Todos los días miles de personas acuden a los centros de salud repartidos por España. Allí, se les realizan distintas pruebas, se ofrece un diagnóstico y un tratamiento. Pero al igual que otros muchos aspectos de la vida, la inteligencia artificial (IA) está transformando el sistema de salud, ofreciendo nuevas herramientas para mejorar el diagnóstico, el tratamiento y la vigilancia epidemiológica. Desde el surgimiento de modelos de lenguaje avanzados como ChatGPT y Med-PaLM, la IA ha demostrado su capacidad para superar exámenes médicos y potenciar la medicina personalizada. Entre sus principales aplicaciones destacan el diagnóstico de enfermedades, el pronóstico de su evolución, la evaluación de riesgos y la optimización de tratamientos, especialmente en enfermedades crónicas y casos complejos.
En el conjunto del sistema sanitario, la IA puede contribuir en áreas como la vigilancia epidemiológica, ayudando a detectar patrones de brotes y modelar la evolución de las epidemias. En España, donde el sistema de salud es reconocido como uno de los mejores del mundo, la integración de la IA se está fortaleciendo con iniciativas como la Estrategia de Salud Digital 2021-2026, que busca optimizar el uso de datos médicos y fomentar la interoperabilidad entre países europeos. Esto permite entrenar modelos de IA con datos diversos, aumentando su capacidad predictiva y robustez.
En conclusión, la IA promete ser una aliada esencial en el sistema sanitario, no para sustituir a los profesionales, sino para trabajar en sinergia con ellos, optimizando procesos y mejorando los resultados médicos y la atención al paciente. El avance en su integración depende de un uso ético y responsable de los datos, así como de la colaboración entre instituciones y países para maximizar sus beneficios.
POR DENTRO. Un cerebro artificial para impulsar la sanidad
La Inteligencia Artificial (IA) es una tecnología que se ha ido adentrando en distintos aspectos de la vida. A partir de 2022, tras el despegue de los modelos de lenguaje de gran tamaño (LLM por sus siglas en inglés), de la mano de ChatGPT, hemos podido observar cómo cada vez aparecen más y más empresas e instituciones que se suben al carro de la IA para mantenerse a la vanguardia de la era moderna. Ahora bien, como con cualquier tecnología, para aplicar la IA de una forma que realmente ofrezca un beneficio para la sociedad primero es necesario estudiar de forma muy concienzuda los lugares en los que pueda suplir carencias actuales. Es decir, que para no malgastar las capacidades de la IA es importante conocer tanto sus ventajas como sus limitaciones.
Estas capacidades son especialmente interesantes en la atención médica. En una visita a un hospital, los médicos recogen una gran cantidad de datos de los pacientes, los comparan con aquel conocimiento que han adquirido u otros casos similares, y tras un razonamiento ofrecen el diagnóstico más probable. Este flujo de trabajo es también uno de los puntos fuertes de la IA: recopilar datos, compararlos con su base de información, y ofrecer una respuesta coherente. Por tanto, con solo un vistazo se puede vislumbrar el potencial de estos sistemas para mejorar la atención médica y los resultados sanitarios.
Aún más interesante es que, ya en junio de 2022, ChatGPT 3.0 superó exitosamente (con más de un 60 %) algunos de los exámenes para la obtención de la licencia médica de los Estados Unidos sin ningún tipo de refuerzo especializado[i]. Esto se consideró un hito, ya que la prueba consta de casos clínicos que pueden ser complejos y que requieren de una comprensión de la unión de distintos factores. Tan solo 5 meses más tarde, en julio de ese mismo año, Google presentó Med-PaLM[ii], un sistema LLM que conseguía superar consistentemente los exámenes con alrededor de un 65%. Y en 2023 presentó Med-PaLM2, que no sólo supera el examen, si no que sus resultados rondan el 86,5% de acierto[iii], un resultado sólo al alcance de los mejores estudiantes o personas expertas.
Pero sustituir a todos los médicos por una IA no es, desde luego, una opción sensata. Para aprovechar todos los pros de esta tecnología se ha de optimizar el proceso de integración en distintos aspectos que creen la mejor sinergia entre los profesionales sanitarios y la IA. En concreto, algunos expertos[iv] han detectado 8 áreas de interés en las que la IA podría ayudar directamente a los profesionales sanitarios con su trato con el paciente.
- Diagnóstico: La IA podría ayudar a predecir la presencia o ausencia de enfermedades como lo haría un médico. Para ello, puede basarse en síntomas, pruebas, el historial del paciente u otros datos relevantes. Estas predicciones diagnósticas permiten encontrar un tratamiento a tiempo para hallar la cura de la enfermedad.
- Pronóstico: Además del diagnóstico, gracias a su enorme base de datos, los modelos pueden ayudar a predecir tanto la evolución como el desenlace probable de una enfermedad. Este tipo de predicciones permiten comprender el progreso de la enfermedad con o sin el tratamiento, así como si existen posibles complicaciones a tener en cuenta.
- Evaluación de riesgos: Las IAs pueden recopilar datos del paciente como la genética, el estilo de vida, su exposición a factores ambientales y otros problemas de salud. De este modo, podrían lograr predecir la probabilidad de que un paciente desarrolle una enfermedad en un futuro y actuar al respecto antes de que la desarrolle.
- Respuesta al tratamiento: Una de las ideas más interesantes en las que se pueden emplear los modelos de IA es para potenciar la medicina personalizada. Con los datos de cada paciente, especialmente los genéticos, se pueden establecer dosis de fármacos mucho más precisas que tienen en cuenta factores genéticos o metabólicos de cada paciente. De este modo, adaptando el tratamiento a cada paciente, se puede maximizar su beneficio minimizando el riesgo.
- Evolución de la enfermedad: En enfermedades crónicas, como la diabetes, o trastornos neurológicos, es crucial predecir cómo va a evolucionar la enfermedad a lo largo del tiempo para poder prever necesidades asistenciales. La IA podría hacer el papel del planificador de estrategias para distintos escenarios y, de nuevo, personalizar el tratamiento para cada persona.
- Riesgos de reingreso: Con todos los datos anteriores, las IAs también podrían ayudar a identificar a aquellos pacientes que tienen una mayor probabilidad de reingreso. Así, tanto profesionales sanitarios, como hospitales en su conjunto pueden estar preparados para actuar de forma efectiva ante las recaídas.
- Riesgos de complicaciones: En todo procedimiento médico existe riesgo de complicaciones. Identificarlas, detectarlas, y tratar de encontrar un remedio para que ocurran con menor frecuencia podría ser un campo interesante para la IA.
- Predicción de la mortalidad: Por último, la IA también podría predecir el riesgo de mortalidad de los pacientes ante una enfermedad. De este modo, podría ayudar a tomar decisiones relativas al tratamiento, así como a planificar los cuidados paliativos que se ofrecen al paciente al final de la vida.
Pero estos usos únicamente tienen en cuenta los potenciales beneficios de la IA en la consulta médica. Es decir, se trata de una especie de compañero que puede echar un cable al médico o indicar que se le ha pasado algo por alto.
