IA sanitaria: regulación, costes y supervisión clínica

La IA sanitaria puede ahorrar tiempo o ampliar capacidades, pero su adopción responsable depende menos de una demo convincente que de cuatro preguntas: qué hace exactamente, bajo qué marco se usa, qué coste añade y quién responde cuando falla. Para médicos, nutricionistas, fisioterapeutas, psicólogos y enfermeros, la regla práctica es tratarla como un componente de un proceso asistencial, no como una opinión autónoma.

Lista de comprobación

• ¿Qué hace exactamente?
• ¿Bajo qué marco se usa?
• ¿Qué coste añade?
• ¿Quién responde cuando falla?

¿Qué regulación importa antes de usar una herramienta?

Empieza por distinguir el contexto. Un sistema que resume texto, organiza tareas administrativas o redacta un borrador puede tener un perfil de riesgo y obligaciones distinto de otro que estima un riesgo clínico, prioriza pacientes o propone una actuación. La denominación comercial de “IA para salud” no resuelve esta diferencia: hay que documentar la finalidad declarada, el usuario previsto, las entradas, las salidas y la decisión que puede influir.

Ficha

Finalidad declarada

Para qué dice el fabricante que sirve.

Usuario previsto

Quién la va a usar.

Entradas

Qué información recibe.

Salidas

Qué devuelve.

Decisión

En cuál puede influir.

Las noticias de Estados Unidos ayudan a detectar preguntas, pero no son un permiso de uso en España ni en Argentina. Por ejemplo, STAT informó el 6 de octubre de 2026 que la FDA planeaba publicar nuevas orientaciones sobre IA en 2027. Es una señal de un marco estadounidense en evolución, no una guía aplicable automáticamente a otros países.

También conviene prever que una herramienta llegue al profesional desde fuera del circuito habitual. STAT describió el 8 de octubre de 2026 un algoritmo de predicción de riesgo de cáncer de mama comercializado directamente a pacientes. Cuando un paciente trae una estimación generada por una aplicación, el reto no es validar de inmediato su resultado, sino aclarar qué mide, en qué población se desarrolló, qué información recibió el paciente y cómo se integra —o no— en el proceso asistencial.

Para estar al día de estos cambios sin confundir titulares con obligaciones locales, puedes seguir la Newsletter IA y Medicina. Para una base de usos y límites aplicados a la consulta, consulta también IA para médicos.

¿Puedo introducir datos de pacientes en una IA?

No basta con pensar en el texto de la consulta. Un preprint publicado en arXiv el 7 de octubre de 2026 estudió cómo los metadatos de enrutamiento entre modelos pueden revelar temas sensibles, incluidos temas médicos, incluso sin conservar todo el contenido de la solicitud (arXiv, 7 de octubre de 2026). Al ser un preprint, sus resultados deben interpretarse con cautela; aun así, recuerda que la privacidad depende de todo el flujo, no solo de ocultar un nombre.

Antes de aprobar un uso, pide respuestas por escrito:

Lista de comprobación

• ¿Dónde se procesan y almacenan los datos?
• ¿Quién accede a ellos?
• ¿Durante cuánto tiempo se conservan?
• ¿Se usan para entrenar modelos?
• ¿Qué subencargados intervienen?
• ¿Cómo se notifican los incidentes?

Cuando sea viable, usa datos sintéticos o adecuadamente anonimizados para probar flujos. La seudonimización reduce riesgos, pero no equivale necesariamente a anonimización.

¿Cómo evalúo el coste real, más allá de la licencia?

El precio mensual es solo una parte del coste. Suma el tiempo de formación, la revisión humana de resultados, la integración con sistemas existentes, la gestión de permisos, el soporte, la evaluación periódica y el plan para abandonar la herramienta si deja de ser adecuada. También pregunta qué tarea se elimina realmente.

El coste puede trasladarse al paciente o al sistema de maneras poco visibles. En una columna de opinión, STAT publicó el 6 de octubre de 2026 la advertencia de un médico sobre cómo herramientas de IA, incluso con una documentación honesta, podían contribuir a incrementar facturas hospitalarias. No es evidencia de que toda IA aumente costes, pero sí una razón para medir consecuencias económicas y no limitarse a medir velocidad.

