Cómo la IA podría ayudar a identificar pacientes que necesitan atención temprana

Una de las promesas de la IA en salud es ayudar al médico a llegar antes. Detectar quién podría necesitar atención y ordenar un sistema que hoy tiene los datos, pero no siempre el tiempo para usarlos. Un estudio con pacientes reales en Boston, un diagnóstico de la Organización Mundial de la Salud en Europa y una advertencia desde la industria hospitalaria apuntan en esa dirección.

Un chatbot médico probado con pacientes reales

Investigadores de la Escuela de Medicina de Harvard y del Beth Israel Deaconess Medical Center publicaron el 8 de octubre en The Lancet lo que describen como el primer estudio prospectivo de una IA conversacional en atención primaria con pacientes reales. El sistema se llama AMIE (Articulate Medical Intelligence Explorer) y fue desarrollado con investigadores de Google.

El diseño fue sencillo: entre abril y noviembre de 2025, pacientes que ya habían agendado una cita urgente de primer contacto conversaron desde casa con el chatbot por texto. AMIE preguntaba por los síntomas, recopilaba el historial médico, sugería posibles diagnósticos para revisar con el doctor y generaba un resumen para el clínico antes de la consulta. Un médico internista certificado vigilaba cada conversación en tiempo real y podía intervenir si detectaba riesgo o angustia.

De 114 pacientes inscritos, 98 completaron tanto la conversación como la cita. Ninguna de esas 98 conversaciones requirió una interrupción por seguridad. Los supervisores detectaron una sola alucinación (el sistema dijo que una cirugía pasada estaba en el futuro) y aclararon información clínica en cinco casos. Los médicos revisaron la transcripción o el resumen de la IA antes de 44 consultas; en 75% de ellas dijeron que les ayudó a prepararse y en 57% que pudo haber influido en su enfoque clínico.

Hubo también una nota de cautela: en un caso, un profesional consideró la interacción “algo dañina”, porque el paciente pudo haberse angustiado al ver linfoma entre los diagnósticos posibles. Y los pacientes, aunque valoraron la capacidad del sistema para escuchar y explicar, siguieron preocupados por la confidencialidad y la honestidad del chatbot.

“Las herramientas de IA primero deben demostrar que operan de forma segura y aceptable en flujos de atención reales”, dijo Adam Rodman, autor correspondiente del estudio, quien también subrayó que la confianza del paciente en la IA “fluye de la relación con sus proveedores humanos”. El estudio fue financiado por Alphabet, la matriz de Google, y evaluó seguridad y viabilidad, no si la IA mejora los resultados de salud.

Predecir quién necesitará cuidados después del alta

La lógica de anticiparse también opera dentro del hospital. En enero de 2026, investigadores de NYU Langone publicaron en npj Health Systems un estudio retrospectivo sobre la planificación del alta hospitalaria para predecir qué pacientes saldrían hacia un centro de enfermería especializada. El sistema usa IA generativa para extraer siete categorías de factores de riesgo de las notas de ingreso, como la situación de vivienda o la capacidad para realizar tareas cotidianas, y luego un componente predictivo calcula el riesgo.

Con datos de 4,000 pacientes, los investigadores encontraron que resumir la información relevante mejoraba el desempeño predictivo de los modelos frente al uso de notas sin procesar. Los puntajes de riesgo también se asociaron con las evaluaciones de enfermería sobre la necesidad de cuidados posteriores. El siguiente paso, según explicó el primer autor William R. Small en el comunicado de NYU Langone, es probarlo “en un entorno clínico real” y vigilar que sea justo y seguro.

IA en salud: de tratar a prevenir, con una condición

El giro de fondo es el que describe Ricardo Baptista Leite, director de HealthAI, en una entrevista sobre IA y prevención con Euronews: con una población que envejece, los sistemas de salud europeos ven en la IA una forma de pasar del tratamiento a la prevención, identificando a las personas en riesgo antes de que enfermen.

Pero los datos sobre gobernanza de la IA de la OMS Europa muestran la grieta: entre sus 53 países miembros, cerca de dos tercios ya despliegan IA para diagnóstico y alrededor de la mitad tiene chatbots para pacientes, mientras que solo uno de cada 12 cuenta con una estrategia de IA específica para salud. “Una IA sumada a un sistema ineficiente solo lo vuelve más eficiente en ser ineficiente”, resumió Baptista Leite. Su otro punto es incómodo: sostiene que a los hospitales se les paga por tratar, no por mantener sana a la gente.

Desde la industria, Taha Kass-Hout, director global de ciencia y tecnología de GE HealthCare, escribió en Fast Company que el hospital del futuro se definirá por qué tan bien se coordinan las tecnologías alrededor del paciente. Su cifra más reveladora viene de los datos federales de interoperabilidad hospitalaria de 2023 en Estados Unidos: 71% de los hospitales reportó acceso rutinario a la información clínica necesaria procedente de proveedores externos, pero solo 42% dijo que sus clínicos la usaban de manera habitual al tratar pacientes. El dato existe; falta el sistema que lo convierta en acción.

Lo que esto significa para México

En México la pregunta no es teórica. Según el Panorama de la salud 2025 de la OCDE, el país tiene 2.7 médicos en ejercicio por cada 1,000 habitantes, frente a un promedio de 3.9 en la organización. Con esa disponibilidad de personal, una herramienta que ordene la información antes de la consulta y ayude a priorizar a quien más lo necesita podría tener un valor importante.

La discusión sobre la IA como apoyo a la atención médica en México exige considerar también las condiciones para usarla. La advertencia de la OMS para Europa ofrece una referencia: hay que definir quién responde por las decisiones asistidas por IA, cómo se protegen los datos clínicos y quién evalúa los modelos. Los resultados obtenidos en hospitales extranjeros deberán probarse en las condiciones de atención de cada institución.

Las herramientas que podrían ayudar a los médicos a anticipar necesidades de atención ya están en prueba. Que lleguen a la clínica de barrio dependerá también del sistema que las rodea: personal capacitado, datos confiables y supervisión humana.