IA en diagnóstico médico: 180 algoritmos con marcado CE, la - Blog

Introducción

La inteligencia artificial aplicada al diagnóstico médico ha dejado de ser una promesa de laboratorio para convertirse en una realidad clínica regulada. A fecha de 2025, Europa cuenta con más de 180 algoritmos de IA con marcado CE para diagnóstico por imagen, mientras que la FDA estadounidense ha autorizado más de 950. Esta diferencia no refleja un déficit tecnológico europeo, sino un marco regulatorio más exigente que, con la entrada en vigor del EU AI Act, se posiciona como el más estricto del mundo para la IA sanitaria.

En España, el panorama se ha acelerado notablemente. En noviembre de 2025, el Consejo Interterritorial del Sistema Nacional de Salud (SNS) aprobó la Estrategia de IA en Salud, un hito que establece el marco estratégico para la adopción de estas tecnologías en el sistema público. La convocatoria RedIA Salud moviliza 50 millones de euros para proyectos de IA sanitaria, y hospitales de referencia ya reportan resultados clínicos con algoritmos en producción.

En este artículo analizamos el estado actual de la IA en diagnóstico médico en España, los proyectos concretos que lideran la adopción, los frameworks técnicos que los hacen posibles y el calendario regulatorio que todo responsable de IT sanitario debe tener en su radar.

El panorama europeo y español de la IA diagnóstica

Marcado CE frente a aprobación FDA: dos velocidades, un objetivo

La asimetría entre los 180+ algoritmos con marcado CE en Europa y los 950+ aprobados por la FDA en Estados Unidos responde a diferencias fundamentales en los procesos regulatorios. Mientras la FDA ha implementado vías aceleradas como el De Novo Pathway y el Predetermined Change Control Plan (PCCP), que permiten actualizaciones de algoritmos sin nueva autorización, el marco europeo exige conformidad con el Reglamento de Dispositivos Médicos (MDR 2017/745) y, desde 2024, con el Reglamento de Inteligencia Artificial (EU AI Act 2024/1689).

La mayoría de los algoritmos con marcado CE se concentran en radiología, especialmente en:

Detección de nódulos pulmonares en TC de tórax
Cribado de retinopatía diabética en fondoscopias
Triaje de ictus mediante análisis de TC craneal con detección de oclusión de gran vaso
Detección de fracturas en radiografías convencionales
Patología digital con cuantificación de biomarcadores en biopsias

En el contexto español, la adopción de estos algoritmos ha sido heterogénea entre comunidades autónomas, pero varios proyectos de referencia demuestran que el potencial clínico es tangible y medible.

La Estrategia de IA en Salud del SNS

El 12 de noviembre de 2025, La Moncloa anunció la aprobación por el Consejo Interterritorial del SNS de la Estrategia de IA en Salud, un documento que establece cuatro ejes fundamentales:

Gobernanza y coordinación entre las 17 comunidades autónomas para evitar la fragmentación tecnológica
Infraestructura de datos sanitarios interoperables, alineada con el Espacio Europeo de Datos Sanitarios (EHDS)
Evaluación y validación de algoritmos antes de su despliegue clínico, con criterios estandarizados
Formación y capacitación de profesionales sanitarios en el uso responsable de herramientas de IA

Esta estrategia se complementa con la convocatoria RedIA Salud, enmarcada en España Digital 2026, que moviliza 50 millones de euros para financiar proyectos colaborativos de IA sanitaria entre el sistema público, centros de investigación y empresas tecnológicas.

Proyectos españoles de IA diagnóstica: resultados reales

Hospital Doctor Balmis (Alicante): IA en radiografías de tórax

El Hospital General Universitario Doctor Balmis de Alicante ha implementado un sistema de IA para el triaje automatizado de radiografías de tórax. Los resultados publicados muestran un valor predictivo negativo (VPN) del 90%, lo que significa que cuando el algoritmo clasifica una radiografía como normal, la probabilidad de que efectivamente lo sea es del 90%.

