IA en la salud: hacia una medicina predictiva, preventiva y personalizada

La tecnología, aliada de la medicina y la IA como el siguiente paso en la evolución

Como analizamos en el informe de vivir más a vivir mejor: IA para el envejecimiento saludable,la sanidad se enfrenta a desafíos cada vez mayores: una población más envejecida, con un deterioro creciente de la salud durante más años, sumado a una demanda asistencial creciente y recursos limitados.

En este contexto, la inteligencia artificial se ha convertido en una de las tecnologías con mayor potencial para mejorar la detección precoz de enfermedades, optimizar la toma de decisiones clínicas y aliviar la presión sobre unos sistemas sanitarios cada vez más exigidos.

Antes de profundizar en ello, es necesario comprender de dónde surge esta tecnología. La IA no aparece de forma aislada ni representa una ruptura repentina con el pasado. Es el resultado de décadas de evolución tecnológica que han permitido digitalizar la información clínica, conectar los sistemas sanitarios y, finalmente, extraer conocimiento de los datos para apoyar la toma de decisiones médicas.

Lacapacidad actual de la inteligencia artificial para apoyar decisiones clínicas es el resultado de una evolución tecnológica acumulativa que comenzó décadas antes de la aparición del machine learning moderno. Esta trayectoria es analizada por Izet Masic en Five Periods in Development of Medical Informatics (2014), donde reconstruye el desarrollo de la informática médica desde la década de 1950 hasta 2014 a través de cinco etapas: experimentación, invención, expansión, integración y revolución de la información.

Aunque esta clasificación permite comprender la evolución histórica del sector, observada desde una perspectiva de transformación digital revela una dinámica más amplia basada en tres grandes olas sucesivas: digitalizar la información clínica, conectar los sistemas que la generan y anticipar resultados a partir de los datos acumulados.

Ola 1: Digitalizar (1955-1975)

La primera ola estuvo centrada en demostrar que la computación podía aportar valor a la medicina. Durante este periodo surgieron las primeras aplicaciones capaces de capturar, almacenar y procesar información clínica de forma electrónica, sentando las bases de la medicina digital.

Uno de los hitos fundacionales fue la publicación, en 1959, del artículo de Robert Ledley y Lee Lusted, considerado uno de los textos fundacionales de la informática médica. En él planteaban una idea revolucionaria para la época: utilizar ordenadores para apoyar el diagnóstico y la toma de decisiones clínicas, estableciendo las bases teóricas de los futuros sistemas de apoyo a la decisión y, décadas después, de la inteligencia artificial aplicada a la salud.[1]

A medida que aumentó la capacidad de procesamiento, la informática comenzó a incorporarse a herramientas diagnósticas cada vez más avanzadas. La tomografía computarizada (TAC) se convirtió en uno de los ejemplos más representativos de esta transformación. Su impacto fue tan profundo que sus desarrolladores, Godfrey Hounsfield y Allan Cormack, recibieron el Premio Nobel de Medicina en 1979.[2]

También aparecieron sistemas expertos pioneros como MYCIN e INTERNIST-I, diseñados para apoyar el diagnóstico y la selección de tratamientos. Aunque sus capacidades eran limitadas, introdujeron una idea que décadas después sería fundamental para la IA: utilizar los datos clínicos no solo para almacenarlos, sino también para generar recomendaciones.[3]

Al finalizar esta primera ola, la medicina había logrado digitalizar la información sanitaria, creando la base necesaria para la siguiente transformación: conectar esos datos y hacerlos circular entre profesionales e instituciones.

Ola 2: Conectar (1975-1995)

Si la primera ola permitió digitalizar la información sanitaria, la segunda se centró en conectarla. Una vez resuelto el problema de registrar datos, el reto pasó a ser compartirlos entre profesionales, hospitales y niveles asistenciales.

La expansión de la infraestructura informática y la reducción del coste de la tecnología impulsaron el desarrollo de sistemas de información sanitaria cada vez más extendidos. La informática dejó de ser una herramienta experimental para convertirse en parte de la operativa diaria de hospitales y centros de salud.[4]

La difusión de los ordenadores personales permitió además conectar distintos puntos del proceso asistencial. La información clínica empezó a acompañar al paciente más allá de las paredes del hospital, facilitando el intercambio de datos entre diferentes entornos de atención.

Entre 1985 y 1995, esta evolución dio paso a sistemas cada vez más integrados, capaces de conectar atención primaria y hospitales dentro de redes regionales y nacionales. El valor de la tecnología ya no residía únicamente en almacenar información, sino en hacerla accesible allí donde fuera necesaria.

Esta capacidad de intercambio sentó las bases de la historia clínica interoperable, la telemedicina y los actuales ecosistemas digitales de salud. Sin embargo, aunque el sistema ya era capaz de capturar y compartir información a gran escala, seguía dependiendo de la capacidad humana para interpretarla.

De esa limitación emergería la tercera ola: utilizar la capacidad computacional para transformar información en conocimiento, generando predicciones, inferencias y apoyo a la decisión clínica.

Ola 3: Anticipar (1995-2014): De conectar información a generar conocimiento

Si la segunda ola resolvió el problema de la conectividad, la tercera comenzó a abordar un desafío más complejo: qué hacer con toda la información acumulada.

Según Masic, esta etapa coincide con la denominada «revolución de la información», impulsada por avances en computación, telecomunicaciones y capacidad de procesamiento que permitieron integrar sistemas digitales en prácticamente todos los ámbitos de la atención sanitaria.[5]

El resultado fue la creación de una infraestructura capaz no solo de capturar y compartir datos, sino también de analizarlos a gran escala.

La nueva capacidad que emerge en esta fase no es la digitalización ni la conectividad, sino la interpretación sistemática de la información clínica. Durante las etapas anteriores, los ordenadores actuaban principalmente como herramientas para almacenar registros o facilitar su intercambio.[6]

A partir de los años noventa, el aumento de la potencia computacional y la integración de sistemas permitieron comenzar a utilizar esos datos para identificar patrones, establecer relaciones entre variables clínicas y apoyar procesos de decisión cada vez más complejos.

Es precisamente en este contexto donde la inteligencia artificial adquiere relevancia. La IA no surge porque aparezca una tecnología completamente nueva, sino porque por primera vez convergen tres condiciones previas: grandes volúmenes de datos digitalizados, sistemas capaces de compartir esa información y capacidad computacional suficiente para analizarla.

Mientras que las olas anteriores ampliaron la memoria y la conectividad del sistema sanitario, la inteligencia artificial introduce una capacidad distinta: extraer conocimiento de los datos y convertirlo en recomendaciones, predicciones o estimaciones de riesgo.

Por ello, Masic sostiene que la tecnología contemporánea permite materializar la visión formulada décadas antes por pioneros como Ledley y Lusted sobre la utilización de ordenadores para apoyar la toma de decisiones médicas.

La IA como el conector que abre paso hacia la medicina de precisión, a través del Big Data

Sin embargo, el verdadero alcance de esta transformación se aprecia al observar cómo la capacidad de generar conocimiento a partir de los datos converge con otro cambio paralelo: el surgimiento de la medicina de precisión.

Aunque el término es reciente, la idea que la inspira tiene raíces muy antiguas. Hace más de dos mil años, Hipócrates, considerado el padre de la medicina, afirmaba que «es más importante saber qué persona tiene la enfermedad que qué enfermedad tiene la persona». La medicina de precisión recupera esa intuición y la lleva al terreno tecnológico: busca adaptar la prevención, el diagnóstico y el tratamiento a las características específicas de cada paciente.

Frente al modelo tradicional, basado en protocolos aplicados a amplios grupos de población, este enfoque parte de una realidad cada vez más evidente: dos personas con el mismo diagnóstico pueden presentar mecanismos biológicos diferentes y responder de manera muy distinta a un mismo tratamiento. La clave está en comprender esas diferencias para ofrecer terapias más eficaces, seguras y personalizadas.

Pero cuanto más precisa queremos que sea la medicina, más compleja se vuelve la información que debemos analizar. Según Evans y colaboradores (2024), la medicina de precisión requiere integrar datos procedentes del genoma, el epigenoma, el proteoma y el metaboloma, además de información clínica, resultados de laboratorio, hábitos de vida y factores ambientales.[7] Este enorme ecosistema de datos constituye la base sobre la que se construyen las decisiones médicas personalizadas.

El desafío es que la cantidad y diversidad de esta información supera con creces la capacidad de análisis de las herramientas tradicionales. Los autores señalan que el análisis de grandes volúmenes de datos (big data) es un requisito indispensable para el desarrollo de este modelo, pero también advierten de que su complejidad hace insuficientes los métodos convencionales. En otras palabras, la medicina de precisión genera tal cantidad de información que ya no puede desarrollarse plenamente sin apoyo tecnológico avanzado.

Es en este punto donde la inteligencia artificial se convierte en un elemento diferencial. Los sistemas de IA permiten procesar simultáneamente datos genómicos, clínicos, conductuales, ambientales y farmacológicos, identificando patrones y relaciones complejas que pasarían desapercibidas para los métodos tradicionales. Además, facilitan la creación de modelos predictivos, la segmentación de pacientes en subgrupos biológicamente relevantes y la identificación de biomarcadores asociados a una mayor probabilidad de respuesta a determinados tratamientos.

La capacidad de la IA no consiste únicamente en analizar más información, sino en descubrir conexiones ocultas entre variables, generar hipótesis y apoyar la toma de decisiones clínicas basadas en evidencia. De este modo, transforma conjuntos masivos de datos en información accionable para médicos, investigadores y gestores sanitarios.

Desde esta perspectiva, la IA no representa simplemente una nueva etapa en la evolución de la informática médica. Constituye la tecnología habilitadora que hace posible la medicina de precisión a gran escala. Si la primera gran revolución digital permitió almacenar la información sanitaria y la segunda facilitó compartirla, la tercera aporta la capacidad de integrarla, interpretarla y convertirla en conocimiento clínico útil.

La inteligencia artificial como motor de la nueva sanidad

El mercado como termómetro: lo que el capital sabe antes de que lo sepa el debate público

La evolución histórica de la medicina y la tecnología permite entender cómo hemos llegado hasta la inteligencia artificial. Sin embargo, existe otra forma de medir la relevancia de esta transformación: observar hacia dónde se dirige la inversión. Los mercados no determinan qué tecnologías tendrán éxito clínico, pero sí ofrecen una señal temprana sobre qué capacidades consideran más necesarias para responder a los desafíos futuros de los sistemas sanitarios.

