Nalan Karunanayake.
- •La IA Agentic mejora el diagnóstico, el apoyo a la toma de decisiones, la atención al paciente, la planificación del tratamiento y la cirugía robótica.
- •La IA multimodal permite una atención precisa, sensible al contexto y centrada en el paciente con refinamiento iterativo.
- •Para liberar el potencial de la IA agente se requiere colaboración ética, de privacidad y de gobernanza.
Abstract
La Inteligencia Artificial (IA) está transformando el panorama sanitario. Sin embargo, muchas aplicaciones actuales siguen siendo muy específicas de cada tarea, limitadas por la complejidad de los datos y sesgos inherentes. Este artículo explora la aparición de sistemas de «IA agentica» de próxima generación, caracterizados por una autonomía avanzada, adaptabilidad, escalabilidad y razonamiento probabilístico, que abordan desafíos críticos en la gestión médica. Estos sistemas mejoran diversos aspectos de la atención sanitaria, como el diagnóstico, el apoyo a la toma de decisiones clínicas, la planificación del tratamiento, la monitorización de pacientes, las operaciones administrativas, el descubrimiento de fármacos y la cirugía asistida por robot. Impulsados por la IA multimodal, los sistemas agenticos integran diversas fuentes de datos, refinan iterativamente los resultados y aprovechan amplias bases de conocimiento para ofrecer una atención contextualizada y centrada en el paciente con mayor precisión y menores tasas de error. Estos avances prometen mejorar los resultados de los pacientes, optimizar los flujos de trabajo clínicos y ampliar el alcance de las soluciones basadas en IA. Sin embargo, su implementación presenta desafíos éticos, de privacidad y regulatorios, lo que pone de relieve la necesidad de marcos de gobernanza sólidos y de colaboración interdisciplinaria.
La IA agéntica tiene el potencial de redefinir la atención médica, impulsando servicios personalizados, eficientes y escalables, a la vez que extiende su impacto más allá de los entornos clínicos a iniciativas globales de salud pública. Al abordar las disparidades y mejorar la prestación de atención en entornos con recursos limitados, esta tecnología podría impulsar significativamente la equidad en la atención médica. Para alcanzar el máximo potencial de la IA agéntica se requerirá investigación, innovación y colaboraciones interdisciplinarias sostenidas para garantizar su integración responsable y transformadora en los sistemas de salud de todo el mundo.
1. Introducción
El rápido avance de la inteligencia artificial (IA) está transformando la atención médica global, posicionando las tecnologías digitales como parte integral de los sistemas médicos modernos. Nos adentramos en una «era agentiva», caracterizada por sistemas de agentes de IA capaces de funcionalidad autónoma, razonamiento avanzado e interacciones dinámicas entre humanos y IA. Estos avances se deben a la integración de Modelos de Lenguaje Multimodales Grandes (MLLM) con otros sistemas de IA sofisticados, como lo demuestran asistentes de IA como ChatGPT de OpenAI (basado en GPT-4), Gemini de Google (basado en el modelo Gemini 1.5) y Copilot de Microsoft (que utiliza GPT-4 y otros modelos de IA).La relación de la IA con la atención médica abarca décadas, desde la atención personalizada hasta el descubrimiento de fármacos, 1 , 2 comenzando con sistemas pioneros basados en reglas en la década de 1970, como MYCIN, 3 INTERNIST-1 y QMR, 4 DXplain, 5 que abordaron los desafíos de diagnóstico pero lucharon con la creciente complejidad del conocimiento médico. A fines de la década de 1990, la llegada de conjuntos de datos de atención médica más grandes, la capacidad computacional mejorada y los algoritmos avanzados de aprendizaje automático (ML) marcaron un cambio hacia enfoques basados en datos. 6 Esta colaboración entre investigadores de ML y profesionales médicos fomentó la automatización clínicamente relevante. 7 El auge del aprendizaje profundo (DL) en la década de 2000 aceleró aún más el progreso, particularmente en imágenes médicas, donde las redes neuronales convolucionales (CNN) permitieron la detección precisa de anomalías, la segmentación de imágenes y la clasificación. 8 , 9 , 10 , 11 , 12 Estas innovaciones mejoraron significativamente la precisión diagnóstica y las predicciones pronósticas. A pesar de estos avances, la integración de la IA en la atención médica enfrenta desafíos que van más allá de la complejidad de los datos médicos, incluyendo la interoperabilidad con los flujos de trabajo clínicos, las restricciones regulatorias y la integración con dispositivos médicos. 13 , 14 Las aplicaciones de atención médica exigen precisión, confiabilidad y razonamiento contextual para garantizar la seguridad del paciente. Si bien los sistemas de IA actuales destacan en el reconocimiento de patrones a gran escala, 15 aún enfrentan desafíos en el razonamiento y la toma de decisiones de alto nivel. 16 Para abordar estas complejidades, los agentes de IA diseñados para el soporte de decisiones pueden ofrecer una solución, siempre que se integren con estrategias basadas en evidencia para garantizar la confiabilidad y la transparencia en las aplicaciones de atención médica.
Los agentes de IA van más allá de los sistemas tradicionales basados en reglas al optimizar dinámicamente los flujos de trabajo, adaptarse a las tareas con mínima intervención humana e integrarse con modelos de IA especializados. Dependiendo de su arquitectura, estos agentes pueden operar de forma independiente o colaborar dentro de marcos multiagente para abordar flujos de trabajo complejos.<sup> 17</sup> Sus aplicaciones abarcan los ámbitos de la atención médica, desde el diagnóstico hasta el descubrimiento de fármacos, lo que demuestra su potencial transformador para el avance de la atención médica global (detallado en la Sección 2 ).
1.1 . Agentes de IA tradicionales vs. sistemas de IA agénticos
Los agentes de IA tradicionales, tal como se clasifican en 18 , 19, se dividen en seis categorías:
- 1.Agentes reflejos simples: operan según reglas de condición-acción sin memoria.
- 2.Agentes reflejos basados en modelos: amplíe los agentes reflejos con un modelo interno que se actualiza en función de percepciones pasadas.
- 3.Agentes basados en objetivos: planifican y ejecutan acciones para lograr objetivos específicos.
- 4.Agentes basados en utilidad: utilizan funciones de utilidad para elegir acciones que maximicen la utilidad esperada y gestionan objetivos conflictivos.
- 5.Agentes de aprendizaje: Mejorar continuamente las estrategias basadas en nuevas experiencias.
- 6.Agentes de resolución de problemas: emplean algoritmos de búsqueda para lograr los resultados deseados.
Los agentes de IA tradicionales suelen utilizar sistemas basados en reglas, aprendizaje automático basado en heurísticas y, en algunos casos, aprendizaje por refuerzo (AR) para la optimización de decisiones, cada uno optimizado para objetivos predefinidos.
En el ámbito sanitario, estos enfoques se han aplicado al apoyo a la toma de decisiones clínicas, el diagnóstico y la planificación de tratamientos, pero a menudo presentan dificultades de adaptación en entornos sanitarios dinámicos. Por el contrario, la IA agencial avanza en estos paradigmas al incorporar arquitecturas adaptativas que mejoran la autonomía y la flexibilidad en la toma de decisiones. Al permitir que los agentes de IA se generalicen en diversas tareas sanitarias, como la optimización personalizada de tratamientos y el análisis autónomo de imágenes médicas, estos avances representan un avance hacia sistemas de IA más versátiles, alineados con los objetivos a largo plazo de la investigación en Inteligencia Artificial General (IAG).La Tabla 1 resume las diferencias entre la IA tradicional y la IA agencial en el ámbito sanitario. Una aplicación ilustrativa es el agente de IA para el sector sanitario (Fig. 1 ), que actúa como centro para el procesamiento de datos de bases de datos médicas, historiales clínicos electrónicos (HCE), exploraciones médicas y redes neuronales. Al generar indicaciones y ofrecer información, estos agentes facilitan la toma de decisiones cruciales en entornos clínicos, lo que demuestra el potencial transformador de la IA agencial en el ámbito sanitario y más allá.