Por último, uno de los puntos clave del sistema sanitario es el desarrollo de medicamentos. En estos, las empresas farmacéuticas utilizan cada vez más herramientas de IA en las fases de I+D. Por ello, la EMA ha establecido en mayo de 2025 una hoja de ruta para la gestión, el análisis y el intercambio de datos médicos a través de un documento llamado «Seizing opportunities in a changing medicines landscape» Sopesando las oportunidades en un panorama médico cambiante[v]. La idea es establecer también un marco de coordinación para abordar las nuevas iniciativas legislativas en la Unión Europea.
En el sistema de salud intervienen muchos otros actores sin cuyo trabajo, lo más probable es que nada de lo anterior funcionase. Un claro ejemplo son los epidemiólogos, que se encuentran revisando constantemente los casos de ciertas enfermedades para contener posibles brotes y alertar a los centros y ciudadanos de los riesgos. En España, este trabajo recae sobre la Red Nacional de Vigilancia Epidemiológica (RENAVE)[vi], coordinada desde el Centro Nacional de Epidemiología del Instituto de Salud Carlos III (ISCIII). Para facilitar su labor, una IA especializada en detectar estos patrones podría permitir detectar de forma temprana y establecer directrices en los momentos cruciales de las futuras epidemias y pandemias: sus inicios. Además, permitirían realizar modelos de predicción de la evolución de los contagios, así como ayudar en el desarrollo de vacunas y medicamentos.
Como indican desde el Ministerio de Sanidad, la pandemia de COVID-19 puso de manifiesto la existencia de ciertas debilidades y deficiencias en la vigilancia en salud pública. Especialmente ante casos excepcionales como los acontecidos durante la pandemia. Por ello, se están llevando a cabo una serie de transformaciones aprendidas a partir de los errores del pasado y que están pensadas para responder ante riesgos presentes y futuros. Enel Gráfico 1 se repasa el distinto tratamiento que se puede hacer de los datos para impulsar esas iniciativas.
En el decálogo establecido por el encuentro de profesionales de vigilancia en salud pública para avanzar en el desarrollo de la Estrategia de Vigilancia en Salud Pública en 2023 [vii], se puede leer que el eje central debería ser la historia electrónica. Muchas de estas historias están normalizadas, es decir, siguen los mismos patrones. Sin embargo, todavía quedan algunos centros en los que no ha sido posible (por falta de recursos o por otros motivos) seguir los patrones de otros hospitales. Ahora bien, la normalización no es sólo buena para los centros. Tener datos ordenados de una forma consistente, puede servir como primera piedra para una correcta entrada de asistentes virtuales basados en IA que puedan ayudar con los análisis de datos epidemiológicos.
En el caso concreto de nuestro país, este refuerzo en la vigilancia es crítico, puesto que están apareciendo nuevas enfermedades que amenazan a la salud de las personas. Como ya hemos podido observar en los últimos años, debido al cambio climático y al establecimiento de especies tropicales, enfermedades otrora erradicadas como la malaria[viii], la rickettsiosis[ix] o la tripanosomiasis africana[x] podrían ser vez más frecuentes. En este escenario es crucial mantenerlas vigiladas para conocer el nivel de riesgo, los puntos calientes, y poder emitir alertas tempranas ante cualquier caso. Además, también es necesario seguir con el desarrollo normativo para regular la red de vigilancia a nivel estatal y de las comunidades autónomas.
Compartiendo datos médicos entre países de una forma ética y responsable, las IA podrían entrenarse con poblaciones y condiciones más diversas, aumentando así su robustez y su capacidad de acierto en cualquier cuestión médica. Así, también podrán alertar de posibles brotes epidemiológicos que puedan trasmitirse rápidamente a los países colindantes y avisar a los centros de salud para que puedan diseñar estrategias ante cualquier contratiempo.
Para lograr implementar las herramientas, lo primero es crearlas y, para ello, cientos de investigadores se encuentran desarrollando y entrenando modelos de IA que permiten hacer en segundos lo que a una persona le llevaría décadas. Este es el caso del Laboratorio de Genómica Biomédica, liderado por la investigadora ICREA Dra. Núria López-Bigas en el Parc Científic de Barcelona. En el laboratorio, han desarrollado una herramienta computacional que identifica las mutaciones que producen cáncer en cada tipo de tumor. De este modo, pueden personalizar la terapia para cada tipo de paciente y elegir el tratamiento con mayor probabilidad de éxito para las mutaciones concretas de cada tumor. [xi]
La herramienta, llamada BoostDM, también es capaz de simular cada posible mutación dentro de cada gen e indicar cómo puede evolucionar, consiguiendo que los oncólogos vayan uno (o varios) pasos por delante del cáncer y, así tomar las decisiones pertinentes.
La IA también se está utilizando en la actualidad para facilitar la interpretación de radiografías. Concretamente, desde el mes de abril de 2025 están participando en una investigación piloto la mayoría de los hospitales de la Comunitat Valenciana. La imagen, tras ser analizada por IA, siempre la interpreta y visualiza un facultativo, que es quien toma la decisión. Para garantizar la validez de este algoritmo la validación se realizó en dos fases. La primera consistió en un estudio retrospectivo donde se fueron seleccionando imágenes que ya habían sido analizadas y diagnosticadas por radiólogos para que las leyera la inteligencia artificial y, de este modo, poder hacer una comparativa de su eficacia. Posteriormente, en el estudio prospectivo, corroboraron estos resultados en la práctica asistencial.
Los resultados hablan por sí mismos: la IA logró más de un 90% de fiabilidad y, aún más importante, un alto valor predictivo negativo. Esto quiere decir que, si la IA no detecta ninguna patología, hay una probabilidad minúscula que se equivoque[xii].
El Gráfico 2 repasa las distintas aplicaciones de la IA para mejorar el sistema sanitario. También se está utilizando para reducir la burocracia que limita la actividad de los médicos. En el caso de la comunidad de Madrid, se está estudiando la posibilidad de implementar en 2026 una herramienta que reduciría en hasta un 70% el tiempo que dedican los profesionales sanitarios a rellenar informes, formularios y documentos. La idea es sencilla: en cada consulta, una IA escuchará la conversación entre el médico y el paciente e irá transcribiendo los datos relevantes en un documento. Para garantizar la privacidad, los audios no se almacenarán, sólo el documento transcrito con las palabras relevantes. El objetivo tras esta idea es optimizar el trabajo del personal clínico y busca por un lado reducir el tiempo dedicado a introducir información manualmente en la Historia Clínica Electrónica y así mejorar la atención del profesional.[xiii]
Por tanto, al igual que en otras partes de nuestra vida, no será raro ver como la IA va abriéndose un hueco en nuestro sistema de salud. La IA en sanidad ofrece todo un mundo de posibilidades que explorar, un mundo en el que, primero se requiere inteligencia real que busque dónde esta compañera es realmente útil. De aplicarla correctamente, podemos afirmar sin miedo a equivocarnos que estamos en el principio de una revolución. Una revolución que promete remodelar y hacer más accesibles los recursos de los que disponemos para disminuir el trabajo tedioso y superfluo y aportar valor a todas y cada una de las horas que dedican los profesionales sanitarios a su trabajo. Es decir, la IA en sanidad promete ser esa compañera a la que acudes cuando hay problemas, para pedirle consejos y que ofrece soluciones basadas en una enorme cantidad de datos que tiene en sus cabeza silícea, comúnmente conocida como “servidores”.
