Abstract
Introduction: artificial intelligence (AI) is reshaping how diseases are diagnosed, treated and monitored, integrating machine learning, deep learning and natural language processing into the analysis of large volumes of clinical data. Objective: to comprehensively analyze the impact of artificial intelligence on medicine, examining its main diagnostic, therapeutic and clinical-management applications, as well as the challenges, limitations and ethical considerations that condition its safe, equitable and patient-centered integration. Development: AI has matured most in medical imaging, oncology and precision medicine, complementing rather than replacing clinical judgment; randomized evidence in cardiology shows improved workflow efficiency and reduced adverse events, including all-cause mortality. Implementation nonetheless faces technical, organizational and social barriers—data quality and interoperability, lack of explainability, algorithmic bias, and gaps in clinician training—alongside ethical and regulatory challenges regarding privacy, accountability and informed consent. Conclusions: AI offers considerable potential to reduce costs, increase diagnostic accuracy, personalize care and expand access to quality services, provided its deployment overcomes technical, ethical and regulatory barriers through proactive, adaptive and patient-centered governance.
Keywords
Artificial Intelligence, Medical Informatics Applications, Precision Medicine
DESARROLLO
Fundamentos conceptuales de la inteligencia artificial en medicina
La inteligencia artificial en salud designa un conjunto de tecnologías capaces de emular formas seleccionadas del comportamiento inteligente humano —percepción, razonamiento, aprendizaje y toma de decisiones— con cierto grado de autonomía.(13) Sus principales ramas son el aprendizaje automático (machine learning), el aprendizaje profundo (deep learning) basado en redes neuronales que aprenden patrones directamente de los datos crudos, y el procesamiento del lenguaje natural.(14,13) El aprendizaje profundo ha alcanzado un éxito notable en la clasificación de imágenes, lo que explica la eclosión de la investigación en especialidades que dependen de la interpretación visual.(14)
El sustrato de estos sistemas es la disponibilidad de grandes volúmenes de datos heterogéneos: registros electrónicos de salud, imágenes médicas, resultados de laboratorio, datos de sensores portátiles y secuencias genómicas, cada uno de los cuales aporta una visión parcial del paciente.(15) La capacidad de los modelos multimodales para fusionar simultáneamente texto, imágenes, señales y datos ómicos permite descubrir relaciones complejas que ningún origen de datos aislado revela.(15) Este cambio marca la transición desde una medicina reactiva hacia una atención proactiva y basada en datos.(16)
Aplicaciones diagnósticas en imagen médica
La interpretación de imágenes constituye el dominio más maduro de la IA clínica. Los algoritmos asisten al radiólogo en funciones acotadas como la detección, el triaje del flujo de trabajo, la cuantificación y la mejora de la imagen.(17) Las funciones de cuantificación segmentan y miden estructuras anatómicas —densidad mamaria, estructuras cerebrales, flujo cardíaco o densidad del tejido pulmonar—, mientras que el triaje marca y comunica hallazgos sospechosos como hemorragia intracraneal, oclusión de gran vaso, neumotórax o embolia pulmonar.(17)
La FDA ha autorizado más de 200 productos comerciales de IA en radiología, desarrollados por empresas de más de 20 países, y algunos hospitales ya los emplean con éxito, con mayor adopción en las prácticas de gran tamaño.(17) Los sistemas han mejorado la exactitud en tareas como la interpretación de mamografías, la evaluación de la función cardíaca y el cribado de cáncer de pulmón, abordando no solo el diagnóstico sino también la predicción de riesgo y el tratamiento.(14)
El alcance se extiende más allá de la radiología: la IA interpreta electrocardiogramas, láminas de anatomía patológica e imágenes oftalmológicas.(17) En patología, mediante la imagen de lámina completa (whole-slide imaging), los modelos identifican eficientemente áreas de interés, discriminan el origen del tumor primario y detectan variantes estructurales o mutaciones conductoras, ofreciendo beneficios que superan incluso la revisión de patólogos expertos.(14) En gastroenterología, los sistemas de apoyo a la colonoscopia mejoran la detección de pólipos y elevan la sensibilidad del procedimiento.(14)
Inteligencia artificial en oncología
En oncología, los cánceres en estadio temprano y las recidivas son difíciles de diagnosticar en informes de radiología y patología, especialmente en pacientes clínicamente estables.(18) Las redes neuronales convolucionales, entrenadas con miles a millones de imágenes de lesiones normales y malignas, aprenden a clasificar ambos grupos y a detectar diferencias sutiles imperceptibles para el ojo humano.(18) El diagnóstico asistido por IA ofrece detección temprana con alta exactitud, mayor eficiencia y escalabilidad a través de los sistemas de salud.(18)
