La inteligencia artificial (IA) está redefiniendo los límites del diagnóstico médico al combinar rapidez, precisión y personalización. Desde la aparición de los primeros sistemas expertos en la década de 1960, los algoritmos de aprendizaje profundo han demostrado su capacidad para detectar anomalías imperceptibles para el ojo humano y optimizar la atención a los pacientes. En el campo de la imagen médica, estos avances permiten ayudar a detectar patologías, con herramientas como Allisone facilita la interpretación de las radiografías dentales. Sin embargo, la integración de la IA en el ámbito de la salud plantea importantes retos normativos, con la entrada en vigor de la Ley de IA en Europa y las directrices reforzadas de la FDA en Estados Unidos. En este artículo, repasamos la evolución de la inteligencia artificial en el diagnóstico, sus aplicaciones actuales, su marco normativo y las innovaciones que aporta a la práctica clínica.

Historia de la inteligencia artificial en el diagnóstico médico

Los orígenes: los primeros sistemas expertos (1960-1970)

La IA aplicada al diagnóstico médico tiene sus raíces en la década de 1960, con el desarrollo de los primeros sistemas expertos. En 1965, Dendral, diseñado por Edward Feigenbaum y Joshua Lederberg, se desarrolló para analizar estructuras moleculares mediante espectrometría de masas. Aunque orientado a la química orgánica, sentó las bases metodológicas de futuras aplicaciones médicas, en particular a través de su enfoque estructurado de resolución de problemas.

Unos años más tarde, MYCIN (1972-1976), desarrollado en la Universidad de Stanford, marcó un punto de inflexión al especializarse en el diagnóstico de infecciones bacterianas (meningitis, septicemias). Su motor de inferencia se basa en 500 reglas lógicas asociadas a coeficientes de certeza (0 a 1), un método pragmático pero no probabilístico para ponderar las decisiones. Aunque nunca se utilizó en la práctica clínica, MYCIN alcanzó un 69 % de prescripciones de antibióticos aceptables, una tasa comparable a la de los expertos humanos.

El auge de los modelos probabilísticos y las limitaciones técnicas (1980-1990)

En la década de 1980 se introdujeron las redes bayesianas para gestionar la incertidumbre de los datos médicos. PUFF (1979), un sistema experto derivado de MYCIN, se diseñó para diagnosticar enfermedades pulmonares obstructivas mediante la integración de mediciones espirométricas. Su relativo éxito en el ámbito hospitalario demuestra la utilidad clínica de los sistemas basados en reglas.

Al mismo tiempo, PROSPECTOR (1976-1983), un sistema experto geológico que utiliza redes bayesianas, identifica un yacimiento de molibdeno en el estado de Washington. Aunque fuera del ámbito médico, este sistema popularizó este método, que posteriormente se incorporó a algunas herramientas médicas.

Las redes neuronales artificiales son objeto de investigaciones teóricas para el análisis de imágenes, pero su aplicación clínica sigue siendo imposible debido a las limitaciones materiales. Los sistemas como MYCIN, diseñados para ordenadores centrales, requieren horas de cálculo e interfaces de texto complejas, lo que frena su adopción.

La era del big data y el deep learning (2000 - actualidad)

Los años 2000 marcaron un punto de inflexión con la explosión de los datos médicos y la llegada del aprendizaje profundo. Las redes neuronales convolucionales (CNN), entrenadas con millones de imágenes, alcanzaron un rendimiento sin precedentes. Según un artículo publicado en 2020, un algoritmo desarrollado por Google superó a varios radiólogos en la identificación de signos de cáncer de mama, reduciendo los falsos negativos hasta un 9,4 % y los falsos positivos hasta un 5,7 % entre las miles de mamografías estudiadas en pacientes estadounidenses.

La IA va más allá de las imágenes:

• Los sistemas híbridos combinan el aprendizaje profundo y las bases de conocimientos médicos para mejorar los diagnósticos diferenciales.
• En 2021, modelos como CheXNeXt analizan automáticamente las radiografías pulmonares e identifican 14 patologías comunes con una precisión del 80 al 94 %.

Persisten los retos, en particular la generalización de los algoritmos a poblaciones diversas y la integración transparente en los flujos de trabajo clínicos.

¿Cuáles son los campos de aplicación de la IA en el diagnóstico médico?

El análisis de imágenes mediante inteligencia artificial (visión artificial) está transformando las capacidades diagnósticas en medicina. Las redes neuronales convolucionales, entrenadas con grandes bases de datos, identifican anomalías sutiles como microcalcificaciones mamarias o lesiones vasculares. Algunos algoritmos, como los desarrollados para los escáneres torácicos, detectan nódulos pulmonares de tan solo 2 mm de diámetro, un umbral difícil de alcanzar a simple vista.

La inteligencia artificial también se utiliza en histopatología para clasificar automáticamente las biopsias, especialmente en casos de melanoma. Otras herramientas tienen como objetivo la detección de patologías raras mediante el cruce de datos clínicos complejos.