EN ACCIÓN. La nueva era de colaboración médico-máquina
Con 4.500 millones de personas sin acceso a servicios de salud esenciales, la inteligencia artificial (IA) podría ayudar a cerrar la brecha, pero la atención médica está por debajo de la media en adopción de IA en comparación con otros sectores. En el Reino Unido, donde alrededor de 350.000 personas son trasladadas en ambulancia al hospital cada mes, un estudio ha revelado que, en el 80% de los casos, la IA podía predecir correctamente qué pacientes debían ser transportados[xiv]. Se espera que la IA generativa en el mercado de la atención médica alcance los 2.700 millones de dólares en 2025 y llegue cerca de los 17.000 millones en 2034[xv]. Los servicios de salud experimentarán una transformación fundamental y pasarán de ser sistemas centrados en la información a plataformas de soluciones para la automatización, una revolución que marcar inevitablemente los enfoques operativos del futuro en múltiples sectores.
En los próximos cinco años, la IA tendrá el potencial de transformar la preparación para las pandemias y de predecir el impacto de los brotes de enfermedades en pacientes individuales. Los avances recientes en metodologías de IA funcionan cada vez mejor, incluso con datos limitados, lo que representaba un importante obstáculo para su adopción hasta la fecha, y abre nuevas posibilidades tanto en países de ingresos altos como de bajos ingresos[xvi]. No obstante, habrá que superar las dificultades que todavía frenan su expansión cuando se requiere una gran cantidad de contexto[xvii] para crear pronósticos epidémicos más completos y precisos[xviii]. Las redes orgánicas y sociales, desde los sistemas inmunitarios humanos hasta la movilidad poblacional, son por definición adaptativos, y cualquier perturbación afecta a la precisión de las predicciones. Se necesitarán nuevos tipos de IA y nuevos enfoques que superen a las visiones compartimentadas.
Un avance notable, en el punto de convergencia entre las posibilidades que abren las tecnologías de IA y la realidad dinámica sobre la que se tienen que aplicar, es la aparición de los Sistemas de Gestión de Automatización Regulatoria (RAMS), que están a punto de sustituir a los Sistemas de Gestión de Información Regulatoria (RIMS) tradicionales en Estados Unidos. Gracias a ellos, empresas como Weave Bio y Collate están consiguiendo reducir los tiempos de procesamiento de documentos de la Food and Drug Administration (FDA) de EEUU de meses a tan solo días[xix].
Por su parte, el Espacio Europeo de Datos de Salud (EEDS)[xx] se presenta como un pilar clave de la futura Unión Europea de la Salud[xxi] y abre un amplio abanico de oportunidades para la implantación de nuevas soluciones de IA que ayuden a mejorar la gestión del sistema. Es el primero que surge dentro de la Estrategia Europea de Datos[xxii], entró en vigor en 2025 y promueve el intercambio de información para la asistencia sanitaria en toda la UE, al tiempo que fomenta un auténtico mercado único de sistemas de historia clínica electrónica (HCE) y crea un modelo fiable para reutilizar los datos de salud en investigación, innovación, formulación de políticas y reglamentación.
Para facilitar la implantación de la IA, se verá complementado por las infraestructuras de datos especializadas (como 1+Million Genomes, Cancer Image Europe o EOSC-Life), junto con la red de computación de alto rendimiento que impulsa Europa. Hasta 39 entidades de la comunidad sanitaria de la UE celebraron en un comunicado conjunto la publicación del EEDS[xxiii]. Según dijeron, es fundamental para evitar burocracia y carga de trabajo innecesarias a los proveedores y profesionales sanitarios, así como para superar las interpretaciones fragmentadas de la legislación. Se complementa, con la Recomendación sobre un Formato de Intercambio de Historiales Clínicos Electrónicos Europeos (EEHRxF) establece el marco para lograr un acceso a la información seguro, interoperable y transfronterizo[xxiv].
La Comisión Europea prevé que el mejor acceso e intercambio de servicios de salud produzca un ahorro todavía discreto, de 5.500 millones de euros durante diez años. Aún quedan varios desafíos para garantizar la implementación eficaz y eficiente de las herramientas de IA y ampliar su adopción equitativa y justa en la práctica clínica. La iniciativa AICare@EU está diseñada precisamente para eliminar las principales barreras y el Proyecto SHAIPED, desarrollado con fondos europeos, pilota la validación y la implementación de modelos y herramientas de IA utilizando la infraestructura del EEDS. Además, la Comisión Europea apoya a los Estados miembro en la planificación del personal sanitario, con el fin de retener a los profesionales y de perfeccionar y reciclar a las plantillas, en el marco del Pacto por las Capacidades.
Las estrategias de IA en salud deben articularse, asimismo, asumiendo que los hospitales y los sistemas sanitarios se enfrentan a una ola creciente de ciberataques impulsados por el alto valor económico de los datos de los pacientes, incluidos los HCE. El sector sanitario se ha convertido, de hecho, en el más atacado de la UE en los últimos cuatro años, incluso durante la pandemia de COVID-19[xxv]. El 71% de los asaltos informáticos con efectos en la atención al paciente, como retrasos en el tratamiento y el diagnóstico, y dificultades para acceder a los servicios de urgencia, son de tipo ransomware[xxvi]. En ese sentido, hay que ser conscientes de que, conforme se expande la digitalización (una media del 79% de los ciudadanos de la UE tiene acceso online a sus historiales médicos electrónicos en atención primaria[xxvii]) crece la superficie de ataque. Si se suman los sistemas de información clínica, los sistemas de flujo de trabajo hospitalario, los sistemas de imagen médica y los dispositivos utilizados con fines de diagnóstico o para la monitorización de pacientes, el abanico de objetivos potenciales de un ataque de ciberseguridad resulta inmenso.
La Asociación Médica Estadounidense suele referirse a la «inteligencia aumentada» para enfatizar que la finalidad de la IA debe ser asistir y no sustituir a los profesionales sanitarios, que siguen siendo necesarios para proporcionar contexto clínico a los algoritmos y para traducir sus hallazgos en decisiones en beneficio de para los pacientes. No obstante, algunos usos de la IA en el ámbito sanitario siguen fuera del ámbito de la FDA en ese país, debido a que cierto software está excluido de la definición de dispositivo médico[xxviii]. Lograr un ecosistema de gobernanza exitosa de la IA es, en definitiva, uno de los grandes desafíos a los que se enfrentan los sistemas nacionales de salud. Requiere de una comprensión detallada de las competencias y capacidades de los diferentes actores, el establecimiento de marcos de actuación y la asignación de responsabilidades a entidades con la capacidad operativa necesaria[xxix]. Quizás por ello, como muestra el Gráfico 3, los inversores están mostrando dudas después del alza de interés suscitado tras el COVID-19.
