¿Qué es la inteligencia artificial?

La inteligencia artificial (IA) se refiere a la capacidad de los sistemas informáticos para realizar tareas que normalmente requerirían inteligencia humana, como aprender, reconocer patrones, interpretar imágenes, comprender el lenguaje y tomar decisiones. En el ámbito sanitario, los sistemas de IA analizan grandes volúmenes de datos para apoyar tareas clínicas como el diagnóstico, la predicción de riesgos y la planificación de tratamientos.

La IA se basa en gran medida en tres enfoques fundamentales:

Aprendizaje automático (ML): un tipo de IA en el que los sistemas aprenden a partir de los datos para identificar patrones y realizar predicciones, sin estar programados explícitamente para cada tarea. Cuantos más datos se utilicen para entrenar un modelo, mayor será su precisión.

Aprendizaje profundo (DL): una forma más avanzada de aprendizaje automático que utiliza redes neuronales en capas (inspiradas vagamente en el cerebro humano) para procesar datos complejos, como imágenes médicas, historiales clínicos o información genética.

Procesamiento del lenguaje natural (PLN): una forma de IA que permite a los ordenadores comprender, interpretar y generar lenguaje humano.

El auge de la inteligencia artificial en el sector sanitario

La inteligencia artificial (IA) se está integrando cada vez más en los sistemas sanitarios de toda Europa, donde presta apoyo al diagnóstico, la toma de decisiones clínicas, la planificación del tratamiento y la predicción del riesgo de los pacientes. En los últimos años, la introducción de algoritmos de aprendizaje profundo en áreas como la visión artificial y el procesamiento del lenguaje natural ha revolucionado las aplicaciones informáticas en radiología, patología, cardiología, diabetología, psiquiatría, oncología y muchos otros campos (Esteva et al., 2019; Koteluk et al., 2021; Rajpurkar et al., 2022; Gou et al., 2024).

La Organización Mundial de la Salud (OMS) enumera los siguientes ámbitos de aplicación de los sistemas de IA en la asistencia sanitaria: diagnóstico y diagnóstico basado en la predicción, atención clínica, investigación y desarrollo de fármacos, gestión y planificación de los sistemas sanitarios, vigilancia de la salud pública, promoción de la salud, prevención de enfermedades, preparación para emergencias y respuesta ante brotes (Organización Mundial de la Salud, 2021).

Las investigaciones han demostrado que la IA ha revolucionado y ha aportado numerosos beneficios a diferentes ámbitos, entre ellos la investigación científica, las empresas e industrias modernas, la educación y la salud. En el ámbito sanitario, concretamente, se han empezado a introducir herramientas y modelos automatizados en el diagnóstico de enfermedades, y se prevé que el uso de la IA en este campo aumente en un futuro próximo, lo que promete revolucionar aún más el sector (Alowais et al., 2023).

Ejemplos del mundo real

Enfermedades cardiovasculares:

• Análisis de ECG: detección asistida por IA de arritmias y anomalías cardíacas

• Predicción del riesgo cardiovascular: modelos de IA que estiman el riesgo individual de cada paciente a partir de datos clínicos

• Apoyo a la toma de decisiones clínicas: orientación en el diagnóstico, la planificación del tratamiento y las decisiones de derivación

Ejemplo práctico: Análisis de ECG asistido por IA de Cardiologs: el motor de IA de Philips Cardiologs, con certificación CE, utiliza tecnología de redes neuronales profundas (DNN) para ayudar a los profesionales sanitarios y a los proveedores de servicios a diagnosticar a los pacientes de forma más eficiente, aliviando la carga que suponen las tareas redundantes de análisis de ECG (https://www.usa.philips.com/healthcare/technology/ai-cardiology-solutions).