Tabla 1. Diferencias clave entre los agentes de IA tradicionales y la IA agencial en la atención médica.
| Aspecto | Agente de IA tradicional | IA agente |
|---|---|---|
| Enfoque de razonamiento | Utilizar algoritmos específicos del dominio (p. ej., aprendizaje automático, máquinas de estados finitos). Ejemplo: Un chatbot basado en reglas que responde a preguntas frecuentes médicas predefinidas. | Razonamiento basado en lenguaje natural, que aprovecha principalmente los LLM. Ejemplo: Un asistente de IA que realiza preguntas y respuestas médicas abiertas y explica afecciones según el historial del paciente. |
| Flexibilidad de dominio | Optimizado para una tarea o entorno específico. Ejemplo: Optimizado para tareas específicas, como la generación de informes estructurados o la clasificación basada en reglas. | Adaptable a múltiples tareas mediante aprendizaje de cero o pocos disparos o ingeniería de indicaciones dinámicas. Ejemplo: Puede resumir informes de radiología y también ayudar en el apoyo diagnóstico. |
| Estructura de decisión | Basado en reglas, con un conjunto predefinido de acciones y objetivos. Ejemplo: Un sistema de IA que sigue directrices fijas para el triaje de casos de emergencia. | Capaz de establecer subobjetivos autodirigidos y planificar de forma iterativa (p. ej., modelos de razonamiento basados en el lenguaje). Ejemplo: Un agente de IA que ajusta dinámicamente las decisiones de triaje según los datos del paciente y la evolución de los síntomas. |
| Datos y formación | Conjuntos de datos específicos del dominio. Ejemplo: IA entrenada únicamente con datos de HCE estructurados. | Utiliza preentrenamiento a gran escala en vastos corpus; puede generalizar o especializarse con actualizaciones mínimas (pocos intentos). Ejemplo: IA entrenada con diversos textos médicos, adaptándose rápidamente a nuevas enfermedades y directrices. |
| Integración de herramientas | Limitado. Ejemplo: Una herramienta de IA independiente para detectar anomalías en tomografías computarizadas. | Llama dinámicamente a API externas, bases de conocimiento, aprendizaje automático, aprendizaje profundo y aprendizaje automático multinivel (MLLM). Ejemplo: Un sistema de IA que se integra con sistemas hospitalarios, resultados de laboratorio y literatura médica para proporcionar información diagnóstica completa. |
| Explicaciones | Transparente en sistemas simbólicos; interpretabilidad moderada en aprendizaje profundo. Ejemplo: Un modelo de árbol de decisión que explica por qué se recomienda un medicamento. | En gran medida, se trata de una caja negra, aunque están surgiendo técnicas de interpretabilidad. Ejemplo: un sistema de IA agencial que sugiere tratamientos basados en patrones de aprendizaje profundo (DL), con esfuerzos para explicar su razonamiento mediante mapas de atención o análisis contrafáctico. |
| Casos de uso principales | Robótica, toma de decisiones basada en reglas, sistemas de control industrial. Ejemplo: Un sistema robótico que sigue procedimientos quirúrgicos predefinidos. | Ejemplo ilimitado : asistentes virtuales impulsados por IA para monitoreo de pacientes, planificación de tratamientos adaptativos, medicina personalizada, cirugía robótica y muchos más. |
1.2 . Descripción técnica de la IA de agencia
Los sistemas de IA agencial suelen integrar codificadores de aprendizaje automático (DL) preentrenados para procesar datos multimodales, como imágenes y texto, aunque existen enfoques alternativos. Estas representaciones codificadas son procesadas por un LLM central, que funciona como el núcleo de razonamiento y toma de decisiones del agente. Los LLM de código abierto comúnmente empleados en este dominio incluyen LLaMA, 20 Falcon 21 y Vicuna, 22 que han sido preentrenados en conjuntos de datos a gran escala. La apertura de estos modelos permite a los investigadores desarrollar sus propios agentes de IA con mayor transparencia y una comprensión más profunda de sus procesos internos de razonamiento y toma de decisiones. Por el contrario, los LLM propietarios, como los modelos ChatGPT y Gemini, si bien a menudo ofrecen un rendimiento altamente optimizado y un soporte más amplio, ofrecen una transparencia mínima con respecto a su procedimiento interno de toma de decisiones.Los mecanismos clave que aprovechan estos LLM centrales incluyen técnicas de razonamiento avanzadas, como la cadena de pensamiento (CoT), 23 razonamiento y acción (ReAct) y24 árbol de pensamiento (ToT).25 Estas técnicas mejoran el razonamiento y la toma de decisiones a través de la descomposición estructurada, la inferencia lógica y la comprensión contextual.Una ventaja crucial de la IA agentica reside en su modularidad y adaptabilidad, lo que permite una integración fluida de LLM, modelos de aprendizaje automático y otros componentes especializados de IA. Esta arquitectura modular facilita la escalabilidad, mejora la flexibilidad para adaptarse a tareas en constante evolución y permite la implementación en diversos dominios de aplicación, incluyendo sistemas autónomos, investigación científica y marcos complejos de toma de decisiones.
2. Importancia de los agentes de IA en la atención sanitaria
Los recientes avances en tecnologías médicas relacionadas con la IA han impulsado un crecimiento sin precedentes en los datos de atención médica. Entre 2011 y 2018, los conjuntos de datos de imágenes médicas crecieron entre tres y diez veces, con incrementos anuales del 21 % al 32 % en diversas modalidades de imágenes. 26 La proliferación de aplicaciones móviles, computación en la nube, dispositivos portátiles y análisis de big data ha expandido aún más las fuentes de datos, lo que permite la medicina personalizada y el monitoreo de la salud en tiempo real. 27 A pesar de estos avances, el sector de la atención médica enfrenta un déficit proyectado de 18 millones de trabajadores para 2030, particularmente en regiones de bajos ingresos. 28 , 29 Los agentes de IA pueden ayudar a mitigar esta brecha al integrar tecnologías avanzadas de ML, DL, procesamiento del lenguaje natural (PLN) y visión artificial, automatizar tareas administrativas, mejorar los diagnósticos y mejorar la eficiencia del flujo de trabajo.
2.1 . Características de la IA agente en el ámbito sanitario
La figura 2 ilustra las características clave que hacen que las tecnologías de IA agente sean adecuadas para los entornos de atención médica.
Autonomía: Los agentes de IA funcionan de forma independiente y toman decisiones basadas en objetivos predefinidos y datos ingresados en tiempo real. En radiología, por ejemplo, un agente de IA puede analizar exploraciones de forma autónoma, seleccionar algoritmos de diagnóstico y generar informes preliminares. En entornos multilingües, el agente puede detectar la necesidad de traducción e invocar las herramientas adecuadas, lo que reduce la intervención manual y agiliza los flujos de trabajo.
Adaptabilidad: A diferencia de los modelos de IA tradicionales, que suelen estar optimizados para tareas específicas, la IA agéntica se ajusta dinámicamente a los nuevos datos y a las necesidades clínicas en constante evolución. Por ejemplo, un agente de IA entrenado en análisis de rayos X puede ajustarse para procesar resonancias magnéticas o tomografías computarizadas, lo que garantiza su relevancia continua a medida que evolucionan las modalidades de imagen.
