La medicina genera enormes cantidades de datos: historias clínicas, análisis, imágenes, genómica, dispositivos que miden constantes en casa. Analizarlos bien permite pasar de tratar a un "paciente medio" a ajustar la prevención, el diagnóstico y el tratamiento a cada persona. Repasamos dónde se aplica hoy y qué retos quedan por resolver.
Qué aporta el análisis de datos a la medicina
Durante décadas, la investigación clínica estudió grupos de pacientes que representaban a la población general. El análisis de datos a gran escala y el aprendizaje automático permiten algo distinto: encontrar patrones en millones de registros, identificar subgrupos que responden de forma diferente y anticipar riesgos antes de que se manifiesten.
Aplicaciones principales
Medicina personalizada
Combinar datos clínicos, genéticos y de estilo de vida permite estimar el riesgo de cada paciente y elegir el tratamiento con más probabilidad de funcionar. La oncología de precisión, que selecciona fármacos según las alteraciones genéticas del tumor, es el ejemplo más avanzado.
Imagen médica
Es el área donde la IA ha llegado más lejos en la práctica. Los modelos de visión artificial ayudan a detectar nódulos en radiografías y escáneres, a cribar la retinopatía diabética o a analizar preparaciones de anatomía patológica. De hecho, la mayoría de los dispositivos con IA autorizados por la FDA estadounidense pertenecen al ámbito de la radiología.
Predicción y alertas tempranas
Los modelos predictivos estiman qué pacientes tienen más riesgo de reingresar tras el alta, de empeorar en planta o de desarrollar una sepsis, para actuar antes. Aquí hay una lección importante: un estudio publicado en JAMA Internal Medicine en 2021 mostró que un modelo de alerta de sepsis muy extendido en hospitales estadounidenses funcionaba bastante peor de lo anunciado cuando se evaluó de forma independiente. Validar los modelos con datos del propio centro es imprescindible.
Gestión hospitalaria
Prever la demanda de urgencias, la ocupación de camas o el consumo de material permite organizar turnos y recursos. Son proyectos menos llamativos, pero con un impacto directo en listas de espera y costes.
Salud pública y epidemiología
La vigilancia de brotes, el seguimiento de la vacunación o el estudio de la relación entre contaminación y enfermedades respiratorias se basan en análisis de datos poblacionales. La pandemia de COVID-19 puso de manifiesto el valor de los cuadros de mando epidemiológicos y de los datos abiertos.
Ensayos clínicos
El análisis de historias clínicas ayuda a encontrar candidatos que cumplen los criterios de un ensayo y a diseñar estudios más eficientes. Los datos del mundo real complementan cada vez más a los ensayos tradicionales.
Texto clínico e IA generativa
Buena parte de la información útil está en texto libre: informes de alta, notas de evolución, informes de radiología. Los modelos de lenguaje permiten resumir historias, extraer diagnósticos y medicaciones o ayudar a redactar documentación. Su uso exige supervisión profesional, porque un error o una alucinación en un informe clínico tiene consecuencias.
Los retos
- Privacidad: los datos de salud son una categoría especial en el RGPD. Hace falta una base legal clara, minimización de datos, seudonimización y, en investigación, aprobación ética.
- Sesgos: un modelo entrenado con datos de una población puede funcionar peor con otra. Hay que evaluarlo por subgrupos.
- Validación: lo que funciona en un estudio retrospectivo no siempre funciona en la práctica. Los modelos se deben probar en el entorno real y vigilar después.
- Explicabilidad: los profesionales necesitan entender por qué un sistema recomienda algo para poder confiar en él.
- Integración: un buen modelo que no está en el flujo de trabajo del profesional no se usa.
- Regulación: los sistemas de IA que funcionan como producto sanitario están sujetos a la normativa de productos sanitarios y, en la mayoría de los casos, se consideran además de alto riesgo en el Reglamento Europeo de IA.
Los perfiles que hacen falta
Los proyectos de datos en salud funcionan cuando trabajan juntos profesionales clínicos, que saben qué pregunta importa y cómo interpretar el resultado, y perfiles técnicos de ciencia de datos e ingeniería de IA, que saben construir y evaluar los modelos. Formarse en análisis de datos e IA abre la puerta a hospitales, institutos de investigación, empresas de tecnología sanitaria y la industria farmacéutica.