LA IA EN LA SALUD

Inteligencia Artificial
Una aliada en el diagnóstico de enfermedades y el desarrollo de medicamentos.

La Inteligencia Artificial (IA) dejó de ser un tema exclusivo de la ciencia ficción para convertirse en una herramienta real que ya está transformando la medicina. Gracias a su capacidad de analizar enormes cantidades de información en muy poco tiempo, la IA está ayudando tanto en el diagnóstico de enfermedades como en el descubrimiento y desarrollo de nuevos medicamentos.

IA en el diagnóstico de enfermedades

La IA, particularmente el aprendizaje profundo (deep learning), ha demostrado un rendimiento excepcional en el análisis de imágenes médicas (radiología, patología, dermatología) y en la interpretación de datos complejos como los genómicos.

Tradicionalmente, los médicos diagnostican a partir de su experiencia, estudios clínicos, análisis de laboratorio e imágenes como radiografías o resonancias. Sin embargo, estos datos suelen ser complejos y extensos. Aquí entra en juego la IA:

• Radiología e Imagenología:Los algoritmos de IA pueden detectar anomalías en imágenes como tomografías computarizadas (TC), resonancias magnéticas (RM) y radiografías de tórax con una precisión que rivaliza, y en algunos casos supera, la de radiólogos humanos.
  • Cáncer de Mama:Un estudio seminal publicado en Nature demostró que un modelo de IA podía reducir tanto los falsos positivos como los falsos negativos en la detección de cáncer de mama a partir de mamografías.
  • Neurología:La IA se utiliza para identificar signos tempranos de enfermedades como el Alzheimer analizando escáneres cerebrales y detectando patrones de atrofia cerebral imperceptibles para el ojo humano. También es crucial para el diagnóstico rápido de accidentes cerebrovasculares en TC.
• Oftalmología:Los sistemas de IA para diagnosticar la retinopatía diabética y el edema macular a partir de imágenes de fondo de ojo han recibido aprobación regulatoria (como el dispositivo IDx-DR de la FDA) y se están implementando en clínicas.
• Patología:El análisis de imágenes de patología (biopsias) asistido por IA permite cuantificar características tumorales, identificar patrones celulares específicos y predecir mutaciones genéticas a partir de una simple muestra de tejido, algo conocido como «patología digital».
• Dermatología:Las aplicaciones que utilizan el reconocimiento de imágenes desde un smartphone pueden ayudar a los usuarios a evaluar lunares y lesiones cutáneas para detectar posibles melanomas, aunque su uso está recomendado como herramienta de apoyo y no de diagnóstico definitivo.

La IA no reemplaza al profesional de la salud, sino que funciona como un apoyo que le permite tomar decisiones más rápidas y precisas.

IA en el desarrollo de medicamentos

2. Desarrollo de Medicamentos

El proceso de descubrimiento y desarrollo de fármacos es tradicionalmente largo (más de 10 años) y extremadamente costoso (miles de millones de dólares por fármaco). La IA está optimizando cada etapa de este pipeline.

Aplicaciones Clave:

• Descubrimiento de Diana Terapéutica: La IA analiza vastos conjuntos de datos biomédicos (genómicos, proteómicos, literatura científica) para identificar nuevas dianas proteicas o genéticas implicadas en una enfermedad, contra las cuales puede actuar un futuro fármaco.
• Diseño de Fármacos In Silico: En lugar de depender únicamente del screening aleatorio de miles de compuestos, la IA utiliza:
  • Generative AI: Para diseñar moléculas novedosas con la estructura 3D y las propiedades deseadas desde cero (de nuevo).
  • Virtual Screening: Para cribar rápidamente millones de compuestos virtuales en bases de datos y predecir cuáles tienen mayor probabilidad de unirse eficazmente a la diana.
• Optimización de Ensayos Clínicos: La IA mejora la eficiencia de los ensayos clínicos, la fase más costosa del desarrollo.
  • Selección de Pacientes: Identifica a los candidatos ideales para un ensayo basándose en sus historiales médicos electrónicos y datos genómicos, asegurando una cohorte más homogénea y representativa.
  • Diseño de Protocolos: Ayuda a diseñar mejores protocolos y a seleccionar los puntos finales del estudio (endpoints).
  • Predicción de Resultados: Puede predecir potenciales efectos adversos o la probabilidad de éxito de un candidato a fármaco.
• Medicina de Precisión: La IA ayuda a identificar qué subgrupos de pacientes responderán mejor a un tratamiento específico, basándose en su perfil genético y molecular, lo que permite desarrollar terapias más dirigidas y efectivas.

