. Las puntuaciones utilizan una media armónica con la misma ponderación, lo que significa que un mal rendimiento en un área reduce la puntuación global más de lo que lo haría con una media simple. El rendimiento agéntico se comunica por separado, en lugar de incluirse en los compuestos.
MAST pretende medir si un sistema de IA tiene capacidades clínicas amplias y equilibradas, en lugar de si puede optimizarse para un único examen o dataset.
Resultados del benchmark
A fecha de 17 de julio de 2026, GPT-5.5 lideraba el ranking público compuesto con un 61.6 %, seguido de Gemini 3.5 Flash con un 59.4 %, Claude Opus 4.7 con un 59.0 % y Gemini 3.1 Pro con un 58.7 %.
Las diferencias relativamente pequeñas entre los models líderes contrastan con mayores variaciones a nivel de cada benchmark individual. Por ejemplo, los sistemas clínicos especializados basados en recuperación lideran el benchmark de seguridad First Do NOHARM, mientras que los models de propósito general tienden a ofrecer una cobertura más amplia en tareas de razonamiento e imagen.
¿Qué significan los resultados?
Ningún model demuestra un rendimiento uniformemente sólido en todas las dimensiones clínicas. Las puntuaciones compuestas en el rango bajo del 60 % indican que incluso los sistemas líderes tienen debilidades importantes que quedan al descubierto cuando se evalúan conjuntamente el razonamiento diagnóstico, las decisiones de tratamiento, la seguridad y la interpretación de imágenes.
El benchmark también muestra por qué la selección de IA en salud debe ser específica para cada caso de uso. Un model que lidere la clasificación general puede no ser el mejor sistema para la revisión de seguridad, la radiología o la automatización de EHR. Por lo tanto, las organizaciones sanitarias deberían examinar los resultados por dimensiones en lugar de depender de una única puntuación compuesta.4
Casos de uso de IA en salud
Atención al paciente
1. Salas virtuales
Una sala virtual es un model de atención en el que los pacientes reciben tratamiento de nivel hospitalario en casa mientras el personal médico los supervisa de forma remota.
Ejemplo real: salas virtuales del NHS
Miles de niños gravemente enfermos en Inglaterra reciben ahora tratamiento en casa a través de las “salas virtuales” del NHS, evitando largas estancias hospitalarias. Mediante dispositivos portátiles, como monitores de frecuencia cardíaca y oxígeno, los médicos pueden controlar las constantes vitales de los pacientes y responder con rapidez si algo cambia.
Los niños con afecciones como asma, problemas cardíacos, infecciones y enfermedades de larga duración reciben atención de nivel hospitalario de forma remota, y las enfermeras acuden a los domicilios cuando se necesitan pruebas o medicación. Los datos son supervisados las 24 horas del día por equipos clínicos a través de plataformas como Feebris, que utiliza IA para señalar signos de alerta tempranos (véase la Figura 1).
Figura 1: Ejemplo de monitorización del pulso de Feebris.
Para las familias, el impacto emocional es significativo. Recibir los 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 y haciendo que la atención sea más adecuada para los niños, y esperan que la atención remota se convierta en algo habitual para muchas afecciones en los próximos años.5
2. Diagnóstico y prescripción asistidos
Los chatbots impulsados por IA pueden ayudar a los pacientes con el autodiagnóstico de afecciones leves o ayudar a los médicos con el diagnóstico basado en síntomas, historial médico y datos diagnósticos.
Un estudio diseñado para evaluar hasta qué punto ChatGPT puede diagnosticar afecciones y con qué frecuencia recomienda acudir al médico encontró resultados mixtos en cuanto a su fiabilidad diagnóstica.
Durante cinco días, los investigadores formularon a ChatGPT las mismas preguntas sobre cinco afecciones ortopédicas comunes. Las respuestas se marcaron como correctas, parcialmente correctas, incorrectas o como una lista de posibles diagnósticos. Se midieron la exactitud y la coherencia de las respuestas, y la capacidad de ChatGPT para diagnosticar con precisión afecciones ortopédicas resultó inconsistente.
Además, sus recomendaciones de buscar atención médica no siempre fueron contundentes. ChatGPT podría ser útil como primer paso, pero existe el riesgo de confiar en él para el autodiagnóstico sin el asesoramiento médico adecuado.6
Ejemplo real: Ochsner Health con DeepScribe
Los médicos dedicaban antes mucho tiempo a documentar las visitas de los pacientes (a menudo fuera del horario laboral), lo que afectaba tanto a la precisión como al equilibrio entre vida laboral y personal. Ochsner Health se asoció con DeepScribe para reducir la carga administrativa de la documentación clínica en su red multiespecialidad.
La IA ambiental de DeepScribe captura las conversaciones en tiempo real y genera notas altamente personalizables y específicas de cada especialidad, lo que permite a los médicos centrarse más en la interacción con los pacientes.
Como resultado, el sistema logró una adopción clínica del 78 % y una satisfacción de los pacientes del 96 %, al tiempo que redujo significativamente el tiempo de documentación y mejoró la calidad de las notas.7
Ejemplo real: DxGPT
DxGPT es una herramienta de inteligencia aumentada diseñada para apoyar el diagnóstico clínico proporcionando un diagnóstico diferencial estructurado en lugar de texto abierto.
