El investigador ha explicado los retos técnicos, clínicos y regulatorios de estos sistemas y su potencial para mejorar procesos dentro del sistema sanitario público navarro.
La inteligencia artificial médica necesita una visión multidisciplinar y una implantación responsable para incorporarse con seguridad a la práctica clínica. Así lo ha defendido en la Universidad Pública de Navarra (UPNA) el ingeniero informático e investigador Imanol Pinto López.
El experto ha explicado que estos sistemas pueden ayudar a mejorar los procesos sanitarios, apoyar a los profesionales y aportar valor al sistema público de salud. Sin embargo, ha advertido de que deben diseñarse e implantarse con rigor técnico y clínico.
Pinto ha expuesto estas ideas durante la conferencia “Crafting AI for the Public Healthcare”, traducida como “Diseñar inteligencia artificial para la sanidad pública”. La sesión ha analizado los principales retos para trasladar la IA aplicada a la salud desde su fase de desarrollo hasta los entornos asistenciales.
La conferencia ha sido organizada por la Cátedra Tracasa de Ciencias de la Computación e Inteligencia Artificial de la UPNA. Además, ha cerrado el ciclo desarrollado dentro de la asignatura Advanced Machine Learning del máster universitario en Machine Learning de la institución académica.
Durante su intervención, Imanol Pinto ha señalado que la inteligencia artificial médica no puede abordarse únicamente como una cuestión de algoritmos o modelos matemáticos. Su desarrollo requiere coordinar distintas áreas y perfiles profesionales.
En concreto, ha citado el conocimiento clínico, la ingeniería de datos, el desarrollo de software, la experiencia de uso y las infraestructuras tecnológicas. También ha incluido la monitorización de los sistemas y el cumplimiento de la normativa.
El investigador ha explicado que uno de los principales retos consiste en diseñar herramientas capaces de integrarse sin fricciones en la historia clínica y en los flujos habituales de trabajo. Los sistemas deben adaptarse a la práctica sanitaria real y no convertirse en un obstáculo para los profesionales.
Además, ha destacado la importancia de calibrar los modelos para que sus resultados puedan ser interpretados clínicamente. La evaluación no debe finalizar cuando termina el desarrollo técnico, sino que tiene que continuar después del despliegue.
Este seguimiento permite comprobar la seguridad, el rendimiento y el impacto real de las herramientas en la atención sanitaria. La monitorización continuada resulta especialmente importante ante posibles cambios en los datos o en las condiciones en las que se utilizan los modelos.
Pinto también ha abordado la necesidad de desarrollar estos sistemas con criterios estrictos de seguridad y supervisión. Cuando una herramienta de inteligencia artificial tiene una finalidad clínica, puede estar sometida a marcos regulatorios exigentes.
Entre ellos, ha mencionado el Reglamento Europeo de Productos Sanitarios y el Reglamento Europeo de Inteligencia Artificial. Estas normas obligan a introducir garantías desde las primeras fases de cada proyecto.
Por este motivo, los proyectos de IA médica deben incorporar procesos rigurosos de validación clínica, mecanismos para gestionar los riesgos y procedimientos de supervisión humana. También deben contar con un seguimiento continuo después de su implantación.
La conferencia ha puesto el foco en la dificultad de construir modelos fiables cuando incluso los profesionales especializados pueden discrepar ante un mismo caso. Pinto se ha referido a la variabilidad interobservador en imagen médica, que aparece cuando dos especialistas ofrecen valoraciones diferentes, pero razonables, de imágenes similares.
Esta ambigüedad afecta directamente al entrenamiento y a la evaluación de los modelos de inteligencia artificial. Para reducir sus efectos, es necesario aplicar metodologías específicas durante el diseño de los sistemas.
Entre estas medidas se encuentran la revisión de las etiquetas empleadas para entrenar los modelos, el uso de criterios homogéneos basados en guías clínicas y la validación por parte de equipos sanitarios especializados.
Imanol Pinto también ha defendido la conveniencia de dividir los problemas clínicos complejos en tareas más concretas y manejables. Esta estructura permite desarrollar herramientas más robustas y facilita la interpretación de sus resultados.
Como ejemplo, ha señalado que un sistema para el cribado de la retinopatía diabética, una enfermedad ocular asociada a la diabetes, puede estar formado por varios modelos especializados.
Uno de ellos puede seleccionar las imágenes del fondo del ojo más adecuadas. Otro puede evaluar la calidad de las imágenes, mientras que un tercer modelo puede estimar la presencia o la gravedad de la enfermedad.
Esta aproximación modular permite construir sistemas de IA médica más robustos, interpretables y adaptados al flujo real de trabajo de los profesionales. También facilita la identificación de posibles errores en cada una de las fases del proceso.
Pinto ha insistido en que los proyectos de inteligencia artificial médica requieren una visión profundamente multidisciplinar. Aunque plantean importantes retos técnicos, clínicos y regulatorios, también ofrecen oportunidades para mejorar el funcionamiento de la sanidad pública.
El investigador trabaja desde 2018 en proyectos de inteligencia artificial de la Dirección General de Telecomunicaciones y Digitalización del Gobierno de Navarra. Su labor ha atendido las peticiones realizadas por el Servicio Navarro de Salud-Osasunbidea.
Durante estos años, ha participado en el desarrollo de dispositivos médicos de inteligencia artificial diseñados a medida. Entre ellos figura NaIA-RD, orientado al cribado de la retinopatía diabética.
También ha trabajado en NaIA-DMAE, un proyecto destinado a personalizar el tratamiento de la degeneración macular asociada a la edad. Esta patología afecta a la visión y requiere un seguimiento adaptado a la evolución de cada paciente.
Actualmente, Imanol Pinto compagina su trabajo en el Gobierno de Navarra con una investigación doctoral. Su estudio está centrado en la adopción clínica segura de la inteligencia artificial mediante el análisis de imágenes.
Su investigación aborda también la monitorización de cambios en los datos y el uso de modelos de lenguaje para sintetizar información clínica. Estas líneas buscan facilitar una integración rigurosa de las nuevas herramientas en los entornos sanitarios.
