Inteligencia artificial en Atención Primaria: qué beneficios están demostrados y qué riesgos persisten
Actualización: octubre de 2026. La IA promete mejorar procesos clínicos, pero aún debe demostrar beneficios importantes para los pacientes y una seguridad suficiente.
Figura 1. La inteligencia artificial puede apoyar la Medicina de Familia sin sustituir la relación clínica.
Índice de contenidos
1. Una tecnología prometedora, todavía necesitada de evaluación
La inteligencia artificial (IA) ya forma parte del debate cotidiano sobre la organización de la consulta. Puede facilitar el análisis de información, la documentación clínica y algunas decisiones protocolizadas, pero no todas sus aplicaciones ofrecen la misma evidencia. En este artículo distingo entre lo que la IA puede hacer, lo que ha mostrado en estudios y lo que todavía no sabemos. No se trata de rechazar una innovación útil ni de aceptarla sin pruebas: se trata de incorporarla con el mismo rigor que exigimos a cualquier intervención sanitaria.2. Aplicaciones de la IA en Atención Primaria
2.1. Diagnóstico, cribado y triaje
Los modelos pueden clasificar hallazgos, estimar riesgos o señalar a personas que necesitan una valoración adicional. El rendimiento varía por enfermedad, población y circuito clínico; mejorar una clasificación no demuestra por sí mismo un diagnóstico más oportuno ni menos complicaciones.
2.2. Seguimiento de enfermedades crónicas
En diabetes, hipertensión, asma o multimorbilidad, la IA puede ayudar a ordenar datos longitudinales y detectar patrones. El beneficio asistencial debe comprobarse frente a la práctica habitual y debe evitarse multiplicar avisos que no cambian decisiones.
2.3. Automatización administrativa
La generación de borradores de notas, resúmenes o agendas podría liberar tiempo, pero requiere revisión humana: un texto convincente puede contener omisiones, errores de atribución o información no expresada durante la consulta.
2.4. Investigación, docencia y salud comunitaria
La IA facilita la identificación de cohortes, la exploración de grandes bases de datos, la simulación de entrevistas clínicas y el análisis epidemiológico. Son usos diferentes del apoyo directo a una decisión individual y exigen controles específicos sobre validez, privacidad y equidad.
3. Qué sabemos realmente sobre la eficacia y seguridad de la IA clínica en Atención Primaria
3.1. Dos revisiones sistemáticas publicadas en octubre de 2026
Naye y colaboradores analizaron 11 estudios diferentes (14 publicaciones): cuatro experimentales y siete cuasiexperimentales. Los sistemas basados en IA mostraron señales más consistentes de mejora en tareas estructuradas —cribado, derivación y optimización de alertas— que en situaciones clínicas complejas. Los efectos sobre resultados importantes para los pacientes fueron limitados e inconsistentes. La heterogeneidad de intervenciones y desenlaces impidió realizar un metaanálisis, por lo que los autores presentaron una síntesis narrativa. Todos los estudios experimentales presentaron riesgo de sesgo alto y los cuasiexperimentales, riesgo serio o crítico.
Jain y colaboradores identificaron 10 estudios de sistemas con componentes de IA, además de 14 estudios de sistemas deterministas tratados solo como comparación contextual. Observaron efectos heterogéneos sobre detección y procesos. Ninguno de los dos ensayos que evaluaron resultados importantes para los pacientes demostró beneficio; uno de los resultados funcionales musculoesqueléticos favoreció la atención habitual. La certeza fue baja para resultados clínicos. Ambas revisiones pueden compartir estudios primarios: son complementarias, no dos confirmaciones independientes, y sus cifras no deben sumarse como si constituyeran 21 ensayos independientes. La ausencia de beneficio demostrado con evidencia limitada no equivale a probar que la IA carece de utilidad.
3.2. Mejorar el proceso no equivale a mejorar la salud
Un algoritmo puede aumentar la detección de un hallazgo, acelerar una derivación o reducir alertas, sin que se haya demostrado una reducción de hospitalizaciones, discapacidad o mortalidad. Además, un aumento de detecciones puede acompañarse de falsos positivos, pruebas innecesarias y sobrediagnóstico. La pregunta es si la decisión y el resultado del paciente mejoran respecto a la atención habitual, no solo si el sistema acierta al clasificar datos.
