Sergio Gustavo Herrera, Jefe de Tecnología Médica en Galeno Argentina / Profesor de Bioinformática / Investigación en Radiología, UMAI / Líder de implementación PACS / RIS / LAS e Interoperabilidad HL7, IA
La inteligencia artificial ya forma parte de la práctica médica. Su incorporación no debería plantearse únicamente como una competencia entre el profesional y el algoritmo, sino como una transformación de la forma en que observamos, interpretamos y utilizamos la información clínica. El desafío es integrar sus capacidades sin perder aquello que caracteriza al acto médico: contexto, juicio, experiencia y responsabilidad.
De las reglas a las probabilidades
Durante décadas, la informática médica se apoyó fundamentalmente en sistemas determinísticos. Las computadoras ejecutaban reglas previamente definidas: ante una determinada condición se esperaba una respuesta concreta. La lógica booleana y los sistemas expertos constituyeron una expresión clara de ese paradigma, comparable en medicina con protocolos del tipo “SI… ENTONCES”.
La inteligencia artificial moderna introduce un cambio conceptual. En lugar de limitarse a decidir si una condición es verdadera o falsa, los modelos aprenden a estimar probabilidades a partir de grandes volúmenes de datos. Las redes neuronales artificiales, el machine learning y el deep learning permiten reconocer patrones, clasificar información y generar predicciones. En términos simples, pasamos de programar computadoras para seguir reglas a entrenar modelos para desenvolverse en escenarios de incertidumbre.
Este cambio resulta especialmente relevante en medicina, donde muchas decisiones no son binarias. Los hallazgos deben interpretarse dentro de un contexto clínico y suelen coexistir diferentes grados de certeza.
Distintas formas de IA para diferentes problemas médicos
La inteligencia artificial aplicada a la salud no constituye una única tecnología. Puede organizarse en diferentes áreas según el tipo de información que procesa y el problema que intenta resolver.
La primera que analizaremos es la IA aplicada a imágenes medicas, dentro del servicio de diagnóstico por imágenes trabaja con imágenes DICOM. Tiene aplicaciones en radiología convencional, mamografía, ecografía, resonancia magnética, tomografía computada, medicina nuclear patología digital, dermatología, oftalmología, endoscopía y cirugía asistida por visión. Puede colaborar en la detección y segmentación de lesiones, cuantificación de estructuras y reconstrucción o mejora de imágenes.
La IA del lenguaje, el segundo tipo que incluye el procesamiento del lenguaje natural (NLP) y los grandes modelos de lenguaje, trabaja con información textual o generada mediante voz. Entre sus aplicaciones se encuentran el dictado médico, los informes estructurados, el resumen de historias clínicas, la extracción de conceptos clínicos, la codificación mediante terminologías como SNOMED CT.
Una tercera área corresponde a la IA aplicada a datos. Los modelos predictivos pueden utilizar información de grandes bases de datos para estimar riesgos, apoyar decisiones clínicas, desarrollar modelos pronósticos y colaborar en la gestión hospitalaria, la optimización de agendas y la utilización de recursos.
A estas áreas se suman la IA generativa que es complementaria y capaz de producir texto, imágenes, audio, video o código, y los agentes de IA, orientados a coordinar tareas y consultar diferentes sistemas. En un entorno sanitario, un agente podría consultar la historia clínica electrónica, revisar información del RIS, localizar estudios en el PACS, generar información preliminar y comunicar resultados dentro de un flujo controlado.
Médico e inteligencia artificial: capacidades diferentes
En diagnóstico por imágenes puede observarse con claridad la complementariedad entre el razonamiento médico y el procesamiento algorítmico. El proceso del médico puede simplificarse en tres etapas: detección, caracterización y diagnóstico.
Primero identifica una anomalía; luego describe sus características —localización, bordes, densidad, señal, comportamiento frente al contraste u otros parámetros— y finalmente integra esos hallazgos con los antecedentes y el contexto clínico para formular un juicio diagnóstico.
La inteligencia artificial puede recorrer un proceso aparentemente similar, aunque matemáticamente diferente. Detecta regiones de interés, transforma una imagen en un conjunto de características numéricas y calcula probabilidades asociadas a determinadas categorías. Una imagen médica digital puede ser representada como valores numéricos; a partir de ellos el algoritmo analiza patrones, texturas, contrastes, formas y relaciones que pueden resultar difíciles de cuantificar visualmente.
