El uso de las tecnologías que prometen cambiar la medicina es el pan de cada día en la prensa, pero la letra pequeña siempre señala que aún está en fase de laboratorio, que se necesitan más ensayos o se precisan más datos para ser fiables. No cabe duda de que la inteligencia artificial (IA) aplicada a la imagen médica tiene el potencial de revolucionar este campo, pero también es evidente que no debe sustituir a los profesionales de la salud. En ese filo de la realidad, que por un lado cae en la dependencia y por el otro se precipita hacia la ignorancia, estamos nosotros. Y también la IA.. Precisamente en esa delgada línea se mueve Quibim, empresa española especializada en el desarrollo de algoritmos capaces de transformar imágenes médicas –resonancias, escáneres– en información cuantificable. Su reciente selección en un programa de la ciudad de Nueva York que impulsa a compañías tecnológicas con potencial global no es solo un reconocimiento empresarial: es también una señal de hacia dónde se dirige la medicina contemporánea.. La diferencia que introduce la inteligencia artificial no es abstracta. En un estudio clínico avalado por la FDA (Administración de Alimentos y Medicamentos de Estados Unidos), nueve radiólogos trataron de detectar cáncer de próstata en imágenes médicas. Primero sin contar con apoyo tecnológico y luego utilizando los modelos de Quibim. Sin la herramienta, su tasa de detección fue del 79%. Con ella, subió al 90%.. En términos médicos, son once pacientes de cada cien que pasan de no ser detectados a tiempo a recibir un diagnóstico precoz. Y esto sin que aumentaran los falsos positivos, uno de los grandes riesgos de cualquier sistema de detección automática.. «Un radiólogo interpreta la imagen basándose en su experiencia clínica y su capacidad de reconocimiento visual. Es una habilidad extraordinaria, pero tiene un techo», explica a LA RAZÓN Ángel Alberich Bayarri, fundador y CEO de Quibim. «Nuestra tecnología analiza millones de puntos de información invisibles al ojo humano: texturas, variaciones mínimas de intensidad, correlaciones entre regiones o patrones que solo emergen cuando se comparan miles y miles de casos», añade.. Para calibrar lo que eso significa en la práctica, el propio Alberich recurre a una cifra que da vértigo: los modelos de Quibim han analizado ya más de diez millones de imágenes médicas. Una cantidad equivalente, según los datos del INE, a la población masculina española de entre 18 y 65 años. No es un dato decorativo: es la medida de lo que aprende un algoritmo antes de que un médico empiece a confiar en él.. La diferencia no es solo cuantitativa, sino estructural. Mientras los profesionales sanitarios interpretan una imagen concreta, el algoritmo ha aprendido de miles anteriores y, crucialmente, de algo que rara vez está disponible de forma sistemática para el profesional: la confirmación posterior. «Nuestros modelos se entrenan con datos multimodales, de radiología y biopsias. Eso nos permite aprender lo que el humano no puede, no por limitación del profesional, sino por limitación estructural del sistema. Lo verdaderamente poderoso ocurre cuando se combinan ambas miradas», explica Alberich.. Es precisamente en esa intersección cuando la imagen deja de ser solo visual para convertirse en un mapa de probabilidades: anomalías señaladas, riesgos cuantificados, informes estructurados generados automáticamente…. Pero en medicina, la precisión no es suficiente. Hace falta confianza. Y ahí aparece una de las tensiones más complejas del sector: para que un algoritmo aprenda a detectar enfermedades, necesita datos. Muchos datos. Datos de pacientes reales, con sus historiales, sus imágenes, sus diagnósticos. ¿Quién controla esa información? ¿Qué ocurre cuando cruza fronteras? ¿Hasta dónde puede usarse sin comprometer la privacidad de quienes la generaron?. Alberich reconoce la complejidad sin esquivarla: «La transparencia no significa abrir el código, sino explicar de forma comprensible cómo se ha entrenado el modelo, con qué datos, qué sesgos se han mitigado y cómo se comporta en diferentes poblaciones». En otras palabras, la confianza no se construye solo con resultados, sino con contexto, que pasa por saber qué hace la herramienta, cuándo funciona mejor y, sobre todo, dónde están sus límites.. El salto a Nueva York introduce otra dimensión: la escala. Quibim lleva años operando en diferentes países –en total 230 centros médicos y de investigación– y ha obtenido validaciones regulatorias de la FDA en algunos de sus productos. Pero trabajar en el ecosistema tecnológico neoyorquino no es solo crecimiento, es estrés tecnológico. «Un producto que funciona en un hospital debe funcionar igual de bien en