Genera cinco hipótesis diagnósticas con síntomas a favor y en contra de cada una, utilizando models de lenguaje avanzados dentro de un marco controlado destinado a garantizar la pertinencia y la seguridad.
Los estudios de validación iniciales, incluido el trabajo con el Hospital Sant Joan de Déu, sugieren niveles de precisión comparables a los de los expertos clínicos. Sin embargo, el sistema no está destinado a proporcionar diagnósticos autónomos y debe ser interpretado por profesionales cualificados.
DxGPT hace hincapié en prácticas estrictas de protección de datos, incluida 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.8
Ejemplo real: OpenAI for Healthcare
OpenAI for Healthcare es un conjunto de herramientas de IA que cumplen la HIPAA y que respaldan 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 salud es el apoyo clínico basado en la evidencia para el diagnóstico. La herramienta ofrece respuestas fundamentadas en la literatura médica pertinente, incluidos estudios revisados por pares, orientaciones de salud pública y guías clínicas.
También incluyen citas transparentes que enumeran títulos, revistas y fechas de publicación, lo que permite verificar rápidamente las fuentes, respalda el razonamiento clínico y facilita una atención oportuna al paciente.9
3. Herramientas de IA para la salud mental
La IA se utiliza cada vez más en la atención de la salud mental para ayudar con la detección temprana, el tratamiento y el apoyo continuo. Estas herramientas de IA para la salud mental analizan texto, voz, expresiones faciales, dispositivos portátiles y registros de salud para detectar señales tempranas de afecciones como la ansiedad y la depresión, predecir el riesgo y personalizar el tratamiento.
Además, los chatbots y las plataformas digitales ofrecen apoyo emocional, orientación terapéutica, emparejamiento con terapeutas y monitorización continua, al tiempo que reducen la carga de trabajo de los médicos mediante la automatización. Aunque estas herramientas amplían el acceso y mejoran la eficiencia, siguen existiendo retos en torno a la privacidad, el sesgo, la regulación y la garantía de que la IA apoye, en lugar de sustituir, la atención humana.
Ejemplo real: Verint (Cogito)
Cogito10aprovecha la inteligencia artificial avanzada para mejorar la atención de la salud mental mediante herramientas de inteligencia emocional y análisis conversacional en tiempo real:
- Coaching de inteligencia emocional en tiempo real: la plataforma de Cogito analiza las señales vocales durante las interacciones con los pacientes y ofrece orientación en tiempo real a los gestores de cuidados. Esto les ayuda a demostrar empatía, generar confianza y mejorar la implicación de los pacientes, algo crucial para el éxito de las intervenciones de salud mental.
- Monitorización de la salud conductual: la plataforma recopila de forma pasiva y segura datos conductuales a través de aplicaciones móviles y los analiza con criterios clínicos de evaluación de salud mental. Esta monitorización continua ayuda a la detección temprana de problemas de salud conductual y permite intervenciones oportunas.
Ejemplo real: Headspace
Headspace, anteriormente Ginger y Headspace Health, utiliza análisis predictivo para identificar a las personas en riesgo de padecer problemas de salud mental mediante la monitorización de conductas como el aumento del estrés, los trastornos del sueño y el aislamiento social.
Cuando los patrones sugieren un posible problema, la plataforma se pone en contacto de forma proactiva y ofrece apoyo adicional, como conectar a los usuarios con entrenadores de salud mental.11
Ejemplo real: ThroughLine
ThroughLine es una plataforma de infraestructura digital que permite a los sitios web, aplicaciones y comunidades en línea ofrecer acceso a apoyo de confianza y atendido por personas en situaciones de crisis y salud mental.
Integra principios de computación afectiva e IA de salud mental para emparejar de forma inteligente a los usuarios con las líneas de ayuda más pertinentes de una red mundial verificada de más de 1.300 servicios en 150 países.
ThroughLine, que cubre áreas críticas como el suicidio, el maltrato, las autolesiones y el apoyo LGBTQ+, ofrece integración a través de una aplicación web, un widget integrable o una API para desarrolladores.
La plataforma hace hincapié en la protección mediante estrictos estándares de verificación, políticas de atención inclusivas y analíticas que priorizan la privacidad, al tiempo que ayuda a los socios a cumplir requisitos normativos como el RGPD y la Ley de Servicios Digitales de la UE.12
4. Chatbots de atención al cliente en salud
Los chatbots de atención al cliente pueden responder a las preguntas de los pacientes sobre citas, facturación o reposición de medicamentos.
Esto puede mejorar la rapidez 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 ofrecen evaluaciones iniciales o segundas opiniones para los casos rutinarios.