La gobernanza de la IA constituye, de hecho, un concepto relativamente nuevo para los sistemas de salud[xxx]. Implica revisar y evaluar las herramientas individuales de IA para garantizar que se puedan utilizar de forma segura y eficaz, y que cumple la legislación aplicable. Un estudio sobre apenas seis sistemas de salud en Estados Unidos detectó que algunos habían integrado la gobernanza de IA junto a la del resto de herramientas de software; otros diseñaron un proceso de gobernanza completamente independiente; y otros adoptaron un enfoque híbrido. Cuando el fiscal general de California, Rob Bonta, solicitó por carta a los CEO de los hospitales de su Estado, en septiembre de 2022, que le enviaran una lista de todas las herramientas de software que utilizaban, pudo comprobar la clara necesidad de un inventario centralizado y un sistema de evaluación estandarizado.
Los sistemas de IA inevitablemente absorben y perpetúan la infrarrepresentación de ciertos grupos o los sesgos de género en el tratamiento de los datos con los que se alimentan. Una IA utilizada en varios sistemas de salud de Estados Unidos mostró sesgo al priorizar a los pacientes blancos más saludables sobre los pacientes negros más enfermos para la gestión de cuidados adicionales. Había sido entrenada con datos de costes, no con datos de necesidades de atención.[xxxi] Si no se adoptan las precauciones oportunas, los algoritmos pueden predecir menores riesgos para la salud en poblaciones que históricamente han tenido menos acceso a los servicios de salud, no porque sean más saludables, sino porque hay menos uso documentado de la atención médica. A ello se suma el cambio climático, que está exacerbando las desigualdades sociales y sanitarias existentes, al aumentar la vulnerabilidad a la aparición y resurgimiento de enfermedades infecciosas como la malaria, el dengue y el zika[xxxii]. Existe, en fin, una necesidad crítica de científicos de datos en los sistemas de salud, a los que se les podría pedir un «Juramento del Científico de Datos», similar al Juramento Hipocrático, que consagre su compromiso específico para abordar el sesgo algorítmico[xxxiii]. Soluciones de blockchain específicas para los sistemas de salud basados en IA ofrecen una solución para los problemas de privacidad y seguridad que frenan la adopción generalizada de aplicaciones de IA en la atención médica[xxxiv].
Los sistemas de salud se enfrentan a tres desafíos al abordar el sesgo algorítmico: la falta de definiciones claras y de un estándar de imparcialidad; la insuficiente especificidad contextual; y la naturaleza de «caja negra» de los algoritmos[xxxv]. Los científicos de datos, los médicos y los pacientes desean, necesitan y tienen derecho a saber cómo produjo un resultado o predicción en particular un algoritmo. Al mismo tiempo, los equipos que desarrollan las aplicaciones IA deben ser conscientes de las especificidades del contexto del sistema de salud, así como de las diferentes expectativas de los distintos grupos, para evitar el incurrir en sesgos comprometiendo lo mínimo posible la velocidad de implantación.
El hecho es que, a pesar del auge de la IA médica (la FDA de EEUU había autorizado 1.016 dispositivos de IA para uso clínico hasta septiembre de 2024[xxxvi]), persisten las dudas sobre su uso rutinario que van más allá de las limitaciones técnicas y se centran en la confianza, no solo en las herramientas de IA, sino también en sus creadores. La «IA explicable» sigue siendo, por eso, una prioridad política[xxxvii], en la medida en que las herramientas digitales pueden perpetuar las desigualdades sistémicas dentro de las sociedades si no se diseñan y valida con equidad.
Una encuesta del Pew Research Center descubrió que el 60% de los adultos estadounidenses, en todos los grupos demográficos, expresan incomodidad con la idea de que su proveedor de atención médica dependa de la IA[xxxviii]. En Europa, los pacientes no quieren que su atención se subcontrate a un algoritmo «cortado por tijera» en lugar de guiarse por la experiencia humana[xxxix]. Se pide apoyo a la innovación tecnológica europea y una mayor integración de la IA en los centros sanitarios, que garantice una atención y un diagnóstico fiables, seguros y eficaces[xl].
La IA puede automatizar tareas para liberar tiempo y permitir que los médicos se centren más en sus pacientes, «humanizando» la atención de nuevas maneras[xli]. El síndrome de burnout en profesionales sanitarios ha aumentado en Estados Unidos, especialmente en atención primaria, y el uso de los HCE es un factor clave en esa deriva. La documentación y las cargas administrativas, la usabilidad compleja, la mensajería electrónica y la bandeja de entrada, la carga cognitiva y la demanda de tiempo han cambiado inherentemente con respecto a los registros en papel[xlii]. Muchas tareas administrativas también se han convertido en responsabilidades adicionales para los médicos. Las consecuencias de este burnout para la atención médica pueden materializarse en errores médicos relevantes, mala calidad de la atención, incidentes de seguridad, menor satisfacción del paciente y rotación del personal de atención primaria.
Casi el 80% de los hospitales[xliii] y el 86% de las clínicas ambulatorias en Estados Unidos implementaron un modelo de HCE en 2015 y 2017, respectivamente. La prevalencia del síndrome de burnout médico ha aumentado en todas las especialidades en los últimos años, y alcanza significativamente los niveles más altos, de casi el 50%, en atención primaria en Estados Unidos[xliv]. Cerca del 75% de las personas con síntomas de burnout identifican los HCE como una fuente de estrés[xlv]. En una encuesta a 282 médicos de tres instituciones en California, Colorado y Nuevo México, el 68% de los cuales trabajaba en atención primaria, la preocupación más destacada (86,9% de los encuestados) fue la entrada excesiva de datos. De hecho, los médicos pueden necesitar hasta dos horas adicionales por cada hora de contacto directo con los pacientes para las tareas administrativas. Los médicos que no disponen de tiempo suficiente para la documentación tienen 2,8 veces más probabilidades de presentar síntomas de agotamiento. En algunos casos los horarios de las clínicas se acortan deliberadamente y se cierran espacios para evitar que eso suceda.
La calidad de la experiencia de usuario con una tecnología se puede medir con la escala de usabilidad del sistema (SUS) que oscila entre 0 y 100. Una búsqueda de Google recibe 93 puntos y una calificación de usabilidad de A, mientras que la puntuación de Microsoft Excel es de 57, y su calificación de usabilidad F, lo que lo sitúa en la banda 22% inferior[xlvi]. La media de la industria de salud es de 68 puntos y el sistema EHR (Electronic Health Records) recibe una puntuación SUS de 45,9, lo que lo sitúa en el 9% con peor rendimiento, y una calificación F, considerada «no aceptable» en comparación con otros productos. El 90% de los médicos de atención primaria señalan que los EHR deben ser más intuitivos y receptivos, y el 72% creen que mejorar las interfaces de usuario sería la mejor manera de abordar sus desafíos en el futuro inmediato. No se trata, por tanto, únicamente de introducir más IA en los registros de pacientes. Para que ésta sea efectiva necesita que el resto de aplicaciones tecnológicas la complementen. Cuando los médicos de la Facultad de Medicina de Yale cambiaron a un sistema de inicio de sesión con tarjeta de identificación para eliminar la escritura repetitiva del nombre de usuario y la contraseña, algo que tenían que realizar hasta 140 veces al día, se ahorraron 20 minutos diarios, además de una evidente molestia.
