Medicina de precisión, del dato al fenotipo clínico

La medicina de precisión es el modelo clínico que deja de tratar igual a todos los pacientes con un mismo diagnóstico y estudia el perfil concreto de cada persona. Integra datos moleculares, de imagen y clínicos para reclasificar la enfermedad en subtipos y anticipar su evolución. La Inteligencia Artificial médica hace viable esta integración a escala.

Una resonancia, un panel genómico y varios años de analíticas cuentan, cada uno por su lado, una historia incompleta del paciente. Combinados, en cambio, permiten identificar un subtipo de enfermedad o afinar un pronóstico. El machine learning aplicado a la medicina fusiona esas fuentes heterogéneas y detecta patrones demasiado sutiles o multivariantes para una lectura exclusivamente humana.

Cómo cambia la Inteligencia Artificial la medicina de precisión

La Inteligencia Artificial médica aporta a la medicina de precisión la capacidad de leer de manera conjunta datos que antes se interpretaban por separado. Imagen radiológica, patología digital, analíticas, señales fisiológicas y texto clínico forman un volumen de información difícil de procesar con consistencia. Los modelos de deep learning en medicina aprenden directamente de esos datos, sin depender de reglas definidas a mano, y encuentran correlaciones entre hallazgos y desenlaces clínicos.

Su función en la práctica clínica es reforzar el criterio del especialista, no sustituirlo. La lista pública de la FDA, la agencia reguladora de medicamentos y productos sanitarios de Estados Unidos, incluye más de 1.600 dispositivos con IA autorizados hasta junio de 2026, tres de cada cuatro asignados al panel de radiología.

Uno de ellos es Paige Prostate, autorizado en 2021 como el primer software basado en IA diseñado para señalar al patólogo la zona con mayor probabilidad de cáncer en biopsias de próstata. En su estudio de validación, la lectura asistida mejoró de media un 7,3 % la detección de cáncer frente a la lectura sin ayuda, aunque la FDA precisa que el dato se midió por biopsia y no por paciente, en cuyo caso el beneficio sería probablemente menor.

El algoritmo, sin embargo, es solo una pieza del sistema. Su valor depende del ecosistema de datos que lo alimenta y de cómo se integra en las rutas asistenciales, lo que obliga a estructurar la información clínica, estandarizar los protocolos de imagen e incorporar los datos ómicos (genómica, proteómica y disciplinas afines).

La medicina de precisión usa Inteligencia Artificial para convertir imagen, genómica y clínica en fenotipos que orientan diagnóstico y tratamiento

Qué diferencia a la medicina de precisión de la medicina tradicional

Dos pacientes con el mismo diagnóstico siguen a menudo trayectorias clínicas distintas. El enfoque tradicional suele agruparlos bajo una etiqueta común y aplicar la pauta que mejor funciona en el conjunto. La medicina de precisión parte de la premisa contraria y busca qué hace diferente a cada caso.

El término se consolidó en 2011 con el informe Toward Precision Medicine del National Research Council estadounidense, que lo prefirió a «medicina personalizada» para no sugerir tratamientos exclusivos para cada individuo. La Precision Medicine Initiative lo llevó en 2015 a la política sanitaria.

Hoy ambos términos se utilizan con frecuencia de forma solapada. La medicina de precisión busca identificar subgrupos de pacientes con características relevantes para la prevención, el diagnóstico y el tratamiento, y encaja con la medicina P4, que plantea una medicina predictiva, preventiva, personalizada y participativa..

El otro gran cambio es temporal, porque al diagnóstico de la enfermedad ya manifestada se suma la predicción del riesgo. Se buscan señales para la detección de enfermedades en fases iniciales, como pequeñas variaciones en la imagen, cambios discretos en las analíticas o trayectorias anómalas en las constantes. La Inteligencia Artificial médica ayuda a distinguir esas desviaciones de la variabilidad biológica normal y valora su evolución en el tiempo.

Todo ello se apoya en un perfil del paciente construido a partir de varias capas:

• Genética: Variantes y alteraciones moleculares que condicionan el riesgo y el comportamiento de la enfermedad.
• Biomarcadores: Indicadores biológicos medibles de actividad, agresividad o respuesta al tratamiento.
• Fenotipo: Rasgos observables del paciente y de su enfermedad.
• Estilo de vida y exposiciones ambientales: Hábitos y factores externos que modulan la evolución clínica.
• Historial clínico: Diagnósticos previos, tratamientos recibidos, comorbilidades y evolución.

Ninguna capa basta por sí sola, pero juntas permiten leer de manera distinta a dos pacientes con la misma etiqueta diagnóstica.

Qué ejemplos de medicina de precisión se usan en la consulta

Buena parte de la medicina de precisión ya forma parte de la práctica asistencial diaria. En estos casos, una prueba molecular o genética previa decide qué tratamiento recibe el paciente, a qué dosis o qué fármaco conviene evitar.