Beneficios:

• Reducción de Tiempo y Costo: Acelera las fases preclínicas de años a meses.
• Mayor Tasa de Éxito: Reduce el fracaso en fases tardías al predecir mejor la eficacia y toxicidad.
• Descubrimiento de Fármacos Innovadores: Permite abordar dianas previamente “no farmacologizables”.

Mirando al futuro

A pesar del enorme potencial, la integración de la IA en la salud enfrenta importantes retos:

1. Calidad y Sesgo de los Datos: Los algoritmos se entrenan con datos históricos. Si estos datos son de baja calidad o contienen sesgos (p. ej., subrepresentación de ciertas etnias o géneros), el modelo perpetuará y amplificará estos sesgos, a diagnósticos inequitativos.
2. Interpretabilidad («Caja Negra»): Muchos modelos de deep learning son complejos y no explican cómo llegaron a una conclusión. En medicina, donde las decisiones son vitales, se necesita IA explicable (XAI) para que los médicos confíen y comprendan las recomendaciones.
3. Regulación y Validación Clínica: Las agencias reguladoras (como la FDA y la EMA) están desarrollando marcos para evaluar la seguridad y eficacia de los algoritmos de “Software como Dispositivo Médico (SaMD)”. Se necesitan ensayos clínicos rigurosos para demostrar su valor real en la práctica.
4. Privacidad y Seguridad: El uso de datos de pacientes sensibles requiere cumplir estrictas normativas (como el GDPR en Europa) y garantizar la ciberseguridad.
5. Integración en el Flujo de Trabajo Clínico: La tecnología debe integrarse sin problemas en los sistemas existentes (historiales electrónicos) y ser adoptada por los profesionales de la salud, lo que requiere formación y un cambio cultural.

Conclusión

La IA ya no es una promesa futura, sino una realidad presente que está redefiniendo la medicina. En el diagnóstico, actúa como un augmento de las capacidades humanas, aumentando la precisión y la eficiencia. En el desarrollo de medicamentos, está revolucionando un modelo tradicionalmente lento y arriesgado, abriendo la puerta a terapias más personalizadas y efectivas.

El camino por seguir requiere una colaboración multidisciplinaria entre informáticos, médicos, reguladores y especialistas en ética profesional para superar los desafíos técnicos y éticos, asegurando que estas poderosas herramientas se implementen de manera responsable, equitativa y centrada en el paciente, maximizando así su beneficio para la sociedad global.

JACA, Santander, agosto 2025

Referencias:

Referencias Documentadas – Diagnóstico:

1. McKinney, S. M., et al. (2020). “International evaluation of an AI system for breast cancer screening” – Nature, 577(7788), 89–94. https://doi.org/10.1038/s41586-019-1799-6 (Estudio de referencia sobre mamografía).
2. Esteva, A., et al. (2017). “Dermatologist-level classification of skin cancer with deep neural networks”. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056 (Estudio pionero en dermatología).
3. S. Food and Drug Administration (FDA). (2018). “FDA permits marketing of artificial intelligence-based device to detect certain diabetes-related eye problems”. https://www.fda.gov/news-events/press-announcements/fda-permits-marketing-artificial-intelligence-based-device-detect-certain-diabetes-related-eye (Aprobación regulatoria).
4. Topol, E. J. (2019). “High-performance medicine: the convergence of human and artificial intelligence”. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7 (Revisión exhaustiva del impacto de la IA en medicina).

Referencias Documentadas – Desarrollo de Fármacos:

1. Vamathevan, J., et al. (2019). “Applications of machine learning in drug discovery and development”. Nature Reviews Drug Discovery, 18(6), 463–477. https://doi.org/10.1038/s41573-019-0024-5(Revisión clave sobre el papel del machine learning en el pipeline farmacéutico).
2. Zhavoronkov, A., et al. (2019). “Deep learning enables rapid identification of potent DDR1 kinase inhibitors”. Nature Biotechnology, 37(9), 1038–1040. https://doi.org/10.1038/s41587-019-0224-x(Ejemplo seminal del uso de IA generativa para diseñar un fármaco en solo 21 días).
3. Paul, D., et al. (2021). “Artificial intelligence in drug discovery and development.” Drug Discovery Today, 26(1), 80–93. https://doi.org/10.1016/j.drudis.2020.10.010(Revisión actualizada de las aplicaciones y el futuro de la IA en este campo).