25 Casos de uso de IA en atención sanitaria con ejemplos
Un estudio reciente muestra que los equipos híbridos de médicos humanos y sistemas de IA realizan diagnósticos médicos más precisos, en gran medida porque tienden a cometer errores diferentes y complementarios que ayudan a corregirse mutuamente. Estos hallazgos indican un gran potencial de la IA para mejorar la seguridad del paciente y promover una atención sanitaria más equitativa.1
¿Cómo rinden los sistemas de IA en atención sanitaria?
Nature Medicine: IA clínica de propósito general vs. especializada
Este estudio compara dos herramientas clínicas especializadas de IA, OpenEvidence y UpToDate Expert IA, con tres modelos de frontera de propósito general: GPT-5.2, Gemini 3.1 Pro, y Claude Opus 4.6. El estudio también incluyó la Visión General de IA de Búsqueda de Google en la evaluación del mundo real como un punto de referencia comúnmente accesible.
La evaluación tiene tres componentes:
- MedQA: 500 preguntas de examen de licencia médica.
- HealthBench: 500 indicaciones clínicas puntuadas según rúbricas desarrolladas por expertos.
- Consultas Clínicas Reales (RCQ): 100 preguntas anónimas enviadas por médicos en un entorno clínico real. Las respuestas fueron evaluadas por 12 clínicos cegados en cuanto a corrección, exhaustividad, seguridad y claridad.
El estudio pone a prueba si los productos comercializados específicamente para uso clínico proporcionan un mejor conocimiento médico, alineación clínica y utilidad en el mundo real que los LLM de propósito general.
El componente RCQ es particularmente importante porque mide el rendimiento en preguntas que los médicos realmente hacen, en lugar de basarse en conjuntos de datos tipo examen.
Resultados del benchmark
Los modelos de propósito general superaron a las herramientas clínicas especializadas en las tres evaluaciones:
- En MedQA, Gemini obtuvo un 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.
- La Visión General de IA de Google rindió aproximadamente al mismo nivel que las dos herramientas clínicas.
- UpToDate rechazó el 19 % de las consultas clínicas reales, frente al 1–3 % de los modelos de frontera.
- El estudio no encontró diferencias estadísticamente significativas entre los sistemas en cuanto a contenido dañino o tasas de alucinación.
¿Qué significan los resultados?
Una interfaz, sistema de recuperación o marca específicos para la atención sanitaria no garantizan automáticamente un mejor rendimiento clínico. Al menos en las tareas evaluadas, la escala del modelo, la capacidad de razonamiento general y la alineación parecen aportar más valor que el posicionamiento específico del dominio.
Para las organizaciones sanitarias, el hallazgo respalda la realización de evaluaciones comparativas independientes de los 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 el flujo de trabajo ni el rendimiento en tareas médicas altamente especializadas.2
MedAgentBench: Un entorno EHR virtual para evaluar agentes de LLM médico
MedAgentBench es un entorno de evaluación para probar si los agentes de LLM pueden realizar tareas dentro de un historial clínico electrónico en lugar de simplemente 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 modelos 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 información del paciente, revisar resultados de laboratorio, documentar signos vitales, solicitar pruebas, realizar derivaciones y crear órdenes de medicación.
MedAgentBench mide si un agente de IA puede:
- Comprender la instrucción de un clínico.
- Encontrar la información correcta en el registro de un paciente.
- Aplicar lógica clínica condicional.
- Seleccionar y llamar a las funciones correctas del EHR.
- Completar la acción solicitada sin producir resultados inválidos o incompletos.
Su métrica principal es el éxito de la tarea de principio a fin. Un modelo debe completar la tarea correctamente, no solo proporcionar una explicación plausible.
Resultados del benchmark
Claude 3.5 Sonnet v2 produjo la tasa de éxito global 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?
Los modelos actuales pueden manejar muchas tareas estructuradas de EHR, especialmente la recuperación de información. Sin embargo, incluso el mejor modelo 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 de medicación, laboratorio o derivación no supervisadas, donde una sola llamada incorrecta a la API puede modificar el historial de un paciente.
