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.
Introducción: la inteligencia artificial (IA) está reconfigurando la manera en que se diagnostican, tratan y monitorizan las enfermedades, integrando el aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural en el análisis de grandes volúmenes de datos clínicos. Objetivo: analizar de manera integral el impacto de la inteligencia artificial en la medicina, examinando sus principales aplicaciones diagnósticas, terapéuticas y de gestión clínica, así como los desafíos, limitaciones y consideraciones éticas que condicionan su integración segura, equitativa y centrada en el paciente. Desarrollo: la IA ha alcanzado mayor madurez en la imagen médica, la oncología y la medicina de precisión, complementando —y no sustituyendo— el juicio clínico; la evidencia de ensayos aleatorizados en cardiología muestra mejoras en la eficiencia del flujo de trabajo y reducción de eventos adversos, incluida la mortalidad por todas las causas. No obstante, su implementación enfrenta barreras técnicas, organizativas y sociales —calidad e interoperabilidad de los datos, falta de explicabilidad, sesgo algorítmico y brechas en la capacitación de los clínicos— junto con desafíos éticos y regulatorios relativos a la privacidad, la rendición de cuentas y el consentimiento informado. Conclusiones: la IA ofrece un potencial considerable para reducir costos, aumentar la exactitud diagnóstica, personalizar la atención y ampliar el acceso a servicios de calidad, siempre que su despliegue supere las barreras técnicas, éticas y regulatorias mediante una gobernanza proactiva, adaptativa y centrada en el paciente. INTRODUCCION La inteligencia artificial (IA) se ha consolidado como una de las fuerzas más transformadoras de la medicina contemporánea, con capacidad para replantear la manera en que se diagnostican, tratan y monitorizan las enfermedades. Definida como el conjunto de tecnologías capaces de ejecutar tareas que habitualmente requieren inteligencia humana, la IA en salud engloba el aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural, aplicados al análisis de grandes volúmenes de datos clínicos.(1,2) Su rápida evolución ha generado expectativas de que pueda mejorar los desenlaces de los pacientes e incrementar la eficiencia de sistemas sanitarios cada vez más complejos.(3) Los sistemas de salud a nivel mundial enfrentan retos crecientes, entre ellos el aumento de los costos, la escasez de personal y las disparidades en el acceso y la calidad de la atención, particularmente en países de ingresos bajos y medios.(4) En este contexto, la IA ha emergido como una herramienta capaz de fortalecer el diagnóstico, la planificación terapéutica, la monitorización de pacientes y la gestión de recursos.(4,5) Al integrar y analizar registros electrónicos de salud, imágenes médicas y perfiles genómicos, los algoritmos pueden identificar patrones, predecir la progresión de la enfermedad y recomendar estrategias de tratamiento optimizadas.(4,6) Entre sus aplicaciones más maduras destaca la imagen médica, donde los algoritmos identifican células neoplásicas y lesiones con exactitud y sensibilidad crecientes, favoreciendo diagnósticos más tempranos y un impacto directo en los desenlaces.(7) La IA también impulsa la medicina personalizada, al ajustar los tratamientos a los perfiles individuales de cada paciente e integrar datos genómicos, de estilo de vida y de historia clínica para diseñar estrategias terapéuticas a la medida.(4) Estos avances suponen un cambio de paradigma desde protocolos clínicos estandarizados hacia una atención verdaderamente individualizada.(4) El papel de la IA se comprende mejor no como un sustituto del profesional sanitario, sino como una herramienta de apoyo. Puede funcionar como instrumento de triaje, como reemplazo de tareas repetitivas y laboriosas, y, sobre todo, como complemento del juicio clínico, ya que la combinación de clínico y algoritmo produce resultados superiores a los de cualquiera por separado.(8) Evidencia reciente en cardiología, proveniente de ensayos aleatorizados, muestra que la atención asistida por IA mejora la eficiencia de los flujos de trabajo, refuerza la participación del paciente y reduce eventos clínicos adversos, incluida la mortalidad por todas las causas.(9) No obstante, la incorporación de la IA a la práctica rutinaria enfrenta obstáculos considerables. Entre ellos figuran la fragmentación e insuficiente calidad de los datos, los problemas de interoperabilidad con la infraestructura existente, la falta de transparencia y explicabilidad de los modelos, así como la necesidad de validación rigurosa y multicéntrica.