Este dato es especialmente relevante en un servicio de urgencias con alta carga asistencial: el algoritmo permite priorizar la lectura por el radiólogo de aquellas imágenes que el sistema identifica como potencialmente patológicas, reduciendo los tiempos de respuesta para los casos más urgentes. El sistema opera como herramienta de apoyo a la decisión clínica (Clinical Decision Support, CDS) y no sustituye la valoración del especialista, un matiz fundamental desde el punto de vista regulatorio.

Proyecto DIPCAN: oncología personalizada

El proyecto DIPCAN (Digital Platform for Cancer) representa una de las iniciativas más ambiciosas de IA oncológica en España. Con una financiación de 7,7 millones de euros y una cohorte de 2.000 pacientes, DIPCAN integra datos genómicos, de imagen y clínicos para personalizar tratamientos oncológicos.

El proyecto emplea técnicas de machine learning para:

Estratificación de riesgo basada en perfiles moleculares y de imagen
Predicción de respuesta a tratamiento mediante modelos entrenados con datos multimodales
Gemelos digitales del paciente oncológico para simulación de terapias

DIPCAN es un ejemplo paradigmático de cómo la IA diagnóstica evoluciona hacia modelos multimodales que integran múltiples fuentes de datos, superando el enfoque inicial centrado exclusivamente en imagen médica.

1HealthAI (Galicia): 82 millones de euros para IA sanitaria

El proyecto 1HealthAI, impulsado desde Galicia, constituye una de las mayores inversiones en IA sanitaria de España con un presupuesto de 82 millones de euros. Su objetivo es desarrollar un ecosistema completo de IA para el sistema sanitario gallego que incluye:

Infraestructura de computación de alto rendimiento para entrenamiento de modelos
Plataformas de datos federados que permiten entrenar algoritmos sin centralizar información de pacientes
Casos de uso clínicos en radiología, patología y atención primaria

El modelo federado de 1HealthAI es especialmente relevante porque aborda uno de los mayores obstáculos de la IA sanitaria: el acceso a volúmenes suficientes de datos de calidad sin comprometer la privacidad del paciente ni infringir el Reglamento General de Protección de Datos (RGPD).

Corazones digitales: Elem Biotech y el BSC

La startup española Elem Biotech, en colaboración con el Barcelona Supercomputing Center (BSC), desarrolla gemelos digitales cardiovasculares: simulaciones computacionales del corazón de cada paciente que permiten predecir la evolución de patologías cardíacas y evaluar tratamientos de forma virtual antes de aplicarlos.

Esta tecnología combina modelos de mecánica de fluidos computacional con datos de imagen cardíaca (resonancia magnética y ecocardiografía), utilizando la capacidad de supercomputación del MareNostrum 5 para ejecutar simulaciones que serían inviables en infraestructura convencional. El proyecto posiciona a España en la vanguardia de la medicina computacional y demuestra la convergencia entre simulación, IA e imagen médica.

Stack tecnológico: frameworks y herramientas para IA diagnóstica

MONAI: el estándar open-source para imagen médica

MONAI (Medical Open Network for Artificial Intelligence) se ha consolidado como el framework de referencia para el desarrollo de modelos de IA en imagen médica. Construido sobre PyTorch, MONAI ofrece:

Más de 15 modelos pre-entrenados para diferentes modalidades: tomografía computarizada (CT), resonancia magnética (MR), patología digital y endoscopia
MONAI Label: herramienta de anotación interactiva asistida por IA que acelera drásticamente la creación de datasets de entrenamiento
MONAI Deploy: framework para el despliegue de modelos en entornos clínicos, con soporte para integración con PACS y estándares DICOM
Transformaciones optimizadas para datos médicos volumétricos (3D), incluyendo augmentaciones espaciales, de intensidad y geométricas específicas para imagen clínica

El ecosistema MONAI se complementa con NVIDIA Clara, una plataforma que proporciona herramientas de entrenamiento distribuido y aceleración por GPU, y NVIDIA Parabricks para análisis genómico acelerado, un componente clave en proyectos como DIPCAN que combinan imagen y genómica.