En abril de 2025, en un centro de convenciones de Chicago, decenas de miles de asistentes observaron cómo GPT-4, era capaz de convertir la interacción con un paciente en una nota clínica en segundos[xlvii]. El profesional sanitario registró la visita en la aplicación móvil de la plataforma de IA, donde aparecía la información del paciente en tiempo real; al finalizar la consulta, la IA generó las notas y, tras la oportuna revisión, las envió a la HCE de la persona. Se estima que los equipos de atención primaria pueden utilizar soluciones de voz basadas en IA para documentar automáticamente las conversaciones con sus pacientes en, al menos, el 60% de las visitas. Esto puede permitir a los médicos atender hasta nueve pacientes adicionales al mes[xlviii].
El 70% de las tareas del personal sanitario podrían reinventarse, de hecho, mediante la mejora tecnológica. Solo en enfermería, la automatización puede liberar el 20% de las tareas repetitivas y de menor complejidad, lo que generaría un valor anual potencial de casi 50.000 millones de dólares sólo en EEUU. Aproximadamente el 40% de las horas laborales del sector sanitario se dedica a tareas lingüísticas que pueden transformarse mediante IA generativa: el 17% puede automatizarse por completo, mientras que el 23% puede ampliarse, para optimizar la eficiencia del trabajo humano. La integración de la IA en el diagnóstico puede reducir significativamente los gastos en comparación con los métodos convencionales[xlix], podría liberar entre 3,3 y 15,2 horas al día y generar un ahorro de costes de entre 1.667 y 17.881 dólares diarios en un hospital[l].
Desde un punto de vista más sistémico, el concepto de gemelo digital para la salud (DT4H) promete revolucionar todo el modelo sanitario, incluyendo la gestión y la prestación de servicios, el tratamiento y la prevención de enfermedades, y el mantenimiento del bienestar. Sin embargo, si bien existen diversas iniciativas en marcha, el DT4H aún se encuentra en sus etapas iniciales[li]. En la gestión de traumas, se están dando pasos prometedores: el gemelo digital puede comenzar a actuar antes de la llegada del paciente al centro de salud, porque la recopilación y recepción de información se realiza ya directamente en el lugar del accidente, lo que permite tiempos de respuesta más rápidos, cruciales cuando el tiempo apremia.
Siemens Healthineers y General Electric Healthcare son algunas de las compañías que se están asociando con centros de salud para simular cambios en los flujos de trabajo y el equipo médico. Durante la pandemia de COVID-19, que podría considerarse una prueba de estrés digital, los modelos predictivos permitieron anticipar el riesgo de escasez de recursos para cuidados críticos, como ventiladores, así de soporte vital extracorpóreo (ECLS), antes de que se produjeran. Los avances futuros en computación de alto rendimiento podrían proporcionar la potencia de procesamiento necesaria para modelados y simulaciones más complejos. Se beneficiarán también de los avances en tecnología móvil de banda ancha en 5G, que ofrecerán velocidades de transferencia de datos más rápidas y una menor latencia. Sobre el terreno las tecnologías AR/VR (realidad aumentada/realidad virtual) permitirán interactuar con los gemelos digitales de salud de una manera más inmersiva e intuitiva y mediante blockchain y DLT (Tecnología de Registro Distribuido) se garantizará el almacenamiento y transferencia descentralizada, segura y transparente de los datos.
Entre las empresas emergentes, la norteamericana Cohere Health utiliza IA para crear proactivamente rutas de atención basadas en datos, lo que permite la preaprobación de los servicios y facilita a los hospitales la gestión de la disponibilidad de camas. Mediante el uso de análisis predictivos basados en IA, pueden pronosticar los ingresos y las altas de pacientes con mayor precisión[lii]. La plataforma de la danesa Corti, por su parte, resume automáticamente las llamadas de emergencia, agiliza la documentación y monitoriza el rendimiento de los empleados. De ese modo, ayuda a los equipos a identificar ineficiencias y ofrece retroalimentación personalizada a los empleados.
Garantizar un equilibrio saludable entre la vida laboral y personal para colectivos como el de enfermeros ya no es solo un ideal, sino una necesidad[liii]. Se trata de una de una profesión inherentemente exigente, con turnos largos, entornos de alta presión y un compromiso con la atención centrada en el paciente, a menudo a expensas de la propia salud. La escasez cada vez mayor de enfermeros, exacerbada por las crisis sanitarias mundiales, acentúa aún más la demanda de soluciones para garantizar la atención a una población envejecida y el aumento de los costes operativos[liv]. Estados Unidos se enfrentará a una escasez de entre 54.000 y 139.000 médicos en 2033, mientras que el déficit mundial de enfermería podría alcanzar los 13 millones de profesionales.
Están surgiendo aplicaciones de la IA para abordar esta cuestión clave. En comparación con los horarios preparados manualmente, los generados por ordenador han demostrado ajustarse mejor a las necesidades del colectivo[lv]. Pero el desafío de hacer que incluso sistemas rigurosamente probados funcionen bien en la práctica clínica persiste. Las vicisitudes que tuvo que superar el modelo de sepsis épica, una de las plataformas de alerta clínica más utilizados, lo ejemplifican con elocuencia. El Epic Sepsis Prediction Model (ESPM) es un algoritmo desarrollado por Epic Systems para predecir el riesgo de sepsis en pacientes hospitalizados utilizando datos electrónicos de salud. Se construyó a partir de los datos de HCE de 405.000 pacientes de tres sistemas de salud. En un gran estudio de validación externa, el modelo no logró identificar al 67% de los casos de sepsis. Su fracaso se atribuyó, en parte, a la implementación de los modelos de HCE[lvi]. Las técnicas avanzadas de aprendizaje automático han superado consistentemente a los métodos estadísticos tradicionales en la identificación de dolencias, con índices de precisión de entre el 55,6% y el 95%. No obstante, estos modelos a menudo se han considerado «cajas negras», lo que dificultaba la interpretación de sus predicciones. El equilibrio entre precisión e interpretabilidad constituye una de las grandes oportunidades para la innovación tecnológica[lvii].
Durante el triaje, los profesionales sanitarios toman decisiones sobre el alta y el ingreso basándose en su evaluación de las necesidades de los pacientes y los recursos médicos disponibles[lviii]. Las decisiones suelen ser subjetivas y pueden llevar a admitir a pacientes de «bajo riesgo». La capacidad de la IA para procesar, conectar y sacar conclusiones de grandes cantidades de datos se puede utilizar para estratificar el riesgo de los pacientes según sus factores y necesidades personales. Se ha demostrado que las soluciones de IA previas al diagnóstico diferencian con precisión a los pacientes de bajo riesgo de los de alto riesgo[lix], incluso a partir de evaluaciones autoinformadas. El NHS Improvement (NHSI) ha publicado en Reino Unido varias herramientas e informes para ayudar a gestionar el flujo de pacientes. SAFER reduce los retrasos en las unidades de pacientes adultos hospitalizados, y habitualmente se utiliza junto con “Red2Green Bed Days”, un sistema de gestión visual para identificar el tiempo perdido y la LOS (duración de la estancia del paciente).
