El gran problema de la IA en medicina quizá no sea solo lo que puede pasar por alto, sino todo lo que puede llegar a detectar. Durante décadas hemos construido una medicina mejorando nuestra capacidad para detectar alteraciones cada vez más pequeñas, anticipar enfermedades y estratificar riesgos. La IA lleva esa lógica a una escala desconocida. Y precisamente por eso recupera una idea nacida mucho antes de los algoritmos: la prevención cuaternaria.

La prevención cuaternaria fue formulada por el médico de familia belga Marc Jamoulle en 1986 como la acción destinada a identificar al paciente en riesgo de sobremedicalización, protegerlo de nuevas intervenciones innecesarias y proponer alternativas éticamente aceptables. El concepto fue después incorporado al marco de la WONCA y, con el tiempo, amplió su significado hasta una formulación más sencilla y quizá más útil: proteger a las personas de intervenciones médicas con mayor probabilidad de producir daño que beneficio (1).

Su aparición no fue casual. En los años setenta la medicina empezó a mirar críticamente uno de sus propios éxitos: la capacidad creciente de convertir aspectos de la vida humana en problemas susceptibles de diagnóstico y tratamiento. Medicalización, iatrogenia, sobrediagnóstico y sobretratamiento dejaron de ser anomalías marginales para convertirse en cuestiones centrales de seguridad y ética clínica. La prevención cuaternaria nació, en el fondo, como una forma de prudencia profesional: recordar que no toda posibilidad de intervenir constituye una obligación de hacerlo.

La distinción es especialmente importante porque sobrediagnóstico no significa necesariamente error diagnóstico. Podemos detectar una alteración real, etiquetarla correctamente y, sin embargo, no mejorar la vida del paciente. Hay lesiones, anomalías o estados de riesgo que jamás habrían producido síntomas relevantes o modificado el pronóstico. El daño aparece cuando la detección desencadena una cascada de pruebas, controles, tratamientos, ansiedad y nuevas etiquetas clínicas sin un beneficio proporcional (2).

Y es aquí donde la inteligencia artificial modifica la escala del problema. Un sistema capaz de analizar imágenes con una resolución superior, combinar miles de variables, rastrear longitudinalmente historias clínicas, interpretar señales procedentes de dispositivos portátiles o identificar correlaciones que escapan al ojo humano puede ofrecernos una información extraordinariamente valiosa. Pero la capacidad de detectar no es sinónimo de utilidad clínica. Una IA puede ser más sensible y, al mismo tiempo, conducir a más falsos positivos, más hallazgos incidentales y más intervenciones de escaso valor si la salida algorítmica no se integra en un juicio clínico contextual.

El cambio puede ser todavía más profundo cuando pasamos del diagnóstico a la predicción. La medicina tradicional atendía al enfermo y posteriormente aprendió a buscar enfermedad presintomática. La medicina algorítmica añade una tercera categoría: el individuo sano al que una máquina asigna una determinada probabilidad futura de enfermar. Aparece así lo que podríamos llamar el paciente probabilístico: una persona que todavía no tiene enfermedad, quizá nunca la tenga, pero empieza a relacionarse con su cuerpo desde una cifra de riesgo.

No es una cuestión menor. Si cada imagen, cada analítica, cada reloj inteligente y cada interacción con el sistema sanitario generan nuevas capas de predicción, podemos terminar creando una vigilancia biomédica permanente. Cuanto más medimos, más desviaciones encontraremos; cuanto más predecimos, más riesgo producimos como categoría clínica. La paradoja de la medicina digital es que una sociedad con más instrumentos para certificar la salud puede acabar generando más personas preocupadas por estar enfermas.

En el capítulo «Ficciones fiduciarias y relación médico-paciente en la era del aprendizaje automático», incluido en el Libro Blanco de IA en Medicina, Luis E. Echarte Alonso advierte precisamente de una posible deriva tecno-medicalizante. La IA, sostiene, puede reforzar la hiperobjetivación, desplazar el conocimiento contextual y favorecer una confusión entre aquello que es cuantificable y aquello que es clínicamente significativo. Su expresión «medicalización de la felicidad» resulta especialmente sugerente: el riesgo de reducir el buen vivir a salud y, después, la salud a un conjunto creciente de parámetros medibles. El propio capítulo conecta explícitamente este fenómeno con la prevención cuaternaria y recuerda su función frente al sobrediagnóstico, la medicalización excesiva y el daño iatrogénico (3).