MedAgentBench, por lo tanto, destaca la diferencia entre el conocimiento médico y la fiabilidad operativa: un modelo puede responder bien a preguntas médicas y aun así tener dificultades para ejecutar flujos de trabajo clínicos de varios pasos.3
MAST: Test de Superinteligencia de IA Médica
MAST es un conjunto de benchmarks de IA médica actualizado continuamente, mantenido por la Red de Investigación de IA ARISE. En lugar de medir una capacidad limitada, combina evaluaciones que cubren:
- Razonamiento diagnóstico
- Razonamiento de manejo
- Seguridad del paciente
- Radiología
- Otras imágenes médicas
- Finalización de tareas agentivas
Sus benchmarks componentes incluyen First Do NOHARM, CPC-Bench, el Script Concordance Test, ReXrank Mini, MedAgentBench v2 y PhysicianBench.
MAST publica tanto un compuesto general como un compuesto centrado en el clínico. Las puntuaciones utilizan una media armónica de igual peso, lo que significa que un rendimiento deficiente en un área reduce la puntuación global más de lo que lo haría con una media simple. El rendimiento agentivo se informa actualmente por separado en lugar de incluirse en los compuestos.
MAST pretende medir si un sistema de IA posee capacidades clínicas amplias y equilibradas, en lugar de si puede optimizarse para un examen o conjunto de datos concreto.
Resultados del benchmark
A fecha del 17 de julio de 2026, GPT-5.5 lideraba la clasificación compuesta pública 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 estrechas entre los modelos líderes contrastan con variaciones mayores a nivel de benchmark individual. Por ejemplo, los sistemas clínicos especializados basados en recuperación lideran el benchmark de seguridad First Do NOHARM, mientras que los modelos de propósito general tienden a ofrecer una cobertura más amplia en tareas de razonamiento e imagen.
¿Qué significan los resultados?
Ningún modelo demuestra actualmente 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 se ponen de manifiesto 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 atención sanitaria debe ser específica para cada caso de uso. Un modelo que lidere la clasificación general puede no ser el mejor sistema para la revisión de seguridad, la radiología o la automatización del EHR. Por lo tanto, las organizaciones sanitarias deberían examinar los resultados a nivel de dimensión en lugar de confiar en una única puntuación compuesta.4
Casos de uso de IA en atención sanitaria
Atención al paciente
1. Salas virtuales
Una sala virtual es un modelo de atención en el que los pacientes reciben tratamiento de nivel 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 siendo tratados ahora en casa a través de las "salas virtuales" del NHS, evitando largas estancias hospitalarias. Mediante dispositivos ponibles, como monitores de frecuencia cardíaca y oxígeno, los médicos pueden seguir los signos vitales de los pacientes y reaccionar rápidamente si algo cambia.
Los niños con afecciones como asma, problemas cardíacos, infecciones y enfermedades crónicas reciben atención de nivel hospitalario a distancia, con enfermeras que visitan los hogares cuando se necesitan pruebas o medicación. Los datos son monitorizados las 24 horas del día por equipos clínicos a través de plataformas como Feebris, que utiliza IA para señalar señales de alerta temprana (véase la Figura 1).
Figura 1: Ejemplo de monitorización del pulso de Feebris.
Para las familias, el impacto emocional es significativo. Ser atendido 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 al tiempo que hacen la atención más adecuada para los niños, y esperan que la atención a distancia se convierta en el estándar 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 asistir a los médicos en el diagnóstico basado en síntomas, historial médico y datos de diagnóstico.
Un estudio diseñado para evaluar qué tan bien puede ChatGPT diagnosticar afecciones y con qué frecuencia recomienda acudir al médico encontró resultados mixtos en cuanto a su fiabilidad diagnóstica.
Durante cinco días, los investigadores hicieron a ChatGPT las mismas preguntas sobre cinco afecciones ortopédicas comunes. Las respuestas se calificaron como correctas, parcialmente correctas, incorrectas o como una lista de posibles diagnósticos. Se midió la precisión y consistencia de las respuestas, y la capacidad de ChatGPT para diagnosticar con precisión afecciones ortopédicas fue 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
Anteriormente, los médicos dedicaban un tiempo considerable a documentar las visitas 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 multiespecialidad.