Diabetes:

• Detección precoz de la retinopatía diabética: análisis mediante IA de imágenes retinianas para la detección precoz

• Monitorización continua de la glucosa (MCG): predicción de la glucosa y gestión personalizada basadas en IA

Ejemplo práctico: IDx-DR / Detección digital de la retinopatía diabética: software con certificación CE basado en IA, indicado para su uso por oftalmólogos en su práctica clínica, capaz de detectar y diagnosticar signos de retinopatía diabética en fases muy tempranas de la patología a partir de imágenes retinianas obtenidas durante la práctica clínica habitual de la oftalmología. (https://www.healthvisors.com/en/idx-dr/)

Depresión:

• Herramientas de cribado basadas en la PNL: análisis del lenguaje escrito u oral para detectar signos de depresión

• Detección basada en el habla: identificación de marcadores de depresión en los patrones de voz durante las entrevistas clínicas

• Compañeros terapéuticos digitales: herramientas de IA que apoyan a los pacientes entre sesiones terapéuticas

Ejemplo práctico: Limbic Access: un asistente de IA para la derivación conversacional de pacientes y el apoyo a la toma de decisiones clínicas en los servicios de salud conductual. Utiliza un modelo de IA probabilístico que elabora un informe clínico completo para profesionales sanitarios, en el que se presentan los problemas, los niveles de riesgo, las notas clínicas y las puntuaciones de las evaluaciones (https://limbic.ai/access)

La adopción de la IA en el sector sanitario europeo

La inteligencia artificial (IA) se está integrando cada vez más en los sistemas sanitarios de toda Europa, donde presta apoyo al diagnóstico, la toma de decisiones clínicas, la planificación de tratamientos y la predicción del riesgo de los pacientes. Estas tecnologías ofrecen oportunidades considerables para mejorar la eficiencia y los resultados de la asistencia sanitaria.

Según un nuevo informe de la OMS que evalúa el uso, en rápida evolución, de la IA en la asistencia sanitaria en los 27 Estados miembros de la Unión Europea, casi tres cuartas partes de los países de la UE ya utilizan diagnósticos asistidos por IA, incluidas herramientas que facilitan el diagnóstico por imagen, la detección de enfermedades y la toma de decisiones clínicas. Si bien el 74 % de los países de la UE afirma utilizar la IA en el diagnóstico y el 63 % recurre a chatbots para fomentar la participación de los pacientes, casi la mitad de los Estados miembros de la UE también ha creado ya puestos profesionales específicos para la IA y la ciencia de datos en el ámbito sanitario, y varios países han manifestado su intención de introducir o ampliar programas de formación en IA en un futuro próximo (Organización Mundial de la Salud, 2026).

Basándose en los datos recopilados entre junio de 2024 y marzo de 2025, el informe apunta a un panorama en el que los sistemas sanitarios de toda la región están sentando activamente las bases necesarias para aprovechar estas tecnologías de forma segura, equitativa y responsable (Organización Mundial de la Salud, 2026).

Aplicaciones de la IA en las áreas prioritarias de AEQUITAS

El proyecto AEQUITAS se centra en tres áreas terapéuticas clave: las enfermedades cardiovasculares, la depresión y la diabetes, debido a su elevada prevalencia, su impacto social y las disparidades documentadas entre pacientes con diferentes características de sexo y raza o etnia.

En la atención cardiovascular, la IA apoya la toma de decisiones clínicas, la telemedicina, la evaluación de riesgos, la terapia personalizada, el análisis predictivo y la monitorización a distancia (Bernstein et al., 2025; Naskar et al., 2025). En el ámbito de la diabetes, las herramientas de IA mejoran la monitorización y el autocontrol de los pacientes, así como el diagnóstico, el tratamiento y la prevención (Contreras y Vehi, 2018; Khalifa y Albadawy, 2024; Naskar et al., 2025; Sheng et al., 2024). En cuanto a la depresión, la IA interviene en el cribado, el diagnóstico y el tratamiento, con especial atención a la detección mediante modelos de lenguaje a gran escala (LLM) (Cao et al., 2025; Kumari et al., 2025; Mao et al., 2023; Wang et al., 2025).

Los riesgos: sesgos y discriminación en la IA

A pesar de sus numerosas ventajas, la IA no está exenta de riesgos. Diversos estudios han demostrado que las aplicaciones de IA pueden dar lugar a interpretaciones erróneas y a la perpetuación de sesgos y discriminación (Varona y Suárez, 2022).

