E. Tornos Inza*, E.M. López Añón**

*Senior Marketing Manager Sector Salud
**Cofundadora y formadora – Aula Virtual Sanitaria

 

Pediatr Integral 2025; XXIX (7): 480 – 483

 

---

Uso de la inteligencia artificial en pediatría. Actualización, ventajas y límites

https://doi.org/10.63149/j.pedint.77

 

Introducción

Aún no somos plenamente conscientes del impacto de la inteligencia artificial (IA) en los procesos de transformación que está viviendo el sector sanitario en todo el mundo.

Son ya muchos quienes consideran que estamos asistiendo a una “Cuarta Revolución Industrial”(1) en la que la IA, la edición genética o la robótica están redefiniendo integralmente la atención médica, desde la gestión de los sistemas de salud a la asistencia. También está contribuyendo a la agilización de las tareas administrativas o a la optimización de los procesos de investigación, formación y actualización científica de los profesionales(2).

La pediatría no es ajena a este proceso. El número de artículos y estudios sobre inteligencia artificial en el ámbito pediátrico ha experimentado un crecimiento casi exponencial desde 2016 y no parece que la tendencia vaya a cambiar en los próximos años(3).

Como otros especialistas, los pediatras ya están teniendo acceso a nuevas herramientas y desarrollos basados en Machine Learning (ML), que están posibilitando el diagnóstico más temprano y preciso de algunas enfermedades, lo que les facilita una mejor toma de decisiones clínicas(4).

Con el objetivo de facilitar la incorporación responsable de estas tecnologías en la práctica diaria de los profesionales, esta publicación tiene como propósito proporcionar a los interesados una visión general sobre las tecnologías que hacen posible la IA.

También exploraremos algunas de las aplicaciones más relevantes de la IA en pediatría con una visión crítica. Analizaremos su actual alcance, limitaciones, ventajas y los desafíos que supone su incorporación a la pediatría.

Conceptos clave de la inteligencia artificial

Conocer las bases tecnológicas de la IA es uno de los factores imprescindibles para que los pediatras se acerquen a estas tecnologías con seguridad.

En la primera parte de esta publicación, repasaremos algunos de sus conceptos clave, empezando por el de la inteligencia artificial (IA), que se define, habitualmente, como una disciplina de la informática orientada al desarrollo de sistemas computacionales capaces de ejecutar tareas que, por su naturaleza, exigen capacidades cognitivas propias de la inteligencia humana, como puede ser la percepción, la memoria, el aprendizaje a partir de datos, la comprensión del lenguaje natural, el razonamiento o la toma de decisiones.

El paradigma de la investigación de estos sistemas ha variado a lo largo de su historia, cuyo origen se remonta a los años 1950. En las primeras décadas de desarrollo, los investigadores centraron sus esfuerzos en construir herramientas basadas en el llamado “razonamiento simbólico”: sistemas expertos que, para resolver problemas, utilizan reglas codificadas por especialistas.

Como respuesta a las limitaciones de estos primeros desarrollos, en la década de 1980 la investigación en IA experimentó un cambio en su paradigma fundamental, centrándose desde entonces en el aprendizaje automático (Machine Learning, ML), enfoque que es, desde entonces, hegemónico.

Y que, gracias a los avances informáticos en hardware y la disponibilidad de cantidades de datos y registros electrónicos gracias a Internet, ha experimentado en los últimos 20 años un notable crecimiento.

El aprendizaje automático (ML) es una subdisciplina de la IA, centrada en el desarrollo de algoritmos que permitan a las máquinas aprender de los datos y mejorar su rendimiento en tareas específicas sin necesidad de una programación explícita.

 

Inteligencia artificial e informática tradicional

A diferencia de la informática tradicional, en la que un programador, hasta ahora humano, traduce a código informático las instrucciones y reglas que debe seguir un software para resolver una tarea, los sistemas ML encuentran las mejores soluciones para afrontarla de manera casi autónoma o, al menos, con una menor intervención humana, procesando grandes volúmenes de datos.