Escalabilidad: Al aprovechar las infraestructuras en la nube y el aprendizaje federado, la IA con agentes puede gestionar datos vastos y heterogéneos en tiempo real. Esta capacidad es crucial para aplicaciones como la telemedicina, donde se requiere realizar análisis de datos a gran escala sin comprometer la velocidad ni la precisión.
Toma de decisiones probabilística: Los agentes de IA utilizan razonamiento iterativo y actualizan continuamente sus predicciones basándose en nuevos datos, conocimiento contextual y ciclos de retroalimentación. Por ejemplo, un agente de IA podría diagnosticar inicialmente neumonía, pero corregirlo a tuberculosis tras incorporar datos epidemiológicos y resultados de laboratorio.Estas características, en conjunto, permiten que la IA agente proporcione soluciones sólidas, eficientes y conscientes del contexto en diversos entornos de atención médica.
2.2 . Dominios funcionales centrales de los agentes de IA en la atención médica
Como se ilustra en la Fig. 3 , los agentes de IA enfocados en la atención médica pueden clasificarse en varios dominios funcionales principales, como el diagnóstico, el apoyo a la toma de decisiones clínicas, el tratamiento y la atención al paciente, la interacción y monitorización del paciente, las operaciones y la administración, el descubrimiento e investigación de fármacos, y la cirugía asistida por robot. Las siguientes subsecciones describen cómo se aplican la IA y los agentes de IA en cada uno de estos dominios en la atención médica.
2.2.1 . Agentes de IA en el diagnóstico
Los flujos de trabajo de diagnóstico modernos dependen en gran medida de la IA para el análisis de imágenes médicas y el análisis predictivo. El creciente volumen de datos de imágenes y la complejidad de las historias clínicas electrónicas pueden saturar a los profesionales clínicos, pero la IA ayuda a aliviar estas cargas, 30 , 31 reduciendo la carga cognitiva y mejorando la seguridad del paciente. 32 , 33La integración de la IA con las imágenes médicas está transformando el diagnóstico al mejorar la precisión. En radiología, la IA mejora la precisión diagnóstica mediante la detección de anomalías, la segmentación de lesiones y la clasificación.
Las tecnologías de aprendizaje automático (DL), como las CNN y los transformadores de visión (ViT), optimizan los flujos de trabajo dentro de los PACS para modalidades como la tomografía computarizada (TC), la resonancia magnética (RM), los rayos X y las imágenes patológicas, a la vez que mantienen la confidencialidad de los datos del paciente. Además , la IA utiliza MLLM para integrar datos radiológicos y clínicos, lo que facilita el diagnóstico y automatiza la generación de informes .
Más allá de la radiología, la IA se destaca en el análisis de imágenes patológicas, mejorando la detección del cáncer y los diagnósticos microscópicos. 45Un estudio reciente 46 explora el rol de los agentes de IA de solo texto para ayudar a los radiólogos con el diagnóstico diferencial de la resonancia magnética cerebral. Una comparación entre los agentes asistidos por LLM y los flujos de trabajo de búsqueda en internet convencionales mostró que los diagnósticos asistidos por IA tuvieron mayor precisión (61,4 % frente a 46,5 %), aunque no hubo una diferencia significativa en el tiempo de interpretación ni en los niveles de confianza. La integración de imágenes médicas en un MLLM podría eliminar potencialmente la necesidad de descripciones manuales de los hallazgos de las imágenes, mejorando aún más la eficiencia del diagnóstico. Para un diagnóstico preciso, el análisis de imágenes es un criterio clave. Med-Flamingo 47 es un agente de IA multimodal de pocos disparos diseñado para el diagnóstico médico, que utiliza imágenes 2D y texto para ayudar a los médicos. Supera a los modelos existentes en precisión diagnóstica hasta en un 20 %. Más allá de las imágenes 2D, M3D-LaMed 48 es un MLLM diseñado para el análisis de imágenes médicas 3D, que integra datos basados en texto para mejorar las tareas de diagnóstico. Al aprovechar un codificador de visión 3D previamente entrenado y un perceptor de agrupación espacial 3D eficiente, M3D-LaMed mejora el diagnóstico de imágenes médicas 3D complejas, como tomografías computarizadas y resonancias magnéticas, lo que representa un avance significativo en el diagnóstico médico asistido por IA.La integración de agentes de IA en los flujos de trabajo de imágenes tiene el potencial de optimizar las operaciones, mejorar la precisión diagnóstica y agilizar los procesos. En radiología, los agentes de IA pueden interactuar con PACS para automatizar el control de calidad, gestionar las transferencias de datos y ejecutar algoritmos de aprendizaje automático (AA) y aprendizaje profundo (AA) para el análisis de imágenes. Estos agentes detectan anomalías para su revisión, manteniendo la privacidad del paciente mediante la desidentificación, y pueden operar en segundo plano, analizando continuamente los datos de imágenes, generando informes preliminares y proponiendo diagnósticos mediante MLLM. Al combinar la eficiencia computacional con la experiencia de los radiólogos, los agentes de IA mejoran la precisión, reducen la incertidumbre y ahorran tiempo y recursos.Más allá del diagnóstico, los agentes de IA impulsan el análisis predictivo y la atención personalizada mediante el análisis de historias clínicas electrónicas (HCE), imágenes, genómica y datos de dispositivos portátiles. Identifican indicadores sutiles de enfermedades, como signos tempranos de diabetes ( 49 , 50) , enfermedades cardiovasculares (51) o cáncer ( 52) , lo que permite la detección temprana, la asignación optimizada de recursos y mejores resultados para los pacientes. Los agentes de IA también mejoran el pronóstico al predecir la trayectoria de la enfermedad, modelar la progresión y adaptar los planes de tratamiento ( 53 , 54 , 55 , 56) . Esta información ayuda a los médicos a anticipar complicaciones y ajustar las terapias de forma proactiva.Para una integración eficaz, los agentes de IA deben integrarse fluidamente en los flujos de trabajo clínicos y los entornos de los pacientes. En entornos clínicos, proporcionan datos en tiempo real e información práctica, mientras que, en el caso del paciente, los wearables con IA monitorizan las métricas de salud y ofrecen recomendaciones personalizadas, conectando la atención clínica con la vida diaria. Además, los agentes de IA sirven como herramientas educativas, creando módulos de aprendizaje interactivos, evaluando a los estudiantes sobre casos reales 57 , 58 y apoyando la toma de decisiones clínicas, la gestión de recursos y la formación de profesionales sanitarios.