Herramientas complementarias del stack

El desarrollo completo de un pipeline de IA diagnóstica requiere un stack más amplio:

TensorFlow/Keras y PyTorch: los dos frameworks dominantes de deep learning. PyTorch ha ganado terreno en investigación médica gracias a su flexibilidad y a la integración nativa con MONAI
3D Slicer: plataforma open-source para visualización y análisis de imagen médica 3D, utilizada tanto en investigación como en planificación quirúrgica
OHIF Viewer: visor web DICOM de código abierto que permite la visualización de imágenes médicas en el navegador, integrable con PACS hospitalarios
QuPath: software de análisis de patología digital que combina herramientas de anotación con algoritmos de cuantificación y clasificación celular
scikit-learn: biblioteca de machine learning clásico imprescindible para tareas de preprocesamiento, selección de features y modelos tabulares complementarios
ONNX Runtime: motor de inferencia que permite ejecutar modelos entrenados en cualquier framework con rendimiento optimizado en producción
MLflow: plataforma de experiment tracking para gestionar el ciclo de vida de los modelos, desde el entrenamiento hasta el despliegue, con trazabilidad completa
NVIDIA DGX: sistemas de computación especializados para entrenamiento de modelos de deep learning con múltiples GPUs, utilizados en centros como el BSC

Consideraciones de despliegue clínico

El despliegue de modelos de IA en un entorno hospitalario real presenta desafíos específicos que van más allá del rendimiento del modelo:

Integración DICOM/PACS: el modelo debe recibir imágenes directamente del sistema PACS del hospital y devolver resultados estructurados
Latencia: en casos como el triaje de ictus, el tiempo de inferencia debe ser inferior a 60 segundos para tener valor clínico
Explicabilidad: los mapas de activación (grad-CAM, attention maps) son cada vez más necesarios para que el clínico comprenda el razonamiento del algoritmo
Monitorización post-despliegue: detección de data drift cuando la distribución de los datos de producción difiere de los datos de entrenamiento

El EU AI Act y la regulación de la IA sanitaria: calendario y obligaciones

Clasificación como alto riesgo

El Reglamento (UE) 2024/1689 (EU AI Act), publicado en el Diario Oficial de la Unión Europea en agosto de 2024, clasifica la IA destinada a ser utilizada como componente de seguridad de dispositivos médicos como sistema de alto riesgo. Esto implica que prácticamente toda la IA diagnóstica queda sujeta a las obligaciones más estrictas del reglamento.

Las obligaciones para sistemas de IA de alto riesgo incluyen:

Sistema de gestión de riesgos a lo largo de todo el ciclo de vida del producto
Gobernanza de datos: requisitos de calidad, representatividad y ausencia de sesgos en los datasets de entrenamiento y validación
Documentación técnica detallada que incluya métricas de rendimiento, limitaciones conocidas y condiciones de uso previstas
Registro de eventos (logging) automático durante toda la vida operativa del sistema
Supervisión humana: mecanismos que garanticen que un profesional sanitario pueda interpretar, supervisar y, si es necesario, anular las salidas del sistema
Precisión, robustez y ciberseguridad: requisitos técnicos de rendimiento y resiliencia

El concepto MDAI y la doble regulación

El documento MDCG 2025-6 introduce el concepto de MDAI (Medical Device AI), que se refiere a sistemas de IA que son, a su vez, dispositivos médicos o forman parte de ellos. Esta categoría queda sujeta a una doble regulación:

MDR (Reglamento de Dispositivos Médicos 2017/745): requisitos de seguridad, rendimiento clínico y marcado CE
EU AI Act: requisitos adicionales de transparencia, gobernanza de datos y supervisión humana

El MDCG 2025-6 establece las reglas de interacción entre ambos reglamentos para evitar duplicidades y contradicciones. En la práctica, el organismo notificado que evalúa el dispositivo médico será también responsable de verificar el cumplimiento del AI Act, creando un procedimiento de conformidad integrado.

Calendario regulatorio crítico

Todo responsable de IT sanitario debe tener presente las siguientes fechas:

Fecha	Hito
Agosto 2024	Publicación del EU AI Act en el DOUE
Febrero 2025	Prohibición de prácticas de IA prohibidas (riesgo inaceptable)
Agosto 2025	Obligaciones para IA de propósito general (GPAI)
Agosto 2026	Obligaciones de alto riesgo: IA sanitaria sujeta a requisitos completos
Agosto 2027	Cumplimiento total para IA integrada en dispositivos médicos (MDR/IVDR)

La diferencia de un año entre agosto 2026 y agosto 2027 se debe a que los sistemas de IA que son componentes de dispositivos médicos disponen de un periodo de transición adicional para adaptar sus procedimientos de conformidad.