En odontología, hoy en día permite ayudar activamente en el análisis de radiografías dentales en 2D, sirviendo como segunda opinión para el diagnóstico.

Otros ámbitos en los que la IA desempeña un papel cada vez más importante son:

• evaluación de los riesgos quirúrgicos mediante sensores intraoperatorios;
• asistencia robótica para la colocación de implantes (por ejemplo, el sistema da Vinci);
• ayuda en el diagnóstico diferencial en medicina general;
• la detección precoz de complicaciones mediante un seguimiento fisiológico continuo.

¿Cómo regulan las normativas la IA?

La Ley de IA, que entró en vigor en julio de 2024, clasifica determinados sistemas de inteligencia artificial médica como dispositivos de alto riesgo, lo que impone un estricto cumplimiento de las normas ISO 13485 para la gestión de la calidad e IEC 62304 para la seguridad del software. Los fabricantes deben garantizar la trazabilidad de los datos de entrenamiento, asegurar la explicabilidad de los algoritmos e implementar una supervisión poscomercialización. Los dispositivos deben documentar cada decisión algorítmica y adaptar sus modelos a los nuevos datos clínicos.

En Estados Unidos, la FDA ha acelerado la certificación de los dispositivos médicos basados en IA desde 2022, con requisitos más estrictos de validación continua, en particular en lo que respecta a la adaptabilidad a las diferencias étnicas, geográficas y tecnológicas, así como a las diferencias entre los distintos tipos de escáneres. La FDA también colabora con los NIH para desarrollar una base de datos de código abierto que permita evaluar y comparar el rendimiento de los algoritmos de diagnóstico.

El uso de los datos sanitarios está regulado por el RGPD y la ley francesa de protección de datos, que exigen la anonimización de las bases de datos y la obtención del consentimiento informado de los pacientes. A pesar de estas protecciones, los sesgos algorítmicos siguen siendo un problema importante. Los trabajos preliminares subrayan la necesidad de ampliar la diversidad de los datos de entrenamiento para limitar los sesgos étnicos y garantizar la equidad diagnóstica.

Allisone : su copiloto de IA para la comunicación con los pacientes en odontología

La inteligencia artificial está transformando muchos ámbitos de la salud, y la odontología no es una excepción a esta revolución. En la consulta, la IA no se limita a un análisis automatizado: se convierte sobre todo en una herramienta de apoyo al profesional para agilizar las consultas, aclarar las explicaciones y reforzar la comprensión y la aceptación de los cuidados por parte de los pacientes.

Es precisamente en este contexto donde interviene Allisone.

Allisone una solución digital que utiliza la inteligencia artificial para resaltar los elementos presentes en una radiografía dental mediante códigos de colores, anotaciones pedagógicas y soportes visuales interactivos. El objetivo no es sustituir al profesional en el diagnóstico, sino facilitar el intercambio entre el médico y el paciente en torno a las imágenes y los tratamientos previstos.

Nuestro estudio realizado entre pacientes pone de manifiesto un problema importante en la comunicación en odontología: el 67 % de los pacientes no consigue identificar las patologías en sus propias radiografías y el 42 % considera que su dentista no comparte suficiente información sobre sus imágenes. Esta falta de visibilidad y de explicación complica la toma de decisiones y frena la aceptación de los tratamientos propuestos.

Allisone directamente a esta problemática aportando varias funcionalidades esenciales:

• Códigos de colores que permiten identificar los elementos presentes en la radiografía. El 70 % de los pacientes considera que este tipo de ayuda visual les permitiría comprender mejor su estado de salud bucodental.
• Cuidados ilustrados y fichas pedagógicas, que permiten a los profesionales explicar cada elemento, evitando así malentendidos relacionados con la jerga técnica.
• Informes posteriores a la consulta, solicitados por el 70 % de los pacientes, que ofrecen un registro escrito y visual del análisis realizado, lo que facilita la toma de decisiones.

Al hacer que la imagen sea más legible, Allisone la comprensión, restablece un diálogo más fluido en la consulta y permite al paciente comprometerse con mayor tranquilidad en su proceso de tratamiento.

‍

‍

La inteligencia artificial ha transformado profundamente el diagnóstico médico, pasando de sistemas expertos rígidos a herramientas capaces de aprender continuamente. Sin embargo, este avance va acompañado de una mayor necesidad de regulación para garantizar la seguridad y la equidad de las prácticas. La Ley de IA y las normas ISO establecen un marco que refuerza la fiabilidad de los dispositivos médicos. El futuro se basa en modelos híbridos, en los que la IA ayuda a los médicos sin sustituir su experiencia. Con un fuerte crecimiento anual de las inversiones en el sector europeo de la IA médica, nos encaminamos hacia una medicina más predictiva y personalizada.

En odontología, herramientas como Allisone la relación entre el profesional y su paciente. Al facilitar la visualización de las radiografías y favorecer un enfoque pedagógico, Allisone los dentistas a modernizar su práctica y a mejorar la experiencia del paciente. El objetivo es claro: hacer que el discurso de los profesionales sea más preciso, más comprensible y más interactivo.