2.2.2 . Agentes de IA en sistemas de apoyo a la toma de decisiones clínicas
La IA puede integrarse sin problemas en los sistemas de apoyo a la toma de decisiones clínicas (CDSS) para optimizar la atención al paciente. 59 , 60 , 54 Mediante el análisis de historias clínicas electrónicas (HCE), datos clínicos, genómicos, conductuales y administrativos, 14 los sistemas de IA resumen hallazgos clave, establecen conexiones mediante LLM, acceden a bases de datos médicas, generan recordatorios y facilitan la colaboración. Estas capacidades mejoran los diagnósticos, reducen los diagnósticos erróneos y facilitan la carga de trabajo de los profesionales clínicos mediante la automatización y la priorización de tareas. La incorporación de agentes de IA para la atención médica en los CDSS, accesibles a través de dispositivos móviles como herramientas independientes o como parte de un sistema multiagente, representa un avance significativo. A diferencia de los CDSS tradicionales, donde tareas como la recuperación y el resumen de información se realizan manualmente o en pasos separados, los agentes de IA pueden ejecutar estos procesos de forma cohesiva y adaptativa. Refinan los resultados mediante la evaluación de los resultados individuales de cada módulo de IA, lo que proporciona información clínica más precisa y fiable. Los modelos de lenguaje de visión (VLM) integran los LLM con las imágenes médicas, lo que ayuda a los médicos a interpretar imágenes y generar informes estructurados. 62 Un estudio exploró el uso de VLM impulsados por IA en radiología, identificando aplicaciones clave como la generación de borradores de informes, la revisión aumentada de informes, la búsqueda y consulta visual, y los aspectos destacados del historial de imágenes del paciente. Los hallazgos sugieren que la generación de informes asistida por IA y las funcionalidades de búsqueda visual pueden mejorar la eficiencia del flujo de trabajo, reducir la carga cognitiva y mejorar la precisión diagnóstica. Sin embargo, el estudio destaca la necesidad de explicabilidad, integración fluida del flujo de trabajo y supervisión del médico para garantizar que los conocimientos generados por IA sean clínicamente confiables e interpretables. Otro VLM, LLaVA-Med, un agente de IA, se entrenó utilizando un conjunto de datos biomédicos a gran escala de PubMed Central y ajuste de instrucciones basado en GPT-4 para respaldar la interpretación de imágenes biomédicas, los informes clínicos y la respuesta a preguntas visuales médicas (VQA). El estudio demostró que LLaVA-Med supera a los modelos de última generación anteriores en conjuntos de datos VQA biomédicos estándar, lo que prueba su eficacia para ayudar a radiólogos y médicos
.Como el primer agente de IA en imágenes médicas que planifica, ejecuta y adapta dinámicamente mediante herramientas computacionales externas, VoxelPrompt 61 rompe con los modelos rígidos de tarea única. Supera a los modelos de segmentación especializados en 13 de 17 estructuras anatómicas, supera a los modelos de visión convencionales en 23 regiones cerebrales diferentes y alcanza una precisión del 89 % en la caracterización patológica, igualando a los clasificadores expertos y gestionando una gama más amplia de tareas que facilitan la toma de decisiones clínicas. Otro ejemplo práctico: el estudio 64 supera a la IA tradicional al actuar como un agente inteligente llamado LLMSeg que fusiona datos clínicos textuales con imágenes, lo que permite un contorno 3D preciso. Este enfoque logra una precisión superior con una cantidad significativamente menor de datos, manteniendo un rendimiento robusto incluso en entornos con escasez de datos donde la IA convencional presenta dificultades. Al aprovechar los LLM, los agentes de IA mejoran la eficiencia y la adaptabilidad en entornos clínicos, optimizando la generación automatizada de informes, el soporte de decisiones y la caracterización de enfermedades.A pesar de los avances significativos en IA agencial para CDSS, muchos sistemas de apoyo a la toma de decisiones basados en IA se encuentran en fase de investigación y aún no han alcanzado una adopción clínica generalizada. Un estudio 65 aborda este desafío proponiendo un marco sistemático de apoyo a la IA que considera dimensiones clave como la enfermedad, los datos, la tecnología, los grupos de usuarios, la validación, la toma de decisiones y la madurez, haciendo hincapié en un enfoque estructurado para mejorar la integración de la IA en la atención médica en el mundo real.A medida que los agentes de IA continúan evolucionando, el diseño de IA centrado en el ser humano y las consideraciones regulatorias serán cruciales para garantizar la confianza, la usabilidad y el cumplimiento normativo en los CDSS. La integración de sistemas de apoyo a la toma de decisiones basados en IA en radiología y otros ámbitos médicos tiene el potencial de revolucionar el diagnóstico, reducir la carga de trabajo de los profesionales clínicos y mejorar los resultados de los pacientes.
2.2.3 . Agentes de IA en el tratamiento y la atención al paciente
La IA tiene un potencial transformador en el tratamiento y la atención al paciente gracias a sus funcionalidades avanzadas. Los modelos de aprendizaje profundo y aprendizaje automático (AA) permiten la medicina personalizada mediante el análisis de datos genómicos y clínicos para crear planes de tratamiento a medida, imular la respuesta a los fármacos y optimizar los protocolos de quimioterapia y radioterapia para lograr la máxima eficacia. El AA también contribuye a la optimización terapéutica. La radiómica, combinada con IA, mejora aún más la planificación del tratamiento, mientras que la IA integrada en dispositivos médicos garantiza una monitorización precisa, reduce los errores y permite la vigilancia remota y hospitalaria de los pacientes. Estos sistemas alertan a los profesionales sanitarios sobre cambios críticos y asisten a los servicios de emergencia con orientación en tiempo real y adaptada al contexto durante las emergencias
El estudio 73 presenta AgentClinic, un agente de IA que simula las interacciones médico-paciente, recopilando información del paciente de forma autónoma, tomando decisiones diagnósticas y recomendando tratamientos. AgentClinic interactúa activamente con los pacientes mediante el diálogo, solicita pruebas médicas y adapta sus estrategias de interrogatorio en tiempo real, imitando la toma de decisiones clínicas humanas. El estudio destaca cómo estas interacciones agénticas impulsadas por IA influyen en la participación y el seguimiento del paciente, en particular al determinar su cumplimiento, la confianza en las recomendaciones de IA y la disposición para el seguimiento.Actualmente, las tecnologías de IA para el tratamiento funcionan como algoritmos independientes adaptados a conjuntos de datos y tareas específicos. La transición a agentes de IA permite una integración fluida con modelos, bases de datos y otros módulos de IA existentes, lo que mejora la eficiencia. En la atención al paciente, los módulos de IA semiautónomos tradicionales suelen generar flujos de trabajo fragmentados y errores. Los agentes de IA superan estos desafíos integrándose fluidamente en los sistemas de salud. Analizan los perfiles genómicos y los historiales de los pacientes para recomendar tratamientos personalizados, validarlos con extensas bases de datos y optimizar los planes de terapia simulando complicaciones y alertando a los profesionales clínicos de forma proactiva.