El panorama regulatorio está teniendo que evolucionar rápido, para mantener el ritmo de los avances tecnológicos[lx] y abordar los nuevos riesgos emergentes asociados al intercambio de datos. Los pacientes pueden percibir esto último como una violación de su privacidad, especialmente si los hallazgos se hacen públicos para terceros. Pero se requieren grandes cantidades de datos de diversas fuentes para entrenar algoritmos de IA en atención médica, y la fragmentación en diferentes plataformas y sistemas dificulta mucho el acceso a ellos. La función de autoaprendizaje del software de IA plantea también retos a los reguladores a medida que los algoritmos evolucionan continuamente con el uso. En un estudio de Panel AmeriSpeak[lxi], la mayoría de los encuestados mostraron poca confianza en su sistema de atención médica para usar la IA de manera responsable (65,8%) y también en que su sistema de atención médica se aseguraría de que una herramienta de IA no los dañara (57,7%). Las mujeres destacaron por su mayor escepticismo.
Es probable que esos escrúpulos de la población, unidos al enfoque hipercauteloso del sector salud, expliquen que la adopción de la IA generativa se limite todavía, por lo general, a pilotos fragmentados. Pocos modelos han progresado más allá del desarrollo o validación retrospectiva, creando lo que comúnmente se llama el «abismo de la IA”. Sin aplicarse sobre el terreno y sin datos disponibles, traducir algoritmos de IA de entornos in silico a entornos clínicos del mundo real sigue siendo un desafío formidable[lxii]. Los algoritmos no pueden funcionar de forma aislada, deben contar con infraestructura, recursos y personal especializado capacitado para actuar según sus predicciones. Esta situación debe abordarse con urgencia porque la ausencia de una estrategia holística en el campo de la IA podría colocar a las organizaciones sanitarias en riesgo de quedarse atrás. Boston Consulting Group prevé que eso comience a corregirse el próximo año, cuando se expandirá el uso de la IA en flujos de trabajo completos, en lugar de solo tareas específicas[lxiii]. Por ejemplo, agentes inteligentes automatizarán la atención completa de un paciente, desde la admisión hasta el plan de tratamiento.
Llama la atención que, frente a las suspicacias acerca de la capacidad de la IA para asumir tareas del sistema de salud, los consumidores utilizan cada vez más los chatbots para hacer consultas. Una encuesta de KFF de agosto de 2024 revela que uno de cada seis adultos conversa con ellos al menos una vez al mes sobre aspectos relacionados con su salud y bienestar, cifra que aumenta al 25% en el caso de los adultos menores de 30 años. Obviamente, de consolidarse esta tendencia, provocará una reconversión de los modelos de plataformas de atención online y potenciará la transición hacia enfoques proactivos ligados a la Medicina 3.0, que impulsa la prevención, la personalización y la participación con la mirada puesta en la longevidad.
Si vemos el vaso medio lleno, en última instancia, la IA también podrá ayudar a difundir online y de forma masiva información sobre la prevención de enfermedades, ya que permite llegar rápidamente a un gran número de personas e incluso analizar textos en redes sociales para predecir brotes[lxiv]. Por ejemplo, un estudio reveló que las búsquedas en internet de términos relacionados con el COVID-19 se correlacionaban con los casos reales de contagio[lxv]. En este caso, la IA podría haberse utilizado para predecir dónde se produciría un brote y, posteriormente, ayudar a las autoridades a saber cómo comunicarse mejor y tomar decisiones para ayudar a detener la propagación.
EN ESPAÑA. IA en la sanidad desde la atención primaria
La Inteligencia Artificial (IA) se está integrando cada vez más en el panorama sanitario en España, con el objetivo de mejorar la atención al paciente. Asebio detecta[lxvi] una demanda creciente, ya que en la actualidad sólo el 11% de los profesionales sanitarios en España utilizan la IA, pero un 42% tiene intenciones explícitas de hacerlo en el futuro. El Gobierno ha puesto en marcha iniciativas para promover el uso de la IA en la sanidad, como el programa Estrategia de IA en Salud y el Observatorio de IA en Salud. En el ámbito de la investigación universitaria y los centros tecnológicos, no dejan de aparecer soluciones sanitarias basadas en IA, centradas en áreas como el diagnóstico por imagen o las prótesis. La decisión de Microsoft de ubicar en Barcelona su nuevo centro de I+D especializado en IA reforzará todas estas actividades. El 92 % de la población en España tiene acceso a la información y los sistemas de información basados en registros de Atención Primaria (SIAP) cuentan con datos anónimos de alrededor de 12 millones de personas. A ello se suma una red hospitalaria (CMBD) que integra información administrativa y clínica de los pacientes en hospitales públicos y privados. Pese a que todavía queda mucho camino por recorrer para acabar con los silos de información y facilitar la interoperabilidad y el intercambio, se han producido avances significativos.
Una encuesta a empresas del sector de servicios para la salud revela que la personalización de los tratamientos gracias al uso de la IA es uno de los puntos de mejora en nuestro país, ya recibió el 37% de respuestas afirmativas de las empresas españolas, frente al 45% de la media del resto de países analizados. Hay margen de mejora también en el ámbito del diagnóstico médico y la actualización de historiales clínicos. España supera al resto, en cambio en el uso de IA para la planificación del tratamiento (49% frente al 46%). El informe detecta, asimismo, retos significativos en torno a la seguridad de los datos de los pacientes y la gestión de dispositivos, debido en buena medida a los problemas de integración tecnológica y de cumplimiento de los sistemas heredados. En cualquier caso, el uso de IA en organizaciones sanitarias ha pasado del 61% en 2024 al 81% un año después, ha dejado de ser una herramienta meramente administrativa y se emplea para la mejora de servicios sanitarios avanzados.
El Gobierno anunció en julio de 2025 un ambicioso plan de ayudas por valor de 180 millones de euros, destinado a la aplicación de la inteligencia artificial (IA), que incluye 50 millones para la convocatoria RedIA Salud, impulsada por Red.es. Cuenta con financiación del Fondo Europeo de Desarrollo Regional (FEDER) y abordará las diferentes etapas del proceso asistencial, desde la predicción y diagnóstico de enfermedades hasta el tratamiento y seguimiento de los pacientes. También se podrán presentar proyectos enfocados en la investigación clínica, biomédica y farmacológica, así como en la gestión de sistemas sanitarios o la respuesta ante emergencias.
