Del concepto a la práctica clínica: las ideas clave para la gestión
Dr. Carlos Alberto Díaz | Septiembre de 2026 | Basado en Khoshfekr Rudsari et al. (2025), Frontiers in Digital Health
Durante años, hablar de gemelos digitales (GD) en salud sonaba a promesa de laboratorio. La revisión de Khoshfekr Rudsari y colaboradores (2025) muestra otra cosa: hay gemelos digitales que ya orientan la elección de un antiarrítmico, optimizan la dosificación de un analgésico y alertan sobre el deterioro de un paciente antes de un código azul. Al mismo tiempo, los propios autores advierten que el paso de la investigación a la herramienta clínica de uso corriente exige resolver la validación, la integración y la gobernanza de los datos. Este trabajo resalta los conceptos que un gestor sanitario debería llevarse.
| Definición operativa Un gemelo digital es la tríada de (i) un sistema físico (un paciente, un órgano, una célula, un proceso hospitalario), (ii) su representación virtual y (iii) un flujo de información bilateral que mantiene a ambos sincronizados. El concepto nació en la industria manufacturera y aeroespacial; en salud se alimenta de la historia clínica electrónica, las imágenes, los sensores y los datos ómicos. |
1. No es un modelo teórico: se usa
El gemelo digital dejó de ser un concepto de ingeniería trasladado a la medicina. La revisión documenta implementaciones en ámbitos cardiovascular, neurológico, respiratorio, metabólico, hepático, oncológico y celular, además de la cirugía y las operaciones clínicas. Algunos resultados reportados muestran que ya hay efectos medibles:
| Ámbito | Aplicación | Resultado reportado |
| Cardiovascular | Prueba virtual de fármacos antiarrítmicos en fibrilación auricular tras ablación | Recurrencia de 40,9 % con la terapia guiada por el gemelo, frente a 54,1 % (Hwang et al.) |
| Cardiovascular | Gemelos cardíacos a escala poblacional | 3461 gemelos del Biobanco del Reino Unido (más 359 de una cohorte de cardiopatía isquémica); las diferencias de QRS entre sexos se explicaron por la anatomía miocárdica (Qian et al.) |
| Metabólico | Apoyo a la decisión en ejercicio, diabetes tipo 1 (exDSS) | Tiempo en rango de glucemia de 80,2 % a 92,3 %; episodios de hipoglucemia de 15,1 % a 5,1 % en ejercicio aeróbico |
| Seguridad del paciente | Sistemas de alerta temprana basados en GD | Reducción del 60 % de los incidentes de código azul |
| Dolor crónico | Optimización de fentanilo transdérmico | 16 % menos de intensidad del dolor y 23 horas más sin dolor en períodos de 72 horas |
| Neurología | Diagnóstico digital de Alzheimer a partir de EEG no invasivo (DADD) | 88 % de precisión para identificar positividad de biomarcadores en LCR (58 % con EEG estándar) y 87 % para predecir conversión a deterioro cognitivo (Amato et al.) |
| Lectura crítica Estas cifras provienen de estudios de naturaleza distinta (estudios con pacientes, cohortes virtuales, métricas de desempeño de algoritmos) y en la tabla de síntesis de la revisión conviven sin jerarquizarse por nivel de evidencia. Se usa no significa está validado para la práctica corriente: significa que existen aplicaciones con resultados medibles y una trayectoria clara hacia la clínica. Los apartados 4 a 6 explican qué falta para completarla. |
2. Un cambio de paradigma
Lo distintivo no es la tecnología sino la lógica de decisión. Un gemelo digital permite ensayar en el modelo lo que hoy se ensaya sobre el paciente: la revisión lo describe como experimentación sin riesgos y lo vincula con la medicina P4 (predictiva, preventiva, personalizada y participativa).
| De… | A… |
| Ensayo y error sobre el paciente | Simulación previa de escenarios, dosis y momentos de intervención |
| El paciente promedio de la población | Un modelo específico de cada paciente: fisiología, historia, genes y estilo de vida |
| Atención episódica | Un modelo longitudinal que integra los eventos en un continuo de cuidado |
| Reacción ante el evento clínico | Detección de cambios sutiles que pueden anticipar la clínica en días o semanas |
| Decisión apoyada en la intuición | Soporte de decisión que aumenta el juicio clínico con capacidad computacional |
El paradigma no se limita al paciente. Los mismos modelos se aplican a la organización: predicción del flujo de pacientes, de las necesidades de equipamiento y de personal, y mantenimiento predictivo de dispositivos médicos. Según análisis económicos citados por la revisión, la tecnología podría reducir hasta un 25 % los reingresos hospitalarios en ciertas afecciones crónicas; es una estimación que requiere confirmación, no un resultado observado en la práctica corriente.