Ejemplo real: chatbot oncológico impulsado por IA en el Hospital SSG
En 2025, el Hospital SSG lanzó un chatbot de IA específicamente para pacientes de cáncer y cuidadores. Ofrece orientación instantánea sobre opciones de tratamiento (como cirugía, quimioterapia y radioterapia), instrucciones de cuidados posteriores al tratamiento, manejo de síntomas y efectos secundarios, y detalles de los departamentos ambulatorios en varios idiomas. El chatbot pretende reducir la ansiedad y ofrecer una atención al cliente más accesible y fácil de navegar.13
5. Agentes de IA en la salud
Los agentes de IA ayudan en la atención sanitaria automatizando tareas, mejorando la toma de decisiones y optimizando la atención al paciente. Analizan datos médicos para el diagnóstico, sugieren tratamientos personalizados, predicen resultados y gestionan tareas administrativas.
Las herramientas de IA agéntica también permiten la monitorización en tiempo real y las consultas virtuales, lo que aumenta la eficiencia y reduce los errores.
Ejemplo real: Prosper agente de voz de IA para Northeast OB/GYN
Northeast OB/GYN tuvo dificultades para seguir el ritmo de su 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, prestaciones de los pacientes sin verificar y agotamiento del personal.
Para solucionarlo, la consulta implantó Prosper como una solución de recepción impulsada por IA que automatiza la programación, las cancelaciones, la verificación de prestaciones y la gestión de listas de espera, al tiempo que deriva los casos complejos al personal.
Tras un despliegue por fases, el sistema se integró rápidamente en las operaciones diarias, gestionando todas las llamadas entrantes y resolviendo alrededor del 50 % sin intervención humana. Esto dio lugar a una reducción del 40 % en los costes operativos, un aumento del 12 % en las citas programadas y una cobertura constante 24/7.14
Ejemplo real: Claude for Healthcare
Claude for Healthcare15es el producto de Anthropic preparado para la HIPAA que permite a los proveedores de salud, las empresas emergentes y los pacientes utilizar Claude de forma segura para tareas médicas y administrativas.
Amplía las funciones existentes de Claude con conectores específicos del 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 principales características incluyen:
- Conectores de datos sanitarios: Proporcionan acceso directo a fuentes estándar del sector, incluidas la base de datos de cobertura de CMS, la ICD-10, el Registro Nacional de Identificadores de Proveedores y PubMed.
- Soporte de desarrollo FHIR: Para simplificar la integración entre sistemas de salud que utilizan el estándar FHIR, reduciendo el tiempo de desarrollo y los errores de integración.
- Flujos de autorización previa: Una plantilla configurable de revisión de autorización previa que ayuda a contrastar las políticas de cobertura, las guías clínicas, los historiales de los pacientes y la documentación de apelaciones.
- Coordinación asistencial y triaje: Asistencia para clasificar y priorizar los mensajes de los pacientes, las derivaciones y los traspasos, a fin de garantizar que los asuntos urgentes reciban atención oportuna.
- Plataforma para empresas emergentes de salud: APIs y herramientas para desarrolladores que permiten a las empresas emergentes crear soluciones impulsadas por IA, como apoyo a la documentación clínica, herramientas de revisión de historias clínicas y automatización administrativa.
- Integraciones de datos personales de salud (EE. UU.): Acceso opcional y controlado por el usuario a resultados de laboratorio y registros de salud 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: Inclusión voluntaria explícita del usuario, control detallado de permisos, ausencia de entrenamiento con datos personales de salud, avisos legales contextuales y orientación para consultar a profesionales sanitarios cuando proceda.
Ejemplo real: Sully.ai
Parikh Health, dirigido por el Dr. Neesheet Parikh, ha mejorado considerablemente sus operaciones y la atención al paciente al integrar Sully.ai con sus historiales médicos electrónicos (EMR).
El sistema de registro impulsado por IA personaliza las interacciones con los pacientes, mientras que la automatización de las tareas de recepción permite al personal centrarse más en la atención al paciente.
Esta colaboración con Sully.ai redujo las operaciones por paciente en 10x y recortó el tiempo dedicado a tareas administrativas, como la gestión de los historiales de los pacientes, de 15 minutos a 1-5 minutos. Esto ha dado lugar a un aumento de 3x en eficiencia y rapidez.
Además, la plataforma ha reducido el agotamiento de los médicos en un 90 %, lo que permite interacciones con los pacientes más centradas y significativas.16
Ejemplo real: plataforma sanitaria Agentic-IA
Agentic-IA Healthcare es un prototipo de investigación que combina múltiples agentes de IA con salvaguardas integradas de privacidad, explicabilidad y regulación.
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 inclusividad.17
6. Auditoría de prescripciones
La tecnología de IA ayuda a los profesionales sanitarios a reducir los errores de prescripción analizando las recetas en busca de posibles interacciones farmacológicas, dosis incorrectas y alergias de los pacientes.
Esto reduce el riesgo de eventos adversos por medicamentos, una fuente importante de complicaciones y costes en la atención sanitaria.
7. Gestión del embarazo
Los sistemas de IA pueden emplearse para monitorizar la salud tanto de la madre como del feto mediante dispositivos portátiles y sistemas de monitorización remota.
Estas herramientas aprovechan los datos de las 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. Triaje de priorización en tiempo real
La analítica prescriptiva basada en IA puede analizar los datos de los pacientes, como los síntomas, el historial médico y las constantes vitales, para ayudar a los profesionales sanitarios a priorizar los casos en tiempo real.