2.2.4 . Agentes de IA en la interacción y el seguimiento de los pacientes
La IA desempeña un papel transformador en la interacción y la monitorización del paciente, aprovechando tecnologías avanzadas para optimizar la atención. En la monitorización remota, la IA analiza datos de wearables y dispositivos domésticos, como cámaras y sensores, para rastrear los signos vitales y detectar anomalías en tiempo real. 74 Los asistentes virtuales de salud y los chatbots ofrecen control de síntomas, triaje automatizado y orientación para la programación, lo que reduce la carga de trabajo de los profesionales sanitarios. 75 , 76 Sin embargo, muchos chatbots se ven limitados por el tamaño y la heterogeneidad de sus conjuntos de datos de entrenamiento, lo que limita su adaptabilidad. En las plataformas de telesalud, la IA mejora la programación de videoconsultas y realiza análisis de datos de pacientes en tiempo real, lo que permite una atención virtual eficiente y personalizada. 77 , 78El reciente estudio 79 presenta Agent Hospital, un sistema de agentes de IA que mejora la interacción del paciente mediante la simulación de interacciones interactivas médico-paciente en un hospital virtual. Los agentes LLM gestionan de forma autónoma el triaje, la consulta y el seguimiento, interactuando con los agentes de pacientes mediante diálogos dinámicos, exámenes médicos y ciclos de retroalimentación. El estudio destaca cómo los agentes de IA rastrean las respuestas de los pacientes, adaptan las decisiones según la evolución de los síntomas e influyen en la adherencia al seguimiento, demostrando su potencial en la monitorización proactiva de la atención médica.Para superar las limitaciones de los sistemas de IA tradicionales, los agentes de IA se integran a la perfección en los sistemas y dispositivos sanitarios. En combinación con wearables y herramientas de monitorización domiciliaria, los agentes de IA analizan continuamente los datos de salud, alertan a los profesionales sanitarios cuando es necesario y proporcionan instrucciones de emergencia a los pacientes. Los agentes de salud virtuales en plataformas móviles guían a los usuarios en la evaluación de síntomas, el triaje y la programación, a la vez que sincronizan las citas con sus calendarios personales para una experiencia sanitaria fluida. En las plataformas de telesalud, los agentes de IA optimizan los horarios, analizan los datos de los pacientes durante las videollamadas y apoyan a los profesionales sanitarios con funciones avanzadas como la traducción de idiomas en tiempo real y la interpretación de lengua de señas mediante aprendizaje a distancia y procesamiento del lenguaje natural (PLN). Estas capacidades garantizan la accesibilidad, la eficiencia y la precisión en la interacción y la monitorización del paciente, integrando la tecnología de vanguardia con la atención personalizada. Los agentes conversacionales de IA se han convertido en herramientas valiosas para la monitorización de la salud mental y la interacción con el paciente. Un ejemplo notable es Woebot, un chatbot impulsado por IA que mejora dinámicamente la interacción del usuario mediante el análisis activo de estados emocionales mediante PNL y la entrega de respuestas empáticas contextuales en tiempo real. 80 Otro estudio evalúa el uso del agente LLM en el apoyo a la salud mental, 81 revelando sesgos en la empatía y la calidad de la respuesta en diferentes grupos demográficos. Si bien los agentes LLM como GPT-4 pueden mejorar la interacción del paciente al fomentar el cambio de comportamiento, el estudio destaca la necesidad de estrategias de mitigación de sesgos para garantizar una implementación equitativa y ética en entornos clínicos. El agente de IA adapta el contenido terapéutico adaptando continuamente su diálogo según las aportaciones del usuario, lo que fomenta un sistema de apoyo interactivo y personalizado. Mediante registros diarios proactivos y un seguimiento automatizado del estado de ánimo, monitoriza el estado de ánimo del usuario, detecta fluctuaciones en el bienestar emocional y ofrece intervenciones específicas para promover la autorreflexión, la conciencia emocional y la participación continua. Esto subraya el potencial de los agentes de IA para servir como plataformas atractivas, escalables y de fácil acceso para la interacción y el seguimiento continuos del paciente, ampliando y complementando los métodos terapéuticos tradicionales.
2.2.5 . Agentes de IA en las operaciones y la administración de la atención médica
Las tecnologías de aprendizaje automático (DL) y aprendizaje automático (ML) mejoran las operaciones de atención médica mediante análisis avanzado de datos, automatización de tareas y modelado predictivo. 82 , 83 , 84 , 85 En la optimización del flujo de trabajo, la IA agiliza el triaje en los departamentos de emergencia, automatiza el flujo de pacientes y la asignación de camas, 86 facilita la traducción de idiomas y el apoyo a personas con discapacidad, 87 y proporciona asistencia virtual para la capacitación y la gestión del personal de atención médica. 88 En facturación y codificación, la IA automatiza el procesamiento de reclamos, verifica los detalles del seguro, 89 y detecta actividades fraudulentas. 90 El análisis predictivo optimiza aún más la programación y la gestión de recursos al mejorar la programación del personal, la planificación de quirófanos y la asignación de recursos. 91Los agentes de IA mejoran las operaciones de atención médica al integrarse con los sistemas hospitalarios, optimizar los flujos de trabajo y reducir la carga administrativa. En las salas de emergencia, monitorean datos en tiempo real para priorizar pacientes, administrar la asignación de camas y coordinar traslados. Aprovechando sus LLM, los agentes de IA facilitan la comunicación mediante la traducción de idiomas y adaptaciones para personas con discapacidad. También asisten al personal de atención médica con capacitación, protocolos actualizados y mejores prácticas. En las operaciones financieras, los agentes de IA automatizan la facturación, la verificación de reclamos y la detección de fraudes, reduciendo la carga administrativa. Para la programación, analizan las necesidades de personal, optimizan las listas de espera, planifican cirugías y pronostican recursos, ajustándose dinámicamente para mantener la eficiencia operativa y garantizar una atención al paciente de alta calidad. Un ejemplo práctico de la integración de agentes de IA en las operaciones de atención médica es NYUTron, 92 el primer agente de IA implementado clínicamente en entornos hospitalarios reales. Integrado en el sistema de Historias Clínicas Electrónicas (HCE) de NYU Langone Health, NYUTron ayuda a médicos y administradores a predecir el riesgo de reingreso hospitalario, la duración de la estancia hospitalaria, la mortalidad intrahospitalaria y las denegaciones de reclamaciones de seguros, demostrando cómo los agentes de IA pueden optimizar la toma de decisiones y optimizar las operaciones sanitarias. Otro ejemplo práctico de integración de agentes de IA en las operaciones sanitarias es GPT4DFCI, una implementación de IA a nivel de todo el instituto en el Instituto Oncológico Dana-Farber. Diseñado como un sistema de IA seguro y conforme con la HIPAA, GPT4DFCI facilita la investigación, la documentación clínica y los flujos de trabajo administrativos, a la vez que aborda los desafíos de la privacidad de datos, el cumplimiento normativo y la gobernanza ética. Esta iniciativa demuestra cómo los agentes de IA pueden integrarse de forma segura en las instituciones sanitarias para mejorar la eficiencia, manteniendo una estricta supervisión y un uso responsable de la IA.
