Ziad Obermeyer , MD
Publicado el 6 de diciembre de 2025
N Engl J Med 2025 ; 393 : 2287 – 2289
DOI: 10.1056/NEJMp2510203
Nota del blog: La inteligencia artificial (IA) está posicionada para transformar la ciencia médica al facilitar el descubrimiento de patrones y relaciones en datos clínicos que previamente pasaban desapercibidos para los investigadores. Gracias a su capacidad para analizar grandes volúmenes de información de alta complejidad, la IA permite identificar señales sutiles en imágenes, resultados de laboratorio y otros registros médicos, impulsando así una nueva forma de investigación que parte de los hechos observados hacia la creación de teorías innovadoras. Esta aproximación no solo revitaliza métodos tradicionales que han quedado relegados, sino que también abre la puerta a explicaciones más precisas y personalizadas de enfermedades, lo que podría traducirse en diagnósticos más certeros y tratamientos adaptados a cada paciente.
En este contexto, la IA actúa como un puente entre los datos generados por máquinas y el conocimiento médico, permitiendo reinterpretar viejos problemas —como la relación entre el dolor y los hallazgos radiográficos— y descubrir nuevas fuentes de información clínica. De este modo, la IA no solo contribuye a resolver enigmas históricos de la medicina, sino que también sienta las bases para una ciencia más dinámica, capaz de evolucionar a partir de datos reales y complejos, tal como ocurrió en otras disciplinas científicas con la aparición de nuevas herramientas y enfoques.
Durante siglos, los médicos han intentado comprender el cuerpo como un sistema complejo. Hoy en día, la investigación médica construye una comprensión del todo a partir de un conjunto cada vez mayor de componentes moleculares, desde el laboratorio hasta la práctica clínica. Esta labor, como declaró Francis Collins al Wall Street Journal en 2020, está resultando ser «más compleja de lo que muchos imaginaban».
La inteligencia artificial (IA) revitalizará un enfoque tradicional que parte de los datos del paciente para llegar a la teoría y la comprensión, desde la práctica clínica hasta el laboratorio. Este tipo de investigación clínica fue una fuente importante de avances históricos, pero ha permanecido latente durante muchos años.
Los sistemas complejos, como el cuerpo, operan en muchos niveles, cada uno con su propia lógica. Las computadoras, otro sistema complejo, existen como transistores (ceros y unos), instrucciones de bajo nivel (código máquina), lenguajes de programación de alto nivel (Python o C) e interfaces de usuario (programas). Todos estos niveles de abstracción son precisos, pero no todos son útiles para depurar un problema determinado.
Problemas que parecen desesperadamente complejos a un nivel pueden resolverse fácilmente a otro. El talón de Aquiles de muchas enfermedades reside en el nivel molecular. 1 Los cánceres provocados por mutaciones específicas responden a terapias dirigidas. Las enfermedades autoinmunes a veces pueden desactivarse con un anticuerpo. La anemia de células falciformes puede curarse mediante edición genética. Las vacunas de ARN mensajero entrenan al sistema inmunitario para reconocer proteínas virales individuales.
Consideremos ahora el dolor. Claro que existe a nivel molecular: los genes predisponen, los nervios transmiten, los receptores modulan. Pero abordar el problema a este nivel ha producido pocos avances; de hecho, se podría argumentar que condujo directamente a la epidemia de opioides. Este fracaso resalta la importancia de los factores psicológicos o sociales. Pero tratar el dolor como un problema de las ciencias sociales ignora su evidente base física.
Si el nivel molecular es demasiado bajo y el nivel psicosocial demasiado alto, ¿qué es «justo»?
Cuando Jonas Kellgren y John Lawrence estudiaron el dolor en la década de 1950, se basaron en una innovación reciente: los rayos X. Comparando a los mineros con los oficinistas de la misma mina, vincularon el dolor con los hallazgos radiográficos y desarrollaron la definición de osteoartritis que aún utilizamos.