Ejemplo real: Lightbeam Health
Lightbeam Health utiliza análisis predictivo para prever los riesgos de salud de los pacientes.
Analiza más de 4.500 factores, incluidos determinantes clínicos, sociales y ambientales, para identificar riesgos ocultos. El sistema también ofrece recomendaciones prescriptivas para intervenciones específicas que mejoran los resultados de los pacientes, como la reducción de reingresos y visitas a urgencias.18
Ejemplo 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 cuidados basados en la evidencia para garantizar que los pacientes reciban orientación de prácticas médicas contrastadas.
La aplicación también permite la comunicación en tiempo real entre los equipos asistenciales y los pacientes para una monitorización continua y una intervención inmediata cuando sea necesario.
Los profesionales sanitarios pueden personalizar la experiencia de cada paciente y, al mismo tiempo, abordar afecciones de salud individuales, como el tratamiento de enfermedades crónicas o el seguimiento tras el alta.
La tecnología de IA de Wellframe ofrece a los pacientes planes de atención personalizados y dota a los médicos de información sobre los datos a través de un panel. Esta información en tiempo real ayuda a priorizar a los pacientes de alto riesgo y facilita una prestación sanitaria más eficiente.
Wellframe permite obtener mejores resultados para los pacientes gracias a estas capacidades, respalda la atención preventiva y propicia relaciones más personalizadas entre los pacientes y sus equipos asistenciales.19
9. Triaje en tiempo real
La integración de la IA para la priorización garantiza que los casos más críticos se atiendan primero, mejorando así la eficiencia de las salas de urgencias y los resultados de los pacientes.
Ejemplo real: Enlitic
Las soluciones de triaje de pacientes de Enlitic aprovechan las tecnologías de IA para mejorar la eficiencia de los sistemas sanitarios escaneando los casos médicos entrantes y evaluándolos en busca de múltiples hallazgos clínicos.
Estos hallazgos se priorizan a continuación, garantizando que los casos más urgentes se dirijan a los profesionales sanitarios adecuados de la red. Este proceso permite a los profesionales sanitarios atender antes los casos de alta prioridad, lo que mejora la atención general al paciente y reduce los retrasos en el diagnóstico y el tratamiento.
Al automatizar el triaje con IA, las soluciones de Enlitic ayudan a reducir la carga manual de los médicos y a agilizar los flujos de trabajo, especialmente en radiología. La plataforma también aumenta la calidad de los datos de salud al normalizar los datos de imagenología médica, lo que garantiza que las imágenes se etiqueten y se dirijan correctamente.20
10. Medicamentos y atención personalizados
La IA permite desarrollar planes de tratamiento personalizados mediante el análisis de los datos individuales de cada paciente, incluidos la información genética, el estilo de vida y el historial médico. La medicina personalizada ayuda a mejorar la eficacia del tratamiento, reducir los efectos secundarios y disminuir los costes sanitarios al evitar tratamientos innecesarios y centrarse en los mejores resultados para cada paciente.
Las herramientas de IA en salud pueden ayudar a los usuarios a encontrar los mejores planes de tratamiento basándose en los datos de sus pacientes, reduciendo así los costes y aumentando la eficacia de la atención.
Ejemplo real: Aitia
La empresa utiliza el aprendizaje automático para emparejar a los pacientes con los tratamientos más eficaces para ellos.21
Ejemplo real: Oncora Medicals
Oncora puede analizar y aprender de los datos de los sistemas de salud para permitir un tratamiento personalizado, específicamente para pacientes con cáncer.22
11. Analítica de datos de pacientes
Las soluciones de analítica sanitaria pueden extraer información de los datos clínicos para ofrecer a los profesionales sanitarios recomendaciones que mejoren la atención al paciente, identifiquen poblaciones en riesgo y optimicen la asignación de recursos. Este enfoque ayuda a reducir los costes asistenciales y, al mismo tiempo, mejora los resultados de los pacientes mediante una toma de decisiones más informada.
Ejemplo real: Delphi-2M
Delphi-2M es un model transformador generativo diseñado para predecir la progresión de enfermedades a lo largo de la vida de una persona. A diferencia de los models tradicionales centrados en una sola enfermedad, captura la multimorbilidad analizando más de 1.000 afecciones a la vez. Basado en una arquitectura GPT-2 modificada, codifica la edad, predice tanto la siguiente enfermedad como su momento, y tiene en cuenta los diagnósticos concurrentes.
Más allá de la predicción, Delphi-2M puede generar trayectorias de enfermedad a largo plazo y crear datasets 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, el cribado temprano y la planificación a nivel de sistema. Anticiparse a los riesgos individuales y proyectar la carga de enfermedad puede orientar tanto la atención al paciente como las políticas sanitarias. Las futuras ampliaciones podrían integrar datos genómicos, de imagen y de dispositivos portátiles para reforzar aún más las aplicaciones clínicas y de salud pública.23
Ejemplo real: Zakipoint Health
Zakipoint Health ofrece un panel integral diseñado para ofrecer una visión transparente de los riesgos y costes sanitarios de cada miembro. Este enfoque permite intervenciones personalizadas para mejorar los resultados de salud.