2.2.6 . Agentes de IA en el descubrimiento y la investigación de fármacos
Los avances en IA están revolucionando el descubrimiento de fármacos al mejorar la eficiencia y la precisión. En la selección de fármacos candidatos, el cribado de alto rendimiento impulsado por IA analiza rápidamente vastas bibliotecas de compuestos, mientras que el modelado molecular predice interacciones con dianas biológicas, reduciendo así la lista de candidatos potenciales. 94 Estos modelos requieren amplios conjuntos de datos y un conocimiento experto del dominio para una capacitación y evaluación efectivas. 95 En la optimización de ensayos clínicos, la IA analiza los datos de los pacientes para mejorar el reclutamiento, diseña protocolos adaptativos basados en datos emergentes y refina parámetros para aumentar las tasas de éxito. 96 , 97 Además, la IA procesa datos genómicos a gran escala para identificar marcadores genéticos, lo que permite terapias de precisión adaptadas a perfiles individuales. 98 , 99 Estas innovaciones acortan los plazos de descubrimiento, reducen los costos y promueven la medicina personalizada. Los agentes de IA aceleran aún más el descubrimiento de fármacos al automatizar flujos de trabajo complejos y reducir errores. En la selección de candidatos, realizan experimentos de alto rendimiento, simulaciones moleculares y analizan resultados para identificar compuestos prometedores. En ensayos clínicos, utilizan historias clínicas electrónicas (HCE) y bases de datos genómicas para reclutar participantes idóneos, optimizar procesos y adaptar protocolos en tiempo real. En genómica, analizan datos de secuenciación, detectan mutaciones asociadas a enfermedades y proponen terapias personalizadas. Integrados con instrumentos de laboratorio, plataformas de datos y sistemas clínicos, los agentes de IA automatizan la toma de decisiones, mejoran la precisión y aceleran el desarrollo de tratamientos seguros y eficaces. En un estudio reciente, se diseñó un sistema de IA multiagente llamado DrugAgent para automatizar la programación de aprendizaje automático (ML) para el descubrimiento de fármacos. Al integrar el conocimiento específico del dominio con la selección de modelos basada en IA, mejora tareas clave como la predicción de ADMET, el análisis de la interacción fármaco-diana y la optimización molecular. A diferencia de los métodos tradicionales no agenticos, que requieren codificación manual e intervención experta, Drug Agent genera, prueba y perfecciona modelos de ML de forma autónoma, mejorando significativamente la eficiencia y reduciendo errores. El modelo obtuvo una puntuación F1 de 0,92 en la predicción de la absorción de fármacos, lo que demuestra su capacidad para optimizar modelos predictivos para la investigación farmacéutica. Más allá del descubrimiento de fármacos impulsado por el aprendizaje automático (ML), los sistemas de IA con agentes están transformando la investigación biomédica al generar, refinar y validar hipótesis científicas de forma autónoma, ahorrando así un tiempo considerable. El curso «Cocientífico en IA 101″ ejemplifica este cambio al aprovechar el razonamiento multiagente y de autosuperación para impulsar la reutilización de fármacos, el descubrimiento de nuevas dianas farmacológicas y la investigación sobre la resistencia a los antimicrobianos. El cocientífico en IA identificó fármacos candidatos reutilizados para la leucemia mieloide aguda (LMA) y, para el descubrimiento de nuevas dianas, propuso reguladores epigenéticos para la fibrosis hepática, refinando hipótesis mediante la retroalimentación de expertos y la validación experimental. Además, formuló la hipótesis de forma independiente sobre un mecanismo de transferencia génica bacteriana, en consonancia con hallazgos microbiológicos inéditos, demostrando así su razonamiento autónomo y sus capacidades de descubrimiento. Al integrar la colaboración humana en el ciclo (HITL), el cocientífico en IA garantiza la alineación de expertos a la vez que evoluciona continuamente mediante un ciclo de retroalimentación de autosuperación, marcando una nueva era en el descubrimiento científico impulsado por IA en el desarrollo de fármacos. Estos ejemplos resaltan cómo los agentes de IA pueden agilizar el desarrollo de medicamentos, reducir la carga de trabajo humana y acelerar la innovación farmacéutica.
2.2.7 . Agentes de IA en cirugía asistida por robot
La cirugía asistida por robot guiada por IA marca una nueva era en la medicina, mejorando la precisión, la exactitud y la seguridad en procedimientos complejos. 102 , 103 Al integrar imágenes avanzadas, datos de sensores, aprendizaje automático (ML) y robótica, los sistemas de IA permiten a los robots quirúrgicos realizar tareas con una precisión excepcional. La navegación y la guía de instrumentos impulsadas por IA permiten la interpretación en tiempo real de la anatomía del paciente, la adaptación a movimientos sutiles y el posicionamiento óptimo de los instrumentos, lo que reduce la invasividad y minimiza los riesgos. Estos avances ayudan a los cirujanos a planificar, ejecutar y perfeccionar las intervenciones, mejorando los resultados y ampliando las posibilidades de la cirugía mínimamente invasiva.Los agentes de IA integrados en sistemas robóticos orquestan estas capacidades mediante el análisis de datos de cámaras endoscópicas, sensores e imágenes preoperatorias para trazar trayectorias quirúrgicas precisas y guiar los instrumentos en tiempo real. Durante la cirugía, monitorizan parámetros críticos, detectan complicaciones y alertan al equipo si es necesaria una intervención. Los agentes de IA facilitan la toma de decisiones, proporcionan retroalimentación dinámica y automatizan tareas como la sutura o la manipulación de tejidos bajo supervisión. Gracias al aprendizaje continuo de las operaciones, estos agentes perfeccionan sus modelos, optimizando el rendimiento robótico y promoviendo una atención quirúrgica más segura, eficiente y personalizada.
E n un estudio reciente 104 se destaca el surgimiento de la asistencia quirúrgica con agentes de IA, introduciendo sistemas de IA multiagente que simulan roles quirúrgicos, mejoran la toma de decisiones y optimizan la coordinación del flujo de trabajo. Estos sistemas inteligentes aprovechan los LLM y la IA con memoria aumentada para proporcionar guía en tiempo real, anticipar los pasos del procedimiento y facilitar la colaboración fluida en equipo. Amplíando esto, SUFIA 105 , un agente asistente robótico impulsado por LLM, traduce comandos de lenguaje natural en planes quirúrgicos de alto nivel y acciones de control de bajo nivel. Integra módulos de percepción en tiempo real para la adaptación dinámica y garantiza la seguridad mediante un mecanismo HITL. En experimentos simulados, SUFIA logró una tasa de éxito del 100 % en la elevación de agujas y del 90 % en la entrega de agujas, mientras que en ensayos físicos, las tasas de éxito fueron del 100 % y del 50 %, respectivamente. Estos resultados resaltan el potencial de la IA con agentes para mejorar la destreza quirúrgica, optimizar el flujo de trabajo y respaldar intervenciones robóticas autónomas pero supervisadas. Operando en un entorno interactivo, estos agentes de IA perfeccionan las estrategias quirúrgicas, asisten en la navegación intraoperatoria y se adaptan dinámicamente a escenarios cambiantes. Al mejorar la precisión, la seguridad y la eficiencia, los enfoques basados en agentes en cirugía robótica amplían el alcance de la automatización, allanando el camino para sistemas quirúrgicos más autónomos y adaptativos en el futuro.
La Tabla 2 muestra la categorización de los tipos de agentes de IA en la atención médica, junto con las aplicaciones, los usuarios y las tecnologías clave asociados con cada tipo.
Tabla 2. Categorización de los tipos de agentes de IA en la atención médica con aplicaciones, usuarios y tecnologías clave.
| agentes de IA | Aplicaciones clave | Categorías de atención médica | Usuarios principales | Tecnologías clave de IA |
|---|---|---|---|---|
| Agentes de base de imágenes | Diagnóstico de enfermedades, detección temprana, generación de informes. | Diagnóstico, Apoyo a la toma de decisiones clínicas | Radiólogos, médicos | Visión por computadora (CNN, ViTs), MLLM para integración de imagen y texto |
| agentes de análisis predictivo | Predicción de riesgos, pronóstico de la progresión de la enfermedad y resultados del paciente | Apoyo a la toma de decisiones clínicas, tratamiento y atención al paciente, descubrimiento e investigación de fármacos | Médicos, equipos de atención | Modelado predictivo, incluido aprendizaje automático supervisado, métodos de conjunto y análisis de series temporales |
| Agentes conversacionales | Comprobación de síntomas, triaje de pacientes, consultas virtuales | Participación y seguimiento del paciente | Pacientes, médicos generales | PNL, sistemas de diálogo, LLM preentrenados |
| Agentes de PNL | Procesamiento de notas clínicas, resumen de HCE y extracción de información | Operaciones y administración, apoyo a la toma de decisiones clínicas | Codificadores médicos, analistas | PNL, LLM preentrenados |
| Agentes de base de reglas | Siguiendo las pautas clínicas, alertando sobre interacciones medicamentosas | Apoyo a la toma de decisiones clínicas | médicos, farmacéuticos | Razonamiento basado en reglas, aprovechando la programación lógica, reglas expertas y gráficos de conocimiento. |
| Agentes híbridos | Combinando imágenes, texto, vídeo y análisis predictivo para la toma de decisiones | Apoyo a la toma de decisiones clínicas, diagnóstico y cirugía asistida por robot | Médicos, radiólogos, cirujanos | Aprendizaje multimodal |
| Agentes de ML | Clasificación de enfermedades, detección de anomalías, planificación del tratamiento | Diagnóstico, tratamiento y atención al paciente, descubrimiento e investigación de fármacos | Científicos de datos, médicos | Algoritmos ML/DL, RL |
| Agentes de sistemas expertos | Emulación de la experiencia clínica para el diagnóstico y la planificación | Tratamiento y atención al paciente, apoyo a la toma de decisiones clínicas, cirugía asistida por robot | Especialistas, investigadores, cirujanos | Sistemas basados en conocimiento, sistemas basados en reglas |
| Agentes recomendadores | Sugerencia de pruebas diagnósticas, tratamientos personalizados | Tratamiento y atención al paciente, apoyo a la toma de decisiones clínicas | Médicos, equipos de atención | Filtrado colaborativo, sistemas de recomendación, aprendizaje automático |
3. Desafíos y recomendaciones para la IA agente en la atención médica
La implementación de sistemas de IA agente en el ámbito sanitario presenta varios desafíos críticos que deben abordarse para lograr una integración exitosa y una implementación segura.
