El formulario se ha enviado correctamente.
Encontrará más información en su buzón.
ContrátanosSeleccionar idioma
ConócenosServiciosTecnologíasCartera
Muchas de las ponencias principales de la conferencia IT sobre asistencia sanitaria siguen ya el mismo patrón. Alguien empieza con una diapositiva en la que aparece un robot de aspecto simpático con una bata blanca y, cuarenta minutos después, termina respondiendo a una pregunta nerviosa sobre si el software va a quitarles el trabajo a los asistentes. En algún momento entre la diapositiva del robot y esa pregunta, se pasa por alto la parte realmente útil de la charla, y rara vez tiene que ver con los robots.
La IA aplicada a las imágenes médicas, tal y como se comercializa y se utiliza en la práctica, es mucho menos espectacular y mucho más interesante. Se trata de un software que analiza una tomografía computarizada torácica antes de que el radiólogo abra el archivo y señala los tres estudios, de entre doscientos, que deben revisarse en primer lugar. Es un modelo que mide un tumor siempre de la misma forma, en lugar de hacerlo como lo haría un residente cansado a las 18:00 horas de un viernes. Nada de esto sale en los titulares. Pero todo ello transforma la jornada laboral de un departamento.
Este es un guía práctica sobre en qué ámbitos la inteligencia artificial en el campo de las imágenes médicas está funcionando de verdad, en cuáles todavía tropieza con sus propios obstáculos y qué se necesita para incorporarla a un hospital o centro de diagnóstico por imagen sin causar ningún problema importante por el camino.
En su forma más sencilla, el diagnóstico por imagen basado en la inteligencia artificial consiste en entrenar un software —principalmente modelos de aprendizaje profundo basados en redes neuronales convolucionales o en arquitecturas «transformer» más recientes— para que reconozca patrones en las imágenes de la misma forma que lo hace un radiólogo con experiencia. Si se alimenta a un modelo con suficientes radiografías de tórax etiquetadas que muestren neumonía, este empieza a detectar los mismos indicios visuales que detecta un radiólogo, solo que más rápido y sin necesidad de tomarse un descanso para tomar café.
El alcance ha ido mucho más allá de la simple detección de un único tumor. Las herramientas actuales abarcan prácticamente todas las fases del proceso de obtención de imágenes: adquisición, reconstrucción, interpretación, elaboración de informes y, cada vez más, predicción de la progresión de la enfermedad y de los resultados de los pacientes. Parte de este proceso se lleva a cabo como machine learning integrado directamente en el escáner. Parte de él se ejecuta como una capa independiente que lee el archivo DICOM una vez finalizada la exploración.
Las autoridades reguladoras se percataron de este cambio años antes que la mayoría de las organizaciones sanitarias. A finales de 2025, la radiología representaba aproximadamente 76% de cada dispositivo médico con inteligencia artificial aprobados por la FDA en los últimos 30 años, más que todas las demás especialidades clínicas juntas. El diagnóstico por imagen es el ámbito en el que los datos son más abundantes, los patrones son lo suficientemente visuales como para que una red neuronal aprenda bien y los beneficios clínicos son más evidentes, por lo que también es donde la IA ha tomado la delantera.
La IA realiza diversas tareas en función de su ubicación en el flujo de trabajo. A continuación te explicamos cómo se utiliza la IA en el ámbito de las imágenes médicas, una vez que se deja de lado la retórica comercial.
Esta es la aplicación que a todo el mundo se le viene a la mente en primer lugar. Un modelo analiza una imagen y señala cualquier cosa que parezca que no debería estar ahí: un nódulo, una fractura, una hemorragia, una masa sospechosa, etc. Es lógico que el resultado no sea un diagnóstico. Se trata simplemente de un segundo par de ojos que nunca se cansa ni se distrae, que es exactamente lo que un visión artificial es en lo que destaca el modelo, y precisamente en lo que no destaca un ser humano que está interpretando su radiografía de tórax número doscientos de ese turno.