Los modelos de IA identifican patrones estadísticos en grandes conjuntos de datos y utilizan esos patrones para generar resultados, como una sugerencia de diagnóstico, una puntuación de riesgo o una recomendación de tratamiento. Para ello, un modelo debe «entrenarse» primero (utilizando material existente, como fotos, datos, vídeos, grabaciones de voz o incluso texto) y ajustar gradualmente sus parámetros internos para mejorar sus predicciones.

La calidad y la representatividad de los datos de entrenamiento son, por lo tanto, fundamentales. Si los datos utilizados para entrenar una IA ya están sesgados (por ejemplo, si contienen registros predominantemente de pacientes varones o de un grupo étnico específico), el modelo propondrá resultados sesgados, ya que solo puede trabajar con la información que se le ha proporcionado. En esencia, funcionará bien para los grupos que están bien representados en los datos y mal para aquellos que no lo están, lo que conduce a la discriminación. En muchos casos documentados, las herramientas de IA se han entrenado con conjuntos de datos sesgados, lo que ha dado lugar a resultados que refuerzan, en lugar de reducir, las desigualdades existentes.

En el sector sanitario, se ha señalado que los datos de pacientes que padecen enfermedades cardiovasculares, depresión y diabetes presentan sesgos (Cirillo et al., 2020). Estos sesgos representan un problema interseccional (lo que significa que se solapan y se combinan en múltiples dimensiones de la identidad), ya que no solo afectan a hombres y mujeres, sino que también surgen en relación con las diferentes razas y etnias.

Los derechos fundamentales en juego

Estos prejuicios y esta discriminación vulneran los derechos fundamentales que promueve y protege la Carta de los Derechos Fundamentales de la UE (2009), en particular:

1. Artículo 21 (No discriminación) - «Queda prohibida toda discriminación por motivos de sexo, raza, color, origen étnico o social, características genéticas, lengua, religión o convicciones, opiniones políticas o de cualquier otro tipo, pertenencia a una minoría nacional, patrimonio, nacimiento, discapacidad, edad u orientación sexual».

Nota: Cabe señalar que el término «sexo» del artículo 21 no se limita a los binarios biológicos estrictos, sino que sirve como protección fundamental para la igualdad, abarcando la discriminación por motivos de género y la identidad de género en el Derecho de la UE. Aunque históricamente se basa en una concepción binaria (hombre/mujer), el Derecho de la UE ha evolucionado para ser más inclusivo. La Comisión Europea y el Tribunal de Justicia de la Unión Europea (TJUE) interpretan que el término «sexo» abarca la discriminación derivada de la reasignación de género. 

2. Artículo 23 (Igualdad entre hombres y mujeres) – «Igualdad entre hombres y mujeres: exige que se garantice la igualdad entre hombres y mujeres en todos los ámbitos, incluidos el empleo, el trabajo y la remuneración».

Nota: El artículo 23 de la Carta hace referencia explícita a la igualdad en el empleo, el trabajo y la remuneración. Sin embargo, en el contexto de esta formación, el principio de igualdad entre hombres y mujeres abarca la igualdad de acceso a la asistencia sanitaria, la igualdad en la calidad del diagnóstico y el tratamiento, y la ausencia de discriminación por motivos de género en las herramientas clínicas asistidas por IA. 

3. Artículo 35 (Asistencia sanitaria) - «Toda persona tiene derecho a acceder a la asistencia sanitaria preventiva y a beneficiarse de tratamiento médico en las condiciones establecidas por las legislaciones y prácticas nacionales. Se garantizará un alto nivel de protección de la salud humana en la definición y ejecución de todas las políticas y actividades de la Unión».

Para poder completar la formación y recibir el certificado, necesitas realizar la sesión práctica (en formato online). Inscríbete en el correo comunicacion.lobbyeuropeo@gmail.com y recibirás toda la información. ¡Gracias!

A continuación: Módulo 2

Bibliografía

Alowais, S.A., Alghamdi, S.S., Alsuhebany, N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ 23, 689 (2023). https://doi.org/10.1186/s12909-023-04698-z

Bernstein, B. S., Streather, S., & O’Gallagher, K. (2025). The Emerging Role of Artificial Intelligence in Heart Failure. Future Cardiology, 21(10), 795–801.