La plataforma utiliza análisis predictivo para identificar los generadores de costes y los factores de riesgo, lo que ayuda a los sistemas sanitarios a reducir los riesgos sanitarios y lograr ahorros de costes.24
12. Robots quirúrgicos
Las cirugías asistidas por robot combinan IA y robots colaborativos. Estas herramientas ayudan en procedimientos que requieren precisión y repetición, como la cirugía laparoscópica.
Estos robots pueden seguir movimientos predefinidos sin fatiga y lograr una gran 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.25
13. Robótica asistencial
La robótica asistencial en la sanidad mejora la atención al paciente y apoya a los profesionales médicos realizando tareas mediante sensores, actuadores y sistemas de control inteligentes.
Las aplicaciones de la robótica asistencial incluyen exoesqueletos que ayudan a la rehabilitación de pacientes con ictus o lesiones medulares y dispensadores robóticos de medicación que garantizan una dosificación precisa. Los robots de telepresencia permiten consultas a distancia, y los asistentes robóticos de enfermería como Robear ayudan a levantar o mover a los pacientes de forma segura.
Estas tecnologías mejoran la eficiencia, la precisión y los resultados de los pacientes en diversos entornos clínicos.
Ejemplo real: LUCAS 3
El LUCAS 3 es un sistema mecánico de compresión torácica desarrollado por Stryker. Proporciona compresiones constantes y de alta calidad durante la reanimación cardiopulmonar (RCP), lo que ayuda a mantener el flujo sanguíneo en pacientes en parada cardíaca (véase la imagen siguiente).
El dispositivo es portátil, funciona con batería y está diseñado para su uso en ambulancias, hospitales o situaciones de emergencia.
Reduce la carga física de los intervinientes y mejora los resultados de la RCP al garantizar compresiones ininterrumpidas, incluso durante el traslado o la desfibrilación.
Figura 2: Sistema de compresión torácica LUCAS 3.26
Diagnóstico e imagenología médica
14. Diagnóstico temprano
La IA puede analizar los historiales médicos, los datos de laboratorio y los resultados de imagenología para detectar signos tempranos de enfermedades crónicas como el cáncer, la diabetes o las enfermedades cardiovasculares. El diagnóstico temprano permite intervenciones oportunas, que pueden mejorar los resultados de los pacientes y reducir los costes de tratamiento a largo plazo.
Ejemplo real: iCAD
iCAD, que utiliza algoritmos de aprendizaje automático para analizar mamografías, detectar signos tempranos de cáncer de mama y ayudar a los radiólogos a realizar diagnósticos más precisos. Este avance ha contribuido a mejores resultados para los pacientes y a una reducción de los diagnósticos falsos positivos.
Breast Health Solutions de iCAD ofrece software avanzado para la tomosíntesis digital de mama (DBT), la evaluación de la densidad mamaria, la mamografía 2D y la evaluación personalizada del riesgo.27
Ejemplo real: investigación sobre cribado con apoyo de IA
Un gran ensayo aleatorizado de cribado realizado en Suecia evaluó si la incorporación de IA al cribado mamográfico afecta a la tasa de cánceres de mama de intervalo en comparación con la doble lectura estándar por parte de radiólogos.
Más de 105.000 mujeres fueron asignadas al cribado con apoyo de IA o al cribado convencional sin IA. El estudio concluyó que el cribado con apoyo de IA logró una tasa de cáncer de intervalo no peor que la de la práctica estándar, cumpliendo los criterios de no inferioridad del ensayo. Aunque las tasas generales de cáncer de intervalo fueron similares, el grupo de IA presentó menos cánceres de intervalo invasivos y de alto riesgo.
La sensibilidad del cribado fue significativamente mayor con IA, sin pérdida de especificidad, y estas mejoras fueron constantes 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 eficiencia del cribado, lo que respalda su posible adopción en la práctica clínica habitual.28
Ejemplo real: Google Health
La investigación de cribado de cáncer de mama de Google Health indica que su model 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 implican a pacientes, médicos y profesionales de la salud, así como alianzas con instituciones como Northwestern Medicine, el Imperial College de Londres, varios trusts del NHS y la Fundación Japonesa para la Investigación del Cáncer.
Estos estudios examinan cómo podría ayudar el model a priorizar los casos de mayor riesgo, actuar como segundo lector en los flujos de trabajo de cribado y respaldar una detección más coherente e inclusiva en poblaciones diversas.29
Ejemplo real: Ezra
Ezra aprovecha la IA mientras analiza resonancias magnéticas de cuerpo entero para ayudar a los médicos en la detección temprana del cáncer.30
15. Perspectivas de imagenología médica
Las herramientas impulsadas por IA pueden mejorar el análisis de las imágenes médicas (p. ej., radiografías, resonancias magnéticas, tomografías computarizadas) identificando patrones que los radiólogos humanos podrían pasar por alto. Esta información ayuda 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 imagenología, lo que permite identificar más rápidamente los casos críticos que necesitan ventilación mecánica.