La segmentación traza el contorno, marcando exactamente dónde se encuentra un tumor, un órgano o un vaso en la imagen. Puede parecer poco atractivo hasta que uno se da cuenta de hasta qué punto la radiología depende de que las mediciones sean coherentes a lo largo del tiempo. Un modelo que segmente la misma lesión de forma coherente en todas las exploraciones de seguimiento elimina una cantidad sorprendente de conjeturas del seguimiento del tratamiento.
No todas las exploraciones tienen la misma urgencia, pero las listas de trabajo del PACS (sistema de archivo y comunicación de imágenes) las han tratado tradicionalmente de esa manera: por orden de llegada. Los modelos de triaje analizan los estudios entrantes y sitúan en la parte superior de la cola cualquier caso que muestre signos de ictus, embolia pulmonar o hemorragia intracraneal, a veces a los pocos minutos de su adquisición. La decisión final sigue correspondiendo al radiólogo. Simplemente, la toman antes.
La IA también procesa la propia imagen antes incluso de que un ser humano la examine, eliminando el ruido de las tomografías computarizadas de baja dosis, mejorando la nitidez de las imágenes de resonancia magnética captadas en menos tiempo del que requiere un protocolo estándar o rellenando los huecos provocados por los artefactos de movimiento. Las ventajas son reales: dosis de radiación más bajas, tiempos de exploración más cortos e imágenes más fáciles de interpretar.
Esta nueva tendencia combina las imágenes médicas con otros tipos de datos, resultados de laboratorio, genómica y notas clínicas para predecir cómo es probable que evolucione una enfermedad, en lugar de limitarse a describir lo que se observa en la actualidad. Se encuentra en una fase inicial, es prometedora y es la dirección hacia la que se destina actualmente gran parte de la financiación destinada a la investigación seria.
Las aplicaciones son una forma de abordar este tema, pero el ámbito clínico es otra. Y probablemente sea este último el que más importe a quien tenga que aprobar el presupuesto. A continuación se presentan algunos ejemplos concretos de IA en el campo de las imágenes médicas, clasificados por especialidad.
El diagnóstico por imagen oncológico cuenta con una de las trayectorias más sólidas en el ámbito de la inteligencia artificial, sobre todo porque las pruebas de detección del cáncer de mama, de pulmón y de próstata generan conjuntos de datos enormes y bien etiquetados. En uno de los ensayos en el mundo real de mayor envergadura realizados hasta la fecha, los radiólogos que utilizaron la doble lectura asistida por IA en las mamografías de cribado detectó 17,61 TP180T más casos de cáncer que los radiólogos que no lo utilizan, en un estudio realizado con más de 460 000 mujeres sometidas a cribado en 12 centros de Alemania.
La atención en casos de ictus se mide en minutos, y las herramientas de triaje basadas en IA diseñadas para la TC y la RM ahora detectan con la rapidez suficiente las posibles oclusiones de grandes vasos y las hemorragias intracraneales, lo que permite acortar el tiempo transcurrido entre la exploración y la decisión terapéutica. La misma tecnología subyacente también realiza un seguimiento de los cambios en la sustancia blanca a lo largo del tiempo en enfermedades como la esclerosis múltiple, lo que antes requería una minuciosa comparación manual entre las pruebas de imagen.
La resonancia magnética cardíaca y la tomografía computarizada generan datos densos y con mucho movimiento que resultan realmente difíciles de evaluar de forma sistemática para un ser humano. Las herramientas de inteligencia artificial se encargan ahora de los cálculos del volumen de las cavidades cardíacas, la puntuación de calcio y el análisis de las arterias coronarias con un nivel de repetibilidad que las mediciones manuales rara vez alcanzan, ya que dos cardiólogos que midan el mismo corazón a mano no siempre obtendrán exactamente la misma cifra.