En este contexto, los datos muestran que la salud digital ha pasado de ser un conjunto de herramientas complementarias a convertirse en uno de los segmentos de mayor crecimiento dentro de la economía sanitaria global. El mercado mundial de healthtech alcanzó un valor estimado de 347.400 millones de dólares en 2025 y podría llegar a 1.830.400 millones de dólares en 2033, lo que supone una tasa de crecimiento anual compuesta del 23,4 %.[8] Detrás de esta expansión se encuentran tendencias ya analizadas, como el envejecimiento poblacional, el aumento de las enfermedades crónicas, la presión sobre los recursos sanitarios y la necesidad de avanzar hacia una medicina más preventiva, personalizada y eficiente.

Europa refleja la misma dirección. El mercado europeo de salud digital está valorado en 113.940 millones de dólares en 2026 y se espera que alcance 258.740 millones de dólares en 2031, creciendo a una tasa anual del 17,85 %.[9] Más allá de las cifras, este crecimiento sugiere que la digitalización sanitaria está dejando de ser una iniciativa tecnológica para convertirse en una necesidad operativa, especialmente en sistemas sanitarios sometidos a una creciente presión asistencial.

España también participa de esta transformación. El mercado español de analítica sanitaria, una de las áreas más estrechamente vinculadas a la explotación de datos clínicos, pasará previsiblemente de 496,3 millones de dólares en 2025 a 1.584,8 millones de dólares en 2035, con una tasa de crecimiento anual compuesta del 12,3 %.[10] Esta evolución refleja una demanda creciente de herramientas capaces de transformar datos clínicos en conocimiento útil para la gestión, la prevención y la toma de decisiones.

Sin embargo, el dato más revelador aparece cuando se analiza específicamente la inteligencia artificial. Mientras el conjunto del mercado healthtech crece con fuerza, la IA sanitaria lo hace a una velocidad significativamente superior. A nivel global, el mercado global de inteligencia artificial aplicada a la salud crecerá de 36.670 millones de dólares en 2026 a 194.790 millones de dólares en 2031, lo que representa una tasa de crecimiento anual compuesta (CAGR) del 39,7 %.[11]

La misma tendencia se observa en Europa, donde el mercado de la IA aplicada a la salud generó 7.194 millones de dólares en 2025 y mantiene previsiones de crecimiento anual compuesto (CAGR) del 40,4 % hasta 2033, cuando podría superar los 108.000 millones de dólares.[12] España presenta una evolución incluso más acelerada. El mercado nacional de IA aplicada a la salud generó 414,4 millones de dólares en 2025 y podría alcanzar 6.914 millones de dólares en 2033, lo que implica una tasa de crecimiento anual compuesta del 42,2 %.[13]

El crecimiento respaldado sobre las capacidades sin precedentes de la IA en la medicina

La intensidad con la que está creciendo la inversión en inteligencia artificial sanitaria responde, en gran medida, a que la tecnología aporta capacidades que las anteriores generaciones de herramientas digitales no podían ofrecer. Si la digitalización permitió registrar información y la conectividad permitió compartirla, la IA introduce una capacidad nueva: anticipar, personalizar e interpretar la complejidad clínica a escala.

En primer lugar, la IA impulsa una transición desde una medicina reactiva hacia una medicina más predictiva. Un artículo publicado en The Journal of Medical Internet Research describe este cambio como el paso hacia una «Earlier Medicine», definida como un modelo capaz de utilizar inteligencia artificial y datos longitudinales para anticipar eventos futuros de salud antes de que se manifiesten clínicamente.[14]

Bajo este enfoque, la práctica médica deja de limitarse a diagnosticar o tratar enfermedades presentes y comienza a incorporar la capacidad de identificar riesgos, predecir trayectorias clínicas e intervenir de forma temprana. En otras palabras, el objetivo ya no es únicamente responder a la enfermedad, sino anticiparse a ella.

En segundo lugar, la IA aporta una capacidad esencial para la medicina de precisión: personalizar la atención sin renunciar a la escala.

Históricamente, los sistemas sanitarios han operado bajo un modelo de estandarización, aplicando protocolos similares a pacientes con el mismo diagnóstico. Sin embargo, la evidencia muestra las limitaciones de este enfoque. Según Spear et al. (2001), aproximadamente el 38% de los pacientes con depresión, el 40% con asma, el 43% con diabetes, el 50% con artritis y hasta el 75% de los pacientes oncológicos no responden adecuadamente a determinados tratamientos farmacológicos.[15]

Frente a esta realidad, la IA permite avanzar hacia una medicina capaz de adaptar diagnósticos y tratamientos a las características concretas de cada persona, incorporando información genética, clínica, ambiental y de estilo de vida. En lugar de asumir que todos los pacientes con una misma enfermedad responderán igual a una terapia, permite identificar qué tratamiento tiene más probabilidades de funcionar para cada individuo. Como señala un reciente artículo de Frontiers in Endocrinology, esta tecnología hace posible algo que durante décadas parecía contradictorio: tratar a cada paciente como un caso único sin renunciar a atender a millones de personas a gran escala.[16] En otras palabras, permite combinar la personalización propia de la medicina artesanal con la capacidad operativa de los sistemas sanitarios modernos.

Esta misma idea aparece reflejada en la Estrategia de Inteligencia Artificial del Sistema Nacional de Salud, que señala que las soluciones basadas en IA permitirán abandonar progresivamente el modelo de «talla única» para avanzar hacia una medicina personalizada, ajustando tratamientos e intervenciones a las características concretas de cada paciente.[17]

Finalmente, la IA aporta una tercera capacidad diferencial: identificar patrones complejos que exceden la capacidad del análisis humano convencional. A medida que la medicina genera volúmenes crecientes de información procedente de historias clínicas, pruebas de imagen, biomarcadores, dispositivos conectados y tecnologías ómicas, aumenta también la dificultad para interpretar todas las relaciones existentes entre esas variables. Según la Cátedra Ciencia y Sociedad, las técnicas avanzadas de aprendizaje automático han demostrado niveles de precisión de entre el 55,6 % y el 95 % en la identificación de patologías, superando de forma consistente a numerosos métodos estadísticos tradicionales.[18]

Aunque persisten desafíos relacionados con la interpretabilidad de los modelos, estos resultados ilustran una capacidad cada vez más relevante: extraer señales útiles de conjuntos de datos cuya complejidad supera la capacidad de análisis manual.

La otra cara de la revolución tecnológica: los retos regulatorios del AI Act y la medicina en Europa

La enorme oportunidad que representa la inteligencia artificial para la transformación de la atención sanitaria no está exenta de desafíos. A medida que estas tecnologías comienzan a intervenir en ámbitos tan sensibles como el diagnóstico, la toma de decisiones clínicas o la monitorización de pacientes, surge la necesidad de garantizar que su utilización sea segura, transparente y respetuosa con los derechos fundamentales.

En respuesta a este reto, la Unión Europea aprobó el AI Act, el primer marco regulatorio integral del mundo específicamente diseñado para regular el desarrollo y uso de sistemas de inteligencia artificial. Su objetivo es fomentar una IA confiable y centrada en las personas, al tiempo que se protege la seguridad de los ciudadanos y se impulsa la innovación tecnológica.

La relevancia de esta normativa para el sector sanitario es especialmente significativa, ya que muchos sistemas de IA utilizados en medicina serán considerados sistemas de alto riesgo. Esto implica que deberán cumplir estrictos requisitos relacionados con la gestión y mitigación de riesgos, la calidad de los datos utilizados para entrenar los algoritmos, la trazabilidad de los resultados, la supervisión humana, la transparencia, la ciberseguridad y la monitorización continua de su rendimiento.[19]

Fuente: Sorainen

Sin embargo, diversos expertos han advertido de que la aplicación práctica de estas exigencias plantea importantes desafíos. Un análisis publicado en European Heart Journal Digital Health en 2025 señala que persisten importantes incertidumbres sobre cuestiones clave como la clasificación de determinados sistemas dentro de las categorías de riesgo, los estándares exigibles de explicabilidad y transparencia, la supervisión de modelos complejos o la gestión de sesgos derivados de conjuntos de datos insuficientemente representativos.[20]

A ello se suman dificultades relacionadas con la monitorización de los sistemas una vez desplegados, la falta de criterios claros para determinar la responsabilidad en caso de errores clínicos y las diferencias existentes entre los Estados miembros en materia de infraestructuras digitales y capacidad regulatoria. Según los autores, estas lagunas podrían generar inseguridad jurídica para desarrolladores, hospitales y profesionales sanitarios, dificultando la adopción de soluciones innovadoras.

El reto para Europa consiste, por tanto, en encontrar un equilibrio entre proteger a los pacientes y no frenar la innovación. Una regulación excesivamente restrictiva podría ralentizar el desarrollo de nuevas herramientas médicas basadas en IA, mientras que una supervisión insuficiente podría comprometer la seguridad, la confianza y la equidad en la atención sanitaria.

Ahora bien, el hecho de que la inteligencia artificial plantee desafíos regulatorios no reduce el potencial de las capacidades descritas anteriormente. Precisamente porque permite anticipar la enfermedad antes de que se manifieste clínicamente, personalizar diagnósticos y tratamientos a escala, identificar patrones invisibles para el análisis humano y optimizar la continuidad asistencial mediante el seguimiento remoto de pacientes, la IA se perfila como una herramienta especialmente relevante para abordar algunos de los principales problemas de salud que afrontan países como España.

La cuestión, por tanto, no es únicamente qué puede hacer la inteligencia artificial, sino dónde puede aportar más valor. Para responder a esta pregunta, es necesario analizar primero cuáles son las enfermedades que concentran la mayor parte de la carga de enfermedad y mortalidad en España.

Principales enfermedades por tasa de mortalidad en España y los límites de la medicina

Como analizamos en el informe de vivir más a vivir mejor: IA para el envejecimiento saludable, aunque España tiene una de las esperanzas de vida más altas del mundo, esta incluye un creciente número de enfermedades que deterioran la salud durante los años de vida añadidos.

Detrás de esa media hay cuatro bloques de enfermedad que concentran la mayor parte de la mortalidad del país: el cáncer, las enfermedades cardiovasculares, las enfermedades respiratorias crónicas, el deterioro cognitivo. En añadido, y por su creciente relevancia, hemos analizado el bloque de la salud mental por su potencial impacto en la tasa de mortalidad a través de eventos como el suicidio.