La IA ambiental de DeepScribe captura las conversaciones en tiempo real y genera notas altamente personalizables y específicas para cada especialidad, lo que permite a los clínicos centrarse más en las interacciones con los pacientes.
Como resultado, el sistema logró una adopción por parte de los clínicos 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 modelos de lenguaje avanzados dentro de un marco controlado destinado a garantizar la relevancia 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 GDPR, HIPAA y la emergente Ley de IA de la UE.8
Ejemplo real: OpenAI para la Atención Sanitaria
OpenAI for Healthcare es un conjunto de herramientas de IA conformes con HIPAA 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 atención sanitaria es el apoyo clínico basado en evidencia para el diagnóstico. La herramienta proporciona respuestas fundamentadas en literatura médica relevante, incluidos estudios revisados por pares, guías de salud pública y directrices clínicas.
También incluye citas transparentes que enumeran títulos, revistas y fechas de publicación, lo que permite una rápida verificación de fuentes, apoya 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 ponibles y registros de salud para detectar signos tempranos de afecciones como la ansiedad y la depresión, predecir el riesgo y personalizar el tratamiento.
Además, los chatbots y las plataformas digitales proporcionan apoyo emocional, orientación terapéutica, emparejamiento con terapeutas y monitorización continua, al tiempo que reducen la carga de trabajo de los clínicos mediante la automatización. Si bien estas herramientas amplían el acceso y mejoran la eficiencia, persisten desafíos en torno a la privacidad, el sesgo, la regulación y garantizar que la IA apoye, en lugar de reemplazar, la atención humana.
Ejemplo real: Verint (Cogito)
Cogito10 aprovecha la inteligencia artificial avanzada para mejorar la atención de la salud mental proporcionando 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, proporcionando orientación en tiempo real a los gestores de cuidados. Esto les ayuda a demostrar empatía, generar confianza y mejorar la participación del paciente, lo cual es 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 según criterios de evaluación clínica de salud mental. Esta monitorización continua ayuda a la detección temprana de problemas de salud conductual, permitiendo intervenciones oportunas.
Ejemplo real: Headspace
Headspace, anteriormente Ginger y Headspace Health, utiliza análisis predictivos para identificar a personas en riesgo de padecer trastornos de salud mental mediante la monitorización de comportamientos como el aumento del estrés, las alteraciones del sueño y el aislamiento social.
Cuando los patrones sugieren un posible problema, la plataforma se pone en contacto de forma proactiva, ofreciendo apoyo adicional, como conectar a los usuarios con coaches de salud mental.11
Ejemplo real: ThroughLine
ThroughLine es una plataforma de infraestructura digital que permite a sitios web, aplicaciones y comunidades en línea proporcionar acceso a apoyo de crisis y salud mental con personal humano y de confianza.
Integra principios de computación afectiva y de IA para la salud mental para emparejar de forma inteligente a los usuarios con las líneas de ayuda más relevantes de una red global verificada de más de 1.300 servicios en 150 países.
Cubriendo áreas críticas como el suicidio, el abuso, las autolesiones y el apoyo LGBTQ+, ThroughLine 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 análisis que priorizan la privacidad, al tiempo que ayuda a los socios a cumplir con requisitos normativos como el GDPR y la Ley de Servicios Digitales de la UE.12
4. Chatbots de atención al cliente en sanidad
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 velocidad y precisión de los diagnósticos, reducir la carga de trabajo de los proveedores de atención sanitaria y permitir una mejor asignación de recursos. Los médicos pueden centrarse en casos más complejos, mientras que las herramientas de IA proporcionan evaluaciones iniciales o segundas opiniones para los 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 con cáncer y sus cuidadores. Proporciona orientación instantánea sobre opciones de tratamiento (como cirugía, quimioterapia y radioterapia), instrucciones de cuidados post-tratamiento, manejo de síntomas y efectos secundarios, y detalles de los departamentos ambulatorios en varios idiomas. El chatbot tiene como objetivo reducir la ansiedad y proporcionar un apoyo de atención al cliente más accesible y fácil de navegar.13
5. Agentes de IA en atención sanitaria
Los agentes de IA ayudan en la atención sanitaria automatizando tareas, mejorando la toma de decisiones y mejorando la atención al paciente. Analizan datos médicos para el diagnóstico, sugieren tratamientos personalizados, predicen resultados y gestionan tareas administrativas.