Paso a paso

1. Fija la línea de base

   Antes de empezar: tiempo por tarea, número de correcciones, incidencias, abandonos y coste por episodio o proceso, según corresponda.

2. Compara con ese punto de partida

   Mide el desempeño después del piloto contra la línea de base.

3. Separa los efectos

   Productividad, calidad y facturación, cada uno por su lado.

4. Asigna el coste del error

   Si no sabes quién asume una salida errónea, una derivación innecesaria o una revisión adicional, el piloto aún no está listo.

¿Qué significa supervisión humana útil?

Supervisar no es añadir la frase “revisado por un profesional” al final del flujo. La persona supervisora debe tener autoridad real para detener el uso.

Qué sí y qué no

Sí

• Asignar un responsable.
• Delimitar qué acciones puede realizar el sistema.
• Fijar umbrales de escalado.
• Conservar evidencia de qué información vio la persona antes de aceptar, modificar o rechazar una salida.

No

• Añadir la frase “revisado por un profesional” al final del flujo.
• Una validación simbólica, sin permisos ni evidencia detrás.

Este punto es especialmente importante si la herramienta puede afectar decisiones clínicas. STAT informó el 5 de octubre de 2026 sobre un piloto de Utah para el tratamiento del acné en el que un sistema de IA evaluaría pacientes y podría llegar a emitir nuevas recetas sin revisión humana previa. En la primera fase, un profesional habilitado revisa y firma cada receta. Ese caso corresponde a un entorno estadounidense específico, pero ilustra una pregunta universal: ¿qué decisión queda fuera de los límites de la automatización en tu organización?

Un caso de estudio publicado como preprint en arXiv el 6 de octubre de 2026 analizó software sanitario escrito con agentes de programación y señaló que pruebas, monitores y revisores automáticos también pueden fallar (arXiv, 6 de octubre de 2026). Por eso, el control humano ha de conectar permisos, pruebas, evidencia disponible y decisión final, no ser una validación simbólica.

Lista de comprobación

• Finalidad y usuarios previstos.
• Datos permitidos y prohibidos.
• Evidencia disponible.
• Responsable clínico y técnico.
• Criterios de aceptación.
• Registro de incidentes.
• Frecuencia de reevaluación.
• Condiciones de suspensión.

Si construyes una herramienta interna, estas decisiones deben formar parte del diseño desde el primer prototipo, no añadirse al final. En Apps de la comunidad puedes ver ejemplos de herramientas creadas por profesionales y convertir esa observación en preguntas concretas sobre alcance, datos y controles.

¿Qué puedo hacer esta semana antes de adoptar IA?

Elige un único flujo de bajo riesgo y descríbelo antes de elegir la herramienta. Indica quién lo realiza hoy, qué información recibe, qué salida necesita, qué errores son inaceptables y cómo se detectarán. Esa descripción permite decidir si la IA aporta algo o solo añade una capa difícil de auditar.

Después, prueba con casos no identificables y representativos, incluidos casos límite. Registra salidas erróneas, omisiones, respuestas excesivamente seguras y situaciones en las que el resultado no permite justificar una decisión. No evalúes únicamente si “suena bien”: evalúa si permite trabajar de forma más segura, clara y trazable.

Finalmente, acuerda por escrito un responsable y un mecanismo de pausa. La revisión sistemática sobre despliegues de IA en oncología radioterápica en contextos con pocos recursos, publicada en npj Digital Medicine el 9 de octubre de 2026, se centra precisamente en las condiciones y dificultades de implementar y escalar estos sistemas (npj Digital Medicine, 9 de octubre de 2026). La lección práctica es que el modelo no viaja solo: necesita procesos, personas y recursos que sostengan su uso.

El curso Vibecoding para Médicos enseña en español a profesionales sanitarios a crear sus propias herramientas de IA sin programar.