Fuente: INE

Cáncer: la primera causa de muerte y un diagnóstico tardío

El cáncer constituye actualmente el principal desafío sanitario del país. En 2024 se convirtió por primera vez en la primera causa de muerte en España, con 115.578 fallecimientos, superando a las enfermedades cardiovasculares, que registraron 113.620 muertes.[21]

Fuente: INE

La tendencia además mantiene una trayectoria ascendente: según las estimaciones de REDECAN, en 2026 se diagnosticarán 301.884 nuevos casos de cáncer, mientras que para 2050 se espera superar los 350.000 diagnósticos anuales.[22]

Los tres tipos con mayor mortalidad en ambos sexos son pulmón (23.297 muertes), colon (10.451) e hígado/páncreas (8.392).[23]

Los tumores con mayor mortalidad son el cáncer de pulmón, responsable de 23.297 fallecimientos, seguido por el cáncer colorrectal, con 10.451 muertes, y el cáncer de páncreas, con 8.392 fallecimientos.[24]

Los datos también reflejan diferencias significativas por sexo. En hombres, el cáncer de pulmón continúa siendo la principal causa de muerte oncológica (16.606), seguido por los cánceres de próstata (5.967), y colon (5.913).[25]

En mujeres se ha producido un cambio relevante: el cáncer de pulmón, con 6.691 fallecimientos, superó por primera vez al cáncer de mama, con 6.563, seguidos por el cáncer de colon con 4.538 reflejando el impacto acumulado de décadas de incremento del tabaquismo femenino.[26]

Sin embargo, el principal desafío no reside únicamente en la incidencia o la mortalidad, sino en el momento en que se detecta la enfermedad. El caso del cáncer de pulmón resulta especialmente ilustrativo.

Más del 60 % de los pacientes son diagnosticados en estadios avanzados o metastásicos, cuando los síntomas iniciales, como tos persistente, fatiga o dificultad respiratoria, suelen confundirse con patologías más frecuentes y menos graves.[27]

Cuando el diagnóstico llega en estas fases tardías, siete de cada ocho pacientes fallecen en los cinco años siguientes, y aproximadamente el 80 % muere durante el primer año tras el diagnóstico.[28]

Enfermedades cardiovasculares: infradiagnóstico a escala global

Las enfermedades del sistema cardiovascular constituyeron la segunda causa de muerte en España en 2024, solo por detrás de los tumores. Dentro de este grupo, las enfermedades isquémicas del corazón fueron la causa específica de fallecimiento más frecuente, con 26.851 defunciones, lo que supone un descenso del 3,2 % respecto a 2023. Les siguieron las enfermedades cerebrovasculares, responsables de 22.786 muertes, un 2,7 % menos que el año anterior.[29] Aunque la mortalidad asociada a estas patologías ha disminuido ligeramente, las enfermedades cardiovasculares continúan representando una de las principales cargas para los sistemas sanitarios y un importante desafío de salud pública.

Uno de los principales desafíos de estas patologías es que gran parte de su progresión ocurre antes de que aparezcan síntomas evidentes. El problema queda reflejado en los niveles de infradiagnóstico existentes. Se estima que más de 580 millones de personas en el mundo padecen hipertensión sin saberlo, a pesar de tratarse del principal factor de riesgo modificable para infarto, ictus e insuficiencia cardíaca. Del mismo modo, más de dos tercios de los casos de enfermedad arterial periférica permanecen sin diagnosticar, retrasando intervenciones que podrían prevenir complicaciones graves.[30]

Cuando la enfermedad finalmente se manifiesta, el tiempo se convierte en un factor crítico. En patologías agudas como el infarto de miocardio, cada 30 minutos de retraso en el tratamiento aumenta un 7,5 % el riesgo de muerte durante el primer año, lo que convierte la detección precoz y la rapidez diagnóstica en variables directamente relacionadas con la supervivencia.[31]

A esta dificultad se suman las limitaciones de las herramientas diagnósticas convencionales. Pruebas ampliamente utilizadas como el electrocardiograma o los biomarcadores cardíacos continúan siendo fundamentales, pero pueden presentar dificultades para detectar alteraciones intermitentes, generar falsos positivos o identificar de forma temprana determinadas patologías antes de que produzcan daño clínicamente evidente. Como resultado, una parte de los pacientes es diagnosticada cuando la enfermedad ya ha progresado o cuando el riesgo cardiovascular acumulado es considerable.

Los datos apuntan a un mismo problema: la enfermedad suele desarrollarse durante años mientras permanece invisible para el sistema sanitario.

Precisamente por ello, la inteligencia artificial está despertando un interés creciente en cardiología. Su capacidad para analizar simultáneamente información procedente de electrocardiogramas, pruebas de imagen, constantes fisiológicas e historiales clínicos permite identificar patrones de riesgo que podrían pasar desapercibidos mediante el análisis convencional.

Los resultados preliminares son relevantes. Algunos sistemas han demostrado sensibilidades del 100 % en la detección de determinadas arritmias, mientras que otros alcanzan precisiones del 97,7 % en la identificación de hipertensión arterial y niveles próximos al 99 % en modelos de predicción de síndromes coronarios agudos.[32]

Más que sustituir al cardiólogo, estas herramientas apuntan hacia una capacidad diferente: detectar antes a los pacientes que hoy suelen identificarse cuando la enfermedad ya ha avanzado.

Enfermedades respiratorias crónicas

Las enfermedades respiratorias constituyen el tercer gran grupo de causas de mortalidad en España, solo por detrás del cáncer y las enfermedades cardiovasculares. En 2024, las enfermedades crónicas de las vías respiratorias inferiores provocaron 12.436 fallecimientos, mientras que la neumonía causó 11.135 muertes, registrando además un incremento interanual del 7,7%.[33] Dentro de este grupo, la Enfermedad Pulmonar Obstructiva Crónica (EPOC) concentra una parte importante de la carga asistencial debido a su elevada prevalencia, su carácter progresivo y su estrecha relación con el tabaquismo.[34]

El principal problema de la EPOC no es únicamente su frecuencia, sino su elevado nivel de infradiagnóstico. Según las guías clínicas de SEMERGEN (2025) y los datos del estudio EPISCAN II, la enfermedad afecta al 11,8 % de los mayores de 40 años en España, pero el 74,7 % de los pacientes continúa sin diagnóstico, una cifra que apenas ha variado en las últimas décadas.[35] El infradiagnóstico es especialmente elevado en mujeres, pacientes jóvenes, exfumadores, no fumadores y personas con enfermedad leve, precisamente aquellos perfiles donde una intervención temprana podría tener mayor impacto.

A esta falta de detección se suma el problema del diagnóstico tardío. Los síntomas iniciales, como tos persistente, expectoración o dificultad respiratoria, suelen desarrollarse de forma gradual y con frecuencia son atribuidos al envejecimiento, al tabaquismo o a otras causas menos graves. Como consecuencia, muchos pacientes son diagnosticados cuando la enfermedad ya se encuentra en fases avanzadas y la limitación de la función pulmonar es significativa.[36]

La situación se complica además por las dificultades de seguimiento y control. Según las mismas guías, menos del 50% de los pacientes mantiene una adherencia adecuada al tratamiento, mientras que más del 50% comete errores en la utilización de los inhaladores.[37] A ello se añade que aproximadamente el 30% de los pacientes continúa fumando tras el diagnóstico y que la enfermedad suele coexistir con múltiples patologías adicionales.[38]

De hecho, los pacientes con EPOC presentan una media de seis comorbilidades asociadas, incluyendo enfermedades cardiovasculares, metabólicas y trastornos de salud mental, lo que incrementa la complejidad asistencial.

El resultado es un escenario en el que la enfermedad suele detectarse tarde, progresa durante años con escaso seguimiento y presenta dificultades para mantener un control clínico adecuado. Según el estudio CLAVE, solo el 4,5% de los pacientes con EPOC atendidos en atención primaria puede considerarse correctamente controlado.[39]

En consecuencia, las exacerbaciones, las visitas a urgencias y las hospitalizaciones continúan representando una parte importante de la carga asistencial asociada a esta patología.

Alzheimer y deterioro cognitivo: el diagnóstico que llega una década tarde

Tras las enfermedades respiratorias, las enfermedades del sistema nervioso constituyen otro de los principales grupos de causas de mortalidad en España. Dentro de ellas, la enfermedad de Alzheimer es la patología más relevante, con 13.095 fallecimientos en 2024, según los datos del INE.[40] Aunque la cifra registró un ligero descenso del 0,9% respecto al año anterior, el envejecimiento progresivo de la población apunta a que la carga asistencial asociada a las enfermedades neurodegenerativas continuará aumentando durante las próximas décadas.

Su relevancia radica en que sigue siendo una enfermedad difícil de detectar de forma temprana y sin cura definitiva, a pesar de los importantes avances científicos alcanzados en los últimos años.

Uno de los principales problemas es el diagnóstico precoz.[41] Los primeros síntomas, como los olvidos leves, las dificultades de orientación o los pequeños problemas de lenguaje, suelen confundirse con cambios normales asociados al envejecimiento, lo que retrasa la identificación de la enfermedad. Esta demora es especialmente preocupante si se tiene en cuenta que los cambios biológicos vinculados al Alzheimer pueden comenzar hasta 20 años antes de la aparición de los primeros síntomas clínicos.[42]

Aunque en los últimos años han surgido biomarcadores capaces de detectar la enfermedad con una elevada precisión, su utilización continúa siendo limitada debido a su alto coste, su disponibilidad reducida y, en algunos casos, la necesidad de recurrir a procedimientos invasivos. Como consecuencia, una parte significativa de los pacientes permanece sin diagnosticar.

De hecho, según la Sociedad Española de Neurología, entre el 30% y el 40% de los casos de Alzheimer podrían permanecer sin diagnosticar, lo que retrasa el acceso a tratamientos, seguimiento clínico especializado y estrategias que pueden contribuir a ralentizar el deterioro cognitivo.[43] En una enfermedad donde cada año de anticipación puede marcar la diferencia, mejorar la capacidad diagnóstica se ha convertido en una de las principales prioridades de los sistemas sanitarios.

En el ámbito terapéutico, los tratamientos actuales continúan siendo limitados. Los fármacos convencionales ayudan a controlar algunos síntomas, pero no detienen la progresión de la enfermedad. Los nuevos medicamentos dirigidos contra la proteína beta-amiloide, como lecanemab y donanemab, han conseguido ralentizar el deterioro cognitivo entre un 27% y un 35%, constituyendo un avance significativo. Sin embargo, su elevado coste, la necesidad de seguimiento especializado y el riesgo de efectos adversos dificultan su aplicación generalizada.[44]

Además de su impacto clínico, el Alzheimer supone una importante carga social y económica debido a la pérdida progresiva de autonomía de los pacientes y a la necesidad de cuidados continuados durante años.[45] Por ello, mejorar el diagnóstico temprano y desarrollar tratamientos más eficaces constituye una prioridad para los sistemas sanitarios, impulsando el interés por nuevas herramientas como la inteligencia artificial, capaces de facilitar una detección más rápida y precisa de la enfermedad.