Por eso creo que empezaremos a necesitar una prevención cuaternaria algorítmica. No como una nueva especialidad ni como una categoría normativa cerrada, sino como un principio de gobernanza clínica: el conjunto de salvaguardas destinadas a evitar que la potencia de la IA transforme innecesariamente información biológica en enfermedad, riesgo en diagnóstico y probabilidad en tratamiento.

Esto obliga a revisar también cómo validamos los sistemas de IA. No debería bastarnos con conocer su sensibilidad, especificidad, precisión o área bajo la curva. Tendremos que estudiar qué ocurre después de que el algoritmo emite una recomendación: cuántas exploraciones adicionales provoca, cuántas derivaciones, biopsias o tratamientos desencadena, qué carga añade al paciente y al sistema, cuánto sobrediagnóstico genera y, sobre todo, si mejora resultados relevantes en salud. La utilidad clínica empieza donde termina la métrica algorítmica.

La Organización Mundial de la Salud ha insistido en que la IA para la salud debe preservar la autonomía humana, la seguridad, la transparencia y la responsabilidad. Esa exigencia tiene una traducción clínica concreta: el profesional no puede convertirse en un mero ejecutor de recomendaciones computacionales. El médico seguirá teniendo que decidir no solo si una predicción es técnicamente correcta, sino si es pertinente actuar sobre ella, en ese paciente, en ese momento y con esas consecuencias (4).

También conviene evitar una lectura tecnófoba. La IA puede ser una formidable herramienta de prevención cuaternaria. Puede ayudarnos a identificar pruebas redundantes, seleccionar mejor a quién realizar un cribado, discriminar lesiones de bajo riesgo, reducir exploraciones innecesarias, apoyar procesos de deprescripción o detectar tratamientos sin beneficio probable. La misma potencia que puede multiplicar el exceso puede utilizarse para reducirlo. La diferencia estará en qué objetivos clínicos decidamos optimizar.

Ese quizá sea uno de los debates más relevantes para los próximos años. Podemos construir algoritmos premiados por encontrar cada anomalía posible, o podemos diseñar sistemas orientados al beneficio clínico neto. Podemos medir su éxito por el número de diagnósticos añadidos o por los daños evitados. Podemos convertir la incertidumbre en una anomalía que siempre deba resolverse, o aceptar que, en ocasiones, la decisión más prudente sigue siendo observar, esperar o no intervenir.

La prevención cuaternaria nació para proteger al paciente de los excesos de una medicina cada vez más capaz de diagnosticar e intervenir. Cuarenta años después, la inteligencia artificial multiplica exponencialmente esa capacidad. Por eso, cuanto más potente sea nuestra tecnología para detectar y predecir, más importante será conservar la capacidad médica de decidir cuándo no buscar, cuándo no etiquetar y cuándo no actuar.

La mejor IA médica no será necesariamente la que más diagnostique. Será la que nos ayude a distinguir cuándo diagnosticar mejora realmente la vida del paciente. Durante años hemos enseñado a los médicos que no toda alteración necesita tratamiento. Ahora tendremos que enseñar también a las máquinas —y recordar a los profesionales que las utilizan— que no toda predicción necesita convertirse en enfermedad.

---

(1) Jamoulle M. Information et informatisation en médecine générale. En: Les informa-g-ciens. Namur: Presses Universitaires de Namur; 1986:193-209. Véase también: Martins C, Godycki-Cwirko M, Heleno B, Brodersen J. Quaternary prevention: reviewing the concept. Eur J Gen Pract. 2018;24(1):106-111. doi:10.1080/13814788.2017.1422177.

(2) Brodersen J, Schwartz LM, Woloshin S. Overdiagnosis: how cancer screening can turn indolent pathology into illness. APMIS. 2014;122(8):683-689.

(3) Echarte Alonso LE. Ficciones fiduciarias y relación médico-paciente en la era del aprendizaje automático. En: Trujillo Ruiz JA, Gil Membrado C, dirs. Libro Blanco de IA en Medicina. Madrid: Dykinson; 2026:150-213, especialmente 169-170. doi:10.14679/4979.

(4) World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: World Health Organization; 2021.