Las fortalezas tampoco son idénticas. El médico aporta contexto, juicio clínico, empatía, comprensión fisiopatológica, manejo de la ambigüedad e integración de información no estructurada. La IA aporta velocidad, consistencia, capacidad de cuantificación y análisis masivo de datos, además de reconocer determinados patrones sutiles y reducir la variabilidad asociada a tareas perceptivas repetitivas.
Por ello, no resulta apropiado entender ambas capacidades como equivalentes. Son diferentes y, precisamente por eso, pueden complementarse.
El rol cambiante del médico
La incorporación de estas herramientas modifica progresivamente el papel del profesional medico. En un modelo tradicional, una parte importante del trabajo en diagnóstico por imágenes está orientada a buscar anomalías visuales dentro de un volumen creciente de estudios y a describir los hallazgos encontrados.
Con herramientas de IA, el médico puede evolucionar hacia un rol de mayor validación e integración. Un algoritmo puede identificar o cuantificar un hallazgo, pero corresponde al profesional determinar su relevancia, relacionarlo con la clínica, reconocer limitaciones y decidir cómo debe incorporarse al proceso diagnóstico.
Esto abre un espacio al valor profesional medico desde la detección aislada hacia la integración de información con el aporte de la IA. El médico del futuro tendrá que relacionar imágenes con antecedentes clínicos y, cuando corresponda, con datos de laboratorio, información molecular, genómica o radiómica. La tecnología no elimina la necesidad de conocimiento médico; aumenta la necesidad de interpretar correctamente información cada vez más compleja.
De los datos a la información clínica
Otro campo de enorme importancia es el procesamiento del lenguaje médico. Historias clínicas, informes, notas de evolución, dictados por voz, interconsultas y resultados de laboratorio contienen una gran cantidad de conocimiento, pero una parte significativa se encuentra en formato no estructurado y aquí hay un desafío a superar.
Mediante NLP es posible analizar esos textos, reconocer el contexto, extraer conceptos clínicos y transformarlos en información estructurada. Un informe radiológico, por ejemplo, debe atravesar un proceso de validación y anonimización, normalización del texto, extracción de conceptos, codificación mediante SNOMED CT y posterior validación clínica. El resultado deja de ser únicamente un documento destinado a ser leído y puede convertirse también en información utilizable por bases clínicas, tableros de gestión, APIs o herramientas de investigación.
Surge entonces el concepto de “atomización” de la información que es particularmente relevante. Un diagnóstico, un hallazgo anatómico, una localización o una característica de una lesión pueden convertirse en elementos individuales, normalizados y reutilizables. Esto abre posibilidades para investigación, seguimiento longitudinal, indicadores de calidad y desarrollo de nuevos modelos predictivos.
Interoperabilidad y calidad de los datos
Para que este ecosistema sea posible, la inteligencia artificial no puede considerarse de manera aislada. Debe integrarse con los sistemas de información existentes y con estándares que permitan intercambiar información. HL7, FHIR, DICOM, DICOM SR, APIs, SNOMED CT y otras terminologías constituyen componentes fundamentales de esa arquitectura.
Sin embargo, disponer de algoritmos avanzados no resuelve por sí mismo los problemas de información. La normalización de los datos, la estandarización terminológica, la homogeneización, la depuración de informes, la estructuración, la anonimización, el etiquetado, el control de calidad y la gobernanza son condiciones indispensables.
En proyectos reales, una parte sustancial del esfuerzo no está en el algoritmo, sino en preparar los datos seguros, confiables y consistentes, garantizando su calidad y representatividad respecto de la población en la que serán utilizados, incluyendo variantes relevantes como rango etario, sexo, características clínicas y contexto asistencial. Un modelo sofisticado entrenado o alimentado con información incompleta, heterogénea o incorrectamente identificada puede producir resultados poco confiables. La calidad de la inteligencia artificial depende, en gran medida, de la calidad de los datos que recibe, su origen.
¿Aliado o competencia?
Para leer el análisis completo, te invitamos a descargar el Insight gratuitamente aquí: https://saludenlinea.press/insights-01-inteligencia-artificial-en-salud-2026/