3.1 . Disponibilidad del modelo y privacidad de datos
Uno de los desafíos más críticos de la IA en el ámbito sanitario es la disponibilidad de datos diversos y de alta calidad para entrenar modelos de IA. 106 La disponibilidad de datos se ve limitada por barreras regulatorias, infraestructuras sanitarias fragmentadas y estrictos requisitos de privacidad. Además, los historiales médicos contienen texto no estructurado y datos sensibles, lo que requiere el uso de IA Explicable (XAI) para garantizar el cumplimiento de las estrictas regulaciones médicas.Investigaciones recientes destacan la importancia de perfeccionar los LLM para extraer conocimiento estructurado de los informes de patología, manteniendo al mismo tiempo la interpretabilidad y el cumplimiento de las normas regulatorias en constante evolución. En este contexto, un estudio 107 aplicó el modelo de Representaciones de Codificador Bidireccional a partir de Transformadores (BERT) al ámbito médico, lo que permitió la generación de puntuaciones de decisión y la mejora de las anotaciones en los informes de patología. Al analizar las incrustaciones contextuales resultantes, el estudio proporciona información valiosa sobre la organización de la información diagnóstica, mejorando la alineación con los flujos de trabajo clínicos y permitiendo la integración con datos de imágenes. Si bien los LLM mejoran la extracción de conocimiento estructurado, las tecnologías que mejoran la privacidad, como el aprendizaje federado 108 y la privacidad diferencial 109 , son soluciones emergentes, pero su implementación requiere muchos recursos y es técnicamente compleja. Además, garantizar la trazabilidad de los datos y el cumplimiento de los marcos regulatorios en constante evolución, como el Reglamento Europeo de Diagnóstico In Vitro (IVDR), es esencial para la adopción de la IA en el diagnóstico médico. 110El sesgo en los modelos de atención médica basados en IA puede conducir a decisiones discriminatorias, afectando desproporcionadamente a los grupos subrepresentados. Abordar este problema requiere una selección diversa de datos, la mitigación del sesgo y evaluaciones continuas de equidad en entornos clínicos. Abordar este desafío requiere una selección diversa de conjuntos de datos, técnicas de mitigación del sesgo en el entrenamiento de modelos y evaluaciones continuas de equidad en aplicaciones clínicas reales.
3.2 . Complejidad regulatoria y de cumplimiento
Las regulaciones de atención médica se quedan atrás de los rápidos avances en la tecnología de IA. En los modelos de IA con agentes, el aprendizaje continuo, que se adapta en función de nuevos datos, plantea desafíos únicos para los procesos de aprobación regulatoria, ya que su rendimiento y perfiles de riesgo pueden evolucionar con el tiempo. Además, los LLM presentan riesgos de información alucinante, 111 lo que puede conducir a errores clínicos. Bajo IVDR, los diagnósticos impulsados por IA deben demostrar validez científica, solidez analítica y confiabilidad clínica para cumplir con los estándares de cumplimiento. 110 Establecer marcos robustos de validación y monitoreo para estos sistemas en evolución es fundamental para garantizar la seguridad del paciente. Como mejor práctica, se debe realizar una validación continua del modelo y un monitoreo del rendimiento. Además, se deben introducir protocolos de vigilancia específicos para estos modelos de IA para rastrear la precisión en la toma de decisiones.
3.3 . Integración con los flujos de trabajo de atención médica
Incorporar sin problemas la IA agentic en los flujos de trabajo clínicos existentes supone un reto formidable. Muchas instituciones sanitarias dependen de HCE heredados y sistemas operativos que no están diseñados para incorporar nuevas herramientas de IA. Una integración exitosa requiere abordar estas limitaciones técnicas mediante la gestión de cambios, la formación de usuarios y la colaboración iterativa entre profesionales clínicos, equipos de TI y desarrolladores de IA. Además, como se destaca en el estudio de imágenes médicas con apoyo de IA, la explicabilidad y la causalidad son factores clave para garantizar la confianza y la adopción entre los profesionales sanitarios, permitiéndoles comprender y validar las recomendaciones basadas en IA. 110La falta de confianza y aceptación entre profesionales sanitarios y pacientes sigue siendo un obstáculo importante para la adopción de la IA en la atención médica. Para abordar este problema, los modelos de IA basados en agentes deben someterse a una rigurosa validación en situaciones reales, y los profesionales sanitarios deben recibir formación estructurada sobre la toma de decisiones asistida por IA. Los mecanismos de explicabilidad, como los modelos de IA interpretables y las puntuaciones de confianza, también pueden mejorar la confianza de los profesionales sanitarios y facilitar una toma de decisiones informada.
3.4 . Limitaciones de recursos e infraestructura
La implementación a gran escala de sistemas de IA agénticos requiere importantes recursos computacionales e infraestructura. Muchos entornos con recursos limitados, como las clínicas rurales, carecen del hardware y la conectividad necesarios para operar sistemas de IA avanzados. Además, la demanda energética de los LLM plantea problemas de sostenibilidad. 112 Optimizar los sistemas de IA para entornos con bajos recursos es esencial para el acceso equitativo a sus beneficios. Los altos costos de implementación siguen siendo un gran desafío, especialmente para hospitales y clínicas pequeños con presupuestos limitados. Para promover la adopción equitativa de la IA, las soluciones escalables y rentables, como los modelos de IA médica de código abierto, las plataformas de IA basadas en la nube y las iniciativas de financiación público-privada, pueden ayudar a reducir la carga financiera y, al mismo tiempo, garantizar la accesibilidad.
3.5 . Debilidades adversarias
Los sistemas de IA en el ámbito sanitario son vulnerables a ataques adversarios, 113 donde entradas maliciosas pueden manipular sus resultados. Esto supone riesgos significativos para los agentes de IA, especialmente en escenarios de alto riesgo como el diagnóstico, la planificación de tratamientos y las cirugías asistidas por robot. Desarrollar defensas robustas y realizar pruebas rigurosas contra estas amenazas es fundamental para garantizar la fiabilidad. Reforzar las defensas de IA no solo protegerá los resultados de los pacientes, sino que también fomentará la confianza en la adopción de IA con agentes en las aplicaciones sanitarias.