Salud mental: la demanda que el sistema no puede absorber

La salud mental se ha convertido en una de las principales preocupaciones sanitarias en España debido a su creciente prevalencia y a su impacto sobre la mortalidad, la calidad de vida y la productividad. Según la Sociedad Española de Psiquiatría y Salud Mental (SEPSM), alrededor del 29% de la población española experimentará algún trastorno mental a lo largo de su vida. Además, los trastornos mentales están estrechamente relacionados con uno de los problemas de salud pública más graves: el suicidio, que en 2024 fue la segunda causa de muerte por causas externas, con 3.846 fallecimientos, y la primera entre los hombres.[46]

La relevancia de este problema trasciende el ámbito clínico. Los trastornos de ansiedad, depresión, estrés o insomnio afectan a millones de personas y generan importantes costes sociales y económicos. Solo en 2023 se registraron 600.814 bajas laborales por trastornos psiquiátricos, con una duración media de 111 días, reflejando su impacto sobre la actividad económica y el bienestar de la población.[47]

Sin embargo, el sistema sanitario actual presenta importantes dificultades para responder a esta creciente demanda. En primer lugar, existe una escasez de profesionales especializados, con una ratio de 12 psiquiatras por cada 100.000 habitantes, significativamente inferior a la media de la OCDE.[48] En segundo lugar, la demanda de atención ha aumentado más rápido que la capacidad asistencial disponible, provocando listas de espera y limitando el acceso a una atención temprana. Como consecuencia, se estima que el 60% de las personas que necesitan tratamiento no lo reciben.[49]

A estas limitaciones se suman importantes desigualdades territoriales, el envejecimiento de la plantilla de profesionales y una creciente presión asistencial derivada del aumento de trastornos comunes como la ansiedad y la depresión. Todo ello evidencia la necesidad de desarrollar nuevas herramientas que permitan mejorar la detección temprana, optimizar los recursos disponibles y ampliar el acceso a la atención especializada, convirtiendo la salud mental en uno de los ámbitos con mayor potencial para la aplicación de soluciones basadas en inteligencia artificial.

El denominador común a las enfermedades: detección tardía y el reto del seguimiento continuo a escala

Aunque se trata de cinco enfermedades muy diferentes, todas comparten un mismo desafío: se detectan tarde, evolucionan durante años de forma silenciosa y requieren un seguimiento continuado que los sistemas sanitarios tienen dificultades para proporcionar a gran escala.

En el cáncer, el diagnóstico suele llegar cuando la enfermedad ya está avanzada. En cardiología, muchas patologías permanecen ocultas hasta la aparición de un infarto o un ictus. La EPOC acumula elevados niveles de infradiagnóstico y el Alzheimer suele identificarse cuando el daño neurológico ya es significativo. En salud mental, el problema adopta una forma distinta, pero responde a la misma lógica: los síntomas suelen reconocerse tarde, la demanda asistencial supera la capacidad disponible y una gran parte de los pacientes no recibe la atención especializada que necesita.

Más allá de sus diferencias clínicas, todas estas patologías plantean cuatro necesidades comunes: detectar antes, personalizar más, seguir mejor a los pacientes y ampliar el acceso a la atención sin depender exclusivamente del aumento de recursos humanos.

Precisamente son las áreas en las que la inteligencia artificial ofrece mayor potencial: anticipar riesgos antes de que aparezcan síntomas, personalizar los diagnósticos y tratamientos, identificar patrones complejos y a veces invisibles para el análisis convencional, facilitar modelos de monitorización y seguimiento continuos, y escalar la atención a un número creciente de pacientes sin depender exclusivamente del aumento de profesionales sanitarios.

Dicho esto, la cuestión ya no es qué puede hacer la inteligencia artificial en teoría, sino cómo se está aplicando en la práctica. A continuación, se analizan algunas de las soluciones más representativas que ya están utilizando IA para abordar problemas concretos relacionados con las enfermedades que generan una mayor carga de enfermedad y mortalidad en España.

Soluciones: la IA aplicada a las enfermedades que más nos afectan

Solución para la detección del cáncer: Lunit INSIGHT CXR

Desarrollada por la empresa surcoreana Lunit, fundada en 2013 en Seúl con el objetivo de aplicar técnicas de aprendizaje profundo al diagnóstico médico, Lunit INSIGHT CXR forma parte de una de las plataformas de inteligencia artificial para radiología más extendidas a nivel internacional.[50]

Se trata de una solución diseñada para actuar como un segundo par de ojos digital para los radiólogos, ayudándoles a detectar anomalías de forma más rápida y precisa en una de las pruebas diagnósticas más utilizadas del mundo: la radiografía de tórax.[51]

Su adopción resulta especialmente relevante en un momento en el que los servicios de radiología afrontan un aumento constante de la demanda asistencial. Cada día, los especialistas deben revisar cientos de imágenes, muchas de ellas en contextos de urgencia donde unos minutos pueden marcar la diferencia. En este escenario, la IA no sustituye al profesional, sino que le proporciona una capa adicional de apoyo capaz de analizar automáticamente cada imagen y señalar posibles hallazgos antes incluso de que llegue a la pantalla del radiólogo.

La solución se integra de forma fluida en la infraestructura hospitalaria existente gracias a su compatibilidad con los sistemas PACS, RIS y el estándar DICOM, lo que permite incorporarla al flujo de trabajo habitual sin modificar los procesos clínicos.[52] Además, puede desplegarse tanto en servidores locales como en la nube a través de Microsoft Azure, facilitando su adopción por hospitales de diferentes tamaños y capacidades tecnológicas.

El núcleo de la plataforma es DualScan AI, un sistema de inteligencia artificial basado en dos motores complementarios que trabajan de forma coordinada.[53] Antes de comenzar el análisis, la radiografía pasa por una fase de procesamiento automático en la que se corrigen diferencias de contraste, brillo y resolución.

Este paso permite estandarizar imágenes procedentes de distintos equipos y centros sanitarios, garantizando que la calidad técnica de la prueba no afecte al rendimiento del algoritmo.

Una vez optimizada la imagen, entra en acción el primer motor de IA. Entrenado con más de un millón de radiografías de tórax, ha aprendido a reconocer patrones asociados a 11 anomalías torácicas diferentes, entre ellas nódulos pulmonares potencialmente relacionados con el cáncer, neumotórax, derrames pleurales, consolidaciones, fibrosis, cardiomegalia y fracturas óseas.[54]

Sin embargo, la IA no se limita a indicar si existe o no una anomalía. Para cada hallazgo detectado genera un mapa de calor (heatmap) que señala visualmente la zona sospechosa y asigna una puntuación de probabilidad que refleja el nivel de confianza del algoritmo. De este modo, el radiólogo puede comprender de un vistazo qué ha detectado la IA, dónde lo ha encontrado y con qué grado de certeza, incorporando esta información a su valoración clínica.

Fuente: Lunit INSIGHT CXR

El segundo motor desempeña una función igualmente importante. Conocido como Normal Flagging, está diseñado para identificar las radiografías que no presentan hallazgos relevantes y clasificarlas automáticamente como estudios normales de alta confianza.[55] Gracias a ello, los especialistas pueden concentrar su tiempo y atención en los casos potencialmente patológicos, mientras que las exploraciones normales pueden validarse con mayor rapidez.

En la práctica, este sistema funciona como un mecanismo de triaje inteligente que reorganiza automáticamente la lista de trabajo. Las radiografías con posibles signos de enfermedad se sitúan en primer lugar para una revisión prioritaria, mientras que aquellas sin anomalías quedan clasificadas para una lectura más ágil.

A estas capacidades se suman otras funcionalidades avanzadas. La plataforma puede comparar automáticamente estudios actuales con radiografías previas del mismo paciente, identificando cambios evolutivos que podrían pasar desapercibidos en una revisión manual.[56] Asimismo, genera informes estructurados automáticos que resumen los hallazgos detectados y facilitan la documentación clínica y la comunicación entre profesionales.

Fuente: Lunit INSIGHT CXR

Pero el potencial de la inteligencia artificial en oncología va mucho más allá de detectar tumores en una radiografía. Una vez diagnosticado el cáncer, otro de los grandes desafíos consiste en comprender las características específicas de cada tumor para elegir el tratamiento más adecuado. Es aquí donde la IA está abriendo una nueva frontera.

A través de plataformas como Lunit SCOPE, los algoritmos pueden analizar imágenes digitalizadas de biopsias y detectar patrones que resultan prácticamente imperceptibles para el ojo humano.[57]

Mientras que un especialista evalúa una muestra observando cientos o miles de células, la IA puede examinar millones de datos visuales de forma simultánea, identificando relaciones complejas entre la estructura del tumor, las células inmunitarias que lo rodean y la posible respuesta a distintos tratamientos.

Fuente: Lunit INSIGHT CXR

Esta capacidad resulta especialmente valiosa en el ámbito de la medicina de precisión, cuyo objetivo es adaptar las terapias a las características concretas de cada paciente. Mediante el análisis del llamado microambiente tumoral, la inteligencia artificial puede identificar biomarcadores asociados a una mejor respuesta a la inmunoterapia, uno de los tratamientos más prometedores contra el cáncer.[58]

En otras palabras, ayuda a responder una pregunta clave: qué pacientes tienen más probabilidades de beneficiarse de una terapia concreta antes incluso de iniciarla.

La IA también está comenzando a extraer información genética directamente a partir de imágenes de tejido. Herramientas como Lunit SCOPE GP permiten predecir la presencia de determinadas mutaciones o niveles de expresión de proteínas sin necesidad de recurrir inicialmente a pruebas moleculares complejas.

Esto no sustituye a los análisis genéticos, pero sí permite realizar un primer cribado de forma más rápida, escalable y eficiente.

El impacto de estas capacidades trasciende la atención al paciente. Al identificar biomarcadores con mayor precisión y seleccionar mejor a los candidatos para ensayos clínicos, la IA puede contribuir a acelerar el desarrollo de nuevos tratamientos, reducir los costes de investigación y aumentar las probabilidades de éxito de los medicamentos en desarrollo.