Las herramientas de IA agentiva también permiten la monitorización en tiempo real y las consultas virtuales, aumentando la eficiencia y reduciendo errores.
Ejemplo real: Prosper agente de voz de IA para Northeast OB/GYN
Northeast OB/GYN tenía dificultades para seguir el ritmo de un rápido crecimiento debido a la escasez de personal, la alta rotación y el aumento del volumen de llamadas, lo que provocaba largos tiempos de espera, verificación de beneficios de los pacientes no realizada y agotamiento del personal.
Para abordar esto, la consulta implementó Prosper como una solución de recepción impulsada por IA que automatiza la programación, las cancelaciones, la verificación de beneficios 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 aproximadamente el 50 % sin intervención humana. Esto condujo a una reducción del 40 % en los costes operativos, un aumento del 12 % en las citas programadas y una cobertura 24/7 constante.14
Ejemplo real: Claude para la Atención Sanitaria
Claude for Healthcare15 es el producto conforme a HIPAA de Anthropic que permite a los proveedores de atención sanitaria, startups y pacientes utilizar Claude de forma segura para tareas médicas y administrativas.
Amplía las funciones existentes de Claude con conectores específicos para la atención sanitaria, habilidades de agente y controles de cumplimiento para permitir a las organizaciones trabajar directamente con datos clínicos, de cobertura y de facturación.
Las características clave incluyen:
- Conectores de datos sanitarios: Proporcionan acceso directo a fuentes estándar del sector, incluyendo la Base de Datos de Cobertura de CMS, ICD-10, el Registro Nacional de Identificadores de Proveedores y PubMed.
- Soporte para desarrollo FHIR: Para simplificar la integración entre sistemas sanitarios utilizando el estándar FHIR, reduciendo el tiempo de desarrollo y los errores de integración.
- Flujos de trabajo de autorización previa: Una plantilla de revisión de autorización previa configurable que ayuda a cotejar las políticas de cobertura, las directrices clínicas, los registros de los pacientes y la documentación de apelaciones.
- Coordinación de la atención y triaje: Asistencia para clasificar y priorizar los mensajes de los pacientes, las derivaciones y los traspasos para garantizar que los problemas urgentes reciban atención oportuna.
- Plataforma para startups de atención sanitaria: APIs y herramientas para desarrolladores que permiten a las startups crear soluciones impulsadas por IA, como soporte para documentación clínica, herramientas de revisión de historiales y automatización administrativa.
- Integraciones de datos de salud personales (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 de permisos detallado, sin entrenamiento con datos de salud personales, avisos contextuales y orientación para consultar a profesionales de la salud cuando corresponda.
Ejemplo real: Sully.ai
Parikh Health, dirigida por el Dr. Neesheet Parikh, ha mejorado enormemente sus operaciones y la atención al paciente integrando Sully.ai con sus Registros 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 redujo el tiempo dedicado a tareas administrativas, como la gestión de historiales de pacientes, de 15 minutos a 1-5 minutos. Esto ha llevado a un aumento de 3x en eficiencia y velocidad.
Además, la plataforma ha reducido el agotamiento de los médicos en un 90 %, permitiendo interacciones con los pacientes más centradas y significativas.16
Ejemplo real: Plataforma de atención sanitaria con IA agentiva
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 proveedores de atención sanitaria a reducir los errores de prescripción analizando las recetas en busca de posibles interacciones medicamentosas, dosis incorrectas y alergias de los pacientes.