3.6 . Responsabilidades éticas y legales
La autonomía de la IA agente y la complejidad de los datos en la atención médica plantean importantes preocupaciones éticas y legales, en particular en lo que respecta a la responsabilidad por resultados adversos. Asignar la responsabilidad por errores médicos relacionados con la IA es complejo debido a la opacidad de muchos modelos de IA. Establecer marcos de responsabilidad y medidas estandarizadas de rendición de cuentas es esencial para una implementación ética de la IA. La falta de transparencia en la forma en que los sistemas de IA generan recomendaciones médicas dificulta la asignación de responsabilidades en casos de diagnósticos erróneos o sugerencias de tratamiento inapropiadas
.Para abordar estos desafíos, es necesario establecer marcos legales y mecanismos de gobernanza que definan estructuras claras de rendición de cuentas. Los organismos reguladores, como la Ley de IA de la UE 116 y la FDA 117, priorizan la documentación rigurosa, la monitorización y la supervisión humana para garantizar la rendición de cuentas. Además, los resultados de los modelos de IA agencial deben contar con un mecanismo de explicabilidad, como un índice de confianza y resultados interpretables, que ayude a los profesionales clínicos a comprender y validar los resultados.
3.7 . Supervisión humana y gobernanza de la IA
Otro desafío importante en la implementación de la IA agencial en la atención médica es la disminución de la viabilidad de la supervisión humana, especialmente a medida que los modelos de IA se vuelven más complejos y autónomos. La opacidad de estos modelos y la escala a la que operan los sistemas de IA dificultan cada vez más la supervisión humana en tiempo real. Estudios recientes destacan la necesidad de mecanismos de supervisión híbridos que incorporen marcos HITL, intervenciones basadas en reglas e XAI para mantener el cumplimiento normativo y la confianza en las decisiones basadas en IA. 118 Sin embargo, desafíos como el sesgo de automatización, la fatiga de la supervisión y las lagunas regulatorias complican las iniciativas de gobernanza, lo que requiere soluciones interdisciplinarias que equilibren la autonomía con la responsabilidad.Si bien la IA con agentes presenta desafíos significativos en la atención médica, abordar estos problemas mediante una gobernanza sólida, transparencia y colaboración entre profesionales clínicos permitirá soluciones de salud basadas en IA más seguras y efectivas. Al integrar la supervisión ética, la adaptabilidad regulatoria y las innovaciones técnicas, la IA puede transformar la atención al paciente, manteniendo altos estándares de seguridad y responsabilidad.
4. Direcciones futuras de la IA agente en la atención médica
La IA agencial en el ámbito sanitario aún se encuentra en sus primeras etapas, lo que requiere un desarrollo riguroso para garantizar su seguridad, fiabilidad e integración fluida en la gestión sanitaria y la práctica clínica. La siguiente fase de la IA agencial estará impulsada por los avances en arquitecturas de IA auto evolutivas, la integración multimodal y la adaptabilidad en tiempo real, lo que permitirá que estos sistemas asistan a los profesionales sanitarios en lugar de reemplazarlos. A medida que la IA continúa evolucionando a un ritmo sin precedentes, se espera que su adopción en el ámbito sanitario se expanda significativamente en los próximos años. 94 Una prioridad clave de investigación será el desarrollo de agentes de IA generalistas capaces de realizar tareas complejas y multidisciplinarias con mínima intervención humana. Las técnicas de aprendizaje auto supervisado y de pocos disparos desempeñarán un papel crucial para que estos modelos se adapten rápidamente a nuevos escenarios médicos, reduciendo al mismo tiempo la dependencia de grandes conjuntos de datos anotados. Sin embargo, el desafío principal persiste: ¿cómo integrar eficazmente estos avances tecnológicos en los flujos de trabajo clínicos diarios? Para abordar esto, los marcos de colaboración híbridos entre humanos y IA seguirán evolucionando, fomentando una interacción más profunda entre médicos e IA, a la vez que garantizan la confianza, la interpretabilidad y la rendición de cuentas.
La IA explicable y la gobernanza ética de la IA seguirán siendo áreas prioritarias, con un énfasis creciente en la auditabilidad, la transparencia y la supervisión regulatoria para mitigar los riesgos en la toma de decisiones clínicas. Además, los rápidos avances en los LLM de código abierto 119 y los mecanismos de razonamiento impulsarán el siguiente hito en la evolución de la IA agente, mejorando sus capacidades de razonamiento y la comprensión contextual en aplicaciones sanitarias. Una dirección clave para el trabajo futuro en IA agencial es transformar su naturaleza reactiva en una proactiva.
Este cambio permitirá a los agentes de IA interactuar de forma más eficaz con médicos y pacientes, superar las brechas de conocimiento y sugerir flujos de trabajo óptimos. Desde el punto de vista de la implementación, las soluciones de IA de borde facilitarán la inferencia de IA en tiempo real en dispositivos médicos, reduciendo la dependencia de infraestructuras centralizadas en la nube y mejorando la accesibilidad de la IA en entornos con recursos limitados. Además, el aprendizaje federado y la tecnología blockchain están a punto de revolucionar el intercambio seguro y descentralizado de datos médicos, garantizando la interoperabilidad y preservando la privacidad del paciente. A largo plazo, la IA agéntica probablemente evolucionará hacia ecosistemas universales de IA en el ámbito sanitario, donde la IA se integrará a la perfección con las historias clínicas electrónicas (HCE), las plataformas de imágenes y los sistemas robóticos para facilitar una medicina proactiva, personalizada y preventiva. Sin embargo, para hacer realidad esta visión se requerirá una colaboración interdisciplinaria sostenida entre investigadores de IA, profesionales clínicos y responsables políticos para garantizar que la IA agéntica siga siendo ética, transparente, clínicamente fiable y esté alineada con la atención centrada en el paciente.
5. Conclusión
La aparición de la IA agéntica, impulsada por los avances en MLLM, representa un hito transformador en el sector sanitario. Esta tecnología tiene el potencial de revolucionar la atención médica moderna al abordar los desafíos persistentes asociados con la complejidad y diversidad de los datos médicos. La autonomía y la capacidad de razonamiento similar a la humana de los sistemas de IA agéntica pueden mitigar las ineficiencias y optimizar la toma de decisiones, allanando el camino para diagnósticos más precisos, planes de tratamiento personalizados y una mejor administración de la atención médica. Para aprovechar al máximo su potencial, la colaboración entre profesionales sanitarios e informáticos es esencial. Estos esfuerzos interdisciplinarios garantizan que las soluciones de IA agentica se alineen con los flujos de trabajo clínicos y se optimicen para su aplicación en el mundo real. Estos sistemas admiten una amplia gama de casos de uso, desde el diagnóstico y la planificación del tratamiento hasta las cirugías asistidas por robot y la automatización administrativa. La IA agéntica puede implementarse en diversas configuraciones, incluyendo sistemas de hospitales privados, redes interhospitalarias públicas o herramientas específicas para profesionales clínicos, ofreciendo flexibilidad y adaptabilidad a diferentes entornos sanitarios. Es importante destacar que esta tecnología promete reducir las disparidades en la atención médica, especialmente en entornos de bajos recursos. Al mejorar la eficiencia clínica y la precisión diagnóstica, la IA agéntica puede mejorar significativamente los resultados de los pacientes, incluso en zonas desfavorecidas. Sin embargo, la etapa actual de desarrollo de la IA agéntica también presenta desafíos, en particular su naturaleza de «caja negra» y sus comportamientos impredecibles. Se requiere una investigación rigurosa para abordar estas preocupaciones, incluyendo una validación robusta, interpretabilidad y transparencia en la toma de decisiones de IA. Además, la integración de la IA agencial en la atención médica debe regirse por marcos legales estratégicos y estándares éticos para garantizar la seguridad del paciente y la confianza social. Al adentrarnos en la «era agencial», la adopción de estos sistemas de IA de última generación ofrece un futuro prometedor para la atención médica digital, con el potencial de redefinir la atención al paciente y la eficiencia operativa a escala global.