La construcción de este tipo de herramientas ML se lleva a cabo aplicando sobre ellas distintas técnicas estadísticas y computacionales avanzadas, con el objetivo de identificar patrones y relaciones intrínsecas en dicha información.

El resultado de este proceso de aprendizaje se denomina “modelo”, que es una representación computacional diseñada para resolver una tarea específica construida a partir de los datos procesados en su entrenamiento.

La segunda gran diferencia y ventaja de los modelos ML frente a la informática tradicional tiene que ver con su capacidad de adaptación para afrontar tareas y problemas complejos del mundo real.

Las herramientas construidas por la informática clásica son deterministas. Su respuesta será siempre igual hasta que no se modifiquen sus instrucciones de funcionamiento. Son sistemas de tipo determinista.

Por su parte, los modelos construidos con técnicas ML son capaces de identificar nuevas asociaciones en los datos si los exponemos a información no conocida antes en su entrenamiento. De esta manera, puede adaptarse y mejorar su rendimiento de manera casi autónoma, como si aprendiera de la experiencia, tal y como hacen los pediatras a lo largo de su vida profesional.

Tanto, que algunos modelos de IA han logrado ya una precisión diagnóstica de enfermedades comunes comparable a la de pediatras experimentados, empleando su capacidad para procesar grandes volúmenes de información recogida en las historias clínicas electrónicas de los pacientes(5).

El entrenamiento de los modelos

Para la construcción de estos sistemas, se emplean diferentes estrategias y técnicas de aprendizaje: supervisado, no supervisado, por refuerzo o el aprendizaje profundo (Deep Learning, DL), que, en los últimos 15 años, está acelerando de manera notable el desarrollo de mejores sistemas de IA.

Aprendizaje supervisado

El entrenamiento de este tipo de modelos se realiza aplicando técnicas matemáticas y estadísticas a conjuntos de datos previamente etiquetados, como podrían ser pruebas de imagen clasificadas, como “presencia de lesión” o “niño sano”. Los sistemas pueden llegar a aprender a clasificar con notable precisión nuevas pruebas nunca vistas, facilitando así el diagnóstico de los pacientes.

También se están desarrollando modelos predictivos para la mejora de la toma de decisiones clínicas, gracias a su capacidad para estimar la probabilidad de que suceda un evento, por ejemplo, a la hora de realizar el cribado de pacientes candidatos a hospitalización, para predecir el resultado de tratamientos de ortoqueratología infantil(6) o anticipar la aparición de sepsis graves hasta 8 horas antes que lo hagan herramientas tradicionales de cribado(7).

Aprendizaje no supervisado

Este tipo de aprendizaje se utiliza fundamentalmente para resolver tareas de tipo descriptivo que permiten el agrupamiento de datos. Los modelos se entrenan con datos no etiquetados, con el objetivo de encontrar patrones, relaciones intrínsecas en ellos que sean útiles para su agrupamiento (clusterización).

El sistema desarrollado por Shi Y et al. es capaz de hasta seis fenotipos clínicos con implicaciones pronósticas en niños y adolescentes con infección SARS-CoV-2(8).

Aprendizaje por refuerzo

El enfoque de este tipo de aprendizaje es distinto. El modelo aprenderá a lograr un objetivo mediante un ciclo iterativo de ensayo-error. Cada ciclo de aprendizaje se traduce en una señal de recompensa o penalización que modula sus respuestas futuras.

Muy recientemente, se han publicado los resultados de un modelo entrenado con técnicas de aprendizaje por refuerzo (Reinforcement Learning, RL), que es capaz de mejorar la predicción de hipoglucemia en pacientes pediátricos con DM1 con aproximadamente 30 minutos de antelación(9).

Aprendizaje profundo

Por último, mencionaremos el aprendizaje profundo (Deep Learning, DL), que es un subtipo del Machine Learning capaz de dar respuesta a problemas y tareas aún más complejas, gracias a su capacidad para procesar grandes volúmenes de datos etiquetados y no etiquetados utilizando redes neuronales.