Esto reduce el riesgo de eventos adversos por medicamentos, una fuente significativa de complicaciones y costes en la atención sanitaria.
7. Gestión del embarazo
Se pueden emplear sistemas de IA para monitorizar la salud tanto de la madre como del feto mediante dispositivos ponibles 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. Priorización y triaje en tiempo real
El análisis prescriptivo basado en IA puede analizar los datos del paciente, 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 aprovecha el análisis predictivo para prever los riesgos de salud en los pacientes.
Analiza más de 4.500 factores, incluidos los determinantes clínicos, sociales y ambientales, para identificar riesgos ocultos. El sistema también proporciona 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 probadas.
La aplicación también admite 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, abordando condiciones de salud individuales, como la gestión de enfermedades crónicas o el seguimiento tras el alta.
La tecnología de IA de Wellframe proporciona a los pacientes planes de atención personalizados y también equipa a los clínicos con información de datos a través de un panel de control. Esta información en tiempo real ayuda a priorizar a los pacientes de alto riesgo y facilita una prestación de atención sanitaria más eficiente.
Wellframe permite obtener mejores resultados para los pacientes a través de estas capacidades, apoya la atención preventiva y proporciona 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 traten primero, mejorando así la eficiencia de los servicios 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, asegurando que los casos más urgentes se dirijan a los profesionales sanitarios adecuados de la red. Este proceso permite a los profesionales sanitarios atender más rápidamente los casos de alta prioridad, mejorando la atención general al paciente y reduciendo 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 clínicos y a optimizar los flujos de trabajo, especialmente en radiología. La plataforma también mejora la calidad de los datos sanitarios estandarizando los datos de imágenes médicas, lo que garantiza que las imágenes estén correctamente etiquetadas y enrutadas.20
10. Medicamentos y atención personalizados
La IA permite desarrollar planes de tratamiento personalizados analizando los datos individuales de cada paciente, incluida 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 atención sanitaria pueden ayudar a los usuarios a encontrar los mejores planes de tratamiento basados en los datos de sus pacientes, reduciendo así el coste y aumentando la eficacia de la atención.
Ejemplo real: Aitia
La empresa utiliza aprendizaje automático para emparejar a los pacientes con los tratamientos que son más efectivos 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 obtener información de los datos clínicos para proporcionar a los profesionales sanitarios recomendaciones para mejorar la atención al paciente, identificar poblaciones en riesgo y optimizar la asignación de recursos. Este enfoque ayuda a reducir los costes de la atención al tiempo que mejora los resultados de los pacientes mediante una toma de decisiones más informada.
Ejemplo real: Delphi-2M
Delphi-2M es un modelo generativo de transformador diseñado para predecir la progresión de enfermedades a lo largo de la vida de un individuo. A diferencia de los modelos tradicionales de enfermedad única, captura la multimorbilidad analizando más de 1.000 afecciones a la vez. Construido sobre una arquitectura GPT-2 modificada, codifica la edad, predice tanto la siguiente enfermedad como su momento, y tiene en cuenta los diagnósticos co-ocurrentes.
Más allá de la predicción, Delphi-2M puede generar trayectorias de enfermedad 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, el cribado temprano y la planificación a nivel de sistema. Anticipar los riesgos individuales y proyectar la carga de morbilidad puede servir de base tanto para la atención al paciente como para las políticas sanitarias. Futuras extensiones podrían integrar datos genómicos, de imágenes y de dispositivos ponibles para reforzar aún más las aplicaciones clínicas y de salud pública.23
Ejemplo real: Zakipoint Health
Zakipoint Health proporciona un panel de control 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 aprovecha el análisis predictivo para identificar los generadores de costes y los factores de riesgo, ayudando a los sistemas sanitarios a reducir los riesgos para la salud 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 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.25
13. Robótica asistencial
La robótica asistencial en la atención sanitaria mejora el cuidado del 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 en 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: El LUCAS 3
El LUCAS 3 es un sistema mecánico de compresión torácica desarrollado por Stryker. Proporciona compresiones consistentes y de alta calidad durante la reanimación cardiopulmonar (RCP), ayudando a mantener el flujo sanguíneo en pacientes con parada cardíaca (Véase la imagen a continuación).