La detección de fracturas en radiografías, especialmente aquellas sutiles que pasan fácilmente desapercibidas en un servicio de urgencias con mucho volumen de pacientes, es uno de los éxitos menos sonados de la inteligencia artificial. La evaluación de la edad ósea y la clasificación de la osteoartritis han seguido el mismo patrón: tareas que siempre habían sido en cierta medida subjetivas cuentan ahora con una segunda opinión fiable.
Las ventajas de la inteligencia artificial en el ámbito de las imágenes médicas se perciben de forma diferente según quién las plantee, por lo que conviene analizarlas por públicos en lugar de dar por sentado que todo el mundo busca lo mismo.
Nada de lo anterior ocurre de forma automática, y fingir lo contrario es lo que hace que los pilotos de IA acaben olvidados en algún cajón. Esto es lo que suele interponerse en el camino.
La calidad de un modelo depende de las etiquetas con las que se ha entrenado, y la anotación de imágenes médicas es un proceso lento, costoso y que requiere conocimientos clínicos reales. La falta de coherencia en el etiquetado entre instituciones es una de las razones más comunes por las que un modelo funciona a la perfección en las pruebas, pero da resultados decepcionantes en la puesta en producción.
Los modelos entrenados principalmente con una población, una marca de escáner o los protocolos de diagnóstico por imagen de un solo hospital suelen ofrecer un rendimiento inferior en cualquier otro contexto. Un modelo que ha aprendido los patrones de densidad mamaria de un grupo demográfico concreto no se adapta automáticamente a otro diferente.
Cada umbral supone un compromiso. Si se ajusta con demasiada sensibilidad, los radiólogos se ven desbordados por las falsas alarmas, lo que genera precisamente esa fatiga por alertas que la herramienta se suponía que debía evitar. Si se inclina demasiado hacia la especificidad, empieza a pasar por alto hallazgos reales. No existe ningún ajuste que elimine este compromiso, solo ajustes que se adapten mejor o peor a un contexto clínico concreto.
Un modelo que dice “cáncer, confianza 87%” sin explicar por qué resulta difícil de aceptar para un radiólogo, que es el responsable legal y profesional de la decisión final. Las herramientas que resaltan los píxeles concretos en los que se basa una predicción se ganan la confianza más rápidamente que las que no lo hacen, sobre todo porque permiten al médico verificar la validez de un diagnóstico de imagen médica realizado por IA.
Las imágenes médicas contienen información sanitaria protegida, y los flujos de trabajo de IA que transfieren esos datos entre escáneres, sistemas de almacenamiento, inferencia en la nube y sistemas de generación de informes multiplican los puntos en los que puede producirse un fallo. El cifrado tanto en tránsito como en reposo, los controles de acceso estrictos y los registros de auditoría son los elementos que evitan que una filtración se convierta en un desastre normativo.
¿Quién es responsable cuando una lectura asistida por IA pasa algo por alto? Los marcos normativos aún están tratando de dar respuesta a esa cuestión, y la autorización de un organismo como la FDA abarca el rendimiento del software, pero no la estructura de responsabilidad jurídica y clínica en torno a su uso.
Un modelo validado con los modelos de escáneres y la composición de pacientes del año pasado puede deteriorarse de forma imperceptible a medida que cambian los equipos, los protocolos y las poblaciones, un problema conocido como «deriva». Sin un seguimiento continuo del rendimiento, ese deterioro pasa desapercibido hasta que alguien se da cuenta de que el modelo lleva meses dando resultados erróneos. Esto es precisamente el tipo de cosa que un modelo sólido Prácticas de MLOps están diseñadas para detectar el problema antes de que se convierta en un problema clínico.
Conseguir que un modelo funcione en un artículo de investigación y lograr que funcione en un departamento de radiología real son dos proyectos muy diferentes. Así es como se presenta el segundo.
Toda implementación exitosa comienza de forma limitada: una modalidad, una afección, una pregunta clínica claramente definida. “La IA para la radiología” no es un caso de uso. “Detectar posibles embolias pulmonares en una TC torácica en los cinco minutos siguientes a la adquisición de la imagen” sí lo es.
