14/09/2026.- Durante siglos, la medicina ha actuado, sobre todo, cuando la enfermedad ya había comenzado a dar señales. El auge de la Inteligencia Artificial abre ahora la posibilidad de reconocer riesgos antes, orientar intervenciones preventivas y acompañar mejor a cada persona.

En esta entrevista a José Ignacio Nieto, ex-Consejero de Sanidad y Servicios Sociales del Gobierno de La Rioja y miembro del Comité Científico de la Fundación Economía y Salud, abordamos las distintas caras de la IA en salud digital y, especialmente, el potencial de la IA predictiva para pasar de la reacción a la anticipación.

 

Para empezar, ¿qué entendemos realmente por inteligencia artificial?

La inteligencia artificial, o IA, es un conjunto de métodos informáticos capaces de analizar información, identificar patrones y realizar tareas que normalmente asociamos con capacidades humanas, como clasificar, interpretar lenguaje, reconocer imágenes, recomendar una acción o estimar qué puede ocurrir. No es una única tecnología ni una máquina que “piensa” como una persona.

Es una familia de herramientas con funciones distintas. Su valor depende de la tarea para la que se diseña, de la calidad de los datos y de la forma en que se integra en una decisión humana.

En salud, esta precisión conceptual es importante: no es lo mismo resumir una historia clínica que detectar una lesión en una imagen o calcular el riesgo de una complicación futura.

 

Se habla de muchas clases de IA. ¿Cuáles son sus principales “caras” en la salud digital?

Podemos distinguir varias clases, pero las principales son:

• La IA descriptiva ayuda a ordenar y explicar lo que ya ha sucedido; por ejemplo, identifica tendencias en la actividad asistencial.
• La IA diagnóstica o de reconocimiento analiza imágenes, señales y datos clínicos para apoyar la detección de anomalías.
• La IA predictiva estima la probabilidad de un evento futuro. La IA prescriptiva compara opciones y puede sugerir qué intervención sería más conveniente bajo determinadas condiciones.
• La IA generativa produce texto, imágenes o resúmenes, y los sistemas conversacionales facilitan el acceso a información y orientación.

También existen la robótica, la automatización administrativa y herramientas de apoyo basadas en reglas. Pueden complementarse, pero no deben confundirse: cada una responde a una necesidad y exige controles específicos.

 

La utilidad más transformadora de la IA predictiva aplicada a la prevención quizás sea ayudarnos a actuar antes de que la enfermedad se manifieste o se complique. Integra datos dispersos y convierte señales débiles en una estimación de riesgo que el profesional puede valorar junto con la persona.

 

¿Qué utilidades concretas puede aportar esa variedad de tecnologías?

En salud digital, la IA puede ayudar a interpretar pruebas, resumir documentación extensa, mejorar la continuidad asistencial, personalizar educación sanitaria, vigilar parámetros a distancia, optimizar citas y recursos o detectar cambios relevantes en grandes poblaciones. Sin embargo, su utilidad más transformadora quizá sea ayudarnos a actuar antes de que la enfermedad se manifieste o se complique. Ahí entra la IA predictiva: integra datos dispersos y convierte señales débiles en una estimación de riesgo que el profesional puede valorar junto con la persona. La tecnología no es el fin; el fin es prevenir daño, ganar tiempo y orientar mejor los recursos disponibles.

 

Entonces, ¿qué es exactamente la inteligencia artificial predictiva aplicada a la salud?

Es el conjunto de algoritmos que utiliza datos históricos y actuales para estimar la probabilidad de que ocurra un acontecimiento clínico. Puede calcular, por ejemplo, el riesgo de desarrollar diabetes, sufrir un evento cardiovascular, presentar una descompensación, reingresar tras un alta o padecer una caída.

La palabra clave es probabilidad. El sistema no adivina ni ofrece certezas; reconoce asociaciones aprendidas en los datos y genera una estimación. Esa estimación debe interpretarse en el contexto clínico y social de cada paciente. Bien utilizada, funciona como una señal de alerta temprana y como apoyo para priorizar la prevención.