Métricas de éxito

Su impacto ya se refleja en la práctica clínica.  Los estudios clínicos avalan la mejora en la precisión diagnóstica que aporta la solución. Un estudio publicado en European Respiratory Journal (2020), realizado por el Hospital Nacional de la Universidad de Seúl, demostró que, con la asistencia de Lunit INSIGHT CXR, la precisión diagnóstica en enfermedades críticas como el neumotórax o el neumoperitoneo se multiplicó por más de dos, pasando del 29,2% al 70,8%.[59]

Otro estudio independiente publicado en European Radiology (2024), que validó nueve productos comerciales de IA en siete hospitales holandeses, mostró que Lunit INSIGHT CXR alcanzó un AUC de hasta 0,93 en la detección de nódulos pulmonares, superando el rendimiento medio de los lectores humanos, que fue de 0,81. En total, cuatro de los siete algoritmos evaluados superaron el rendimiento de los radiólogos, situando a Lunit INSIGHT CXR entre las soluciones con mejor desempeño.

Asimismo, la herramienta permitió reducir la carga de trabajo en un 36,2 %, manteniendo una sensibilidad del 95 % en los casos urgentes.[60]

Otros estudios han demostrado además su utilidad en entornos de urgencias. Al analizar automáticamente las radiografías y priorizar los casos más graves, la solución consiguió reducir hasta un 80% el tiempo de espera de pacientes con hallazgos críticos, además de duplicar la precisión diagnóstica en determinadas patologías urgentes, como el neumotórax o el neumoperitoneo.[61]

Estas cifras convierten a Lunit INSIGHT CXR en un ejemplo de cómo la IA puede mejorar la detección precoz del cáncer, optimizar recursos y acelerar el acceso al diagnóstico, sin alterar los flujos de trabajo habituales de los hospitales.

Solución para la detección de problemas de sistema circulatorio: Idoven

Idoven es una startup española fundada en 2019 en Madrid por el cardiólogo Manuel Marina Breysse y la ingeniera biomédica Gloria Pascual, con el objetivo de transformar la detección temprana de enfermedades cardiovasculares mediante inteligencia artificial.

Su principal desarrollo es Willem, una plataforma de IA basada en la nube capaz de analizar electrocardiogramas procedentes de múltiples dispositivos, incluidos ECG de reposo, holters, parches, dispositivos implantables y wearables, con una precisión equiparable a la de un especialista en cardiología.[62]

El sistema identifica automáticamente 22 patrones cardíacos diferentes en cuestión de minutos, prioriza los hallazgos según su nivel de urgencia clínica y genera informes estructurados que facilitan una toma de decisiones más rápida y eficiente.[63]

Sin embargo, la propuesta de valor de Idoven va mucho más allá del análisis automatizado de electrocardiogramas. La compañía ha desarrollado un sistema de monitorización cardíaca remota de larga duración basado en un dispositivo portátil, no invasivo y resistente al agua que permite registrar la actividad eléctrica del corazón de forma continua durante periodos de entre 24 horas y 7 días, mientras el paciente mantiene su vida cotidiana.[64]

Fuente: Idoven

A diferencia de los electrocardiogramas convencionales realizados en consulta o en urgencias, que capturan únicamente una instantánea puntual de la actividad cardíaca, esta monitorización prolongada permite observar el comportamiento real del corazón durante actividades diarias como el ejercicio físico, el descanso o el sueño.

Fuente: Idoven

Esta capacidad resulta especialmente relevante para la detección de arritmias intermitentes, como la fibrilación auricular silenciosa, una alteración que puede permanecer asintomática durante años y constituye uno de los principales factores de riesgo de ictus. También mejora la identificación de infartos asintomáticos, que representan aproximadamente la mitad de los eventos coronarios y suelen pasar desapercibidos hasta que aparecen complicaciones más graves.

Fuente: Idoven

La evidencia disponible muestra además que los dispositivos de consumo que realizan registros breves, como determinados smartwatches que capturan apenas 30 segundos de señal, presentan una capacidad de detección significativamente inferior. De hecho, la empresa cita estudios como SCREEN-AF han demostrado que la monitorización continua de larga duración puede ser hasta diez veces más eficaz para identificar episodios arrítmicos que los registros puntuales.

[65]

La solución tecnológica se complementa con la supervisión de un equipo clínico especializado de cardiólogos, que valida e interpreta los hallazgos generados por la inteligencia artificial. Los resultados se presentan mediante informes diseñados tanto para profesionales sanitarios como para pacientes, facilitando la comprensión de los hallazgos clínicos y favoreciendo una atención más personalizada.

De este modo, Idoven combina la capacidad de procesamiento masivo de datos de la IA con la experiencia clínica humana para mejorar la precisión diagnóstica, reducir el riesgo de infradiagnóstico y detectar alteraciones cardíacas que podrían pasar desapercibidas mediante métodos convencionales.

Métricas de éxito

El modelo de monitorización desarrollado por Idoven ya se utiliza en entornos sanitarios, deportivos y corporativos.

Un ejemplo especialmente significativo tuvo lugar durante la pandemia de COVID-19, cuando Idoven, en colaboración con la Fundación Real Madrid y la Fundación Iker Casillas, llevó a cabo un programa de monitorización cardíaca gratuita de 800 niños con síndrome de Down, un colectivo especialmente vulnerable desde el punto de vista cardiovascular debido a que entre el 40% y el 60% presenta cardiopatías congénitas.[66]

Gracias a esta iniciativa, cada participante recibió un informe cardiológico personalizado elaborado a partir de registros electrocardiográficos obtenidos desde su domicilio. Además, los datos recopilados contribuyeron a proyectos de investigación orientados a la prevención de la muerte súbita y a la mejora de los sistemas de detección temprana de enfermedades cardiovasculares mediante inteligencia artificial. [67]

Más allá de los resultados clínicos concretos, el proyecto demostró el potencial de la monitorización remota para ampliar el acceso a la atención cardiológica especializada, permitiendo realizar evaluaciones de alta calidad fuera del hospital y a gran escala en poblaciones especialmente vulnerables.

Soluciones para enfermedades del sistema respiratorio: HAILIE

Hailie®, desarrollado por Adherium, es una plataforma de salud digital diseñada para mejorar la adherencia terapéutica en pacientes con asma y enfermedad pulmonar obstructiva crónica (EPOC).[68]

La solución combina un sensor inteligente Bluetooth® acoplado al inhalador, una aplicación móvil para el paciente y un portal web clínico que permite a los profesionales sanitarios supervisar el tratamiento de forma remota.

Fuente: Adherium

El funcionamiento del sistema es sencillo y se integra en la rutina diaria del paciente. En primer lugar, el usuario instala un sensor Hailie® compatible con su inhalador, ya sea de medicación preventiva o de rescate. A continuación, descarga la aplicación móvil, crea su perfil y vincula el dispositivo mediante Bluetooth®. Una vez configurado, el sistema registra automáticamente cada uso del inhalador, sin necesidad de introducir datos manualmente. La aplicación muestra el historial de medicación, envía recordatorios personalizados cuando se aproxima una dosis y genera alertas cuando se detectan olvidos o patrones de uso inadecuados. Toda esta información se sincroniza con el portal clínico, permitiendo que médicos y equipos asistenciales monitoricen la evolución del paciente y actúen antes de que aparezcan complicaciones graves.

Fuente: Adherium

El valor diferencial de Hailie® no reside únicamente en registrar cuándo se utiliza el inhalador, sino en su capacidad para analizar el comportamiento terapéutico del paciente mediante algoritmos avanzados de análisis de datos. La plataforma procesa de forma continua la información capturada por el sensor para identificar patrones de adherencia, detectar cambios de comportamiento y señalar situaciones de riesgo clínico.

Para ello, la IA analiza múltiples variables, entre las que destacan la frecuencia de uso de la medicación preventiva, el número de dosis omitidas, la regularidad del tratamiento, la relación entre el uso de inhaladores de control y de rescate, así como la evolución temporal de estos indicadores. A partir de estos datos, el sistema puede identificar tendencias que sugieran un empeoramiento del control de la enfermedad o un riesgo elevado de exacerbación.

La plataforma transforma estos datos en informes clínicos automatizados, con gráficos de evolución, porcentajes de cumplimiento terapéutico y alertas tempranas que ayudan a los profesionales sanitarios a intervenir antes de que el paciente desarrolle una crisis respiratoria. De este modo, la inteligencia artificial permite pasar de un modelo reactivo, basado en actuar cuando aparece una exacerbación, a un enfoque preventivo centrado en detectar señales de riesgo antes de que se produzcan complicaciones.

Además, Hailie® se integra dentro de programas de monitorización remota de pacientes, una modalidad asistencial que cuenta con códigos específicos de reembolso en Estados Unidos desde 2019. Esto ha favorecido su adopción por parte de sistemas sanitarios y profesionales médicos, facilitando el seguimiento continuado de pacientes crónicos sin necesidad de visitas presenciales frecuentes.

Métricas de éxito

La eficacia de Hailie® ha sido evaluada en numerosos estudios independientes publicados en revistas científicas de referencia como The Lancet Respiratory Medicine, Thorax y Journal of Allergy and Clinical Immunology. Los resultados muestran mejoras significativas tanto en adherencia como en resultados clínicos.

Además, se trata de una de las tecnologías de monitorización de medicación inhalada con mayor respaldo científico del mercado, con más de 95 publicaciones revisadas por pares, más de 170.000 sensores distribuidos a nivel mundial y autorización de la FDA.[69]

Entre los hallazgos más destacados se encuentra un incremento del 180% en la adherencia a la medicación preventiva en niños de entre 6 y 15 años. Esta mejora en el cumplimiento terapéutico se tradujo en una reducción de síntomas y un mejor control de la enfermedad.[70]

Asimismo, una investigación publicada por Morton et al. en Thorax (2016) observó una reducción del 80% en los ingresos hospitalarios en niños de entre 6 y 16 años que utilizaban el sistema.[71] En pacientes adultos, un estudio registró una disminución del 61% en las exacerbaciones graves de asma, uno de los principales indicadores de progresión de la enfermedad y causa frecuente de hospitalización.[72]

Los beneficios también se reflejaron en una reducción del 39% en el uso de corticoides orales, habitualmente empleados para controlar episodios agudos, así como una disminución del 45% en el uso de medicación de rescate en población pediátrica.[73] Estos resultados sugieren que una mejor adherencia al tratamiento preventivo permite mantener un mayor control de la enfermedad y reducir la necesidad de intervenciones farmacológicas intensivas.

Detección precoz de enfermedades como el alzheimer: Accexible

Accexible es una plataforma de inteligencia artificial especializada en la detección y monitorización de enfermedades neurológicas y trastornos de salud mental a través del análisis del habla. Su tecnología se basa en el estudio de biomarcadores vocales, combinando el análisis de qué dice una persona (contenido lingüístico, vocabulario, coherencia o complejidad del discurso) con cómo lo dice (tono, ritmo, pausas, velocidad, entonación y otras características acústicas de la voz).

