La inteligencia artificial aplicada a la medicina sigue la misma lógica que el resto de los sectores: los profesionales identifican un problema concreto y se lo traducen a un equipo de matemáticos que desarrollan un algoritmo capaz de resolverlo. A partir de ahí se realiza una prueba de concepto más o menos masiva que determina hasta qué punto tal algoritmo es capaz de mejorar el estándar habitualmente empleado. Por ejemplo, detectar una lesión, clasificar una imagen o identificar a un paciente que puede empeorar.

Si salimos de esta simplificación y enfrentamos cada uno de los modelos y algoritmos a las diferentes capas de la biología humana podemos observar cómo se está configurando un puzle muy similar a la estructura de conocimiento de la Medicina pero, eso sí, sustentado en matemática compleja. Es decir, observamos cómo las diferentes “IAs” y modelos fundacionales están trabajando sobre las diferentes capas de la enfermedad: desde lo que ocurre dentro de una célula hasta lo que puede sucederle a una persona durante los siguientes años de su vida. Permítanme ponerles algunos ejemplos.

En primer lugar, está la biología celular. Dos trabajos publicados en Cell, “A world model of the virtual cell” y “World models for biomedicine”, plantean los llamados world models: modelos que intentan aprender cómo funciona un sistema para anticipar qué podría suceder si lo modificamos. Este principio, que es el que se aplica a los “gemelos digitales” cuando se proyecta sobre una célula, significa predecir su respuesta ante un fármaco, una mutación o la alteración de una vía biológica. En Nature Medicine, Song, Segal y Xing han extendido esta idea al “organismo digital”, formado por modelos multiescala conectados.

La segunda capa aparece cuando pasamos de la célula al tejido. Nature Medicine publicó PRISM2, un modelo fundacional de anatomía patológica entrenado con 2,3 millones de preparaciones digitalizadas y 14 millones de pares pregunta-respuesta derivados de unos 700.000 informes. Su interés es construir una representación general del tejido útil para diagnóstico, biomarcadores o pronóstico.

Un tercer espacio comprende al paciente completo: qué puede sucederle a un enfermo en las próximas horas. Nahass y colaboradores estudiaron en 11 hospitales a 23.132 pacientes con alto riesgo de deterioro. Tras su implantación, la mortalidad intrahospitalaria pasó del 23,1% al 18,6%. Es evidente que el diseño del propio estudio no permite atribuir la causalidad exclusivamente al algoritmo pero muestra que el valor que surge cuando cuando la predicción se integra en un proceso asistencial, algo identificado con menos sofisticación matemática por Escobar y colaboradores en 2020, en más de medio millón de hospitalizaciones.

En último lugar está la prospección poblacional a lo largo de los años y los individuos. Delphi-2M, publicado en Nature en 2025, modeliza la historia natural de más de 1.000 enfermedades. Fue entrenado con unas 400.000 personas del UK Biobank y validado en 1,9 millones de individuos en Dinamarca. Además de estimar riesgos, puede generar trayectorias sintéticas de salud de hasta veinte años. Algo razonablemente complementario a PULSE, publicado en Nature Computational Science.

Sin embargo, y a pesar de todo lo que estamos viendo, debemos seguir manejando con mucha prudencia lo que estas herramientas son capaces de conseguir pues la biología es muy incómoda: un organismo es el resultado de millones de años de evolución y de interacciones entre genes, células, tejidos, órganos, inmunidad, metabolismo, microbioma, ambiente y tiempo. Es más, algunos estudios con herramientas basadas en IA nos han ofrecido una buena cura frente al entusiasmo excesivo: tiempos de estancia que no bajan a pesar de utilizar sistemas de apoyo clínico o falta de reducción de fracaso terapéutico. Es ahí donde debemos recordarnos que la medicina no adopta una intervención porque resulte tecnológicamente fascinante, sino porque demuestra que funciona y que, además, es mejor que lo que ya tenemos.

En todo caso, nunca hemos necesitado comprenderlo todo para avanzar. Y ahí es donde una arquitectura de modelos especializados que representen escalas diferentes de la misma persona e, incluso, su modulación a nivel poblacional puede ayudarnos a alcanzar el valor final de estas herramientas aplicadas a la biología humana, algo recientemente propuesto mediante una infraestructura internacional de medicina de precisión. Y es que no podemos olvidar que entre un algoritmo que funciona bien en una base de datos y una herramienta que mejora la salud de pacientes reales existe una distancia considerable que sólo la buena ciencia bien estructurada, coordinada y explorada en condiciones robustas es capaz de recorrer. Ciencia y fascinación, como siempre, juntas.

---

Referencias para profundizar

Xing EP, Song L. A world model of the virtual cell. Cell. 2026;189(19):5831–5844. doi:10.1016/j.cell.2026.08.042.

Noori A, Fishman N, Fang A, Fesser L, Zitnik M. World models for biomedicine. Cell. 2026;189(19):5845–5869. doi:10.1016/j.cell.2026.08.032.

Song L, Segal E, Xing E. How to build an AI-driven digital organism. Nat Med. 2026;32:3154–3163. doi:10.1038/s41591-026-04595-0.

Vorontsov E, Shaikovski G, Casson A, et al. End-to-end multimodal pathology foundation model with clinical dialogue. Nat Med. 2026;32:3203–3213. doi:10.1038/s41591-026-04521-4.

Nahass TA, Hanna JS, Liu N, et al. Implementation of an AI-Triggered Rapid Response — Association with Mortality. NEJM AI. 2026;3(9). doi:10.1056/AIoa2500973.

Escobar GJ, Liu VX, Schuler A, Lawson B, Greene JD, Kipnis P. Automated Identification of Adults at Risk for In-Hospital Clinical Deterioration. N Engl J Med. 2020;383:1951–1960. doi:10.1056/NEJMsa2001090.

Shmatko A, Jung AW, Gaurav K, et al. Learning the natural history of human disease with generative transformers. Nature. 2025;647:248–256. doi:10.1038/s41586-025-09529-3.

Wu W, Li G, Wang K, et al. Longitudinal alignments and syntheses of multimodal clinical data for personalized medicine with the PULSE framework. Nat Comput Sci. 2026;6:954–970. doi:10.1038/s43588-026-01026-5.

Zhang K, Dong J, Wong H, et al. A global digital navigator of human health for precision medicine. Nat Med. Published online September 11, 2026. doi:10.1038/s41591-026-04621-1.

Leibovitch L, Ahituv A, Gorenshtein A, et al. Prospective evaluation of a large language model clinical decision support system in the emergency department. Nat Med. Published online August 19, 2026. doi:10.1038/s41591-026-04601-5.

Agweyu A, Mwaniki P, Menon V, et al. Generative AI-enabled clinical decision support system in primary care: a pragmatic, cluster-randomized trial. Nat Med. 2026;32:3032–3039. doi:10.1038/s41591-026-04503-6.

Schaekermann M, Palepu A, Rodman A, et al. Prospective evidence for conversational medical AI is hard, but non-negotiable. Nat Med. Published online September 14, 2026. doi:10.1038/s41591-026-04639-5.