Se está utilizando para mejorar la precisión y velocidad del diagnóstico y predicción de enfermedades pediátricas por imagen o el modelado de datos, o como herramienta de apoyo a la toma de decisiones clínicas y la planificación y personalización de tratamientos en niños.

La capacidad de procesar el lenguaje natural de algunos de los modelos entrenados con este enfoque está ayudando a optimizar el flujo de trabajo clínico y asistencial de los pediatras y como herramientas de soporte en los procesos de aprendizaje e investigación.

Los sistemas construidos con técnicas de Machine Learning pueden ser tan simples, como modelado estadístico de una regresión lineal con técnicas de aprendizaje supervisado, o tan complejos como las redes neuronales de O3/O4 mini, dos de los últimos desarrollos de inteligencia artificial generativa entrenadas con técnicas Deep Learning por OpenAI.

La inteligencia artificial es una disciplina académica perteneciente a la informática.
Machine Learning (aprendizaje automático) es un enfoque dentro de la IA que nos permite construir herramientas de manera casi autónoma procesando datos.
Deep Learning es una técnica específica del ML basada en redes neuronales profundas.
Modelo es cada una de las herramientas construidas con técnicas ML/DL.

Todos estos métodos de aprendizaje tienen una base común: el aprendizaje basado en los datos de entrenamiento, que son los que, en último término, son responsables de la calidad y fiabilidad de los modelos.

Ramas de investigación y desarrollo de la IA

En la primera parte de este artículo hemos repasado algunos de los conceptos clave de la inteligencia artificial. Para facilitar la comprensión de sus aplicaciones prácticas a la pediatría, organizaremos las distintas soluciones en cinco grandes ramas de investigación y desarrollo.

• La percepción computacional. En esta rama agruparemos un conjunto muy heterogéneo de desarrollos de IA, que permiten a los sistemas informáticos recibir e interpretar información del mundo real, imitando los sentidos humanos.

En la última década, la IA ha logrado notables avances aplicados a la visión artificial (imagen y vídeo), el procesamiento del sonido y reconocimiento del habla, la percepción táctil gracias al desarrollo de sensores hápticos o el uso de sensores químicos capaces de detectar y analizar compuestos asociados a enfermedades.

También podemos incluir en esta rama los sistemas de monitorización dentro y fuera del entorno hospitalario que permiten la supervisión continua de parámetros relevantes de la salud del paciente pediátrico (temperatura, frecuencia cardiaca, saturación de oxígeno, presión arterial, niveles de glucosa…) por medio de dispositivos inteligentes.

Tal y como comentaremos a continuación, el modelado computacional de toda esta información abre la puerta a la generación de nuevo conocimiento (inteligencia artificial en apoyo de la investigación) y la mejora en la toma de decisiones clínicas.

• Generación de conocimiento y mejora en la toma de decisiones. Se refiere a la IA “tradicional” (también denominada inteligencia artificial discriminativa), que permite a los investigadores extraer conocimiento de grandes conjuntos de datos gracias al modelado estadístico computacional, aplicando técnicas Machine Learning y Deep Learning.

Desde mediados de la década de 2010, la atención de una gran parte de los investigadores se ha centrado en la creación de sistemas Machine Learning/Deep Learning, que faciliten a los profesionales el diagnóstico, pronóstico o planificación terapéutica de pacientes pediátricos con enfermedades infecciosas, metabólicas, neurológicas o genéticas, utilizando los datos clínicos recogidos en los registros electrónicos de salud.

Modelos que, por ejemplo, están demostrando una notable precisión en la detección de sepsis y la predicción del deterioro clínico en pacientes en unidades de cuidados intensivos neonatales y pediátricos, lo que, además de mejorar la asistencia y cuidados, permite la optimización de los recursos disponibles en ellas(7).

También están experimentando un notable avance los sistemas que facilitan la interpretación de pruebas de imagen (radiografías, resonancias magnéticas, ecocardiogramas…), haciendo más fácil la detección anticipada de patologías, como la neumonía, tumores cerebrales o las anomalías cardiacas congénitas(1).