Estos son algunos de los ejemplos mejor establecidos:

• Cáncer de mama HER2 positivo: La sobreexpresión o amplificación de HER2, un receptor de crecimiento celular, indica el tratamiento con trastuzumab, un anticuerpo dirigido contra esa diana.
• Cáncer de pulmón con mutación de EGFR: La elección de los inhibidores del receptor del factor de crecimiento epidérmico, como el osimertinib, depende de la mutación concreta y de la indicación clínica.
• Leucemia mieloide crónica: El imatinib bloquea la proteína de fusión BCR-ABL, originada por el cromosoma Filadelfia, y transformó el pronóstico de la enfermedad.
• Fluoropirimidinas y DPYD: La AEMPS recomienda estudiar el déficit de dihidropirimidina deshidrogenasa (DPD) antes de administrar fluorouracilo por vía sistémica, capecitabina o tegafur, porque ese déficit eleva el riesgo de toxicidad grave.
• Abacavir y HLA-B*57:01: Detectar este alelo antes de prescribir el antirretroviral reduce el riesgo de una reacción de hipersensibilidad potencialmente grave.
• Clopidogrel y CYP2C19: Los portadores de variantes que reducen la actividad de esta enzima hepática activan peor el fármaco, lo que disminuye su eficacia antiagregante.
• Fibrosis quística: El ivacaftor potencia la función de la proteína CFTR en pacientes con mutaciones concretas, un ejemplo clásico de tratamiento dirigido en enfermedades raras.
• Hipercolesterolemia familiar: El diagnóstico genético permite estudiar en cascada a los familiares y adelantar el tratamiento hipolipemiante.
• Diabetes monogénica: En la forma asociada al gen HNF1A, muchos pacientes responden a sulfonilureas orales, lo que en numerosos casos permite retirar la insulina.

El paso siguiente es combinar biomarcadores aislados como estos en perfiles de muchas capas, y ahí la Inteligencia Artificial aporta su mayor valor.

Cómo construye la Inteligencia Artificial el fenotipo clínico en medicina de precisión

El fenotipo clínico accionable es un perfil integral del paciente que combina biología, imagen, datos clínicos y evolución en una única representación útil para la toma de decisiones. Construirlo es el núcleo de la medicina de precisión, porque una etiqueta diagnóstica aislada no basta para ajustar el tratamiento a cada caso. Los modelos actuales no se limitan a clasificar una lesión como probable o improbable, sino que describen patrones que conectan la señal biomédica con el pronóstico y la respuesta terapéutica.

Para llegar a ese perfil, la Inteligencia Artificial fusiona fuentes de naturaleza muy distinta. Los algoritmos más clásicos de machine learning procesan los datos estructurados, como analíticas o variables clínicas, y las redes neuronales profundas, otra rama del machine learning, analizan la imagen. Ambos canales se integran después en un mismo modelo, que incorpora también la evolución del paciente gracias a arquitecturas diseñadas para procesar secuencias temporales.

Un fenotipo solo es útil si el especialista entiende de dónde sale. Por eso, muchos desarrollos incorporan mapas de atención, que resaltan las regiones de la imagen con más peso en cada predicción, y segmentación automática de lesiones. Son apoyos para interpretar el resultado y facilitar la auditoría clínica, no una prueba definitiva del razonamiento del modelo.

La dimensión temporal es la que convierte la foto fija del diagnóstico en una película de la enfermedad. Los fenotipos longitudinales registran cómo cambia el paciente entre una prueba y la siguiente, y permiten seguir procesos como estos:

• Respuesta a la inmunoterapia: Evolución del tumor y de su respuesta a lo largo de los ciclos de tratamiento.
• Neurooncología: Reorganización del edema entre controles de resonancia magnética.
• Neumología: Progresión de la fibrosis pulmonar en series de tomografía computarizada (TC).

Esa trayectoria permite detectar antes cambios que una prueba aislada podría pasar por alto.

Qué aporta la imagen médica a la medicina de precisión

La imagen médica contiene más información de la que recoge un informe convencional. Radiología, patología digital y medicina nuclear guardan rasgos que el ojo experto intuye, pero no cuantifica. El análisis de imágenes médicas con Inteligencia Artificial extrae esos rasgos de forma automática y, a diferencia de la radiómica clásica, basada en variables fijadas por expertos, aprende por sí mismo cuáles son relevantes, aunque su reproducibilidad depende de los protocolos de adquisición y de la validación.

Cruzados con el perfil molecular, esos rasgos convierten la imagen en un sensor de la biología tumoral, terreno de la radiogenómica. Un estudio de Kather y colaboradores en Nature Medicine (2019) mostró que una red neuronal estimaba la inestabilidad de microsatélites en cáncer gastrointestinal desde la histología convencional. El cuadro recoge ejemplos representativos, no una lista cerrada:

Su mayor aportación está en la heterogeneidad tumoral, porque en investigación ayuda a elegir el punto de biopsia más informativo en oncología de precisión.

La radiogenómica estima el perfil molecular del tumor a partir de la imagen y complementa a la biopsia sin sustituirla

Qué límites éticos tiene la medicina de precisión con IA

Un modelo de medicina de precisión solo es tan justo como los datos con los que aprende. Si una población está poco representada, las predicciones del modelo pierden fiabilidad justo en esos pacientes, y la promesa de individualizar el tratamiento se convierte en una nueva fuente de desigualdad. La dimensión ética forma parte del diseño desde el inicio, no se añade al final.