Los rayos X, al igual que otras herramientas de medición clínica, visualizan al paciente a través de la lente de una máquina. Transmiten niveles de abstracción, proyectando una rodilla sobre un plano de hueso, tendón y tejido. Muchos avances surgen en este punto intermedio. La electrocardiografía (ECG) reveló infarto de miocardio y síndromes arrítmicos, la ecografía documentó el desarrollo fetal, la electroencefalografía (EEG) permitió la caracterización de las convulsiones y el sueño, allanando el camino para dilucidar los mecanismos de las enfermedades. Independientemente de lo que digan los libros de texto sobre el método científico, la ciencia a menudo procede de esta manera: primero los hechos, luego la teoría.
Esta tradición de investigación, antaño fértil, se ha marchitado, no porque carezcamos de fenómenos misteriosos que explicar, sino porque la mente humana tiene dificultades para encontrar señales fiables en datos de alta dimensión derivados de máquinas. Los signos radiográficos tienen una relación tenue con el dolor: incluso Kellgren y Lawrence observaron que muchos pacientes con erosiones en las radiografías no presentaban dolor, y muchos con dolor carecían de erosiones. Esta última discordancia era un problema particular para los pacientes de raza negra, que a menudo presentaban mucho más dolor del que sugerían sus radiografías. Las estadísticas tradicionales son de poca ayuda en este caso: ¿Cómo se integra una radiografía de tórax en un modelo de regresión? Sin herramientas rigurosas para avanzarla, la investigación fracasó.
Hace cuatro años, mis colegas y yo entrenamos un sistema de IA para reexaminar la relación entre los hallazgos radiográficos y el dolor. 2 Nuestra pregunta era la misma que la de Kellgren y Lawrence, pero contábamos con dos ventajas: una cohorte mucho más amplia y diversa, y herramientas de aprendizaje automático para analizar las imágenes directamente. El algoritmo que entrenamos encontró nuevas fuentes de dolor presentes en las radiografías: señales que Kellgren, Lawrence y generaciones de médicos posteriores habían pasado por alto, y que resultaron especialmente útiles para explicar el dolor «adicional» que reportaban los pacientes negros.
Al permitir la interacción directa con datos clínicos generados por máquinas, la IA está descubriendo nuevos patrones fascinantes. Los algoritmos pueden predecir el cáncer de mama a partir de mamografías normales, la fibrilación auricular a partir de ECG de ritmo sinusal, la activación cerebral a partir de EEG de pacientes que no responden, y la depresión a partir de resonancias magnéticas funcionales (RM). Inmensos conjuntos de datos de resultados de laboratorio y signos vitales apuntan a misteriosos «puntos de ajuste» en la fisiología de cada paciente, con importantes implicaciones para la mortalidad.
Nuevos hechos sorprendentes pueden producir cambios radicales. Los físicos del siglo XVIII intentaron construir una ciencia química a partir de los principios newtonianos, pero se vieron obstaculizados por rarezas: proporciones fijas de combinaciones elementales y, posteriormente, ángulos específicos de enlace y quiralidad.
Al dejar de lado la física contemporánea y centrarse en los hechos, el trabajo de John Dalton —inicialmente descartado como mera heurística— evolucionó hacia una nueva ciencia química.
Este avance sentó las bases para la explicación cuántica-teórica de los enlaces químicos de Linus Pauling y contribuyó a reinventar la física desde cero. 3
De igual manera, los nuevos datos provenientes de la IA (regularidades estadísticas en datos clínicos) exigirán nuevas teorías que los expliquen. Cabría preguntarse por qué necesitamos teorías.
El hecho de que la IA pueda diagnosticar enfermedades con fiabilidad es de por sí útil. Pero los datos no son generativos: describen el mundo tal como es, pero no dicen nada sobre las causas subyacentes. 4 Y sin comprender las causas, no podemos aprender sobre los mecanismos ni sobre posibles nuevos tratamientos.
En cambio, la IA ayudará a los humanos a desarrollar su comprensión mediante la generación de hipótesis y la guía de la recopilación de nuevos datos y la experimentación.
