La aplicación de la IA en las decisiones clínicas: más voluntad y experiencias que no progresan, que realidades consolidadas
La inteligencia artificial aplicada a la salud avanza a gran velocidad., pero no está siendo un camino facil. Se multiplican los desarrollos, los pilotos y las experiencias de validación. Sin embargo, el paso desde una solución técnicamente prometedora hasta su incorporación estable a la práctica clínica sigue siendo difícil.
Muchos pilotos funcionan, pero pocos consiguen escalar e integrarse de forma sostenida en las organizaciones sanitarias.
La regulación constituye una barrera necesaria y exigente. Conseguir que una tecnología cumpla los requisitos regulatorios es complejo, pero superar esa barrera no garantiza por sí mismo que la solución esté alineada con la realidad en la que se toman las decisiones clínicas. Y esa realidad es especialmente compleja.
No existe una única “decisión clínica”. Conviven decisiones diagnósticas, terapéuticas, pronósticas, de seguimiento, derivación, priorización o prevención; decisiones rutinarias y no rutinarias; decisiones individuales y compartidas; decisiones tomadas con información suficiente y otras bajo incertidumbre, presión asistencial o información incompleta.
A ello se añade otra dificultad: la evidencia sobre la que deberían apoyarse esas decisiones tampoco es una realidad estática. Evoluciona, se actualiza y, en muchas ocasiones, debe interpretarse y trasladarse a pacientes y contextos que no reproducen exactamente las condiciones en las que esa evidencia fue generada.
Finalmente, la IA no se incorpora en un espacio vacío. Llega a procesos asistenciales que ya existen: la consulta de Atención Primaria, el circuito diagnóstico, la derivación entre niveles, la prescripción, el seguimiento de pacientes crónicos, la atención urgente, los comités clínicos o la planificación del alta, entre muchos otros. Procesos en los que ya existen tiempos, roles profesionales, sistemas de información, protocolos, puntos de decisión y formas concretas de trabajar.
Una tecnología diseñada al margen de esos procesos puede ser técnicamente excelente y, sin embargo, difícilmente incorporable a la práctica.
Esto nos lleva a algunas preguntas que debemos trabajar con los desarrolladores
- ¿Qué decisión clínica concreta pretende apoyar la tecnología? No basta con definir una especialidad, una patología o un caso de uso: necesitamos identificar la decisión sobre la que realmente va a actuar.
- ¿Cómo se toma hoy esa decisión en la práctica? Qué profesionales intervienen, en qué momento del proceso asistencial, con qué información y qué herramientas utilizan actualmente para decidir.
- ¿Qué evidencia sustenta esa decisión y cómo se incorpora? Qué guías, protocolos, escalas, modelos predictivos u otras fuentes se utilizan y cómo se contempla su actualización.
- ¿Dónde está hoy el problema? Variabilidad clínica, incertidumbre, dificultad de acceso a la evidencia, falta de tiempo, fragmentación de la información, diferencias entre profesionales o entre centros.
- ¿En qué punto del proceso asistencial debe intervenir la IA? No solo qué debe hacer la tecnología, sino cuándo, dónde y para quién debe hacerlo para que pueda formar parte del trabajo real.
- ¿Qué cambia cuando introducimos la IA? Qué información añade, qué decisión modifica o refuerza, qué tarea sustituye o complementa y qué nuevas interacciones genera para el profesional.
- ¿Cómo sabremos si realmente mejora la decisión? No limitar la evaluación al rendimiento técnico del modelo: analizar también su impacto sobre la variabilidad, la adecuación a la evidencia, el proceso asistencial y los resultados.
- ¿Qué tendría que ocurrir para que pueda pasar de un piloto a una implantación real y escalable? Identificar desde el principio las condiciones organizativas, clínicas, tecnológicas y de evaluación necesarias para que la solución pueda integrarse y mantenerse.
Evidencia científica en las decisiones clínicas
La evidencia científica en las decisiones clínicas se refiere a la utilización de datos comprobados y metodologías rigurosas para orientar la práctica médica, extendiéndose desde el uso de manuales hasta guías clínicas sustentadas en investigaciones sistemáticas.
En este contexto, la inteligencia artificial debería ser vista no solo como una herramienta tecnológica adicional, sino como un facilitador integral que potencia y expande las capacidades diagnósticas y terapéuticas del médico
Su desarrollo e implementación deberían ser procesos cuidadosos y deliberados, fomentando un cambio cultural que integre la inteligencia humana con capacidades computacionales avanzadas.
Idealmente, la inteligencia artificial debería complementar la intuición y experiencia médicas, interviniendo en aquellos casos —que constituyen aproximadamente el 30%— donde se requiere un análisis más profundo y preciso
Esto permitiría que la inteligencia artificial no solo apoye, sino que también enriquezca el juicio clínico mediante el ofrecimiento de perspectivas y análisis que van más allá de las limitaciones humanas, contribuyendo así a una práctica médica más efectiva y centrada en el paciente.o.
En colaboración con
Keyzell es una compañía de deeptech especializada en inteligencia artificial aplicada a la salud. Con un enfoque innovador, desarrolla soluciones de big data e IA para impulsar una medicina más personalizada, eficiente y sostenible
Keyzell aporta soluciones oncológicas avanzadas mediante IA de última generación: con O.P.S. (Oncology Precision System) personaliza tratamientos analizando datos clínicos y moleculares con un 89 % de precisión, y con O.D.S. (Oncology Diagnostic System) acelera diagnósticos gracias al deep learning, reduciendo tiempos hasta en un 60 %