3. Mejora la planificación del tratamiento
Es el terreno donde el valor se ve con más claridad: el gemelo convierte la planificación en un ejercicio de simulación previa. Los ejemplos que documenta la revisión recorren todo el proceso terapéutico:
- Elegir el fármaco. En fibrilación auricular, la prueba virtual de amiodarona mostró recurrencia del 20,8 % en el grupo con respuesta predicha efectiva frente al 45,1 % en el grupo con respuesta predicha inefectiva (cociente de riesgos ajustado 0,37; IC 0,14 a 0,98).
- Dosificar. El gemelo integra la farmacocinética con parámetros fisiológicos de cada paciente para individualizar la dosis, como en el fentanilo transdérmico.
- Planificar la intervención. En la ablación de taquicardia ventricular, el enfoque DIFAT incorpora la distribución del tejido adiposo en modelos 3D: el volumen de ablación medio fue de 1,87 cm³ frente a 7,05 cm³ en los procedimientos clínicos, con 79 % de superposición con los objetivos clínicos.
- Ajustar la radioterapia. En gliomas de alto grado, Chaudhuri et al. generaron regímenes personalizados que, en una cohorte in silico de 100 pacientes virtuales, aumentaron unos seis días el tiempo hasta la progresión con la misma dosis total, o redujeron la dosis un 16,7 % (10 Gy) con control tumoral equivalente. Es un resultado de simulación, no un ensayo clínico.
- Ensayar la cirugía. Los modelos anatómicos 3D en realidad mixta, derivados de TC o RM, permiten practicar antes de operar y guiar el procedimiento; su elaboración demanda de 20 a 30 horas.
| Idea fuerza El gemelo no reemplaza la decisión clínica: la anticipa. Permite comparar alternativas antes de comprometer al paciente, sobre todo en la multimorbilidad, donde las interacciones entre tratamientos son difíciles de prever. La revisión añade que los gemelos bien diseñados son transparentes y permiten al médico comprender el razonamiento detrás de cada recomendación. |
4. Falta seguridad en los modelos
Es el principal freno a la adopción. Los autores identifican varias fuentes de inseguridad que conviene distinguir, porque requieren respuestas distintas:
| Fuente | Qué señala la revisión |
| Validación | La validación tradicional se apoya en datos históricos que pueden no representar a los pacientes futuros. La validación prospectiva es costosa y lenta, sobre todo en enfermedades crónicas. Cuando el gemelo pretende ver más de lo que mide la práctica convencional, el patrón de referencia es limitado. Faltan marcos de validación estandarizados específicos para GD en salud. |
| Regulación | Existen vías: el programa MDDT de la FDA para calificar modelos computacionales, el apoyo de la EMA al modelado y a los pacientes virtuales, y la norma ASME V&V 40 para verificación y validación. Faltan criterios de certificación unificados, en particular para modelos adaptativos en tiempo real y sistemas con IA integrada. |
| Opacidad | La opacidad de estos sistemas dificulta la adopción por parte de los profesionales, en un contexto de frustración con la historia clínica electrónica y de preocupación por el sesgo en la IA. La transparencia y la educación resultan cruciales, incluso durante el consentimiento informado. |
| Capacidad de cómputo | Los modelos basados en la física exigen infraestructura de alto rendimiento poco disponible en entornos clínicos. Mantener el modelo actualizado en tiempo real es una barrera, sobre todo con recursos limitados, y obliga a elegir entre complejidad, precisión y utilidad práctica. |
| Generalización | En enfermedades raras y poblaciones subrepresentadas la escasez de datos compromete la capacidad del modelo de extrapolar a nuevos pacientes. |
| Lectura para la gestión Seguridad no es solo precisión: un modelo puede tener alta exactitud en el conjunto de datos donde se lo construyó y aun así no ser confiable para decidir sobre un paciente concreto. La revisión señala la IA explicable y la cuantificación de la incertidumbre como requisitos críticos para la adopción clínica. Mientras no existan criterios de certificación unificados, lo prudente es que el gemelo opere como apoyo a la decisión, con el profesional a cargo en el circuito, y no como decisor autónomo. |
5. Un enfoque integral
Un gemelo digital útil rara vez es un único modelo: es un ecosistema. La integración se juega en seis dimensiones a la vez, y tres de ellas no son técnicas: personas, organización y financiamiento.
| Dimensión | Contenido |
| Escalas biológicas | Del nivel molecular y celular al órgano y al sistema completo. Los ecosistemas de GD que modelan la interacción entre sistemas fisiológicos permitirán abordar la patología multiorgánica. |
| Fuentes de datos | Historia clínica electrónica, imágenes (RM, TC, ecografía), sensores portátiles e implantables, dispositivos IoT y datos multiómicos; a futuro, exposiciones ambientales, conducta y determinantes sociales de la salud. |
| Métodos | Modelos mecanicistas basados en la física combinados con aprendizaje automático: unen el reconocimiento de patrones con la plausibilidad biológica. Los modelos de lenguaje suman síntesis de conocimiento; por ejemplo, un gemelo para carcinosarcoma uterino metastásico integró datos de 21 pacientes con 655 publicaciones (Lammert et al.). |
| Personas | Colaboración entre ciencias de la computación, medicina, ingeniería, ética y políticas públicas, junto con capacitación del personal. |
| Organización | Rediseño de los flujos de trabajo, protocolos para interpretar y actuar sobre lo que indica el gemelo, e integración con tecnologías heredadas. |
| Financiamiento | El éxito de la implementación depende en buena medida de las condiciones de pago; según la revisión, pueden requerirse esquemas de pago por valor que premien mejores resultados sin generar sobreutilización. |
La consecuencia es que incorporar un gemelo digital a un hospital es tanto un proyecto de gestión como un proyecto tecnológico: la mitad de las dimensiones (personas, organización y financiamiento) depende de decisiones organizacionales, no de la ingeniería.