Cao, Y., Dai, J., Wang, Z., Zhang, Y., Shen, X., Liu, Y., & Tian, Y. (2025). Machine Learning Approaches for Depression Detection on Social Media: A Systematic Review of Biases and Methodological Challenges. Journal of Behavioral Data Science, 5(1), 67–102. https://doi.org/10.35566/jbds/caoyc

Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A.A., Valencia, A., Rementeria, M.J., Chadha, A.S., & Mavridis, N. (2020). Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digit. Med. 3(81). https://doi.org/10.1038/s41746-020-0288-5

Contreras, I., & Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research, 20(5), e10775. https://doi.org/10.2196/10775

Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare

European Union, Charter of Fundamental Rights of the European Union, 2012/C 326/02, Strasbourg: EU. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12012P/TXT

Gou, F., Liu, J., Xiao, C., & Wu, J. (2024). Research on Artificial-Intelligence-Assisted Medicine: A Survey on Medical Artificial Intelligence. Diagnostics, 14(14), 1472. https://doi.org/10.3390/diagnostics14141472

Khalifa, M., & Albadawy, M. (2024). Artificial intelligence for diabetes: Enhancing prevention, diagnosis, and effective management. Computer Methods and Programs in Biomedicine Update, 5, 100141. https://doi.org/10.1016/j.cmpbup.2024.100141

Koteluk, O., Wartecki, A., Mazurek, S., Kołodziejczak, I., & Mackiewicz, A. (2021). How Do Machines Learn? Artificial Intelligence as a New Era in Medicine. Journal of Personalized Medicine, 11(1), Article 1. https://doi.org/10.3390/jpm11010032

Kumari, M., Singh, G., & Pande, S. D. (2025). A Survey of Current Progress in Depression Detection Using Deep Learning and Machine Learning. Biomedical Materials & Devices. https://doi.org/10.1007/s44174-025-00301-9

Mao, K., Wu, Y., & Chen, J. (2023). A systematic review on automated clinical depression diagnosis. Npj Mental Health Research, 2(1), 20. https://doi.org/10.1038/s44184-023-00040-z

Naskar, S., Sharma, S., Kuotsu, K., Halder, S., Pal, G., Saha, S., Mondal, S., Biswas, U. K., Jana, M., & Bhattacharjee, S. (2025). The biomedical applications of artificial intelligence: An overview of decades of research. Journal of Drug Targeting, 33(5), 717–748. https://doi.org/10.1080/1061186X.2024.2448711

Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), Article 1. https://doi.org/10.1038/s41591-021-01614-0

Sheng, B., Pushpanathan, K., Guan, Z., Lim, Q. H., Lim, Z. W., Yew, S. M. E., Goh, J. H. L., Bee, Y. M., Sabanayagam, C., Sevdalis, N., Lim, C. C., Lim, C. T., Shaw, J., Jia, W., Ekinci, E. I., Simó, R., Lim, L.-L., Li, H., & Tham, Y.-C. (2024). Artificial intelligence for diabetes care: Current and future prospects. The Lancet Diabetes & Endocrinology, 12(8), 569–595. https://doi.org/10.1016/S2213-8587(24)00154-2

Varona, D., & Suárez, J. L. (2022). Discrimination, Bias, Fairness, and Trustworthy AI. Applied Sciences, 12(12), 5826. https://doi.org/10.3390/app12125826

Wang, L., Wang, C., Li, C., Murai, T., Bai, Y., Song, Z., Zhang, S., Zhang, Q., Huang, Y., Bi, X., & Jiang, J. (2025). AI-assisted multi-modal information for the screening of depression: A systematic review and meta-analysis. Npj Digital Medicine, 8(1), 523. https://doi.org/10.1038/s41746-025-01933-3

World Health Organization. 2021. “Ethics and governance of artificial intelligence for health: WHO guidance.” World Health Organization.

World Health Organization. 2026. “Artificial intelligence is reshaping health systems: state of readiness across the European Union.” World Health Organization.