En endocrinología pediátrica, la IA se está empleando en la detección de hipoglucemia, el ajuste de las dosis de insulina, el cribado de retinopatía diabética, la determinación de la edad ósea y la detección de nódulos tiroideos(10).

En enfermedades crónicas, los sistemas de IA están facilitando la monitorización remota de pacientes pediátricos, la predicción de complicaciones o la estratificación del riesgo(11).

La lista de aplicaciones de esta rama de la inteligencia artificial en investigación es amplísima. Su uso en grandes conjuntos de datos (big data) está permitiendo encontrar patrones ocultos y relaciones profundas en la información, muy útiles a la hora de realizar clasificaciones, predicciones, la detección de valores atípicos o su clusterización.

• Procesamiento del lenguaje natural (PLN). Desde casi su nacimiento, como disciplina, los investigadores y desarrolladores de la IA han tratado de resolver el problema de la comunicación hombre-máquina.

El reciente desarrollo de los grandes modelos de lenguaje (Large Language Models, LLM) logra que los sistemas informáticos sean capaces de recoger, procesar, interpretar y generar el lenguaje humano.

Da igual el formato (texto, audio…) o el idioma. Los modelos generativos de texto, de los que hablaremos más adelante, han resuelto muy eficazmente el reto del procesamiento del lenguaje natural (PLN) y la generación de voces sintéticas.

Esta tecnología está en la base de los nuevos chatbots inteligentes de texto/vídeo o soluciones telefónicas, como la ofrecida por Lola de Tucuvi, un desarrollo español que permite el seguimiento controlado de pacientes(12).

O los sistemas de dictado/reconocimiento de voz (IA ambiental), que son capaces de recoger los datos clínicos relevantes de la conversación médico-paciente en consulta, transcribiéndolos de manera estructurada en la historia clínica digital.

También se están investigando y desarrollando sistemas para la optimización de los flujos de trabajo clínico, la mejora de la información recogida en las historias clínicas electrónicas…

Sus aplicaciones son también numerosísimas.

• La incorporación de funcionalidades “inteligentes” desarrolladas con técnicas ML/DL a sistemas robóticos quirúrgicos utilizados en pediatría está logrando mejoras en el resultado en neurocirugía, cirugía cardiaca, cirugía otológica y reconstrucción maxilofacial, en las que la IA actúa como asistente en la toma de decisiones intraoperatorias(13).

• Por último, hablaremos de la IA generativa, la rama de investigación que se ocupa de desarrollar sistemas capaces de procesar y generar contenido original en distintos formatos (texto, imagen, vídeo, voz, música…) a demanda del usuario (Tabla I).

 

Su incorporación a la pediatría está suponiendo una revolución en la práctica clínica. Los profesionales empiezan a tener a su disposición herramientas de apoyo en la toma de decisiones clínicas, como Sermas GPT, a disposición de los profesionales de la Comunidad de Madrid(14); o Glass Health, una plataforma de inteligencia artificial diseñada para ayudar a los médicos y profesionales de la salud en su toma de decisiones clínicas (https://glass.health/).

Estos sistemas permiten además un acceso más fácil al conocimiento médico, lo que está acelerando sus procesos de actualización y formación continuada, con soluciones como Openevidence (https://openevidence.com/), que recientemente ha llegado a acuerdos para ofrecer los contenidos de The New England Journal of Medicine o JAMA Network.

También se están utilizando para agilizar el proceso de investigación y publicación científica: desde la generación de ideas y la revisión de la literatura hasta el análisis de datos o la revisión de manuscritos antes de su publicación.

Así lo hemos hecho los autores de este artículo. Para prepararlo, hemos empleado distintas herramientas de inteligencia artificial generativa, como asistentes en la búsqueda y gestión de las fuentes. También hemos utilizado herramientas de IA para mejorar la ortografía, claridad, estilo y coherencia del texto (Tabla I).

Consideraciones finales

La implementación de la inteligencia artificial en pediatría exige un abordaje cauteloso y responsable por parte de los profesionales.