El dispositivo es portátil, funciona con batería y está diseñado para su uso en ambulancias, hospitales o escenas de emergencia.
Reduce la carga física de los intervinientes 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 3.26
Imagen médica y diagnóstico
14. Diagnóstico precoz
La IA puede analizar registros médicos, datos de laboratorio y resultados de imágenes para detectar signos tempranos de enfermedades crónicas como el cáncer, la diabetes o las afecciones cardiovasculares. El diagnóstico precoz conduce a intervenciones oportunas, que pueden mejorar los resultados de los pacientes y reducir los costes del tratamiento a largo plazo.
Ejemplo real: iCAD
iCAD, que utiliza algoritmos de aprendizaje automático para analizar mamografías, detectando signos tempranos de cáncer de mama y ayudando 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.
Las soluciones de salud mamaria de iCAD proporcionan 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 para el cribado con apoyo de IA
Un gran ensayo aleatorizado de cribado en Suecia evaluó si la adición de IA 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 al cribado con apoyo de IA o al cribado convencional sin IA. El estudio encontró que el cribado con apoyo de IA alcanzó 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 globales de cáncer de intervalo fueron similares, el grupo de IA tuvo menos cánceres de intervalo invasivos y de mayor riesgo.
La sensibilidad del cribado fue significativamente mayor con IA, sin 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 eficiencia del cribado, apoyando su posible adopción en la práctica clínica habitual.28
Ejemplo real: Google Health
La investigación de Google Health sobre el cribado 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 desidentificadas para aprender patrones asociados con el cáncer y se está evaluando en entornos clínicos reales. Los esfuerzos de colaboración involucran a pacientes, clínicos y profesionales de la salud, así como asociaciones con instituciones como Northwestern Medicine, el Imperial College de Londres, 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 un segundo lector en los flujos de trabajo de cribado y apoyar una detección más consistente e inclusiva en diversas poblaciones.29
Ejemplo real: Ezra
Ezra aprovecha la IA al analizar resonancias magnéticas de cuerpo entero para ayudar a los clínicos en la detección temprana del cáncer.30
15. Información de imágenes médicas
Las herramientas impulsadas por IA pueden mejorar el análisis de imágenes médicas (por ejemplo, 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 imagen, lo que permite una identificación más rápida de los casos críticos que necesitan ventilación asistida.
Las imágenes médicas impulsadas por IA también se utilizan ampliamente en el diagnóstico de casos de COVID-19 y en la identificación de 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 los nódulos pulmonares sospechosos, la herramienta pretende aumentar la precisión diagnóstica y reducir los falsos positivos.
Probada en dos grandes ensayos clínicos (REALITY y RELIVE), eyonis™ LCS mostró mejoras estadísticamente significativas en la detección del cáncer de pulmón en estadio temprano. El software está ahora a la espera de las aprobaciones 510(k) de la FDA y del marcado CE, previstas para mediados de 2025, antes de su lanzamiento comercial previsto.
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 Estados Unidos y Europa.31
Ejemplo real: Radiobotics RBfracture
La herramienta impulsada por IA de Radiobotics, RBfracture, ha sido aprobada para su uso en el NHS por 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 en la sensibilidad diagnóstica, del 74 % al 83 %, sin sacrificar la especificidad, abordando así desafíos como las fracturas no detectadas, la escasez de personal y la fatiga de los clínicos, 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 imagen de IA capaz de detectar la COVID-19 mediante tomografías computarizadas de tórax. Según la compañía, esta solución podría beneficiar a las áreas que carecen de acceso a la RT-PCR, el método de prueba estándar para la COVID-19.
Huiying desarrolló los algoritmos de IA utilizando datos de TC de más de 4.000 casos de coronavirus. El sistema examina la opacidad en vidrio esmerilado (GGO) en los pulmones, un signo de llenado parcial de los espacios aéreos, 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 utilizando 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 de riesgo instantánea, que puede ayudar a identificar posibles problemas como el melanoma, el carcinoma de células escamosas o el carcinoma basocelular.