 

Una predicción sin un circuito asistencial que permita actuar es solo información; la prevención exige convertirla en seguimiento, consejo o intervención. El algoritmo relaciona datos y resultados clínicos conocidos, pero lo decisivo es saber qué acción preventiva corresponde, quién la revisa, en qué plazo y cómo se explica al paciente.

 

¿Cómo convierte los datos en una alerta útil para prevenir?

El proceso comienza reuniendo datos relevantes y suficientemente fiables: antecedentes, analíticas, diagnósticos, medicación, signos vitales, imágenes, hábitos, información de dispositivos y, cuando procede, factores sociales o ambientales.

Durante el entrenamiento, el algoritmo busca relaciones entre esos datos y resultados clínicos conocidos. Después se valida para comprobar si funciona en personas y entornos distintos. Cuando se aplica a un nuevo caso, produce una puntuación o categoría de riesgo. Lo decisivo viene después: definir qué acción preventiva corresponde, quién la revisa, en qué plazo y cómo se explica al paciente.

Una predicción sin un circuito asistencial que permita actuar es solo información; la prevención exige convertirla en seguimiento, consejo o intervención.

 

¿En qué enfermedades o situaciones puede tener mayor impacto preventivo?

El mayor valor de la IA aplicada a la prevención aparece cuando existe una medida preventiva eficaz y se dispone de tiempo suficiente para aplicarla.

Tiene especial interés en procesos frecuentes cuya evolución puede modificarse si se interviene a tiempo, como son los siguientes:

• En riesgo cardiovascular, puede combinar numerosos factores para identificar a personas que se beneficiarían de un control más intensivo de presión arterial, colesterol, tabaco, actividad física o alimentación.
• En diabetes y enfermedad renal, puede señalar trayectorias de deterioro antes de que aparezcan complicaciones.
• En el hospital, los sistemas de alerta temprana buscan anticipar sepsis o empeoramiento clínico.
• También puede apoyar la prevención de reingresos, caídas y descompensaciones de enfermedades crónicas.

 

El mayor valor de la IA preventiva aparece cuando existe una medida eficaz y se dispone de tiempo suficiente para aplicarla. Tiene especial interés en procesos frecuentes de riesgo cardiovascular, diabetes y enfermedad renal, sistemas de alerta temprana en hospitales o la prevención de reingresos, caídas y descompensaciones.

 

¿Puede contribuir también a la prevención fuera del hospital?

Sí, y probablemente ahí se encuentre una parte esencial de su futuro. La prevención no ocurre solo en una consulta: sucede en la vida cotidiana.

Los dispositivos conectados y las aplicaciones pueden registrar actividad, sueño, frecuencia cardiaca, glucosa u otros datos, siempre con consentimiento y garantías. Analizados a lo largo del tiempo, pueden revelar cambios pequeños pero persistentes.

Además, los servicios de salud pueden estratificar poblaciones para localizar grupos vulnerables, invitar a programas de cribado, reforzar vacunación, planificar recursos o adaptar intervenciones comunitarias.

No obstante, debe evitarse que la vigilancia tecnológica invada la intimidad o excluya a quienes tienen menor acceso digital. La prevención debe reducir desigualdades, no ampliarlas.

 

¿Qué cambia para el paciente cuando la medicina se vuelve más anticipatoria?

Cambia el momento de la conversación. En lugar de hablar únicamente de una enfermedad ya establecida, profesional y paciente pueden hablar de un riesgo modificable y acordar cómo reducirlo. Esto permite personalizar objetivos y frecuencia de seguimiento, pero también exige una comunicación cuidadosa.

Una puntuación de riesgo no debe presentarse como una sentencia. Debe explicarse qué significa, qué incertidumbre tiene, qué factores influyen y cuáles pueden modificarse. La persona ha de participar en la decisión y conservar el derecho a comprender, preguntar y decidir. La IA puede aportar anticipación; la relación clínica aporta significado, confianza y acompañamiento.