La imagenología médica impulsada por IA también se utiliza ampliamente para diagnosticar casos de COVID-19 e identificar a los pacientes que requieren ventilación mecánica.
Ejemplo real: Median Technologies
Median Technologies presentó eyonis LCS, un software impulsado por IA que mejora la detección temprana del cáncer de pulmón mediante el análisis de tomografías computarizadas de baja dosis. Diseñada para ayudar a los radiólogos a identificar y caracterizar nódulos pulmonares sospechosos, la herramienta pretende aumentar la precisión diagnóstica y reducir los falsos positivos.
Probado en dos grandes ensayos clínicos (REALITY y RELIVE), eyonis™ LCS mostró mejoras estadísticamente significativas en la detección del cáncer de pulmón en fase temprana. El software está a la espera de las aprobaciones FDA 510(k) y del marcado CE, previstas para mediados de 2025, antes de su lanzamiento comercial planificado.
Más allá de la detección, eyonis™ LCS aborda la variabilidad entre radiólogos y se integra en los flujos de trabajo clínicos, ofreciendo una solución escalable para los programas de cribado de cáncer de pulmón en EE. UU. y Europa.31
Ejemplo real: Radiobotics RBfracture
La herramienta de Radiobotics impulsada por IA, RBfracture, ha sido aprobada para su uso en el NHS por el NICE (Instituto Nacional para la Excelencia en la Salud y la Atención) como una de las cuatro tecnologías de IA que apoyan la detección de fracturas en radiografías en atención urgente.
RBfracture demostró una mejora de la sensibilidad diagnóstica, del 74 % al 83 %, sin sacrificar la especificidad, lo que aborda retos como las fracturas no detectadas, la escasez de personal y la fatiga de los médicos, especialmente en centros más pequeños o rurales.32
Ejemplo real: Huiying Medical
Huiying Medical, una empresa de dispositivos médicos ubicada en China, creó una solución de imagenología con IA capaz de detectar la COVID-19 mediante tomografías computarizadas de tórax. Según la empresa, esta solución podría beneficiar a las zonas sin acceso a la RT-PCR, el método estándar de prueba de la COVID-19.
Huiying desarrolló los algoritmos de IA utilizando datos de tomografías computarizadas de más de 4.000 casos de coronavirus. El sistema examina la opacidad en vidrio deslustrado (GGO) 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 real: SkinVision
La aplicación de SkinVision permite a los pacientes detectar signos tempranos de cáncer de piel con sus teléfonos inteligentes. Al permitir a los usuarios tomar fotografías de alta calidad de su piel, centrándose en lunares o lesiones sospechosas, las aplicaciones pueden analizarlas con algoritmos de IA.
Este análisis proporciona una evaluación instantánea del riesgo, que puede ayudar a identificar posibles problemas como el melanoma, el carcinoma de células escamosas o el carcinoma basocelular.
Los algoritmos de SkinVision se han entrenado con una amplia base de datos de imágenes dermatológicas para ayudar a distinguir entre afecciones cutáneas de alto y bajo riesgo. En las evaluaciones de alto riesgo, la aplicación recomienda una consulta médica profesional.33
Investigación y desarrollo
16. Descubrimiento de fármacos
La IA acelera el descubrimiento de fármacos analizando grandes datasets procedentes de la investigación médica, los datos históricos de tratamientos y las vías biológicas. Esto permite identificar más rápidamente candidatos a fármacos prometedores y reduce el coste y el tiempo necesarios para llevar nuevos medicamentos al mercado.
La tecnología de IA también puede predecir la eficacia de los fármacos, lo que daría lugar a mejores resultados en los ensayos clínicos.
Ejemplo real: Boltz-ABFE
Boltz-ABFE34es un método de IA que combina predicciones de aprendizaje profundo con simulaciones de energía gratis. Al igual que AlphaFold, que predice estructuras proteicas, los models de Boltz predicen complejos proteína-ligando.
Al integrar estas predicciones basadas en IA con cálculos fundamentados en la física, Boltz-ABFE amplía el alcance del FEP a las primeras fases del descubrimiento de fármacos, lo que permite a los investigadores evaluar moléculas candidatas de forma más eficiente sin renunciar a la precisión.
Cómo funciona Boltz-ABFE
- Utiliza Boltz-1 y Boltz-2, models de IA entrenados para predecir complejos proteína-ligando directamente a partir de secuencias de proteínas e información del ligando.
- Aplica el refinamiento de la estructura para corregir problemas como errores en el orden de los enlaces, errores estereoquímicos y choques estéricos.
- Emplea un proceso de reacoplamiento en el que los ligandos se ajustan con software de acoplamiento para mejorar la geometría y la precisión.
- Mejora la fiabilidad eliminando las regiones de baja confianza e incluyendo los socios de unión cuando es necesario.
Resultados de los benchmarks
- Probado en cuatro proteínas (TYK2, CDK2, JNK1, P38) del conjunto de benchmarks FEP+.
- Produjo estimaciones de energía de unión a menudo dentro de 1 kcal/mol de los resultados experimentales.
- En algunos casos, igualó o superó simulaciones que partían de estructuras cristalinas.