Los algoritmos de SkinVision han sido entrenados con una vasta base de datos de imágenes dermatológicas para ayudar a distinguir entre afecciones cutáneas de alto y bajo riesgo. Para las evaluaciones de alto riesgo, la aplicación recomienda la consulta con un médico profesional.33
Investigación y desarrollo
16. Descubrimiento de fármacos
La IA acelera el descubrimiento de fármacos analizando grandes conjuntos de datos de investigación médica, datos históricos de tratamientos y vías biológicas. Esto conduce a una identificación más rápida de 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 conduciría a mejores resultados en los ensayos clínicos.
Ejemplo real: Boltz-ABFE
Boltz-ABFE34 es un método de IA que combina predicciones de aprendizaje profundo con simulaciones de energía libre. Al igual que AlphaFold, que predice las estructuras de las proteínas, los modelos Boltz predicen los complejos proteína-ligando.
Al integrar estas predicciones basadas en IA con cálculos basados 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 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 del ligando.
- Aplica un refinamiento estructural para corregir problemas como errores en el orden de los enlaces, errores de estereoquímica y choques estéricos.
- Emplea un proceso de re-docking en el que los ligandos se ajustan con software de acoplamiento para mejorar la geometría y la precisión.
- Mejora la fiabilidad eliminando regiones de baja confianza e incluyendo 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 las simulaciones que partían de estructuras cristalinas.
- Mostró sensibilidad a los detalles estructurales, lo que hace importantes pasos de corrección como el re-docking.
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 atacaba eficazmente una proteína específica asociada a la FPI, tal como predijeron los algoritmos de IA de Insilico.36
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 ediciones genéticas específicas podrían afectar el riesgo de enfermedad o los resultados del tratamiento, permitiendo terapias genéticas más precisas y efectivas.
Ejemplo real: crossNN
Investigadores de la Charité, Universitätsmedizin Berlin, han desarrollado un modelo 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 para 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 utilizando una red neuronal entrenada con más de 8.000 muestras, logrando hasta un 99 % de precisión para los tumores cerebrales y un 97,8 % 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, que son únicos para cada tipo de tumor. La tecnología está diseñada para ser altamente fiable y explicable, lo cual es esencial para el 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, anotación y priorización de variantes complejas en datos de secuenciación de nueva generación (NGS), lo que conduce a una obtención de 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 soporte con consultas in situ, formación y evaluaciones de rendimiento para garantizar una implementación exitosa.38
18. Eficacia comparativa de dispositivos y fármacos
La IA puede evaluar y comparar la eficacia de diferentes dispositivos médicos o fármacos analizando los resultados clínicos y los datos de los pacientes.
Esto ayuda a los proveedores de atención sanitaria a tomar decisiones más informadas sobre los tratamientos más eficaces, al tiempo que reduce el ensayo y error en las intervenciones médicas.
Ejemplo real: 4Quant
4Quant aprovecha el análisis 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 que los investigadores y profesionales de la salud puedan analizar de manera efectiva.
Al automatizar la extracción de información procesable de los datos de imagen, 4Quant permite a los usuarios identificar componentes y patrones clave que son más relevantes para sus necesidades experimentales específicas. Esto puede ser particularmente valioso en campos como la investigación científica, la medicina y las aplicaciones industriales, donde el análisis de datos visuales es crítico para la toma de decisiones.
Las soluciones de 4Quant también ofrecen personalización basada en los requisitos específicos del usuario para análisis más específicos. Este enfoque reduce el tiempo y el esfuerzo necesarios para analizar grandes conjuntos de datos 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 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 los tratamientos y servicios analizando la competencia, la demanda del mercado y los resultados de los pacientes.
Esto ayuda a los proveedores de atención sanitaria a fijar precios competitivos pero rentables, al tiempo que reduce la carga financiera de los pacientes y optimiza los márgenes operativos.