miles. No hay dos hospitales iguales», confirma Alberich. Y eso no es trivial.. Diferentes máquinas, diferentes configuraciones, diferentes calidades de imagen. Para un radiólogo experimentado, esas diferencias son asumibles. Para un algoritmo, son un desafío real que puede alterar su rendimiento de forma significativa.. La respuesta pasa por desarrollar sistemas capaces de armonizar esa heterogeneidad. Pero detrás del reto técnico hay otro más profundo: el acceso. «Hay pacientes que pueden beneficiarse de estas tecnologías y otros que no, incluso dentro de una misma región» –confirma Alberich–. «Por eso trabajamos para que nuestras soluciones lleguen al mayor número posible de centros, porque la equidad en salud también es parte de nuestra misión».. Paradójicamente, la presión de la escala conecta con otra gran discusión: el papel de la regulación. Mientras algunos mercados avanzan con mayor rapidez, Europa ha apostado por un enfoque más cauteloso. Lejos de verlo como un obstáculo, Alberich lo interpreta como una ventaja: «La regulación rigurosa obliga a validar, documentar y demostrar cada paso. Eso genera un producto más seguro, más robusto y más fiable». Y eso, en salud, puede convertirse en solidez, importante para los resultados, y en confianza, fundamental para profesionales de la salud y pacientes.. Finalmente, queda la cuestión más delicada. En un entorno donde la inteligencia artificial gana autonomía en múltiples campos, la medicina marca una línea clara. «La IA puede analizar, priorizar y apoyar decisiones, pero nunca debería sustituir el juicio clínico ni la relación médico-paciente», afirma Alberich. «La IA en medicina nunca debería actuar sin un marco ético claro ni sin una gobernanza humana y humanista. Su desarrollo y expansión deben hacerse cumpliendo todos los estándares éticos, regulatorios y morales, y siempre orientados al bien común», incide.. Es cierto que la máquina puede ver más, detectar antes, correlacionar mejor… Pero sigue siendo el humano quien interpreta, quien comunica, quien asume la responsabilidad final. Y también quien recibe la información. Por eso es tan interesante que Alberich no solo hable de una gobernanza humana, que ya la tenemos, sino de una humanista, que es a la que debemos aspirar.
Hablamos con Ángel Alberich Bayarri, fundador y CEO de esta compañía española que utiliza la IA para mejorar la fiabilidad de las tecnologías de diagnóstico
El uso de las tecnologías que prometen cambiar la medicina es el pan de cada día en la prensa, pero la letra pequeña siempre señala que aún está en fase de laboratorio, que se necesitan más ensayos o se precisan más datos para ser fiables. No cabe duda de que la inteligencia artificial (IA) aplicada a la imagen médica tiene el potencial de revolucionar este campo, pero también es evidente que no debe sustituir a los profesionales de la salud. En ese filo de la realidad, que por un lado cae en la dependencia y por el otro se precipita hacia la ignorancia, estamos nosotros. Y también la IA.. Precisamente en esa delgada línea se mueve Quibim, empresa española especializada en el desarrollo de algoritmos capaces de transformar imágenes médicas –resonancias, escáneres– en información cuantificable. Su reciente selección en un programa de la ciudad de Nueva York que impulsa a compañías tecnológicas con potencial global no es solo un reconocimiento empresarial: es también una señal de hacia dónde se dirige la medicina contemporánea.. La diferencia que introduce la inteligencia artificial no es abstracta. En un estudio clínico avalado por la FDA (Administración de Alimentos y Medicamentos de Estados Unidos), nueve radiólogos trataron de detectar cáncer de próstata en imágenes médicas. Primero sin contar con apoyo tecnológico y luego utilizando los modelos de Quibim. Sin la herramienta, su tasa de detección fue del 79%. Con ella, subió al 90%.. En términos médicos, son once pacientes de cada cien que pasan de no ser detectados a tiempo a recibir un diagnóstico precoz. Y esto sin que aumentaran los falsos positivos, uno de los grandes riesgos de cualquier sistema de detección automática.. «Un radiólogo interpreta la imagen basándose en su experiencia clínica y su capacidad de reconocimiento visual. Es una habilidad extraordinaria, pero tiene un techo», explica a LA RAZÓN Ángel Alberich Bayarri, fundador y CEO de Quibim. «Nuestra tecnología analiza millones de puntos de información invisibles al ojo humano: texturas, variaciones mínimas de intensidad, correlaciones entre regiones o patrones que solo emergen cuando se comparan miles y miles de casos», añade.. Para calibrar lo que eso significa en la práctica, el propio Alberich recurre a una cifra que da vértigo: los modelos