- Mostró sensibilidad a los detalles estructurales, lo que hace importantes pasos de corrección como el reacoplamiento.
Ejemplo real: NuMedii
La empresa biofarmacéutica NuMedii ha creado 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.35
Ejemplo real: Insilico Medicine
Insilico Medicine, una empresa biotecnológica con sede en Boston y Hong Kong, ha anunciado un hito en el desarrollo de fármacos impulsado por IA.
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 se dirigía eficazmente a una proteína específica asociada a la FPI, como predecían los algoritmos de IA de Insilico.36
17. Análisis y edición genética
La IA ayuda a analizar los 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 podrían influir ediciones genéticas concretas en el riesgo de enfermedad o en los resultados del tratamiento, lo que permite terapias genéticas más precisas y eficaces.
Ejemplo real: crossNN
Investigadores de la Charité, Universitätsmedizin Berlin, han desarrollado un model de IA llamado crossNN que puede detectar y clasificar con precisión más de 170 tipos de cáncer utilizando la huella epigenética de los tumores.
Este enfoque no invasivo analiza material genético, como el líquido cefalorraquídeo, lo que lo hace especialmente útil en casos en los que las biopsias son demasiado arriesgadas, como los tumores cerebrales.
La IA compara los datos tumorales desconocidos con miles de perfiles de referencia mediante una red neuronal entrenada con más de 8.000 muestras, logrando hasta un 99 % de precisión en tumores cerebrales y un 978 % en todos los cánceres.
A diferencia de los diagnósticos tradicionales que se basan en el examen de tejidos, crossNN utiliza patrones de metilación del ADN, únicos para cada tipo de tumor. La tecnología está diseñada para ser a la vez altamente fiable y explicable, algo esencial para su uso clínico.37
Ejemplo real: SOPHiA GENETICS
SOPHiA GENETICS ofrece a los genetistas la plataforma SOPHiA DDM™, que utiliza IA para mejorar el análisis genómico. La plataforma automatiza la detección, la anotación y la 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 mundial de expertos e incluye herramientas como Alamut™ Visual Plus para el análisis detallado de variantes.
El programa MaxCare también ofrece apoyo con consultas in situ, formación y evaluaciones del rendimiento para garantizar una implantación satisfactoria.38
18. Eficacia comparativa de dispositivos y fármacos
La IA puede evaluar y comparar la eficacia de distintos dispositivos médicos o fármacos mediante el análisis de 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 y, al mismo tiempo, reduce el ensayo-error en las intervenciones médicas.
Ejemplo real: 4Quant
4Quant aprovecha la analítica de big data y la tecnología de aprendizaje profundo para extraer información significativa de imágenes y vídeos, apoyando el diseño y la optimización de experimentos. Su plataforma aplica algoritmos de aprendizaje automático para procesar grandes cantidades de datos visuales y permitir a los investigadores y profesionales sanitarios analizar información compleja de forma eficaz.
Al automatizar la extracción de información práctica de los datos de imagenología, 4Quant permite a los usuarios identificar los componentes y patrones clave más pertinentes para sus necesidades experimentales específicas. Esto puede ser especialmente valioso en campos como la investigación científica, la medicina y las aplicaciones industriales, donde el análisis de los datos visuales es fundamental para la toma de decisiones.
Las soluciones de 4Quant también ofrecen personalización en función de los requisitos específicos de cada usuario para realizar análisis más específicos. Este enfoque reduce el tiempo y el esfuerzo necesarios para analizar grandes datasets y mejora la precisión y la calidad de la información obtenida.39
Gestión sanitaria
19. Gestión de marca y marketing
Las plataformas de IA pueden analizar la percepción del mercado sanitario y los datos demográficos 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 models de IA pueden predecir el precio óptimo de los tratamientos y servicios analizando la competencia, la demanda del mercado y los resultados de los pacientes.
Esto ayuda a los profesionales sanitarios a fijar precios competitivos pero rentables, al tiempo que reduce la carga económica de los pacientes y optimiza los márgenes operativos.
21. Investigación de mercado
La IA puede utilizarse para recopilar inteligencia competitiva sobre otros hospitales o proveedores de salud. Estos datos permiten a los hospitales comparar sus servicios, identificar áreas de mejora y adaptarse a los cambios del panorama del mercado sanitario.
Ejemplo real: MD Analytics
MD Analytics es una solución de investigación de mercados de salud y farmacia. La herramienta ofrece una amplia gama de soluciones de investigación cuantitativa y cualitativa adaptadas a cada fase del ciclo de vida de un producto.
Sus servicios abarcan ensayos clínicos, evaluaciones de mercado, análisis del recorrido del paciente y evaluaciones del proceso de compra. Las soluciones previas al lanzamiento incluyen la previsión de la demanda, la comprobación de conceptos, la investigación de precios y las evaluaciones de programas de apoyo a pacientes. Las fases posteriores al lanzamiento y de crecimiento se centran en la implicación del cliente, las evaluaciones de la fuerza de ventas, la optimización multicanal y el seguimiento de los KPIs.40
22. Operaciones
Las tecnologías de automatización de procesos, como la automatización inteligente y la RPA, pueden gestionar operaciones sanitarias como la programación, la facturación y la elaboración de informes. Al automatizar las tareas rutinarias, los proveedores de salud pueden gratis al personal para que se centre en la atención al paciente y, al mismo tiempo, reducir los costes administrativos.