Aquí es donde se esconde la mayor parte del trabajo real: limpiar, anonimizar y anotar los datos de imágenes para que cumplan un estándar a partir del cual el modelo pueda aprender. El siguiente reto consiste en asegurarse de que los datos reflejen la población de pacientes y los equipos en los que el modelo se ejecutará finalmente.
¿Un modelo estándar, un modelo base ajustado o uno totalmente personalizado? La respuesta correcta depende de lo habitual que sea la tarea clínica y de en qué medida tu población de pacientes difiera de aquella con la que se entrenaron los modelos existentes. Volveremos sobre este tema en la siguiente sección.
Un modelo que no pueda recibir estudios del PACS, enviar los resultados al RIS ni mostrarlos en la historia clínica electrónica que ya utiliza el profesional sanitario no es una herramienta clínica, sino un proyecto de investigación con buenas intenciones. Integración de los sistemas de historias clínicas electrónicas (EHR) y de registros médicos electrónicos (EMR) Este trabajo no tiene nada de glamuroso, pero es absolutamente imprescindible, porque nadie quiere abrir una tercera aplicación solo para ver qué ha encontrado la IA.
La interfaz es casi tan importante como el modelo en el que se basa. Los resultados de la IA deben aparecer en las herramientas que los radiólogos ya utilizan y presentarse en un formato que se adapte a su flujo de trabajo clínico, con opciones sencillas para aceptar, rechazar o anular las sugerencias de la IA.
Sin duda, la puesta en marcha no es la meta final. La supervisión continua comprueba la precisión comparándola con los resultados reales, vigila si se producen desviaciones y detecta el momento en que una actualización del firmware del escáner modifica sutilmente las imágenes que capta el modelo.
Tarde o temprano, todo proyecto de tecnología de imagen médica basada en IA llega a la misma encrucijada, y alguien en la sala pronuncia la palabra “hoja de ruta” con más seguridad de la que la situación merece. Podéis desarrollarlo vosotros mismos, comprar algo que ya exista o contratar a gente que ya haya cometido los costosos errores con el presupuesto de otra empresa. Ninguna de estas tres opciones es correcta en abstracto. Una de ellas es la adecuada para vuestro equipo, vuestro plazo de entrega y el nivel de riesgo que vuestro departamento jurídico puede asumir antes de la hora de comer.
| Acérquese a | Rapidez de implementación | Coste inicial | Personalización clínica | Mantenimiento a largo plazo |
|---|---|---|---|---|
| Fabricar internamente | Lento: de meses a años | Alto; requiere un equipo especializado en aprendizaje automático | Muy alta | Depende totalmente de tu equipo |
| Comprar productos ya fabricados | Rápido: semanas | Menores costes iniciales y cuotas de licencia periódicas | Limitado a lo que admite el proveedor | A cargo del proveedor |
| Colabora con un equipo de desarrollo | Moderado: de unas semanas a unos meses, un año | Moderado, limitado al ámbito del proyecto | Alta | Traspasado o cedido tras la estabilización |
Por desgracia, las buenas intenciones no superan una auditoría de seguridad. Antes de que un proceso de procesamiento de imágenes médicas basado en IA y aprendizaje automático llegue siquiera a acercarse a un paciente real, ya debe haber una infraestructura bastante poco llamativa detrás, que funcione discretamente para que nadie tenga que preocuparse por ella.
Este es, a grandes rasgos, el proceso que seguimos con nuestros clientes, elaborado a partir de proyectos en los que las soluciones de imagen basadas en IA superaron la fase piloto y pasaron a formar parte de un martes cualquiera.
Hay una serie de líneas de investigación que aparecen con tanta frecuencia en los estudios serios y en las hojas de ruta de los productos que merece la pena seguirlas de cerca, en lugar de archivarlas como meras presentaciones de los proveedores. Este es, a grandes rasgos, el ámbito en el que la inteligencia artificial está transformando el diagnóstico por imagen una vez que los equipos superan las limitaciones de las herramientas actuales.