El impacto de la IA está produciendo ya casos de éxito como el del Hospital de Sant Pau en Barcelona, que ha pasado de tener seis máquinas de resonancia magnética a cuatro porque el algoritmo reduce los plazos y permite actuar con más agilidad. Funciona como un copiloto que ayuda a los especialistas a encontrar lesiones, tanto las buscadas, como otras que podrían estar ocultas. En el servicio de urgencias del mismo hospital, la IA permite empezar a diagnosticar de madrugada aunque no se haya incorporado el especialista. Durante los meses de junio y julio de 2025, el Ministerio de Sanidad puso en marcha un piloto para incorporar la IA a las consultas de atención primaria de siete comunidades autónomas que se ofrecieron voluntarias: Cantabria, Euskadi, Catalunya, Murcia, Comunitat Valenciana, Castilla-La Mancha y Extremadura[lxvii]. La herramienta se usó para transcribir la conversación entre paciente y personal médico, eliminando así la barrera que supone el ordenador. Al final de la consulta, el sistema artificial proporcionaba un resumen con los síntomas, los antecedentes y la situación familiar, documento que se procedía a eliminar una vez el profesional generaba y validaba el correspondiente informe. El facultativo se podía centrar exclusivamente en la entrevista sin necesidad de teclear simultáneamente. El Ministerio tenía previsto implantar nuevas funcionalidades en el futuro como la gestión de citas y la elaboración los resúmenes previos a la consulta a partir de la información disponible de los pacientes.
[i] Sallam, M. (2023) ‘CHATGPT utility in healthcare education, research, and practice: Systematic review on the promising perspectives and valid concerns’, Healthcare, 11(6), p. 887. doi:10.3390/healthcare11060887. (Consultado el 18/06/2025)
[ii] Singhal, K. et al. (2023) ‘Large language models encode clinical knowledge’, Nature, 620(7972), pp. 172–180. doi:10.1038/s41586-023-06291-2. (Consultado el 18/06/2025)
[iii] Singhal, K. et al. (2025) ‘Toward expert-level medical question answering with large language models’, Nature Medicine, 31(3), pp. 943–950. doi:10.1038/s41591-024-03423-7. (Consultado el 18/06/2025)
[iv] Khalifa, M. and Albadawy, M. (2024) ‘Artificial Intelligence for clinical prediction: Exploring key domains and essential functions’, Computer Methods and Programs in Biomedicine Update, 5, p. 100148. doi:10.1016/j.cmpbup.2024.100148.
[v] European Medicines Agency, Seizing opportunities in a changing medicines landscape – The European medicines agencies network strategy 2028, Publications Office of the European Union, 2025 (Consultado el 18/06/2025).
[vi] ISCIII – Vigilancia en Salud Pública – Renave ISCIII Portal Web. Disponible en: https://www.isciii.es/servicios/vigilancia-salud-publica-renave (Consultado el 18/06/2025).
[vii] ‘Conclusiones del Encuentro de profesionales de vigilancia en salud pública para avanzar en el desarrollo de la Estrategia de Vigilancia en Salud Pública’ (2023). Ministerio de Sanidad. (Consultado el 18/06/2025)
[viii] Taheri, S. et al. (2024) ‘Modelling the spatial risk of malaria through probability distribution of anopheles maculipennis S.L. and imported cases’, Emerging Microbes & Infections, 13(1). doi:10.1080/22221751.2024.2343911. (Consultado el 18/06/2025)
[ix] Oteo, J.A., Santibáñez, S. and Portillo, A. (2025) ‘Enfermedades Transmitidas Por Garrapatas Duras en España’, Medicina Clínica, 164(12), p. 106989. doi:10.1016/j.medcli.2025.106989. (Consultado el 18/06/2025)
[x] Menéndez-Capote, R.L. and Bandera-Tirado, J.F. (2022) ‘Tripanosomiasis Africana humana’, Revista Española de Casos Clínicos en Medicina Interna, 7(3), pp. 9–12. doi:10.32818/reccmi.a7n3a4. (Consultado el 18/06/2025)
[xi] Muiños, F., Martínez-Jiménez, F., Pich, O. et al. In silico saturation mutagenesis of cancer genes. Nature 596, 428–432 (2021). doi:10.1038/s41586-021-03771-1 (Consultado el 18/06/2025).
[xii] Sanidad introduce La ia en Las radiografías de tórax y hueso para ayudar en el diagnóstico de patologías en urgencias y Atención Primaria – Alicante. (Consultado el 18/06/2025).
[xiii] Comunidad de Madrid (2025) La Comunidad de madrid estrenará inteligencia artificial para transcribir La Información Clínica en las consultas de atención primaria, Comunidad de Madrid. (Consultado el 18/06/2025).
[xiv] “Artificial intelligence: 10 promising interventions for healthcare”, NIHR, 28 de julio de 2023, consultado el 16/05/2025
[xv] Madeleine North, “6 ways AI is transforming healthcare”, World Economic Forum, 14 de marzo de 2025, consultado el 16/05/2025
[xvi] Moritz U. G. Kraemer et al. Artificial intelligence for modelling infectious disease epidemics, Nature, 19 de febrero de 2025, doi.org/10.1038/s41586-024-08564-w
[xvii] Noah Lloyd, “Northeastern network scientists are developing AI tools to predict — and prevent — the next epidemic”, Northeastern Global News, 17 de marzo de 2025, consultado el 15/05/2025
[xviii] Amy Roeder, “Harnessing AI to model infectious disease epidemics”, Harvard School of Public Health, 13 de marzo de 2025, consultado el 15/05/2025
[xix] Kazi Helal, Aaron DeGagne, “Takeaways From the J.P. Morgan Healthcare Conference”, Pitchbook, 21 de enero de 2025
[xx] Reglamento relativo al Espacio Europeo de Datos de Salud (EEDS) – Comisión Europea
[xxi] “The European Health Union: acting together for people’s health”, Comisión Europea, 22 de mayo de 2024
[xxii] https://digital-strategy.ec.europa.eu/es/policies/strategy-data
[xxiii] “A Call for Effective Stakeholder Engagement and Capacity Building during the Implementation of the European Health Data Space”, VVAA, 5 de marzo de 2025
[xxiv] “GUIDELINE on the electronic exchange of health data under Cross-Border Directive”, Comisión Europea 2011/24/EU, noviembre de 2024
[xxv] “European action plan on the cybersecurity of hospitals and healthcare providers”, Comisión Europea, 15 de enero de 2025
[xxvi] Reina, V. and Griesinger, C., “Cyber security in the health and medicine sector – A study on available evidence of patient health consequences resulting from cyber incidents in healthcare settings”, Publications Office of the EU, 2024
[xxvii] “2024 State of the Digital Decade report”, Comisión Europea, 2024
[xxviii] “Changes to existing medical software policies resulting from section 3060 of the 21st Century Cures Act”, FDA, 2020
[xxix] Jee Young Kim et al. “Organizational Governance of Emerging Technologies: AI Adoption in Healthcare”, FAccT ’23, 10 de marzo de 2023, doi.org/10.1145/3593013.3594089, consultado el 16/05/2025
[xxx] “AI Governance in Health Systems: Aligning Innovation, Accountability, and Trust”, Margolis Institute for Health Policy, 28 de octubre de 2024
[xxxi] Ted A. James, “Confronting the Mirror: Reflecting on Our Biases Through AI in Health Care”, Harvard Medical School, 24 de septiembre de 2024, consultado el 16/05/2025
[xxxii] Artificial Intelligence applications to support epidemic and pandemic prevention, preparedness and response, IDRC, n. d.