El melanoma ilustra el valor clínico de esta tecnología: representa solo el 5% de los cánceres cutáneos, pero su supervivencia a 5 años cae al 32% en estadio metastásico frente al 99% cuando se detecta precozmente.(18) Diferenciar el melanoma temprano de lesiones benignas de aspecto similar es visualmente difícil, un escenario donde la IA ayuda a identificar variabilidad de grano fino y permite intervenciones más tempranas.(18) Los estudios pioneros en dermatología, que compararon redes neuronales con dermatólogos certificados, sentaron las bases del diseño de la IA para el diagnóstico oncológico.(18)
Medicina personalizada, genómica y farmacogenómica
La medicina de precisión busca identificar subpoblaciones que difieren en el riesgo de enfermedad, la respuesta a fármacos y los desenlaces terapéuticos.(19) La IA analiza con rapidez datos clínicos y biológicos multidimensionales generados por la secuenciación genómica, apoyando diagnósticos precisos, la detección temprana y la identificación de nuevas dianas terapéuticas.(19,20) Este enfoque desplaza la atención desde protocolos uniformes hacia intervenciones individualizadas y basadas en datos.(20)
Los modelos de aprendizaje profundo integran datos genómicos, demográficos y de estilo de vida para predecir la respuesta del paciente a distintos tratamientos.(21) Por ejemplo, analizan las características genómicas del tumor —mutaciones, variaciones en el número de copias y modificaciones epigenéticas— para predecir la respuesta a diversos quimioterápicos e identificar biomarcadores asociados a la eficacia.(21) También pueden estimar el riesgo de complicaciones posquirúrgicas como infección o sangrado, recomendando monitorización adicional en pacientes de alto riesgo.(21)
La farmacogenómica adapta la terapia farmacológica al perfil genético individual, reduciendo el riesgo de reacciones adversas.(22) Los modelos de aprendizaje automático y profundo predicen la respuesta a fármacos y afinan la identificación de variantes genéticas, como ejemplifican herramientas como DeepVariant y AlphaFold.(22) Los grandes modelos de lenguaje pueden interpretar pruebas farmacogenéticas —por ejemplo, alelos de CYP450— y traducir datos genéticos crudos en recomendaciones personalizadas de medicación y ajuste de dosis, mejorando la comprensión de resultados genómicos complejos.(15,22)
Asimismo, la IA acelera el descubrimiento de fármacos al navegar estructuras químicas y predecir interacciones fármaco-diana, reduciendo el tiempo y el costo de llevar nuevos medicamentos al mercado.(19,20) El análisis de conjuntos de datos genéticos a gran escala permite identificar variantes asociadas a la susceptibilidad a enfermedades, la respuesta a fármacos y los desenlaces del tratamiento.(23)
Monitorización continua y manejo de enfermedades crónicas
Las enfermedades crónicas no transmisibles —cardiovasculares, cáncer, respiratorias y diabetes— causan unos 41 millones de muertes anuales, el 74% de la mortalidad global, y ejercen una presión sostenida sobre los sistemas de salud.(13) Los modelos tradicionales de atención se basan en ajustes periódicos y reactivos a partir de laboratorios episódicos y visitas clínicas, lo que limita la personalización y la intervención oportuna.(16,13) La revisión de la literatura identifica cuatro funciones consistentes de la IA en el cuidado crónico: apoyo personalizado a la decisión y optimización del tratamiento; monitorización continua y predicción de riesgo a partir de datos generados por el paciente; agentes conversacionales para educación, adherencia y apoyo conductual; y plataformas de salud móvil que conectan a pacientes con clínicos.(24)
En diabetes, la IA predice hipoglucemia e hiperglucemia, optimiza la dosificación de insulina y personaliza la educación, integrando datos de monitorización continua de glucosa, historia de dosificación y métricas fisiológicas.(16) Los sistemas de administración automatizada de insulina reducen la carga de los ajustes minuto a minuto para pacientes y clínicos.(16) En el espectro cardio-reno-metabólico, los modelos multimodales que integran registros electrónicos, genómica, imágenes y datos de sensores portátiles logran una estratificación del riesgo superior a los modelos unimodales.(16) No obstante, la mayoría de estas tecnologías permanecen en fases tempranas de desarrollo algorítmico o de viabilidad, y el apoyo a la autogestión emocional está menos desarrollado que el de la autogestión médica o conductual.(25)
Impacto sobre los desenlaces clínicos
La IA se comprende mejor como complemento del juicio clínico que como sustituto del profesional.(8) La evidencia agregada más robusta procede de la cardiología: una revisión sistemática de 32 ensayos aleatorizados mostró que las implementaciones basadas en IA mejoraron la eficiencia del flujo de trabajo (DME −0,71), reforzaron la participación del paciente y la prestación efectiva de la atención (RR 1,36) y redujeron los eventos clínicos adversos (RR 0,80).(9) Entre estos últimos figuraron reducciones significativas de la mortalidad por todas las causas (RR 0,84; IC 95%, 0,75-0,94) y de los eventos cardiovasculares mayores (RR 0,89; IC 95%, 0,82-0,98).(9) El valor de la IA clínica reside no en el rendimiento algorítmico aislado, sino en su integración como herramienta auxiliar validada dentro de las vías de atención existentes.(9)