Estos son los frentes que hoy concentran más debate:

• Sesgos de ascendencia: En julio de 2021, el 86 % de las muestras recogidas en el GWAS Catalog, el registro internacional de estudios de asociación genómica, procedía de personas de ascendencia europea, según Fatumo y colaboradores, lo que limita la validez de muchas variantes y puntuaciones de riesgo en otras poblaciones.
• Coste y equidad de acceso: La secuenciación, las terapias dirigidas y la infraestructura de datos tienen un coste elevado, y su disponibilidad varía entre países, centros y niveles socioeconómicos.
• Hallazgos incidentales: Un estudio genómico amplio revela a veces variantes sin relación con el motivo de la prueba, como una predisposición hereditaria al cáncer, y obliga a decidir de antemano qué se comunica.
• Consentimiento informado: El paciente necesita entender qué se analiza, cómo se reutilizan sus datos y qué implicaciones tiene para sus familiares, que comparten parte de su información genética.
• Protección de datos: El Reglamento General de Protección de Datos (RGPD) considera los datos genéticos y de salud categorías especiales, cuyo tratamiento exige una excepción expresa del artículo 9.
• Uso secundario de datos: El Reglamento (UE) 2025/327 del Espacio Europeo de Datos de Salud fija las condiciones para reutilizar datos clínicos en investigación e innovación a través de entornos seguros.

Resolver estos límites es condición para que la medicina de precisión llegue a todos los pacientes y no solo a los mejor representados en los datos.

Qué hace falta para que la medicina de precisión con IA funcione en el hospital

En medicina de precisión no basta con que un modelo funcione bien en promedio. Importa su rendimiento en subgrupos como subtipos moleculares, edades extremas o comorbilidades. La evaluación exige así estudios multicéntricos y validación prospectiva.

La evidencia se construye en tres niveles. La validez analítica comprueba que el algoritmo mide lo que dice medir, la validez clínica, que esa medida se relaciona con la enfermedad, y la utilidad clínica, que su uso cambia decisiones y mejora resultados. Un buen AUC (área bajo la curva ROC) no demuestra por sí solo beneficio clínico.

Con finalidad diagnóstica o terapéutica, estas soluciones son productos sanitarios según el Reglamento (UE) 2017/745 (MDR) o, si analizan muestras biológicas como la histología digital o los datos genómicos, productos para diagnóstico in vitro según el Reglamento (UE) 2017/746 (IVDR). Si requieren evaluación por un organismo notificado, como la mayoría del software diagnóstico, son además sistemas de alto riesgo según el Reglamento (UE) 2024/1689 de Inteligencia Artificial, con obligaciones aplicables desde el 2 de agosto de 2028 tras el Ómnibus digital sobre IA. Estos marcos exigen gestión del riesgo, trazabilidad y vigilancia poscomercialización, lo que lleva a separar el modelo validado y bloqueado del experimental.

Tras el despliegue, un riesgo clave es la deriva de los datos, cuando los datos reales dejan de parecerse a los de entrenamiento, por ejemplo con una nueva secuencia de resonancia. Por eso hay que monitorizar el rendimiento, detectar cambios en los datos y validar cada actualización, con apoyo de protocolos armonizados y del aprendizaje federado, que entrena modelos sin mover datos sensibles.

Dominar este recorrido exige una base sólida en datos sanitarios. El Máster en Big Data Sanitario incluye en su temario machine learning, Inteligencia Artificial en el ámbito de la salud y aspectos legales y de seguridad del dato sanitario.

Preguntas frecuentes sobre medicina de precisión

¿Qué pruebas se utilizan en medicina de precisión?

Las más habituales son las pruebas genéticas y moleculares, desde paneles de genes hasta la secuenciación del exoma o del genoma completo. A ellas se suman la farmacogenética, que estudia cómo responde cada persona a un fármaco, y la biopsia líquida, que detecta ADN tumoral circulante en una muestra de sangre.

¿Qué es una prueba diagnóstica para selección terapéutica?

Es una prueba, conocida en inglés como companion diagnostic, que identifica a los pacientes candidatos a un fármaco concreto, de modo que el medicamento se indica según su resultado. El estudio de HER2 antes del trastuzumab es el ejemplo clásico. En la Unión Europea, estas pruebas se regulan como productos de diagnóstico in vitro de clase C, la segunda categoría de mayor riesgo.

¿Qué son los gemelos digitales en medicina de precisión?

Son modelos virtuales de un paciente alimentados con sus propios datos clínicos, de imagen y moleculares. Permiten simular cómo respondería a distintos tratamientos antes de aplicarlos, aunque hoy se usan sobre todo en investigación.

¿Qué formación necesita un profesional para trabajar en medicina de precisión?

Necesita combinar conocimiento clínico con competencias en análisis de datos. Los equipos integran perfiles de bioestadística, bioinformática y machine learning, junto con nociones de regulación y protección de datos sanitarios, para convertir la información del paciente en decisiones fiables.