Por ejemplo, en un trabajo en curso, mis colegas y yo aplicamos la IA para predecir muertes cardíacas súbitas, muchas de las cuales podrían prevenirse con desfibriladores si se pudieran predecir a tiempo. Al vincular las formas de onda del ECG con los certificados de defunción de Suecia, hemos entrenado un modelo de aprendizaje profundo que supera a la fracción de eyección en la predicción de los beneficios del desfibrilador y es generalizable internacionalmente.
Hasta ahora, este es un ejercicio de predicción bastante convencional: podría ser clínicamente útil, pero no aporta información sobre causas ni soluciones. Para generar nuevos conocimientos, hemos entrenado un modelo generativo capaz de generar formas de onda hipotéticas: a partir de un ECG de bajo riesgo, modifica la forma de onda de forma que el modelo predictivo la señale como de alto riesgo. Este paso ha revelado un nuevo biomarcador de muerte súbita cardíaca: la dispersión del complejo QRS a lo largo del tiempo —distinta de fenómenos conocidos como la prolongación o la fragmentación— que se correlaciona con una fibrosis ventricular izquierda sutil y difusa en la resonancia magnética cardíaca.
En lugar de simplemente predecir un resultado, la IA nos indica posibles nuevos conjuntos de genes, proteínas y arquitecturas celulares que podemos analizar y analizar en el laboratorio, y luego traducir a la práctica clínica, donde comenzamos. Por lo tanto, la IA genera hipótesis, pero estas se prueban a la antigua usanza, evitando los innumerables problemas estadísticos que supone depender únicamente de la IA para el descubrimiento.
Este enfoque no solo aportará nuevas hipótesis a la biología molecular, sino que también cerrará la brecha entre la investigación médica y el razonamiento clínico, creando así una nueva ciencia. Hoy en día, la medicina no es una disciplina científica independiente: no se puede obtener un doctorado en ella, por usar una definición trivial. Los investigadores médicos trabajan en gran medida por debajo del nivel clínico de abstracción (genética, biología molecular y celular) o por encima de él (epidemiología, bioestadística, ciencias sociales); el pensamiento clínico se deja en manos de los médicos. Conceptos como la homeostasis, centrales en la clínica, están en gran medida ausentes de la investigación. Los departamentos de fisiología se centran en las moléculas. Una ciencia médica impulsada por la IA, basada en datos clínicos, nos ayudará a redescubrir formas clínicas de pensar sobre los cuerpos en su propio nivel de abstracción, no como agregados de moléculas ni como construcciones sociales.
Un avance de esta nueva ciencia proviene de un elegante estudio del dolor de rodilla realizado por Sharma y colegas, quienes comienzan con una simple observación: la variación natural en el ángulo en el que el fémur sale de la cadera puede crear una alineación en varo, que desplaza el eje de carga de la pierna medialmente; la alineación en valgo lo desplaza lateralmente.
Empíricamente, incluso unos pocos grados de cambio de alineación tienen enormes efectos en el desarrollo final de la osteoartritis, exactamente donde el modelo físico predice cargas más altas. En lugar de centrarse en el componente que falló, el estudio pregunta por qué falló. Al combinar la intuición humana y la física simple, los investigadores reducen un problema complejo a tres vectores que conectan la cadera, la rodilla y el tobillo, que predicen cuándo y dónde se desarrollará la osteoartritis, sin conocer los códigos genéticos, los códigos postales ni los niveles de TNF-α.
La IA potenciará este enfoque. Se puede cuantificar cada aspecto de una rodilla: alineación, inserciones de tendones y ligamentos, volumen muscular. Los valores específicos del paciente se pueden incorporar a un modelo que calcula la carga y formula hipótesis comprobables sobre cómo solucionar los problemas. Al incorporar conjuntos de datos masivos a herramientas de vanguardia, podemos desarrollar tratamientos a medida, cuyos efectos pueden detectarse en estudios pequeños (incluso de 1).
Sharma y sus colegas encontraron razones de probabilidades para la osteoartritis de 4 a 5 al estudiar a tan solo 230 pacientes durante un período de 18 meses.
La ciencia de la medicina está lista para reinventarse, para combinar nuevas herramientas con viejas formas de pensar la situación junto a la cama del paciente: no como un punto final para la investigación, sino como una fuente.