Barreras para la implementación clínica
Pese a su potencial, la traslación de la IA a la práctica rutinaria enfrenta barreras interrelacionadas. Una revisión sistemática las clasificó en tres niveles —técnico/algorítmico, de los actores implicados y social— identificando 19 temas mayores, entre ellos la falta de explicabilidad, la necesidad de protocolos de validación y de estándares de interoperabilidad, la pérdida potencial de empleo, la desconfianza en la IA y los desafíos de flujo de trabajo.(26) Desde la perspectiva tecnológica, la necesidad de modelos interpretables y compatibles con infraestructuras informáticas fragmentadas, junto con problemas de interoperabilidad con sistemas heredados, complica el despliegue.(11)
La calidad insuficiente de los datos —información no estructurada, incompleta, con formatos y etiquetas variables, desactualizada o escasa para ciertos tipos de pacientes— dificulta construir y mantener modelos fiables.(10) El sesgo en los conjuntos de datos, que infrarrepresenta a pacientes según raza, género, etnia o edad, constituye una preocupación adicional, agravada por el acceso complicado a los datos debido a barreras legales y organizativas.(10) A nivel organizativo, la disposición cultural, la gestión del cambio, la capacitación estructurada y la alfabetización de los clínicos en IA resultan determinantes; sin culturas que apoyen la experimentación, las iniciativas encuentran resistencia vinculada a rutinas y normas profesionales.(11) Los altos costos de implementación y mantenimiento, junto con la incertidumbre legal, limitan la adopción en entornos con recursos restringidos.(11)
Consideraciones éticas y regulatorias
El desarrollo de la IA ha superado la infraestructura social, institucional y regulatoria necesaria para una implementación equitativa.(27) La privacidad y la seguridad de los datos son primordiales y exigen cifrado robusto, técnicas de anonimización y prácticas responsables de manejo de datos.(28) El sesgo algorítmico plantea un desafío significativo: dado que la mayor parte de los datos de salud digitalizados procede de países de ingresos altos, los modelos pueden incorporar sesgos geográficos, raciales y socioeconómicos que arriesgan perpetuar —en lugar de resolver— las inequidades existentes.(27,28) Mitigarlo requiere conjuntos de datos diversos y monitorización continua.(28)
La transparencia y la explicabilidad refuerzan la confianza y la rendición de cuentas; los reguladores enfrentan una tensión fundamental, pues exigir explicabilidad plena puede excluir los algoritmos más exactos, mientras que permitir sistemas de «caja negra» suscita preocupaciones de seguridad.(27) Las brechas de interpretabilidad dificultan que el clínico determine cuándo seguir o anular una recomendación algorítmica.(27) Los marcos de responsabilidad deben clarificar la atribución cuando un sistema contribuye a un error, responsabilidad que puede recaer en el clínico, la institución o el desarrollador.(27)
El consentimiento informado adquiere nuevas complejidades: los pacientes deben conocer cómo se usa la IA en su atención —riesgos, beneficios y limitaciones— y poder optar por no utilizarla.(29) Instrumentos regulatorios emergentes, como la clasificación basada en riesgo de la Ley de IA de la Unión Europea y el Reglamento General de Protección de Datos (GDPR), que exige transparencia, explicabilidad y supervisión humana bajo principios de privacidad por diseño, representan pasos significativos, aunque siguen siendo voluntarios o incipientes en muchos contextos.(27,29) La gobernanza de la IA debe ser proactiva y adaptativa, con supervisión centrada en el paciente y mecanismos claros de rendición de cuentas para prevenir la proliferación de sistemas sesgados.(30)
CONCLUSIONES
La inteligencia artificial se consolida como una fuerza transformadora en la medicina actual, cuyo valor radica en complementar el juicio clínico para optimizar la exactitud diagnóstica, la personalización terapéutica y la reducción de la morbimortalidad, tal como demuestra la evidencia en imagenología, oncología y cardiología. Sin embargo, para que su impacto trascienda el rendimiento algorítmico y logre una integración rutinaria efectiva, es imprescindible superar barreras técnicas e infraestructurales —como la baja calidad e interoperabilidad de los datos—, así como brechas en la alfabetización de los profesionales. Garantizar que esta transición beneficie equitativamente a los pacientes exige atajar el sesgo algorítmico, resolver las opacidades de «caja negra» y establecer una gobernanza adaptativa y transparente centrada en la seguridad, la privacidad y la preservación de la relación médico-paciente.