Ejemplo real: Comet
Comet es el sistema de inteligencia médica de Epic, diseñado para ayudar a los médicos, los pacientes y los sistemas de salud a tomar mejores decisiones basadas en datos mediante la predicción de los posibles resultados en el recorrido sanitario 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 encuentros para simular escenarios futuros, incluida la progresión de la enfermedad, el riesgo de reingreso y la duración de la estancia hospitalaria.
Basado en principios similares a los grandes models de lenguaje, 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, lleva la planificación de la atención de un enfoque reactivo a un enfoque anticipatorio al presentar una variedad de resultados posibles, 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 satisfactorio 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 supone un paso hacia una toma de decisiones sanitarias más personalizada, proactiva y segura.41
23. Detección de fraude
Las herramientas de IA pueden analizar los patrones de las reclamaciones sanitarias para detectar actividades fraudulentas, como reclamaciones falsas o sobrefacturación. Esto ayuda a las organizaciones sanitarias a minimizar las pérdidas por fraude y garantiza que los recursos se utilicen de forma más eficiente para la atención al paciente.
Ejemplo real: Markovate
Un proveedor nacional de seguros de salud se enfrentó a un aumento de las reclamaciones fraudulentas y de las filtraciones de datos, lo que provocó pérdidas económicas y comprometió la privacidad de los pacientes.
Markovate42implementó un sistema de detección de fraude basado en IA que analizaba los datos de reclamaciones, marcaba comportamientos sospechosos y se integraba a la perfección con la infraestructura del proveedor, garantizando el cumplimiento de la HIPAA y salvaguardando los datos sensibles de los pacientes.
Los resultados son:
- Reducción del 30 % de las reclamaciones fraudulentas en 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 sanidad
La hiperautomatización es un enfoque emergente de transformación digital que consiste en automatizar tantos procesos empresariales como sea posible y, al mismo tiempo, aumentar digitalmente aquellos que no pueden automatizarse por completo.
La hiperautomatización combina IA, RPA y tecnologías de visión artificial para la automatización de procesos de extremo a extremo en la sanidad.
A continuación se presentan casos de uso de hiperautomatización en la sanidad:
24. Procesamiento de seguros de salud
Mediante el aprovechamiento de métodos de PNL y models de IA/aprendizaje profundo, un enfoque de hiperautomatización puede ayudar a las empresas de seguros de salud a:
- Minimizar el trabajo manual durante la preautorización y el procesamiento de reclamaciones,
- Reducir los errores humanos,
- Detectar y prevenir el fraude sanitario con mayor precisión,
- Garantizar la satisfacción del cliente con ciclos de reclamaciones más cortos.
25. Cumplimiento normativo
Los proveedores de salud, las compañías de seguros sanitarios, las farmacias y otras entidades sanitarias deben cumplir normativas como la HIPAA en Estados Unidos y el RGPD en la UE.
La hiperautomatización puede ayudar a garantizar el cumplimiento normativo de las organizaciones sanitarias:
- Los bots inteligentes pueden registrar cada acción en los sistemas sanitarios y documentar el registro de actividad cuando se solicite.
- Los models de IA/ML pueden utilizarse para predecir posibles fraudes sanitarios,
- La automatización de los procesos de auditoría interna puede ayudar a evaluar los riesgos y los controles internos de forma más eficiente y frecuente.
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 = {{25 Casos de uso de IA en salud con ejemplos}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/healthcare-ai-use-cases}},
note = {AIMultiple. Recuperado el 6 de Agosto de 2026}
}Registro de cambios
14 actualizaciones- 2026
Se añadió la sección "¿Cómo funcionan los sistemas de IA en el sector sanitario?".
Se añadieron ejemplos de la vida real para soluciones de salud mental.
Se añadió un ejemplo de la vida real: Ochsner Health con DeepScribe a la sección de diagnóstico y prescripción asistida.
Se añadió OpenAI for Healthcare a la sección de herramientas de diagnóstico impulsadas por IA.
Se añadió la sección de salas virtuales a Cuidado del Paciente.
- 2025
Se actualizó el texto introductorio al principio del artículo.
Se añadió un ejemplo de la vida real a la sección de Atención al Paciente.
Se añadió Boltz-ABFE a la sección "Ejemplos de la vida real".
Se añadió la sección "Robots de asistencia", incluyendo el sistema de compresión torácica LUCAS 3.
Se añadió un ejemplo real para la detección de fraudes.
Se añadió la sección "Hiperautomatización en la atención sanitaria".
- 2024
Se eliminó el caso de uso de 'Chatbots de atención al cliente' de la sección 'Gestión sanitaria'.
- 2022
Se actualizó la introducción para reflejar 18 casos de uso y proveedores.
Se eliminó Ango AI de la sección de Imágenes Médicas.
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó 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.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos 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 participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University 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 un máster en Psicología Social y una licenciatura 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.