6. Gobernanza de los datos
El gemelo digital es tan bueno como los datos que lo alimentan y tan aceptable como la confianza que inspira su manejo. Por eso la gobernanza no es un anexo del proyecto sino su condición de posibilidad.
| Desafío | Qué debe resolver la gobernanza |
| Calidad y fragmentación | Los datos están dispersos en sistemas dispares (historia clínica, imágenes, sensores) y los modelos individuales requieren series longitudinales extensas. Se necesitan estándares comunes: FHIR y HL7 para la historia clínica, ISO/IEEE 11073 para dispositivos de salud. |
| Privacidad y seguridad de la información | Los GD integran información sensible de múltiples fuentes, y la tensión entre utilidad de los datos y protección de la privacidad es constante. La revisión menciona el aprendizaje federado y la computación de borde (procesamiento local de los datos) y plantea el potencial de blockchain para la procedencia y la seguridad de los datos. |
| Equidad y sesgo | Las comunidades marginadas suelen estar subrepresentadas en los datos de salud, y persisten brechas de infraestructura en zonas rurales y de habilidades digitales. Sin diseño inclusivo y gobernanza transparente, los GD pueden agravar las disparidades en lugar de reducirlas. |
| Transparencia y consentimiento | Transparencia sobre el uso de los datos, educación de profesionales y pacientes (incluso en el consentimiento informado) y participación comunitaria significativa. |
| Acceso y escala | Las implementaciones en la nube, con mínima infraestructura local, podrían acercar estas herramientas a regiones desatendidas y a entornos de bajos recursos. |
| Idea fuerza Quién accede a los datos, con qué finalidad, con qué consentimiento y con qué beneficio para el paciente son preguntas que deben responderse antes de construir el primer gemelo, no después. Sin datos de calidad no hay gemelo; sin confianza no hay uso; sin equidad, la tecnología beneficia a quienes ya estaban mejor. |
7. Qué significa para quien gestiona
Leída desde la gestión, la revisión sugiere cinco líneas de acción para una incorporación prudente:
- Empezar por casos de uso acotados y medibles. Los ámbitos con mayor desarrollo son el cardiovascular, el neurológico y el oncológico, además de la alerta temprana; allí hay resultados contra los cuales comparar.
- Invertir primero en datos. Historia clínica interoperable, estándares comunes y calidad de los registros son la base; el modelo es lo último que se compra.
- Exigir validación y trazabilidad. Pedir al proveedor evidencia en poblaciones distintas de la de desarrollo, cuantificación de la incertidumbre y explicación de las recomendaciones.
- Mantener al profesional en el circuito. El gemelo asiste la decisión; la responsabilidad clínica sigue siendo humana, y esto debe estar definido en protocolos y en el consentimiento.
- Pensar el pago y la capacitación desde el inicio. La revisión señala que el éxito de la implementación depende del pago y de la formación del personal; conviene definirlos al comienzo del proyecto y no al final.
Conclusión
Los gemelos digitales representan un cambio real en la lógica de la decisión clínica: de ensayar sobre el paciente a ensayar sobre su modelo. Hay aplicaciones con resultados medibles, sobre todo en cardiología, diabetes, oncología y seguridad del paciente, y una hoja de ruta hacia una personalización mayor. Pero la revisión es explícita en que la traslación clínica exige resolver la integración de datos, la escalabilidad computacional, la equidad digital y los marcos de validación. Leídos desde la gestión, esos desafíos se agrupan en tres condiciones: modelos validados y regulados, un enfoque integral que incluya a personas, organización y financiamiento, y una gobernanza de los datos que garantice calidad, privacidad y equidad. El desafío para los sistemas de salud es prepararse ahora, con datos y con criterio, para incorporar esta tecnología cuando esté madura.
Bibliografía
Khoshfekr Rudsari H, Tseng B, Zhu H, Song L, Gu C, Roy A, Irajizad E, Butner J, Long J, Do K-A. Digital twins in healthcare: a comprehensive review and future directions. Frontiers in Digital Health. 2025;7:1633539. doi: 10.3389/fdgth.2025.1633539.
Los estudios primarios mencionados (Hwang et al., Qian et al., Chaudhuri et al., Amato et al., Lammert et al.) y las normas y programas regulatorios (MDDT de la FDA, ASME V&V 40) se citan a través de la revisión; su lista completa de referencias figura en el artículo original.