A partir de estos patrones, la plataforma es capaz de identificar señales tempranas asociadas a enfermedades como el Alzheimer, el Parkinson, la depresión o la ansiedad. El fundamento científico de esta aproximación parte de que numerosas alteraciones neurológicas y cognitivas afectan a los procesos cerebrales implicados en el lenguaje y la producción del habla mucho antes de que los síntomas sean claramente visibles.

La tecnología de Accexible analiza grabaciones de voz mediante algoritmos de machine learning y procesamiento del lenguaje natural. Durante la prueba, el paciente responde a una serie de preguntas o realiza tareas de habla estructuradas que pueden completarse en pocos minutos.[74]

La IA procesa posteriormente cientos de variables lingüísticas y acústicas relacionadas con la fluidez del lenguaje, las pausas, la velocidad de pronunciación, la riqueza léxica y la organización del discurso.[75]

Estos patrones se comparan con modelos previamente entrenados con miles de muestras clínicas, permitiendo detectar desviaciones sutiles asociadas al deterioro cognitivo, alteraciones neurológicas o trastornos emocionales, muchas veces antes de que resulten evidentes en una evaluación convencional.[76]

El resultado es un informe automatizado y objetivo que identifica posibles señales de riesgo y facilita la toma de decisiones clínicas, utilizando únicamente la voz del paciente y sin necesidad de pruebas invasivas ni equipamiento especializado.

Fuente: Accexible

La plataforma se utiliza actualmente en cinco países, España, Colombia, México, Reino Unido y Estados Unidos, y ha sido empleada en la evaluación de más de 10.000 pacientes por parte de más de 50 especialistas, entre neuropsicólogos, neurólogos y psiquiatras.

Su principal aplicación se encuentra en el cribado precoz del deterioro cognitivo en atención primaria. Mediante una breve prueba de voz, los profesionales sanitarios pueden obtener resultados en menos de 60 segundos, facilitando la identificación temprana de pacientes que requieren una evaluación más exhaustiva.

La tecnología también se utiliza en servicios de teleasistencia y monitorización remota, donde permite realizar seguimiento continuado de pacientes sin necesidad de desplazamientos. Gracias a sistemas de alertas automáticas, los profesionales pueden detectar cambios en la evolución clínica y actuar de forma temprana ante posibles empeoramientos.

Asimismo, Accexible se emplea en ensayos clínicos, donde proporciona una herramienta objetiva para seleccionar participantes y monitorizar la progresión de enfermedades a lo largo del tiempo. En el ámbito asegurador, la plataforma permite realizar evaluaciones iniciales mediante una simple llamada telefónica, facilitando la detección precoz y la planificación de intervenciones adaptadas a cada paciente.

Métricas de éxito

Los resultados obtenidos por Accexible evidencian el potencial de la inteligencia artificial para facilitar la detección temprana del deterioro cognitivo. Sus modelos han alcanzado niveles de precisión cercanos al 90 % en determinados casos, permitiendo identificar alteraciones cognitivas mediante el análisis del habla de forma rápida, no invasiva y escalable.[77]

Accexible cuenta con una sólida base tecnológica y regulatoria. La compañía dispone de Patente Europea. Además, ha obtenido el Sello de Excelencia de la Comisión Europea y ha participado en diversos programas públicos de innovación e inteligencia artificial financiados por organismos nacionales y europeos.[78]

Entre ellos destacan el Programa Misiones de I+D en Inteligencia Artificial, impulsado por el Ministerio para la Transformación Digital dentro del Plan de Recuperación, Transformación y Resiliencia, así como diversas iniciativas apoyadas por el CDTI, ENISA, FEDER y otros organismos de innovación tecnológica.[79]

La empresa trabaja junto a instituciones sanitarias y de investigación de referencia como Fundació ACE, Fundación CIEN, Hospital Valdecilla, VHIR, Biocruces Osakidetza, NHS, Telefónica, Keralty, Atrys y Top Doctors, entre otras.

Sendarai: acompañamiento emocional accesible y personalizado impulsado por inteligencia artificial

Sendarai es una plataforma de bienestar emocional que combina acompañamiento humano, atención psicológica y tecnología basada en inteligencia artificial para ofrecer un modelo de cuidado continuo y personalizado.[80]

Su propuesta parte de una idea sencilla: muchas personas atraviesan momentos de malestar, incertidumbre o soledad emocional sin necesitar necesariamente terapia clínica, pero sí apoyo, orientación y acompañamiento. Por ello, la plataforma busca cubrir el espacio existente entre el bienestar cotidiano y la intervención psicológica especializada.

El servicio se estructura en tres niveles complementarios. El primero es el acompañamiento emocional, realizado por profesionales formados en inteligencia emocional, escucha activa y primeros auxilios psicológicos, que ayudan a las personas a comprender y gestionar sus emociones sin realizar diagnósticos clínicos.[81]

Cuando el malestar es más intenso o persistente, Sendarai facilita el acceso a psicólogos colegiados, garantizando una transición fluida sin perder la continuidad del proceso. Finalmente, el Club Sendarai integra acompañamiento, atención psicológica, recursos digitales y actividades de bienestar dentro de una membresía mensual orientada al cuidado continuado.

Fuente: Sendarai

El componente tecnológico de la plataforma se articula a través de Aimentia Discover, una herramienta diseñada para que el bienestar emocional no dependa únicamente de las sesiones individuales, sino que pueda mantenerse y evolucionar a lo largo del tiempo. La plataforma funciona como un espacio digital compartido entre el usuario y los profesionales que le acompañan, permitiendo organizar, registrar y dar continuidad al proceso de cuidado.[82]

La inteligencia artificial analiza la información generada durante el acompañamiento para construir un perfil dinámico de cada usuario. A partir de sus necesidades emocionales, objetivos personales, evolución y patrones de comportamiento, el sistema puede personalizar recomendaciones, sugerir recursos específicos y adaptar el acompañamiento a cada momento vital. De esta forma, la atención deja de ser estática y evoluciona junto con la persona.

Otro de los pilares de la plataforma es el seguimiento continuo. Aimentia Discover permite registrar sesiones, objetivos, avances y necesidades emergentes, creando un historial completo que facilita el seguimiento longitudinal. Esto resulta especialmente útil cuando el usuario cambia de acompañante o inicia un proceso terapéutico con un psicólogo, ya que toda la información relevante permanece disponible, evitando que tenga que reconstruir nuevamente su historia personal.

La inteligencia artificial también facilita el acceso a recursos digitales personalizados, incluyendo ejercicios prácticos, actividades de desarrollo emocional y herramientas de autocuidado adaptadas al perfil de cada usuario. Estos recursos permiten mantener el trabajo emocional entre sesiones y favorecen una participación más activa en el propio proceso de bienestar.

Asimismo, la plataforma mejora la coordinación entre profesionales. Cuando intervienen tanto un acompañante emocional como un psicólogo, la tecnología facilita la comunicación y el seguimiento compartido, reduciendo la fragmentación asistencial y garantizando que ambas figuras trabajen de forma alineada hacia los mismos objetivos.

Uno de los principales retos del acompañamiento emocional tradicional es la falta de continuidad entre sesiones. Muchas personas reciben apoyo puntual, pero carecen de herramientas para mantener el seguimiento o aplicar lo aprendido en su vida cotidiana. Aimentia Discover aborda este problema mediante un sistema de monitorización y acompañamiento continuo que mantiene activo el proceso incluso fuera de las sesiones.

La plataforma también resuelve la frecuente pérdida de información cuando una persona cambia de profesional o combina diferentes tipos de apoyo. Gracias al historial digital compartido, se conserva la memoria del proceso y se evita que el usuario tenga que repetir constantemente su situación personal.

Además, la inteligencia artificial permite una mayor personalización del cuidado emocional, adaptando recursos y recomendaciones a las características específicas de cada usuario, algo difícil de conseguir mediante modelos estandarizados de acompañamiento.

El principal valor de Sendarai reside en su capacidad para combinar tecnología e intervención humana dentro de un mismo ecosistema de bienestar. La inteligencia artificial no actúa como sustituto del acompañamiento profesional, sino como una herramienta que permite conocer mejor a cada persona, mejorar la continuidad asistencial y ofrecer un apoyo más personalizado y sostenible en el tiempo.

Métricas de éxito

Aunque el modelo de acompañamiento emocional personalizado impulsado por IA es todavía emergente, tanto Sendarai como la tecnología sobre la que se apoya, Aimentia Discover, ya muestran indicadores relevantes de adopción y escalabilidad.

La plataforma tecnológica desarrollada por Aimentia cuenta con más de 31.000 usuarios registrados entre pacientes y profesionales, operando no solo en España, sino también en países como Argentina, México y Chile.

Además, sus soluciones ya han sido implementadas en más de 120 centros educativos, donde se utilizan para la detección temprana y el seguimiento de problemas relacionados con el bienestar emocional y la salud mental. Estas cifras reflejan la capacidad de la tecnología para funcionar en entornos reales y a gran escala.

Uno de los resultados más destacados se encuentra en los procesos de identificación y derivación de usuarios. Según datos de la compañía, sus sistemas de entrevistas y evaluación asistidos por inteligencia artificial permiten derivar a los usuarios hacia la atención adecuada hasta un 80 % más rápido que los métodos tradicionales, acelerando el acceso al apoyo profesional cuando resulta necesario.

La plataforma también proporciona seguimiento automatizado 24/7, recopilando información de manera continua entre sesiones y generando recomendaciones personalizadas basadas en la evolución de cada usuario. Esto permite mantener activo el proceso de acompañamiento más allá de las intervenciones puntuales y reducir uno de los principales problemas de la atención emocional tradicional: la falta de continuidad.