FUTURE-AI: seis principios para IA médica responsable

El framework FUTURE-AI, desarrollado por un consorcio europeo, propone seis principios para el desarrollo responsable de IA médica que complementan las obligaciones regulatorias:

Fairness (Equidad): los algoritmos no deben discriminar por género, etnia, edad u otras características protegidas
Universality (Universalidad): los modelos deben ser validados en poblaciones diversas
Traceability (Trazabilidad): cada decisión del sistema debe ser auditable
Usability (Usabilidad): la herramienta debe integrarse en el flujo de trabajo clínico sin añadir carga innecesaria
Robustness (Robustez): el rendimiento debe mantenerse estable ante variaciones en los datos de entrada
Explainability (Explicabilidad): el clínico debe poder entender los factores que contribuyen a cada resultado

Transparencia autonómica: el mapa de Civio

La organización Civio ha publicado un mapa interactivo que documenta los algoritmos de IA utilizados en la sanidad pública de cada comunidad autónoma española. Este recurso permite identificar qué CCAA están más avanzadas en la adopción, qué tipo de algoritmos se están utilizando y cuál es su grado de transparencia. Es una herramienta valiosa tanto para profesionales del sector como para ciudadanos interesados en conocer cómo se utiliza la IA en la atención que reciben.

Conclusión

La IA en diagnóstico médico vive un momento de maduración acelerada en España. Con más de 180 algoritmos con marcado CE en Europa, una Estrategia de IA en Salud aprobada por el SNS, y proyectos de referencia como los del Hospital Doctor Balmis, DIPCAN, 1HealthAI y los corazones digitales de Elem Biotech con el BSC, el país cuenta con una base sólida para la adopción clínica responsable.

Sin embargo, el contexto regulatorio introduce una complejidad considerable. La doble regulación MDR + EU AI Act, con obligaciones de alto riesgo efectivas desde agosto de 2026 y cumplimiento total para IA en dispositivos médicos desde agosto de 2027, exige una planificación anticipada. Los equipos de IT sanitario deben comenzar ahora a evaluar la conformidad de sus sistemas de IA, preparar la documentación técnica requerida y establecer los mecanismos de supervisión humana y monitorización continua.

Desde el punto de vista técnico, frameworks como MONAI, combinados con infraestructuras de MLOps basadas en MLflow y ONNX Runtime, proporcionan las herramientas necesarias para desarrollar, desplegar y mantener modelos de IA diagnóstica en entornos clínicos reales.

En Informática Médica trabajamos en la intersección entre tecnología sanitaria y regulación, ayudando a centros y clínicas a integrar soluciones de IA que cumplan con los más altos estándares técnicos y normativos del ecosistema europeo.

Referencias

Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo relativo a la inteligencia artificial (EU AI Act). Diario Oficial de la Unión Europea, agosto de 2024.
MDCG 2025-6: Guidance on the interplay between the AI Act and the MDR/IVDR. Medical Device Coordination Group, 2025.
Estrategia de IA en Salud del SNS. La Moncloa, 12 de noviembre de 2025. https://www.lamoncloa.gob.es
Convocatoria RedIA Salud. España Digital 2026. https://espanadigital.gob.es
MONAI: Medical Open Network for Artificial Intelligence. https://monai.io / https://github.com/Project-MONAI
Framework FUTURE-AI: Guiding Principles for Responsible AI in Healthcare. Lekadir et al., 2024.
Civio: Algoritmos de IA en la sanidad pública por comunidades autónomas. https://civio.es
NVIDIA Clara: Healthcare AI Platform. https://developer.nvidia.com/clara
Hospital General Universitario Doctor Balmis: resultados de IA en radiología de tórax. Comunicaciones científicas, 2024-2025.
Proyecto DIPCAN: Digital Platform for Cancer. https://dipcan.es
Proyecto 1HealthAI. Xunta de Galicia / España Digital 2026.
Elem Biotech y Barcelona Supercomputing Center: gemelos digitales cardiovasculares. https://www.elem.bio