 

Los riesgos de la IA pasan por la calidad de los datos: si son incompletos, erróneos o poco representativos, la predicción será frágil. También preocupan el sesgo, la falta de transparencia, la protección de la privacidad, las falsas alarmas y la sobreconfianza. Es por eso que el rendimiento técnico no basta: hay que demostrar beneficio real.

 

¿Cuáles son los principales riesgos y limitaciones de estos sistemas?

El primero es la calidad de los datos: si son incompletos, erróneos o poco representativos, la predicción será frágil.

El segundo es el sesgo: un modelo puede reproducir desigualdades históricas o funcionar peor en grupos poco presentes en el entrenamiento. También preocupan la falta de transparencia, la protección de la privacidad, las falsas alarmas y la sobreconfianza.

Un exceso de alertas puede saturar a los profesionales y provocar pruebas innecesarias; una falsa sensación de seguridad puede retrasar la atención. Por eso hacen falta validación clínica independiente, evaluación por subgrupos, supervisión continua, ciberseguridad y reglas claras de responsabilidad. El rendimiento técnico no basta: hay que demostrar beneficio real.

 

¿Puede la IA sustituir al profesional sanitario en la prevención?

No. Puede ampliar su capacidad para analizar información y llamar la atención sobre riesgos difíciles de ver, pero no sustituye la exploración, el razonamiento clínico, el conocimiento del contexto ni el diálogo con la persona.

Tampoco comprende por sí sola valores, prioridades familiares, circunstancias sociales o preferencias. La decisión final requiere contrastar la predicción con otros datos, valorar posibles daños y acordar una actuación proporcionada.

La mejor combinación es una IA que trabaje en segundo plano, sea comprensible y verificable, y deje al profesional y al paciente en el centro. Más tecnología no equivale automáticamente a mejor medicina; su aportación debe medirse por resultados en salud y equidad.

 

La IA nunca deberá sustituir a un profesional sanitario, el conocimiento del contexto ni el diálogo con la persona. La mejor combinación es una IA que trabaje en segundo plano de forma comprensible y verificable, y ponga al profesional y al paciente en el centro. Más tecnología no equivale a mejor medicina, y su aportación debe medirse por resultados en salud y equidad.

 

¿Qué necesita un sistema sanitario para aprovechar la IA predictiva de forma responsable?

Necesita datos bien gobernados e interoperables, pero también objetivos clínicos concretos. Conviene empezar por problemas en los que una alerta temprana pueda activar una intervención demostrada.

El modelo debe validarse en el lugar donde va a utilizarse, integrarse en el flujo de trabajo y contar con responsables que revisen su funcionamiento. Profesionales y pacientes deben participar en el diseño, porque conocen barreras que no aparecen en una base de datos.

Además, hay que evaluar no solo precisión, sino impacto: cuántas complicaciones evita, si mejora la calidad de vida, si reduce desigualdades y si el beneficio justifica los costes y riesgos. La gobernanza debe continuar después del despliegue, porque poblaciones y prácticas cambian.

 

Para terminar, ¿cuál es la verdadera aportación de la IA en la medicina preventiva?

Su aportación no consiste en conocer el futuro, sino en reconocer antes las oportunidades de cambiarlo. Muchas enfermedades no aparecen de un día para otro: se desarrollan mediante señales acumuladas que pueden pasar inadvertidas cuando la información está fragmentada.

La IA predictiva puede reunir esas señales y ofrecer tiempo para intervenir. Ese tiempo puede significar modificar un hábito, ajustar un tratamiento, realizar una prueba, intensificar el seguimiento o activar apoyo social. Si se utiliza con evidencia, transparencia y supervisión humana, puede ayudar a que la medicina sea menos reactiva y más preventiva, personalizada y proactiva. El éxito no será generar más predicciones, sino prevenir más enfermedad sin perder humanidad, autonomía ni justicia.

La idea central es, por tanto, que la IA predictiva no sustituye la decisión clínica ni garantiza el futuro. Su valor reside en detectar riesgos con tiempo suficiente para que pacientes, profesionales y sistemas sanitarios puedan prevenir.