A nivel de innovación, la tecnología ha sido reconocida por distintas instituciones académicas y de emprendimiento social. Entre otros hitos, Aimentia fue seleccionada como finalista del programa SpinUOC, ganadora del programa UNICEF Lab y obtuvo el Premio Fundación Ramón Molinas por su impacto social, reflejando el interés creciente por modelos de salud mental apoyados en inteligencia artificial

---

[1] Masic, I. Five Periods in Development of Medical Informatics. Acta Informatica Medica, vol. 22, núm. 1, febrero de 2014. [Consultado el 23-06-2026] Disponible en:

https://pmc.ncbi.nlm.nih.gov/articles/PMC3947939

[2] Masic, I. Five Periods in Development of Medical Informatics. Acta Informatica Medica, vol. 22, núm. 1, febrero de 2014. [Consultado el 23-06-2026] Disponible en:

https://pmc.ncbi.nlm.nih.gov/articles/PMC3947939

[3] Masic, I. Five Periods in Development of Medical Informatics. Acta Informatica Medica, vol. 22, núm. 1, febrero de 2014. [Consultado el 23-06-2026] Disponible en:

https://pmc.ncbi.nlm.nih.gov/articles/PMC3947939

[4] Masic, I. Five Periods in Development of Medical Informatics. Acta Informatica Medica, vol. 22, núm. 1, febrero de 2014. [Consultado el 23-06-2026] Disponible en:

https://pmc.ncbi.nlm.nih.gov/articles/PMC3947939

[5] Masic, I. Five Periods in Development of Medical Informatics. Acta Informatica Medica, vol. 22, núm. 1, febrero de 2014. [Consultado el 23-06-2026] Disponible en:

https://pmc.ncbi.nlm.nih.gov/articles/PMC3947939

[6] Masic, I. Five Periods in Development of Medical Informatics. Acta Informatica Medica, vol. 22, núm. 1, febrero de 2014. [Consultado el 23-06-2026] Disponible en:

https://pmc.ncbi.nlm.nih.gov/articles/PMC3947939

[7] Evans, W.; Meslin, E.M.; Kai, J.; Qureshi, N. Precision Medicine—Are We There Yet? A Narrative Review of Precision Medicine’s Applicability in Primary Care. Abril de 2024. [Consultado el 24-06-2026]. Disponible en: Precision Medicine—Are We There Yet? A Narrative Review of Precision Medicine’s Applicability in Primary Care – PMC

[8] Grand View Research. Digital Health Market (2026–2033): Size, Share & Trends Analysis Report. Mayo de 2026. [Consultado el 24-06-2026]. Disponible en: Digital Health Market Size And Share Report, 2026-2033

[9] Mordor Intelligence. Europe Digital Health Market – Growth, Trends, COVID-19 Impact, and Forecasts. 2026. [Consultado el 23-06-2026] Disponible en: https://www.mordorintelligence.com/industry-reports/europe-digital-health-market

[10] Market Research Future. Spain Healthcare Analytics Market Research Report. 2025. [Consultado el 23-06-2026] Disponible en:https://www.marketresearchfuture.com/reports/spain-healthcare-analytics-market-50775

[11] MarketsandMarkets. Artificial Intelligence in Healthcare Market by Offering, Technology, Application and End User – Global Forecast. 2025. [Consultado el 23-06-2026] Disponible en: https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-healthcare-market-54679303.html

[12] Grand View Research. Europe AI in Healthcare Market Size & Outlook, 2025–2030. 2025. [Consultado el 23-06-2026] Disponible en https://www.grandviewresearch.com/horizon/outlook/ai-in-healthcare-market/europe

[13] Grand View Research. Spain AI in Healthcare Market Size & Outlook, 2025–2030. 2025. [Consultado el 23-06-2026] Disponible en: https://www.grandviewresearch.com/horizon/outlook/ai-in-healthcare-market/spain 

[14] Iqbal, U., Celi, L.A. y Li, Y.C.J. How Can Artificial Intelligence Make Medicine More Preemptive? Journal of Medical Internet Research. 2020. [Consultado el 23-06-2026] Disponible en: How Can Artificial Intelligence Make Medicine More Preemptive? – PMC 

[15] Smatti, M.K., Jan, Z. y Yassine, H.M. Pharmacogenomics of Antibacterial and Antiviral Therapies: Clinical Actionability, Evidence Gaps, and Future Directions. Pharmacological Reviews, vol.  2026, artículo 100136. DOI: 10.1016/j.pharmr.2026.100136. [Consultado el 23-06-2026] Disponible en: https://www.sciencedirect.com/science/article/pii/S0031699726000244

[16] Shomali, M., Kumbara, A., MacLeod, J. e Iyer, A. Personalized Cardiometabolic Care Powered by Artificial Intelligence: Transforming Prevention, Diagnosis and Longitudinal Management of Chronic Disease. Frontiers in Endocrinology, vol. 16, 2025. [Consultado el 23-06-2026] Disponible en: https://www.frontiersin.org/journals/endocrinology/articles/10.3389/fendo.2025.1593321/full

[17] Ministerio de Sanidad. Estrategia de Inteligencia Artificial del Sistema Nacional de Salud (eIASNS). 2025. [Consultado el 23-06-2026] Disponible en: https://www.sanidad.gob.es/areas/saludDigital/doc/eIASNS_v13.pdf

[18] Fundación Rafael del Pino. Sistemas de salud gestionados por inteligencia artificial. 2024. [Consultado el 23-06-2026] Disponible en: https://frdelpino.es/ciencia-y-sociedad/2-sistemas-de-salud-gestionados-por-inteligencia-artificial/#_edn57

[19] Comisión Europea. AI Act: Regulatory Framework for Artificial Intelligence. 2025. [Consultado el 23-06-2026] Disponible en: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

[20] Vardas, E.P., Marketou, M. y Vardas, P.E. Medicine, Healthcare and the AI Act: Gaps, Challenges and Future Implications. European Heart Journal Digital Health, vol. 6, núm. 4, abril de 2025, pp. 833–839. [Consultado el 23-06-2026] Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC12282355/

[21] Sociedad Española de Oncología Médica (SEOM). Las cifras del cáncer en España 2026. 2026. [Consultado el 23-06-2026] Disponible en: https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf

[22] Sociedad Española de Oncología Médica (SEOM). Las cifras del cáncer en España 2026. 2026. [Consultado el 23-06-2026] Disponible en:  https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf

[23] Sociedad Española de Oncología Médica (SEOM). Las cifras del cáncer en España 2026. 2026. [Consultado el 23-06-2026] Disponible en:  https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf

[24] Sociedad Española de Oncología Médica (SEOM). Las cifras del cáncer en España 2026. 2026. [Consultado el 23-06-2026] Disponible en:  https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf

[25] Sociedad Española de Oncología Médica (SEOM). Las cifras del cáncer en España 2026. 2026. [Consultado el 23-06-2026] Disponible en:  https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf 

[26] Sociedad Española de Oncología Médica (SEOM). Las cifras del cáncer en España 2026. 2026. [Consultado el 23-06-2026] Disponible en:  https://seom.org/images/Las_Cifras_del_Cancer_en_Espanya_2026.pdf  

[27] Lung Cancer Europe. Our Charter for Lung Cancer in Europe 2026–2030. 2015. [Consultado el 24-06-2026]. Disponible en: https://lungcancereurope.eu/2021/12/16/lung-cancer-europe-luce-position-paper-2015/

[28] Lung Cancer Europe. Our Charter for Lung Cancer in Europe 2026–2030. 2015. [Consultado el 24-06-2026]. Disponible en:  https://lungcancereurope.eu/2021/12/16/lung-cancer-europe-luce-position-paper-2015/

[29] Instituto Nacional de Estadística (INE). Defunciones según la Causa de Muerte. Año 2024. Junio de 2025. [Consultado el 23-06-2026] Disponible en: https://www.ine.es/dyngs/Prensa/pEDCM2024.htm

[30] Almansouri, N.E.; Awe, M.; Rajavelu, S.; Jahnavi, K.; Shastry, R.; Hasan, A.; Hasan, H.; Lakkimsetti, M.; AlAbbasi, R.K.; Criollo Gutiérrez, B.; Haider, A. Early Diagnosis of Cardiovascular Diseases in the Era of Artificial Intelligence: An In-Depth Review. 2024. [Consultado el 24-06-2026]. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11002715/

[31] Almansouri, N.E.; Awe, M.; Rajavelu, S.; Jahnavi, K.; Shastry, R.; Hasan, A.; Hasan, H.; Lakkimsetti, M.; AlAbbasi, R.K.; Criollo Gutiérrez, B.; Haider, A. Early Diagnosis of Cardiovascular Diseases in the Era of Artificial Intelligence: An In-Depth Review. 2024. [Consultado el 24-06-2026]. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11002715/ 

[32] Almansouri, N.E.; Awe, M.; Rajavelu, S.; Jahnavi, K.; Shastry, R.; Hasan, A.; Hasan, H.; Lakkimsetti, M.; AlAbbasi, R.K.; Criollo Gutiérrez, B.; Haider, A. Early Diagnosis of Cardiovascular Diseases in the Era of Artificial Intelligence: An In-Depth Review. 2024. [Consultado el 24-06-2026]. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11002715/

[33] Instituto Nacional de Estadística (INE). Defunciones según la Causa de Muerte. Año 2024. Junio de 2025. [Consultado el 23-06-2026] Disponible en: https://www.ine.es/dyngs/Prensa/pEDCM2024.htm

[34] Instituto Nacional de Estadística (INE). Defunciones según la Causa de Muerte. Año 2024. Junio de 2025. [Consultado el 23-06-2026] Disponible en: https://www.ine.es/dyngs/Prensa/pEDCM2024.htm

[35] Sociedad Española de Médicos de Atención Primaria (SEMERGEN). Guía Clínica de la EPOC 2025. 2025. [Consultado el 23-06-2026] Disponible en: https://semergen.es/files/docs/grupos/respiratorio/guiasClinicasEPOC.pdf

[36] Sociedad Española de Médicos de Atención Primaria (SEMERGEN). Guía Clínica de la EPOC 2025. 2025. [Consultado el 23-06-2026] Disponible en:  https://semergen.es/files/docs/grupos/respiratorio/guiasClinicasEPOC.pdf

[37] Sociedad Española de Médicos de Atención Primaria (SEMERGEN). Guía Clínica de la EPOC 2025. 2025. [Consultado el 23-06-2026] Disponible en: https://semergen.es/files/docs/grupos/respiratorio/guiasClinicasEPOC.pdf

[38] Sociedad Española de Médicos de Atención Primaria (SEMERGEN). Guía Clínica de la EPOC 2025. 2025. [Consultado el 23-06-2026] Disponible en: https://semergen.es/files/docs/grupos/respiratorio/guiasClinicasEPOC.pdf

[39] Sociedad Española de Médicos de Atención Primaria (SEMERGEN). Guía Clínica de la EPOC 2025. 2025. [Consultado el 23-06-2026] Disponible en:  https://semergen.es/files/docs/grupos/respiratorio/guiasClinicasEPOC.pdf

[40] Instituto Nacional de Estadística (INE). Defunciones según la Causa de Muerte. Año 2024. Junio de 2025. [Consultado el 23-06-2026] Disponible en: https://www.ine.es/dyngs/Prensa/pEDCM2024.htm

