Juan-Manuel Anaya, MD, PhD. Editor, revista MEDICINA y Miembro Correspondiente, Academia Nacional de Medicina de Colombia.
La medicina traslacional es el puente entre la investigación y la atención clínica. Durante mucho tiempo ha sido un flujo de doble vía entre laboratorios y centros médicos. En este proceso surgen ideas y preguntas sobre la salud y la enfermedad. Se prueban modelos preclínicos que, si superan las pruebas, pasan a ensayos clínicos y luego a la práctica clínica. Pero este camino tiene cuellos de botella: a veces los hallazgos no se pueden reproducir, la biología es compleja, los diseños experimentales tienen limitaciones, manejar grandes volúmenes de datos es difícil y hace falta coordinar saberes de múltiples disciplinas con rapidez (interdisciplinariedad).
En este contexto, la inteligencia artificial (IA) ha comenzado a asistir todos los procesos de la medicina traslacional, desde el diseño experimental, la generación de datos sintéticos y su análisis, hasta la edición de artículos científicos. Por lo tanto, asistimos a una transición de la medicina traslacional a la Medicina Artificial, la cual se convertirá en un motor que reconfigurará la práctica médica, tanto en lo asistencial como en lo científico, no para reemplazar la ciencia, sino para acelerar, refinar y democratizar su aplicación clínica. La Academia Nacional de Medicina de Colombia ha sido pionera en las discusiones e información acerca de la importancia de la IA en medicina, a través de foros (https://tinyurl.com/2zjp4nha) y ediciones de la revista MEDICINA dedicadas a este tema (https://tinyurl.com/3tuhnthr).
La Medicina Artificial corresponde a las herramientas algorítmicas y sistemas automatizados que, aprendiendo de numerosos conjuntos de datos biomédicos (genómicos, clínicos, imagenológicos, farmacológicos, de dispositivos médicos), participan en la generación de conocimiento, la toma de decisiones clínicas y la optimización de procesos de salud. Se trata de una nueva medicina que detecta patrones sutilmente complejos, propone hipótesis, simula escenarios y facilita intervenciones personalizadas y precisas. Adicionalmente, permite realmente la prevención primaria.
La IA tiene el potencial de transformar las fases de descubrimiento y validación de la medicina traslacional. Modelos de aprendizaje profundo y otros enfoques pueden analizar millones de datos de cohortes, literatura científica y resultados de ensayos para identificar biomarcadores, predecir respuestas a tratamientos y señalar fármacos prometedores para estudiar en ensayos clínicos. Esta capacidad de priorización reduce costos y tiempo, y ayuda a evitar fracasos en etapas avanzadas por falta de priorización. Además, la IA puede mejorar la reproducibilidad al estandarizar procesos analíticos, detectar sesgos en los datos y validar resultados entre distintos centros de investigación.
La Medicina Artificial puede hacer que los ensayos clínicos sean más eficientes y éticos. Los algoritmos pueden seleccionar a pacientes con mayor probabilidad de responder a una intervención, optimizar la asignación de tratamientos en tiempo real y monitorizar la seguridad mediante simulaciones y análisis de datos. Esto favorece ensayos clínicos adaptativos, que permiten cambiar criterios de inclusión, dosis o desenlaces durante el estudio sin perder rigor. En la práctica, la IA automatizará la gestión de datos, la monitorización de efectos adversos y la generación de informes regulatorios, liberando a los investigadores para centrarse en la interpretación clínica y la toma de decisiones.
La medicina personalizada o de precisión, uno de los aportes centrales de la medicina traslacional, se verá intensificada por la Medicina Artificial. Las herramientas de IA integrarán información clínica, genómica, proteómica y metabolómica para construir perfiles de pacientes y predecir respuestas a tratamientos individuales. Esto permitirá afinar mucho más los tratamientos que no solo se ajustan a la enfermedad, sino al contexto único de cada persona (historia clínica, comorbilidades, preferencias y entorno). Esto implicará diseñar fármacos o estrategias terapéuticas que lleguen del laboratorio al paciente más rápidamente, con criterios de inclusión más finos y relevantes para la población que se quiera beneficiar.
No obstante, la promesa de la Medicina Artificial enfrenta desafíos importantes. Uno de los más relevantes es la calidad y representatividad de los datos. Los modelos de IA son tan buenos como los datos con que se entrenan los algoritmos. Sesgos, fragmentación de los sistemas de registro, variabilidad en la práctica clínica y datos incompletos pueden generar resultados poco generalizables o incluso perjudiciales. Por ello, la gobernanza de datos, la transparencia de los modelos y las predicciones, y la vigilancia post-implementación son elementos críticos para evitar efectos adversos y para ganar la confianza de clínicos, pacientes y reguladores (p. ej., INVIMA, Ministerio de Salud).
La seguridad y la ética deben ir de la mano de la innovación tecnológica. Aunque la IA puede anticipar riesgos y proponer intervenciones más seguras, también podría introducir dependencias tecnológicas, sesgos automatizados y efectos en la equidad en salud. Por ello, es fundamental que la Medicina Artificial incluya evaluaciones de impacto ético y de justicia distributiva, asegurando que las herramientas de IA no aumenten las diferencias entre grupos poblacionales o entre regiones.
Otro reto es la regulación y la gobernanza institucional. La adopción de la Medicina Artificial necesita marcos regulatorios que evalúen eficacia clínica, trazabilidad, robustez, seguridad y posibilidad de revisión de los sistemas algorítmicos. La colaboración entre reguladores, académicos, clínicos e industria farmacéutica debe promover estándares abiertos, pruebas independientes y supervisión continua. En este sentido, los ensayos clínicos deben incorporar la IA de forma explícita, con criterios de evaluación que incluyan la interpretabilidad y la reproducibilidad de los modelos utilizados.
La implementación práctica de la Medicina Artificial requerirá inversión en infraestructura y capital humano, así como su implementación desde las facultades de medicina. Los sistemas de IA necesitan plataformas de cómputo, integración de datos entre hospitales, laboratorios y centros de investigación, así como equipos interdisciplinarios que entiendan tanto la biología como la informática. La formación de médicos e investigadores en alfabetización algorítmica, y la participación de científicos de datos, bioinformáticos y estadísticos en equipos clínicos, serán imprescindibles para que la Medicina Artificial sea una realidad.
En resumen, la Medicina Artificial redefinirá la medicina en tres dimensiones: acelerar y hacer más eficiente el descubrimiento y la validación experimental, mejorar la personalización y la precisión de los tratamientos, y promover la gobernanza y seguridad mediante mayor transparencia y supervisión regulatoria. Para que esta promesa se materialice de forma responsable, es esencial la enseñanza de la IA y el concepto de Medicina Artificial desde el pregrado, marcos de datos de alta calidad, la colaboración interdisciplinaria, garantizar la interpretabilidad de los modelos y establecer prácticas sólidas de supervisión ética y regulatoria. La Medicina Artificial reemplazará la práctica médica actual, priorizando la prevención sobre el diagnóstico, y haciendo posibles tratamientos realmente personalizados y precisos en todas las áreas de la salud.
Visitas: 6