References
- 1 Alowais SA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing Healthcare: The Role of Artificial Intelligence in Clinical Practice. BMC Med Educ. 2023;23(1):689. https://doi.org/10.1186/s12909-023-04698-z
- 2 Razai MS, Al-Bedaery R, Bowen L, et al. Implementation challenges of artificial intelligence (AI) in primary care: Perspectives of general practitioners in London UK. PLoS One. 2024;19(11):e0314196. https://doi.org/10.1371/journal.pone.0314196
- 3 Singh K, Prabhu A, Kaur N. The Impact and Role of Artificial Intelligence (AI) in Healthcare: Systematic Review. Curr Top Med Chem. 2025. https://doi.org/10.2174/0115680266339394250225112747
- 4 Fahim YA, Hasani IW, Kabba S, Ragab WM. Artificial intelligence in healthcare and medicine: clinical applications, therapeutic advances, and future perspectives. Eur J Med Res. 2025;30(1):848. https://doi.org/10.1186/s40001-025-03196-w
- 5 Das A, Arora D, Deswal G, Grewal AS, Bansal S. Harnessing Artificial Intelligence in Healthcare: Advancing Diagnosis, Treatment, and Patient-Centered Care. J Natl Med Assoc. 2026;118(3):463-488. https://doi.org/10.1016/j.jnma.2026.02.007
- 6 Ramezani A, Bagheri M, Mahmoudian F, et al. The Expanding Role of Artificial Intelligence in Medical Diagnosis: From Molecular Diagnostics and Multi-Omics to Digital Health and Medical Imaging. Expert Rev Mol Diagn. 2026;26(9):755-774. https://doi.org/10.1080/14737159.2026.2706000
- 7 Katwaroo AR, Adesh VS, Lowtan A, Umakanthan S. The Diagnostic, Therapeutic, and Ethical Impact of Artificial Intelligence in Modern Medicine. Postgrad Med J. 2024;100(1183):289-296. https://doi.org/10.1093/postmj/qgad135
- 8 He J, Baxter SL, Xu J, et al. The practical implementation of artificial intelligence technologies in medicine. Nat Med. 2019;25(1):30-36. https://doi.org/10.1038/s41591-018-0307-0
- 9 Lin YE, Yang SM, Huang CJ, et al. Impact of artificial intelligence on cardiovascular workflow, engagement, and outcomes: a systematic review. NPJ Digit Med. 2026;9(1):536. https://doi.org/10.1038/s41746-026-02690-7
- 10 Nair M, Svedberg P, Larsson I, Nygren JM. A comprehensive overview of barriers and strategies for AI implementation in healthcare: Mixed-method design. PLoS One. 2024;19(8):e0305949. https://doi.org/10.1371/journal.pone.0305949
- 11 Lanfranchi G, Gembillo G, Santoro D, Villari M. Artificial intelligence adoption in healthcare: a systematic review of implementation challenges and health services implications. BMC Health Serv Res. 2026;26(1):1187. https://doi.org/10.1186/s12913-026-14960-x
- 12 Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17(1):195. https://doi.org/10.1186/s12916-019-1426-2
- 13 Miao S, Zhang Z, Bao C. Applications of Artificial Intelligence Technologies in Nursing for Noncommunicable Chronic Diseases: A Scoping Review. J Nurs Manag. 2026;2026(1):e5288231. https://doi.org/10.1155/jonm/5288231
- 14 Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28(1):31-38. https://doi.org/10.1038/s41591-021-01614-0
- 15 Shaikh M, Ebrahimi A, Wiil UK. Towards convergence of AI and blockchain for personalized medicine in pharmacogenomics. Sci Rep. 2026;16(1):24464. https://doi.org/10.1038/s41598-026-53058-6
- 16 Young CF, MacLeod J. Artificial intelligence in cardio-kidney-metabolic care: Transforming integrated disease management through data-informed innovation. Int J Obes. 2026;50(8):1666-1674. https://doi.org/10.1038/s41366-026-02119-x
- 17 Rajpurkar P, Lungren MP. The Current and Future State of AI Interpretation of Medical Images. N Engl J Med. 2023;388(21):1981-1990. https://doi.org/10.1056/NEJMra2301725