3.3. Qué sabemos de seguridad
En la revisión de Naye, solo dos estudios preespecificaron desenlaces de seguridad. Las conclusiones se refieren a sistemas de apoyo a decisiones evaluados en estos estudios y no pueden extrapolarse automáticamente a todos los modelos generativos orientados al paciente. La información publicada se concentró en incidencias técnicas o efectos adversos autorreferidos, sin medir adecuadamente cómo el profesional aceptaba, corregía o ignoraba las recomendaciones. Por tanto, la ausencia de daños detectados no equivale a seguridad demostrada. El seguimiento fue habitualmente corto y la evidencia procedía de países de ingresos altos.
4. Cómo interpretar las promesas de la IA en la consulta
Conviene distinguir cuatro planos: rendimiento técnico (exactitud del algoritmo), proceso clínico (qué hace el profesional), resultados para el paciente (salud, calidad de vida y seguridad) e impacto organizativo (tiempos, costes y accesibilidad). Una mejor puntuación en el primero no garantiza mejoras en los demás.
| Aplicación | Posible beneficio | Qué debe demostrarse antes de generalizar |
|---|---|---|
| Cribado y búsqueda de casos | Más pacientes identificados | Diagnósticos confirmados, falsos positivos, sobrediagnóstico, consecuencias clínicas y equidad |
| Priorización de derivaciones | Selección más homogénea | Menos retrasos perjudiciales, seguridad y ausencia de discriminación de grupos |
| Alertas y prescripción | Menos avisos irrelevantes | Reducción de errores o daños, no solo del número de avisos |
| Documentación automática | Menor carga administrativa | Tiempo neto ahorrado, exactitud de la nota, confidencialidad y efectos en la relación clínica |
| Recomendaciones terapéuticas | Apoyo a decisiones complejas | Resultados del paciente, calibración, adecuación a guías vigentes y validación externa |
5. Riesgos clínicos, éticos y organizativos
5.1. Errores plausibles y exceso de confianza
Los sistemas generativos pueden proporcionar respuestas convincentes pero incorrectas o referencias inexistentes. La automatización favorece el sesgo de aceptación: se presta menos atención a un error cuando aparece en una recomendación elaborada.
5.2. Sesgos y desigualdad
Una herramienta desarrollada con una población diferente puede funcionar peor en personas mayores, pluripatológicas o socialmente vulnerables. La validación local debe incluir subgrupos y consecuencias de decisiones equivocadas.
5.3. Protección de datos y responsabilidad
No deben introducirse datos identificables de pacientes en servicios no autorizados. La institución debe evaluar base jurídica, encargos de tratamiento, seguridad, trazabilidad y adecuación regulatoria, además de establecer quién supervisa y documenta las decisiones. El marcado o la conformidad regulatoria no sustituyen las pruebas de utilidad clínica.
5.4. Sobrecarga y fragmentación
Una herramienta que añade clics, alertas o circuitos paralelos puede empeorar la consulta aunque su rendimiento técnico sea elevado. Deben medirse carga de trabajo, mantenimiento y posibles efectos no deseados.
6. El médico de familia como integrador y mediador
La atención longitudinal, el conocimiento de la familia, la interpretación del contexto social y la incertidumbre clínica no se resuelven con una predicción aislada. El médico de familia seguirá integrando historia, exploración, valores del paciente y evidencia, y asumirá la responsabilidad de justificar la decisión final.
La supervisión clínica debe ser proporcional al alcance del sistema: no exige el mismo control una ayuda que presenta un dato, una aplicación que recomienda suspender un fármaco o una herramienta capaz de ejecutar una acción sobre la historia clínica. La IA puede ayudar a revisar información dispersa, pero debe dejar espacio para las preguntas difíciles: ¿qué le preocupa al paciente?, ¿qué intervención está dispuesto a aceptar?, ¿cuándo conviene observar en lugar de intervenir? La decisión compartida continúa siendo una conversación, no un cálculo.
7. Un nuevo papel: complejidad, prevención cuaternaria y trabajo en equipo
La automatización de tareas repetitivas podría permitir dedicar más atención a personas pluripatológicas, problemas de salud mental, fragilidad y situaciones de vulnerabilidad. En el seguimiento longitudinal, el médico de familia puede reconocer cambios sutiles respecto a visitas previas, integrar preferencias familiares y sociales y evitar que una predicción aislada desplace objetivos de cuidado acordados. Es una posibilidad organizativa, no un resultado garantizado: si el tiempo liberado se traduce en mayor actividad y más burocracia, el beneficio humano desaparece.