(10,11,12) A ello se suman preocupaciones éticas y legales relativas a la privacidad de los datos, el sesgo algorítmico —que puede acentuar inequidades existentes—, la rendición de cuentas y la preservación de la relación médico-paciente.(1,5,12) La disposición cultural de las organizaciones, la capacitación y la alfabetización de los clínicos en IA resultan igualmente determinantes para una adopción exitosa.(10,11) En síntesis, la IA ofrece un potencial considerable para reducir costos, aumentar la exactitud diagnóstica, personalizar la atención y ampliar el acceso a servicios de calidad, aunque su despliegue responsable exige superar barreras técnicas, éticas y regulatorias.(4,5,12) El objetivo de esta revisión es analizar de manera integral el impacto de la inteligencia artificial en la medicina, examinando sus principales aplicaciones diagnósticas, terapéuticas y de gestión clínica, así como los desafíos, limitaciones y consideraciones éticas que condicionan su integración segura, equitativa y centrada en el paciente dentro de la práctica clínica. METODOS Se realizó una revisión bibliográfica de tipo descriptiva y narrativa con el objetivo de caracterizar el impacto de la inteligencia artificial en la medicina, sus aplicaciones diagnósticas, terapéuticas y de gestión clínica, así como sus barreras de implementación y consideraciones éticas y regulatorias. La búsqueda de información se llevó a cabo entre enero y marzo de 2026 en las bases de datos académicas PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect y SciELO. Se estructuraron ecuaciones de búsqueda adaptadas a cada base de datos empleando descriptores en ciencias de la salud (DeCS/MeSH) y términos en lenguaje libre, combinados mediante los operadores booleanos AND y OR: Ecuación en inglés: ("Artificial Intelligence" OR "Machine Learning" OR "Deep Learning") AND ("Medicine" OR "Clinical Practice" OR "Diagnosis" OR "Therapeutics") AND ("Ethics" OR "Healthcare Delivery") Ecuación en español: ("Inteligencia Artificial" OR "Aprendizaje Automático") AND ("Medicina" OR "Diagnóstico" OR "Tratamiento") AND ("Ética") Criterios de inclusión y exclusión Criterios de inclusión: Artículos originales, revisiones sistemáticas, meta-análisis y revisiones narrativas publicados en revistas revisadas por pares. Publicaciones con fecha de salida entre los años 2019 y 2026. Trabajos centrados explícitamente en la aplicación clínica de la IA, barreras organizativas, sesgos algorítmicos o marcos ético-regulatorios en salud. Artículos en idioma inglés o español. Criterios de exclusión: Editoriales, cartas al editor, resúmenes de congresos o notas breves sin metodología/datos explícitos. Estudios cuyo foco exclusivo fuera teórico-informático sin aplicabilidad directa a la práctica médica o la gestión clínica. Publicaciones duplicadas en más de una base de datos. Proceso de selección y flujo de estudio De un total de 412 registros identificados en la búsqueda inicial (PubMed: 185, Scopus: 120, Web of Science: 62, ScienceDirect: 30, SciELO: 15), se eliminaron 98 duplicados. Los 314 registros restantes fueron evaluados por título y resumen, descartando 246 por no cumplir con el objeto de estudio. Se seleccionaron 68 artículos para lectura a texto completo, de los cuales se incluyeron finalmente 30 estudios esenciales que componen la evidencia primaria sintetizada en esta revisión (referencias 1 a 30). Figura 1. Diagrama de flujo simplificado adaptado para revisión narrativa Procesamiento de la información y limitaciones El análisis de la información se realizó mediante síntesis cualitativa narrativa de los hallazgos, organizando el desarrollo en ejes temáticos (conceptos clave, diagnóstico por imagen, oncología, medicina personalizada, manejo crónico, desenlaces, barreras y ética). No se realizó evaluación formal del riesgo de sesgo ni metaanálisis dado el diseño narrativo de la revisión. Como limitación principal de este diseño, existe un sesgo de selección inherente a la literatura extraída y la imposibilidad de generar estimaciones estadísticas combinadas del tamaño del efecto.
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)
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)
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)
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)
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)
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)
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)
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)
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.
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