- 18 Kolla L, Parikh RB. Uses and limitations of artificial intelligence for oncology. Cancer. 2024;130(12):2101-2107. https://doi.org/10.1002/cncr.35307
- 19 Mumtaz H, Saqib M, Jabeen S, et al. Exploring Alternative Approaches to Precision Medicine Through Genomics and Artificial Intelligence - A Systematic Review. Front Med. 2023;10:1227168. https://doi.org/10.3389/fmed.2023.1227168
- 20 Bhushan A, Misra P. Unlocking the potential: multimodal AI in biotechnology and digital medicine—economic impact and ethical challenges. NPJ Digit Med. 2025;8(1):619. https://doi.org/10.1038/s41746-025-01992-6
- 21 Li YH, Li YL, Wei MY, Li GY. Innovation and challenges of artificial intelligence technology in personalized healthcare. Sci Rep. 2024;14(1):18994. https://doi.org/10.1038/s41598-024-70073-7
- 22 Jakka AL, Chacko RM, Vasam M, et al. From Genomics to Clinic: The Transformative Impact of AI in Pharmacogenomics and Personalized Medicine. Pharmacogenomics. 2025;1-14. https://doi.org/10.1080/14622416.2025.2591596
- 23 Basumatary D, Devi SG, Swargiary D, Borah JC. AI-Based Drug Discovery and Design for Different Genetic Designs. Methods Mol Biol. 2025;2952:125-148. https://doi.org/10.1007/978-1-0716-4690-8_8
- 24 Du Y, Yang P, Liu Y, Deng C, Li X. Artificial Intelligence in Chronic Disease Self-Management: Current Applications and Future Directions. Front Public Health. 2025;13:1689911. https://doi.org/10.3389/fpubh.2025.1689911
- 25 Hwang M, Zheng Y, Cho Y, Jiang Y. AI Applications for Chronic Condition Self-Management: Scoping Review. J Med Internet Res. 2025;27:e59632. https://doi.org/10.2196/59632
- 26 Li LT, Haley LC, Boyd AK, Bernstam EV. Technical/Algorithm, Stakeholder, and Society (TASS) Barriers to the Application of Artificial Intelligence in Medicine: A Systematic Review. J Biomed Inform. 2023;147:104531. https://doi.org/10.1016/j.jbi.2023.104531
- 27 Raj T, Philip A, Thomas V. Artificial intelligence in public health—challenges and opportunities. Eur J Clin Nutr. 2026;80(6):566-573. https://doi.org/10.1038/s41430-026-01745-y
- 28 Elendu C, Amaechi DC, Elendu TC, et al. Ethical Implications of AI and Robotics in Healthcare: A Review. Medicine (Baltimore). 2023;102(50):e36671. https://doi.org/10.1097/MD.0000000000036671
- 29 Kermansaravi M, Chiappetta S, Shahabi Shahmiri S, et al. International expert consensus on the current status and future prospects of artificial intelligence in metabolic and bariatric surgery. Sci Rep. 2025;15(1):9312. https://doi.org/10.1038/s41598-025-94335-0
- 30 Budhu JA, Anderson N, Branson C, et al. Health Equity Considerations in the Age of Artificial Intelligence. Neurology. 2025;105(12):e214356. https://doi.org/10.1212/WNL.0000000000214356
- 31 Conflicto de intereses
- 32 Los autores declaran que no existe ningún conflicto de intereses.
Declaraciones
Financiación
Los autores no recibieron financiación para el desarrollo de esta investigación. Contribuciones de autores Conceptualización: Laura Beatriz Fernández Feitó, Mariam Alejandra González González Investigación: Laura Beatriz Fernández Feitó, Mariam Alejandra González González, Gabriela González Pernas, Andy Alonso Pazos, Lauren Beatriz Gonzalez Claro Redacción - borrador inicial: Laura Beatriz Fernández Feitó, Andy Alonso Pazos, Lauren Beatriz Gonzalez Claro
Conflictos de interés
No existen.
Contribución de autoría
Redacción - borrador original: Laura Beatriz Fernández Feitó, Mariam Alejandra González González, Andy Alonso Pazos, Gabriela González Pernas, Lauren Beatriz González Claro.
Redacción - revisión y edición: Laura Beatriz Fernández Feitó, Mariam Alejandra González González, Andy Alonso Pazos, Gabriela González Pernas, Lauren Beatriz González Claro.