En la atención comunitaria, el equipo puede detectar barreras digitales que excluyen a personas mayores, con discapacidad o con recursos limitados. La formación de residentes debería incluir la revisión crítica de recomendaciones discordantes, no solo la destreza para utilizar aplicaciones. La coordinación entre medicina, enfermería, farmacia y trabajo social exige que las recomendaciones generadas por IA se puedan explicar, corregir y comunicar sin fragmentar responsabilidades. La prevención cuaternaria debe incluir la protección frente a pruebas y tratamientos desencadenados por predicciones poco útiles.
8. Autocuidado, dispositivos digitales y relación médico-paciente
Los dispositivos portátiles y aplicaciones generan mediciones que pueden enriquecer el seguimiento, pero también preocupación, exceso de consultas y falsas alarmas. También debe prevenirse la degradación del modelo tras la implantación: los cambios en población, prevalencia o forma de registrar los datos pueden reducir su rendimiento. El médico debe explicar qué mediciones son fiables, cuándo actuar y cuándo ignorar variaciones sin importancia.
La empatía, la escucha, la exploración de expectativas y el acompañamiento no son accesorios frente a una tecnología más rápida. Si una innovación reduce el tiempo disponible para escuchar al paciente, debe analizarse críticamente incluso aunque simplifique otras tareas.
9. Competencias profesionales y formación
9.1. En el grado
Introducir fundamentos de datos, razonamiento probabilístico, sesgos, salud digital, bioética y comunicación clínica.
9.2. Durante la residencia
Practicar escenarios simulados con recomendaciones correctas y erróneas de IA, revisar decisiones de discrepancia y realizar pequeñas evaluaciones de herramientas en el entorno asistencial.
9.3. Formación continuada
Leer estudios de validación y efectividad, interpretar sensibilidad y valor predictivo según prevalencia, identificar errores de modelos generativos y actualizar los protocolos de privacidad y supervisión. La formación es tanto clínica como tecnológica y comunicativa.
10. Antes de adoptar una herramienta: preguntas de seguridad
- ¿Qué problema clínico concreto pretende resolver y cuál es la alternativa habitual?
- ¿Se ha evaluado en Atención Primaria y en pacientes parecidos a los nuestros?
- ¿Qué desenlaces mejora: exactitud, procesos o salud del paciente?
- ¿Cuáles son las tasas y consecuencias de falsos positivos y falsos negativos?
- ¿Cómo afecta a grupos vulnerables y a la equidad?
- ¿Quién revisa sus recomendaciones y puede anularlas?
- ¿Cumple los requisitos institucionales de seguridad, protección de datos y regulación aplicable, según su finalidad y clasificación?
- ¿Existe un plan de seguimiento de errores, cambios del modelo y retirada si causa daño?
Los datos se tratarán solo mediante circuitos autorizados, con finalidad definida y garantías jurídicas y técnicas: eliminar identificadores no elimina por sí solo el riesgo de reidentificación. En España deben considerarse el RGPD y, según la finalidad y naturaleza del producto, la normativa de productos sanitarios y la regulación europea de IA, atendiendo a su aplicación temporal. Una evaluación piloto, con indicadores acordados antes de implantar la herramienta y supervisión clínica, es más prudente que un despliegue general basado en una demostración técnica.
11. Casos clínicos ilustrativos
Caso 1. Alerta de deterioro renal
En un paciente con insuficiencia cardiaca y tratamiento diurético, el sistema señala una elevación de creatinina. La alerta sirve para revisar tendencia de creatinina y potasio, volemia, presión arterial, perfusión y medicación, pero no justifica por sí sola suspender un tratamiento beneficioso. Perla: el valor de la alerta reside en mejorar una decisión contextualizada.
Caso 2. Sospecha de melanoma
Una aplicación clasifica una lesión pigmentada como poco sospechosa, aunque presenta cambios progresivos y signos clínicos de alarma. La evaluación clínica, con dermatoscopia cuando esté indicada y disponible, y la derivación oportuna se guían por los signos de alarma, sin descartar enfermedad basándose solo en el algoritmo. Perla: un falso negativo puede importar más que una excelente exactitud global.