21. Investigación de mercado
La IA se puede utilizar para recopilar inteligencia competitiva sobre otros hospitales o proveedores de atención sanitaria. Estos datos permiten a los hospitales comparar sus servicios, identificar áreas de mejora y adaptarse a los cambios en el panorama del mercado sanitario.
Ejemplo real: MD Analytics
MD Analytics es una solución de investigación de marketing sanitario y farmacéutico. 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 cubren ensayos clínicos, evaluaciones 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 participación del cliente, evaluaciones de la fuerza de ventas, optimización multicanal y seguimiento de KPIs.40
22. Operaciones
Las tecnologías de automatización de procesos, como la automatización inteligente y el RPA, pueden gestionar operaciones sanitarias como la programación de citas, la facturación y la elaboración de informes. Al automatizar las tareas rutinarias, los proveedores de atención sanitaria pueden liberar al personal para que se centre en la atención al paciente, reduciendo al mismo tiempo los costes administrativos.
Ejemplo real: Comet
Comet es el sistema de inteligencia médica de Epic, diseñado para ayudar a los clínicos, pacientes y sistemas de salud a tomar decisiones mejores y basadas en datos, prediciendo los resultados probables en el recorrido sanitario de un paciente.
Entrenado con más de 100 mil millones de eventos médicos desidentificados en Epic Cosmos, modela secuencias ordenadas en el tiempo de diagnósticos, resultados de laboratorio, medicamentos y encuentros para simular escenarios futuros, incluyendo la progresión de la enfermedad, el riesgo de reingreso y la duración de la estancia hospitalaria.
Basado en principios similares a los modelos de lenguaje grandes, Comet genera trayectorias de salud plausibles y las resume en información procesable integrada en los flujos de trabajo clínicos. A diferencia de las herramientas tradicionales, cambia la planificación de la atención de un enfoque reactivo a uno anticipatorio, presentando una gama de posibles resultados y ayudando 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 marca un paso hacia una toma de decisiones sanitarias más personalizada, proactiva y segura.41
23. Detección de fraude
Las herramientas de IA pueden analizar patrones en 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 manera más eficiente para la atención al paciente.
Ejemplo real: Markovate
Un proveedor nacional de seguros de salud se enfrentaba a un aumento de las reclamaciones fraudulentas y las violaciones de datos, lo que provocaba pérdidas financieras y comprometía la privacidad de los pacientes.
Markovate42 implementó un sistema de detección de fraude basado en IA que analizaba los datos de las reclamaciones, señalaba comportamientos sospechosos y se integraba perfectamente con la infraestructura del proveedor, garantizando el cumplimiento de HIPAA y protegiendo los datos sensibles de los pacientes.
Los resultados son:
- Reducción del 30 % en reclamaciones fraudulentas en seis meses.
- Mejora del 25 % en la seguridad de los datos.
- Procesamiento de reclamaciones un 40 % más rápido, aumentando la eficiencia.
Hiperautomatización en la atención sanitaria
La hiperautomatización es un enfoque emergente para la transformación digital que implica automatizar tantos procesos de negocio como sea posible, al tiempo que se aumentan digitalmente aquellos que no pueden automatizarse por completo.
La hiperautomatización combina tecnologías de IA, RPA y visión artificial para la automatización de procesos de extremo a extremo en la atención sanitaria.
Estos son los casos de uso de la hiperautomatización en la atención sanitaria:
24. Procesamiento de seguros de salud
Al aprovechar los métodos de PNL y los modelos 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 atención sanitaria, las compañías de seguros de salud, las farmacias y otras entidades sanitarias deben cumplir con normativas como HIPAA en EE. UU. y GDPR 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.
- Se pueden utilizar modelos de IA/ML para predecir posibles fraudes sanitarios,
- La automatización de los procesos de auditoría interna puede ayudar a evaluar los riesgos y los controles internos de manera 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 atención sanitaria con ejemplos}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/healthcare-ai-use-cases}},
note = {AIMultiple. Recuperado el 6 de Agosto de 2026}
}Enlaces de referencia
El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.
A lo largo de su carrera, Cem se ha desempeñado como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.
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.