[xxxiii] “Envisioning the Data Science Discipline: the undergraduate perspective: Interim report”, National Academies of Sciences, Engineering, Medicine, 2018
[xxxiv] Rucha Shinde et al. Securing AI-based healthcare systems using blockchain technology: A state-of-the-art systematic literature review and future research directions, Transactions on Emerging Telecommunications Technologies, 27 de octubre de 2023, doi.org/10.1002/ett.4884
[xxxv] Trishan Panch, Heather Mattie, Rifat Atun, Artificial intelligence and algorithmic bias: implications for health systems, J Glob Health, diciembre de 2019, doi: 10.7189/jogh.09.020318
[xxxvi] “Health C for D and R. Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices”, FDA, 20 de diciembre de 2024, consultado el 16/05/2025
[xxxvii] Madeline Sagona et al. Trust in AI-assisted health systems and AI’s trust in humans, npj Health Syst., 28 de marzo de 2025, doi.org/10.1038/s44401-025-00016-5
[xxxviii] Tyson, A., Pasquini, G., Spencer, Funk C. “60% of Americans Would Be Uncomfortable With Provider Relying on AI in Their Own Health Care”, Pew Research Center, febrero de 2023, consultado el 16/05/2025
[xxxix] Chiara Longoni , Andrea Bonezzi , Carey K Morewedge, Resistance to Medical Artificial Intelligence, J. Consum. Res. 3 de mayo de 2019, doi.org/10.1093/jcr/ucz013
[xl] Medical technology industry perspective on the final AI Act, MedTech, 13 de marzo de 2024
[xli] Lisa D. Ellis, “The Benefits of the Latest AI Technologies for Patients and Clinicians”, Harvard Medical School, 30 de agosto de 2024, consultado el 14/05/2025
[xlii] Jeffrey Budd, Burnout Related to Electronic Health Record Use in Primary Care, Journal of Primary Care & Community Health,19 de abril de 2023, doi: 10.1177/21501319231166921
[xliii] Adler-Milstein J et al. Electronic health record adoption in US hospitals: the emergence of a digital “advanced use” divide. J Am Med Inform Assoc., 2017, doi.org/10.1093/jamia/ocx080
[xliv] Shanafelt TD et al. Changes in burnout and satisfaction with work-life integration in physicians and the general US working population between 2011 and 2017, Mayo Clin Proc., septiembre de 2019, doi.org/10.1016/j.mayocp.2018.10.023
[xlv] Tajirian T et al. The influence of electronic health record use on physician burnout: cross-sectional survey. J Med Internet Res., julio de 2020, doi: 10.2196/19274
[xlvi] Melnick ER, Dyrbye LN, Sinsky CA, et al. The association between perceived electronic health record usability and professional burnout among US Physicians. Mayo Clin Proc., marzo de 2020, 10.1016/j.mayocp.2019.09.024
[xlvii] Shashank Bhasker et al. “Tackling healthcare’s biggest burdens with generative AI”, McKinsey, 10 de julio de 2023, consultado el 16/05/2025
[xlviii] How talent and technology can help solve the nursing shortage, Accenture, 2023
[xlix] David B. Olawade et al. Artificial intelligence in healthcare delivery: Prospects and pitfalls, Journal of Medicine, Surgery, and Public Health, agosto de 2024, doi.org/10.1016/j.glmedi.2024.100108
[l] N.N. Khanna, M.A. Maindarkar, V. Viswanathan, J.F.E. Fernandes, S. Paul, M.M. Bhagawati, et al.
Economics of artificial intelligence in healthcare: diagnosis vs. treatment, Healthcare (Basel), 9 de diciembre de 2022, doi.org/10.3390/healthcare10122493
[li] Evangelia Katsoulakis et al. Digital twins for health: a scoping review, npj Digit. Med., 22 de marzo de 2024, https://doi.org/10.1038/s41746-024-01073-0
[lii] M. Javaid et al. Significance of machine learning in healthcare: Features, pillars and applications,
Int. J. Intell. Netw., 5 de junio de 2022, doi.org/10.1016/j.ijin.2022.05.002
[liii] Moustaq Karim Khan Rony et al. The role of artificial intelligence in enhancing nurses’ work-life balance, Journal of Medicine, Surgery, and Public Health, Agosto de 2024, https://doi.org/10.1016/j.glmedi.2024.100135
[liv] Tejash Shah, Kaveh Safavi, Daniel Owczarski, “Gen AI amplified Scaling productivity for healthcare providers”, Accenture, marzo de 2025
[lv] Franklin Leung et al. Artificial intelligence and end user tools to develop a nurse duty roster scheduling system, International Journal of Nursing Sciences, julio de 2022, doi.org/10.1016/j.ijnss.2022.06.013
[lvi] Rachel Knevel et al. From real-world electronic health record data to real-world results using artificial Intelligence, Ann Rheum Dis, marzo de 2023, doi:10.1136/annrheumdis-2022-222626
[lvii] Christo El Morr et al. AI-based epidemic and pandemic early warning systems: A systematic scoping review, Health Informatics Journal, 2024, bajo revision, doi: 10.1177/14604582241275844, consultado el 15/05/2025
[lviii] Fatema Mustansir Dawoodbhoy et al. AI in patient flow: applications of artificial intelligence to improve patient flow in NHS acute mental health inpatient units, Heliyon, mayo de 2021, doi.org/10.1016/j.heliyon.2021.e06993
[lix] He, J. et al. The practical implementation of artificial intelligence technologies in medicine.
Nat. Med., enero de 2019, doi: 10.1038/s41591-018-0307-0
[lx] Margaret Chustecki, Benefits and Risks of AI in Health Care: Narrative Review, Interact J Med Res, 18 de noviembre de 2024, doi: 10.2196/53616
[lxi] Paige Nong; Jodyn Platt, Patients’ Trust in Health Systems to Use Artificial Intelligence, JAMA Netw Open., 14 de febrero de 2025, doi:10.1001/jamanetworkopen.2024.60628
[lxii] Jethro C. C. Kwong, Integrating artificial intelligence into healthcare systems: more than just the algorithm, npj Digital Medicine, 1 de marzo de 2024, doi.org/10.1038/s41746-024-01066-z
[lxiii] Ashkan Afkhami et al. “How Digital and AI Will Reshape Health Care in 2025”, Boston Consulting Group, 14 de enero de 2025, consultado el 16/05/2025
[lxiv] “AI in healthcare: The future of patient care and health management”, Mayo Clinic, 27 de marzo de 2024
[lxv] Atina Husnayain, Anis Fuad, Emily Chia-Yu Su, Applications of Google Search Trends for risk communication in infectious disease management: A case study of the COVID-19 outbreak in Taiwan, Int J Infect Dis., 12 de marzo de 2020 doi: 10.1016/j.ijid.2020.03.021
[lxvi] “El panorama de la inteligencia artificial en el sector salud en España”, Asebio, 4 de abril de 2024
[lxvii] Sofía Pérez, “Sanidad comienza un proyecto piloto para usar la IA en las consultas de Atención Primaria de siete comunidades”, eldiario.es, 16 de junio de 2025