[41] Safiri, S., Ghaffari Jolfayi, A., Fazlollahi, A., Morsali, S., Sarkesh, A., Daei Sorkhabi, A., Golabi, B., Aletaha, R., Asghari, K.M., Hamidi, S., Mousavi, S.E., Jamalkhani, S., Karamzad, N. y Kolahi, A.A. Alzheimer’s Disease: A Comprehensive Review of Epidemiology, Risk Factors, Symptoms, Diagnosis, Management, Caregiving, Advanced Treatments and Associated Challenges. Frontiers in Medicine, 2024. [Consultado el 23-06-2026] Disponible en: https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2024.1474043/full

[42] Observatorio del Alzheimer y las Demencias. For a New Prioritisation of Alzheimer’s in Spain: Proposals for Prevention, Detection, Diagnosis, Treatment, and Care. Fundación Pasqual Maragall, 2024. Metodología y elaboración del informe por beBartlet. [Consultado el 23-06-2026] Disponible en: https://fpmaragall.org/wp-content/uploads/2025/09/OAD_FOR-A-NEW-PRIORITISATION-OF-ALZHEIMERS-IN-SPAIN.pdf

[43] Observatorio del Alzheimer y las Demencias. For a New Prioritisation of Alzheimer’s in Spain: Proposals for Prevention, Detection, Diagnosis, Treatment, and Care. Fundación Pasqual Maragall, 2024. Metodología y elaboración del informe por beBartlet. [Consultado el 23-06-2026] Disponible en: https://fpmaragall.org/wp-content/uploads/2025/09/OAD_FOR-A-NEW-PRIORITISATION-OF-ALZHEIMERS-IN-SPAIN.pdf

[44] Safiri, S., Ghaffari Jolfayi, A., Fazlollahi, A., Morsali, S., Sarkesh, A., Daei Sorkhabi, A., Golabi, B., Aletaha, R., Asghari, K.M., Hamidi, S., Mousavi, S.E., Jamalkhani, S., Karamzad, N. y Kolahi, A.A. Alzheimer’s Disease: A Comprehensive Review of Epidemiology, Risk Factors, Symptoms, Diagnosis, Management, Caregiving, Advanced Treatments and Associated Challenges. Frontiers in Medicine, 2024. [Consultado el 23-06-2026] Disponible en:  https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2024.1474043/full

[45] Safiri, S., Ghaffari Jolfayi, A., Fazlollahi, A., Morsali, S., Sarkesh, A., Daei Sorkhabi, A., Golabi, B., Aletaha, R., Asghari, K.M., Hamidi, S., Mousavi, S.E., Jamalkhani, S., Karamzad, N. y Kolahi, A.A. Alzheimer’s Disease: A Comprehensive Review of Epidemiology, Risk Factors, Symptoms, Diagnosis, Management, Caregiving, Advanced Treatments and Associated Challenges. Frontiers in Medicine, 2024. [Consultado el 23-06-2026] Disponible en:  https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2024.1474043/full

[46] Instituto Nacional de Estadística (INE). Defunciones según la Causa de Muerte. Año 2024. Junio de 2025. [Consultado el 23-06-2026] Disponible en: https://www.ine.es/dyngs/Prensa/pEDCM2024.htm 

[47] Sociedad Española de Psiquiatría y Salud Mental (SEPSM). La creciente demanda de atención en salud mental y la escasez de psiquiatras están llevando al sistema español a una situación crítica. 16 de octubre de 2024. [Consultado el 23-06-2026] Disponible en: La creciente demanda de atención en salud mental y la escasez de psiquiatras están llevando al sistema español a una situación crítica – SEPSM

[48] Sociedad Española de Psiquiatría y Salud Mental (SEPSM). La creciente demanda de atención en salud mental y la escasez de psiquiatras están llevando al sistema español a una situación crítica. 16 de octubre de 2024. [Consultado el 23-06-2026] Disponible en:  La creciente demanda de atención en salud mental y la escasez de psiquiatras están llevando al sistema español a una situación crítica – SEPSM

[49] Sociedad Española de Psiquiatría y Salud Mental (SEPSM). La creciente demanda de atención en salud mental y la escasez de psiquiatras están llevando al sistema español a una situación crítica. 16 de octubre de 2024. [Consultado el 23-06-2026] Disponible en:  La creciente demanda de atención en salud mental y la escasez de psiquiatras están llevando al sistema español a una situación crítica – SEPSM

[50] Lunit. Lunit INSIGHT CXR Excels in Lung Nodule Detection: Exceptional Performance in Head-to-Head Study Published in Radiology. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/media-hub/lunit-insight-cxr-excels-in-lung-nodule-detection-exceptional-performance-in-head-to-head-study-published-in-radiology/

[51] Lunit. Lunit INSIGHT CXR Excels in Lung Nodule Detection: Exceptional Performance in Head-to-Head Study Published in Radiology. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/ai-radiology-software/

[52] Lunit. Lunit INSIGHT CXR: Comprehensive Chest X-ray AI Detection Software. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/ai-radiology-software/

[53] Lunit. Lunit INSIGHT CXR: Comprehensive Chest X-ray AI Detection Software. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/ai-radiology-software/insight-cxr/

[54] Lunit. Lunit INSIGHT CXR: Comprehensive Chest X-ray AI Detection Software. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/ai-radiology-software/insight-cxr/

[55] Lunit. Lunit INSIGHT CXR: Comprehensive Chest X-ray AI Detection Software. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/ai-radiology-software/insight-cxr/

[56] Lunit. Lunit INSIGHT CXR: Comprehensive Chest X-ray AI Detection Software. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/ai-radiology-software/insight-cxr/

[57] Lunit. Precision Oncology. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/precision-oncology/

[58] Lunit. Precision Oncology. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/precision-oncology/

[59] Lunit. AI Proves Its Value in Assistance for Emergency Cases with Higher Accuracy and Timely Reporting Time of Chest Radiographs. [Consultado el 23-06-2026] Disponible en https://www.lunit.io/en/media-hub/ai-proves-its-value-in-assistance-for-emergency-cases-with-higher-accuracy-and-timely-reporting-time-of-chest-radiographs/

[60] Lunit. Lunit INSIGHT CXR: Comprehensive Chest X-ray AI Detection Software. [Consultado el 23-06-2026] Disponible en:  https://www.lunit.io/en/ai-radiology-software/insight-cxr/

[61] Lunit. AI Proves Its Value in Assistance for Emergency Cases with Higher Accuracy and Timely Reporting Time of Chest Radiographs. [Consultado el 23-06-2026] Disponible en: https://www.lunit.io/en/media-hub/ai-proves-its-value-in-assistance-for-emergency-cases-with-higher-accuracy-and-timely-reporting-time-of-chest-radiographs/

[62] Idoven. IDOVEN Platform. [Consultado el 23-06-2026] Disponible en: https://es.idoven.ai/platform

[63] Idoven. IDOVEN Platform. [Consultado el 23-06-2026] Disponible en: https://es.idoven.ai/platform

[64] Idoven. Prevent & Monitor Cardiac Disease. [Consultado el 23-06-2026] Disponible en: https://www.idoven.ai/use-case-prevent-monitor

[65] Idoven. Prevent & Monitor Cardiac Disease. [Consultado el 23-06-2026] Disponible en: https://www.idoven.ai/use-case-prevent-monitor

[66] Fundación Real Madrid. La Fundación Real Madrid, la Fundación Iker Casillas e Idoven colaboran en el proyecto DonaTusLatidos. [Consultado el 23-06-2026] Disponible en: https://www.realmadrid.com/es-ES/noticias/club/fundacion/la-fundacion-real-madrid-la-fundacion-iker-casillas-e-idoven-colaboran-en-el-proyecto-donatuslatidos

[67] Fundación Real Madrid. La Fundación Real Madrid, la Fundación Iker Casillas e Idoven colaboran en el proyecto DonaTusLatidos. [Consultado el 23-06-2026] Disponible en: https://www.realmadrid.com/es-ES/noticias/club/fundacion/la-fundacion-real-madrid-la-fundacion-iker-casillas-e-idoven-colaboran-en-el-proyecto-donatuslatidos

[68] Adherium. Our Technology. [Consultado el 23-06-2026] Disponible en: https://www.adherium.com/our-technology

[69] Hailie. The Hailie™ Solution Helps Patients Track Their Inhaler Usage. [Consultado el 23-06-2026] Disponible en:  The Hailie™ Solution Helps Patients Track Their Inhaler Usage

[70] Adherium. Our Technology. [Consultado el 23-06-2026] Disponible en: https://www.adherium.com/our-technology

[71] Adherium. Our Technology. [Consultado el 23-06-2026] Disponible en: https://www.adherium.com/our-technology

[72] Adherium. Our Technology. [Consultado el 23-06-2026] Disponible en: https://www.adherium.com/our-technology

[73] Adherium. Our Technology. [Consultado el 23-06-2026] Disponible en: https://www.adherium.com/our-technology

[74] Accexible Health. Plataforma de detección y monitorización mediante biomarcadores vocales. [Consultado el 23-06-2026] Disponible en: https://accexible.com/#tool

[75] Accexible Health. Plataforma de detección y monitorización mediante biomarcadores vocales. [Consultado el 23-06-2026] Disponible en: https://accexible.com/#tool

[76] Accexible Health. Plataforma de detección y monitorización mediante biomarcadores vocales. [Consultado el 23-06-2026] Disponible en: https://accexible.com/#tool

[77] Accexible Health. Plataforma de detección y monitorización mediante biomarcadores vocales. [Consultado el 23-06-2026] Disponible en: https://accexible.com/#tool

[78] Accexible Health. Plataforma de detección y monitorización mediante biomarcadores vocales. [Consultado el 23-06-2026] Disponible en: https://accexible.com/#tool

[79] Accexible Health. Plataforma de detección y monitorización mediante biomarcadores vocales. [Consultado el 23-06-2026] Disponible en: https://accexible.com/#tool

[80] Sendarai. Sendarai: acompañamiento emocional personalizado mediante inteligencia artificial. [Consultado el 23-06-2026] Disponible en: https://www.sendarai.com/es

[81] Sendarai. Sendarai: acompañamiento emocional personalizado mediante inteligencia artificial. [Consultado el 23-06-2026] Disponible en: https://www.sendarai.com/es

[82] Sendarai. Acompañamiento emocional personalizado. [Consultado el 23-06-2026] Disponible en: https://www.sendarai.com/es#acompa%C3%B1amiento