de Quibim han analizado ya más de diez millones de imágenes médicas. Una cantidad equivalente, según los datos del INE, a la población masculina española de entre 18 y 65 años. No es un dato decorativo: es la medida de lo que aprende un algoritmo antes de que un médico empiece a confiar en él.. La diferencia no es solo cuantitativa, sino estructural. Mientras los profesionales sanitarios interpretan una imagen concreta, el algoritmo ha aprendido de miles anteriores y, crucialmente, de algo que rara vez está disponible de forma sistemática para el profesional: la confirmación posterior. «Nuestros modelos se entrenan con datos multimodales, de radiología y biopsias. Eso nos permite aprender lo que el humano no puede, no por limitación del profesional, sino por limitación estructural del sistema. Lo verdaderamente poderoso ocurre cuando se combinan ambas miradas», explica Alberich.. Es precisamente en esa intersección cuando la imagen deja de ser solo visual para convertirse en un mapa de probabilidades: anomalías señaladas, riesgos cuantificados, informes estructurados generados automáticamente…. Pero en medicina, la precisión no es suficiente. Hace falta confianza. Y ahí aparece una de las tensiones más complejas del sector: para que un algoritmo aprenda a detectar enfermedades, necesita datos. Muchos datos. Datos de pacientes reales, con sus historiales, sus imágenes, sus diagnósticos. ¿Quién controla esa información? ¿Qué ocurre cuando cruza fronteras? ¿Hasta dónde puede usarse sin comprometer la privacidad de quienes la generaron?. Alberich reconoce la complejidad sin esquivarla: «La transparencia no significa abrir el código, sino explicar de forma comprensible cómo se ha entrenado el modelo, con qué datos, qué sesgos se han mitigado y cómo se comporta en diferentes poblaciones». En otras palabras, la confianza no se construye solo con resultados, sino con contexto, que pasa por saber qué hace la herramienta, cuándo funciona mejor y, sobre todo, dónde están sus límites.. El salto a Nueva York introduce otra dimensión: la escala. Quibim lleva años operando en diferentes países –en total 230 centros médicos y de investigación– y ha obtenido validaciones regulatorias de la FDA en algunos de sus productos. Pero trabajar en el ecosistema tecnológico neoyorquino no es solo crecimiento, es estrés tecnológico. «Un producto que funciona en un hospital debe funcionar igual de bien en miles. No hay dos hospitales iguales», confirma Alberich. Y eso no es trivial.. Diferentes máquinas, diferentes configuraciones, diferentes calidades de imagen. Para un radiólogo experimentado, esas diferencias son asumibles. Para un algoritmo, son un desafío real que puede alterar su rendimiento de forma significativa.. La respuesta pasa por desarrollar sistemas capaces de armonizar esa heterogeneidad. Pero detrás del reto técnico hay otro más profundo: el acceso. «Hay pacientes que pueden beneficiarse de estas tecnologías y otros que no, incluso dentro de una misma región» –confirma Alberich–. «Por eso trabajamos para que nuestras soluciones lleguen al mayor número posible de centros, porque la equidad en salud también es parte de nuestra misión».. Paradójicamente, la presión de la escala conecta con otra gran discusión: el papel de la regulación. Mientras algunos mercados avanzan con mayor rapidez, Europa ha apostado por un enfoque más cauteloso. Lejos de verlo como un obstáculo, Alberich lo interpreta como una ventaja: «La regulación rigurosa obliga a validar, documentar y demostrar cada paso. Eso genera un producto más seguro, más robusto y más fiable». Y eso, en salud, puede convertirse en solidez, importante para los resultados, y en confianza, fundamental para profesionales de la salud y pacientes.. Finalmente, queda la cuestión más delicada. En un entorno donde la inteligencia artificial gana autonomía en múltiples campos, la medicina marca una línea clara. «La IA puede analizar, priorizar y apoyar decisiones, pero nunca debería sustituir el juicio clínico ni la relación médico-paciente», afirma Alberich. «La IA en medicina nunca debería actuar sin un marco ético claro ni sin una gobernanza humana y humanista. Su desarrollo y expansión deben hacerse cumpliendo todos los estándares éticos, regulatorios y morales, y siempre orientados al bien común», incide.. Es cierto que la máquina puede ver más, detectar antes, correlacionar mejor… Pero sigue siendo el humano quien interpreta, quien comunica, quien asume la responsabilidad final. Y también quien recibe la información. Por eso es tan interesante que Alberich no solo hable de una gobernanza humana, que ya la tenemos, sino de una humanista, que es a la que debemos aspirar.
Noticias de Sociedad en La Razón
