IA en diagnóstico por imagen: dónde estamos realmente en 2026

La inteligencia artificial aplicada al diagnóstico por imagen es probablemente el campo donde más se ha avanzado en IA sanitaria. Pero entre los titulares optimistas y la realidad clínica hay matices importantes que conviene entender.

Lo que ya funciona

En 2026, la IA en imagen médica ha dejado de ser experimental para convertirse en una herramienta de uso diario en muchos hospitales:

Radiología de urgencias: Los sistemas de triaje automático ya son estándar en muchos servicios de urgencias. La IA analiza las radiografías y TC a medida que llegan y las ordena por urgencia, asegurando que un neumotórax a tensión no se quede en la cola detrás de una fractura de muñeca.

Mamografía: Los estudios confirman que cuando los radiólogos trabajan junto a herramientas de IA, las tasas de detección de cáncer de mama aumentan significativamente. No es que la IA sea mejor que el radiólogo — es que juntos son mejores que cualquiera por separado.

Detección de nódulos pulmonares: Google y Northwestern Medicine han desarrollado un sistema de deep learning que detecta cáncer de pulmón en TC con una precisión comparable o superior a la de radiólogos experimentados.

Cardiología: La Comisión Europea ha publicado un informe señalando que la IA puede contribuir a reducir las muertes cardiovasculares prevenibles — que representan 1 de cada 5 fallecimientos — mediante detección temprana en ECG y ecocardiografía.

Lo que aún no funciona bien

Generalización: Muchos algoritmos funcionan brillantemente con los datos con los que fueron entrenados pero fallan al aplicarse en hospitales diferentes, con equipos diferentes o poblaciones con características distintas.

Integración en el flujo de trabajo: Tener un algoritmo que detecta lesiones es una cosa. Integrarlo en el PACS, en la historia clínica y en el flujo de trabajo real del radiólogo sin que suponga más trabajo es otra muy distinta.

Regulación: La FDA está recalibrando qué significa "breakthrough" para dispositivos de IA. Ya no basta con demostrar que el algoritmo detecta algo — hay que demostrar que su uso mejora los resultados del paciente. Es un cambio de paradigma regulatorio que va a ralentizar la aprobación de nuevas herramientas.

¿Hacia dónde vamos?

La tendencia más clara es la evolución de la IA como "segundo lector" hacia la IA como "primer filtro". En lugar de que el radiólogo lea todas las imágenes y la IA confirme, el modelo se invierte: la IA filtra primero y el radiólogo se centra en los casos donde la IA detecta algo o donde tiene dudas.

Esto no elimina al radiólogo — lo libera para hacer lo que mejor sabe hacer: interpretar casos complejos, correlacionar con la clínica del paciente y comunicar resultados.

La reflexión para profesionales sanitarios

Si trabajas con imagen médica, la IA ya forma parte de tu entorno. Si no, lo hará pronto. La clave no está en si la IA es mejor que tú — probablemente no lo es en tu especialidad concreta — sino en si tú con IA eres mejor que tú sin ella. Esa es la pregunta que cada profesional debería hacerse.