Caso 3. Nota clínica generada automáticamente
Tras una consulta de una paciente polimedicada, el borrador generado incluye una alergia no mencionada, atribuye una medicación a otra persona y omite una recomendación de seguimiento. La profesional verifica la historia y corrige el registro antes de firmarlo. Perla: automatizar la escritura no significa delegar la responsabilidad documental. Un error del modelo y un error por aceptar su propuesta sin contraste son problemas de seguridad distintos que deben analizarse.
12. Conclusiones: innovación con juicio clínico
La inteligencia artificial puede ofrecer apoyos útiles para tareas estructuradas y reducir parte del trabajo repetitivo. Las revisiones publicadas en octubre de 2026, sin embargo, recuerdan que todavía es limitada la demostración de beneficios consistentes en resultados importantes para los pacientes y que la evaluación de seguridad es insuficiente.
Mi convicción es que la Medicina de Familia no será menos necesaria por disponer de algoritmos más potentes. Precisamente la complejidad, la continuidad, la deliberación ética y la relación de confianza exigen profesionales capaces de utilizar la tecnología sin rendirle el juicio clínico. Incorporarla bien requiere formación, evaluación, prudencia y liderazgo desde Atención Primaria.
Bibliografía recomendada
- Naye F, Ouellet S, Yousefi F, Cachinho C, Bergeron F, Bhattacharyya O, et al. AI-Based Clinical Decision Support Systems in Primary Care: Systematic Review of Clinical Implementation. J Med Internet Res. 2026;28:e96882. doi:10.2196/96882. Disponible en: https://www.jmir.org/2026/1/e96882/.
- Jain Y, Wu D, Wang Z. Real-World Effectiveness of AI-Enabled Clinical Decision Support in Primary Care: Systematic Review. J Med Internet Res. 2026;28:e98630. doi:10.2196/98630. Disponible en: https://www.jmir.org/2026/1/e98630/.
- Sociedad Española de Medicina de Familia y Comunitaria. Inteligencia artificial al servicio de la medicina de familia. 2023. Disponible en: https://www.semfyc.es/actualidad/inteligencia-artificial-al-servicio-de-la-medicina-de-familia-.
- Organización Mundial de la Salud. Ethics and governance of artificial intelligence for health: WHO guidance. Ginebra: OMS; 2021. Disponible en: https://www.who.int/publications/i/item/9789240029200.
- Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2024/1689 por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea. 2024. Disponible en: https://eur-lex.europa.eu/eli/reg/2024/1689/oj.
- Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2016/679 relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales (RGPD). Diario Oficial de la Unión Europea. 2016. Disponible en: https://eur-lex.europa.eu/eli/reg/2016/679/oj.
Lecturas relacionadas en el blog
Autoevaluación competencial
Bloque 1: 10 preguntas tipo test. Bloque 2: tres microcasos de decisión clínica. Bloque 3: Mini-CEX para valorar cinco competencias (1–5).
Bloque 1. Conocimientos y toma de decisiones
Bloque 2. Tres microcasos clínicos
Bloque 3. Mini-CEX: autoevaluación competencial
Valora cada competencia: 1 insuficiente · 2 inicial · 3 adecuada · 4 avanzada · 5 excelente.
| Competencia clínica | Puntuación (1–5) |
|---|---|
| Interpretación de evidencia Diferencia rendimiento diagnóstico, procesos y desenlaces importantes para el paciente. | |
| Seguridad clínica Reconoce falsos resultados, automatización excesiva y la necesidad de verificación. | |
| Adecuación al paciente Integra pluripatología, contexto, preferencias y decisiones compartidas. | |
| Confidencialidad Protege datos y utiliza herramientas autorizadas con trazabilidad. | |
| Evaluación de implantación Define indicadores, supervisión humana, vigilancia de incidentes y criterios de retirada. |
Interpretación: 5–15 puntos, área de mejora; 16–20, adecuada; 21–25, excelente. Cualquier puntuación individual de 1 o 2 genera una recomendación específica de mejora, con independencia de la suma.
Comentarios
Publicar un comentario
Este es un blog dirigido a profesionales sanitarios. Los comentarios están sujetos a moderación por el autor antes de su publicación, no admitiéndose publicidad, comentarios no profesionales, no fundamentados científicamente, ni aquellos que resulte inapropiados u ofensivos, etc. Tampoco, en ningún caso a través del blog o correo electrónico, se atenderán casos clínicos particulares ni se dará información personalizada. Si algún paciente desea ser atendido en consulta puede solicitar cita en el teléfono indicado para tal fin.