Nuestro trabajo aquí abarca todo el proceso de imágenes médicas con inteligencia artificial, de principio a fin. Por un lado, visión artificial modelos entrenados con datos clínicos reales de imágenes. En el lado menos glamuroso, el trabajo de integración de PACS, RIS y EHR, que determina si todo esto llega a utilizarse. El cumplimiento de la HIPAA, el RGPD y el MDR no se añade como un elemento secundario al final. Forman parte del desarrollo desde el primer sprint, y nuestra certificación ISO 13485 cubre exactamente el tipo de software para dispositivos médicos al que esto se refiere. Nuestros casos prácticos en el ámbito sanitario ofrecen una visión más fiel de cómo se ha aplicado esto en la práctica que cualquier resumen que pudiera ofrecer aquí.
La IA no podrá hacer frente a una integración PACS defectuosa, ni tampoco va a quedarse de brazos cruzados a la espera de una perfecta. En algún punto entre el programa piloto y la caótica realidad del hospital IT, los departamentos de radiología ya interpretan las imágenes de forma diferente a como lo hacían hace cinco años. Que ese cambio se perciba como revolucionario o simplemente como algo discretamente útil tiene menos que ver con el algoritmo que con quién estuvo dispuesto a realizar primero el trabajo de integración, que a menudo se pasa por alto.
Un poco de todo, la verdad: detección de anomalías, segmentación y medición de imágenes, clasificación de listas de trabajo, reconstrucción de imágenes, elaboración de informes estructurados y análisis predictivo, todo ello en modalidades como rayos X, TAC, resonancia magnética y ecografía.
Radiografías, tomografías computarizadas, resonancias magnéticas, ecografías, mamografías, tomografías por emisión de positrones (PET) y, cada vez más, imágenes patológicas de preparaciones completas. Las radiografías y las tomografías computarizadas siguen siendo las técnicas con una trayectoria más larga y consolidada.
En la mayoría de los casos, sí. Las herramientas clínicas de IA suelen estar diseñadas para integrarse en los sistemas PACS y RIS existentes a través de estándares como DICOM, DICOMweb, HL7 V2 y FHIR, aunque el grado de integración real sigue dependiendo en gran medida del proveedor.
Eso depende en gran medida de la tarea en cuestión y del rigor con el que se haya validado el modelo, por lo que conviene tomar con cierta cautela cualquier cifra de precisión aislada. Las herramientas bien validadas en ámbitos como el cribado mamográfico han demostrado mejoras reales en las tasas de detección en comparación con la interpretación sin ayuda, junto con compensaciones reales en las tasas de falsos positivos que conviene sopesar.
No hay una cifra mágica en este caso. Depende de la complejidad de la tarea clínica, pero los modelos de imagen validados y autorizados por la FDA han utilizado tradicionalmente entre unos pocos cientos y varios miles de casos de pacientes para su validación clínica.
En EE. UU., principalmente la autorización de la FDA a través de vías como la 510(k), De Novo o PMA, además de la HIPAA en materia de protección de datos. En la UE, se trata del Reglamento sobre productos sanitarios (MDR), el RGPD y la Ley de IA de la UE.
La respuesta breve es no. Las herramientas actuales están homologadas como ayudas de lectura complementarias o de apoyo, no como lectores autónomos, por lo que la decisión clínica final sigue recayendo en un radiólogo, no en un modelo.
Sinceramente, varía demasiado como para dar una cifra concreta. Comprar una solución ya preparada, desarrollar una a medida o asociarse con un equipo de desarrollo son opciones muy diferentes entre sí, al igual que la complejidad de la integración y el número de sitios web implicados. Una consulta con un alcance definido te dará una cifra real mucho más rápido que las conjeturas.
Consultor de atención sanitaria IT
Aleh tiende puentes entre las necesidades clínicas y la ejecución de ingeniería. Aplica un profundo conocimiento del sector para garantizar que los sistemas MedTech no solo cumplan las normas, sino que sean lo suficientemente fiables como para tener un impacto medible en la atención sanitaria real.