En lo que tiene que ver con la IA generativa, estamos hablando de tecnologías inmaduras en manos de usuarios inexpertos. Por su naturaleza probabilística, estos sistemas pueden proporcionar información incompleta, inexacta, sesgada o basada en fuentes no contrastadas.

El juicio humano y el pensamiento crítico son indispensables. Ninguno de los sistemas hoy disponibles es suficientemente fiable y riguroso como para sustituir a un pediatra. La IA puede ser una herramienta de apoyo y soporte, pero no tiene la madurez y fiabilidad suficiente como para reemplazar el juicio humano.

El desarrollo de herramientas capaces de mejorar la toma de decisiones clínicas aplicando técnicas de modelos estadísticos de la IA clásica (o discriminativa) se enfrenta a la falta de datos pediátricos. Los disponibles para la investigación son muy heterogéneos y no siempre tienen la suficiente calidad.

El futuro de la IA en pediatría es prometedor, pero para que este potencial se materialice en consulta, de forma segura, es imprescindible priorizar la formación de los pediatras para que conozcan su alcance y limitaciones.

 

Bibliografía

1. Can Demirbas K, Yıldız M, Saygılı S, Canpolat N, Kasapçopur Ö. Artificial Intelligence in Pediatrics: Learning to Walk Together. Turk Arch Pediatr. 2024; 59: 121-30. Disponible en: https://doi.org/10.5152/TurkArchPediatr.2024.24002.

2. Liberatore G, Brenner J, Franco J Jr, Milanaik R. The potential of artificial intelligence to transform medicine. Curr Opin Pediatr. 2025; 37: 289-95. Disponible en: https://doi.org/10.1097/MOP.0000000000001452.

3. Galdo B, Pazos C, Pardo J, Solar A, Llamas D, Fernández-Blanco E, et al. Anales de Pediatría, Inteligencia artificial en pediatría: actualidad y retos. 2024; 100: 195-201. Disponible en: https://doi.org/10.1016/j.anpedi.2024.02.006.

4. Ganatra HA. Machine Learning in pediatric healthcare: Current trends, challenges, and future directions. Journal of Clinical Medicine. 2025; 14. 807. Disponible en: https://doi.org/10.3390/jcm14030807.

5. Liang H, Tsui BY, Ni H, Valentim CCS, Baxter SL, Liu G, et al. Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nat Med. 2019; 25: 433-8. Disponible en: doi:10.1038/s41591-018-0335-9.

6. Fang J, Zheng Y, Mou H, Shi M, Yu W, Du C. Machine learning for predicting the treatment effect of orthokeratology in children. Front Pediatr. 2023; 10: 1057863. Disponible en: https://doi.org/10.3389/fped.2022.1057863.

7. Kamaleswaran R, Akbilgic O, Hallman MA, West AN, Davis RL, Shah SH. Applying Artificial Intelligence to Identify Physiomarkers Predicting Severe Sepsis in the PICU. Pediatr Crit Care Med. 2018; 19: e495-e503. Disponible en: https://doi.org/10.1097/PCC.0000000000001666.

8. Shi Y, Strobl R, Berner R, Armann J, Scheithauer S, Grill E. Six clinical phenotypes with prognostic implications were identified by unsupervised machine learning in children and adolescents with SARS-CoV-2 infection: results from a German nationwide registry. Respir Res. 2024; 25: 392. Disponible en: https://doi.org/10.1186/s12931-024-03018-3.

9. Cakiroglu MO, Kurban H, Aljihmani L, Qaraqe K, Petrovski G, Dalkilic MM. A reinforcement learning approach to effective forecasting of pediatric hypoglycemia in diabetes I patients using an extended de Bruijn graph. Sci Rep. 2024; 14: 31251. Disponible en: https://doi.org/10.1038/s41598-024-82649-4.

10. Dimitri P, Savage MO. Artificial intelligence in paediatric endocrinology: conflict or cooperation. J Pediatr Endocrinol Metab. 2024; 37: 209-21. Disponible en: https://doi.org/10.1515/jpem-2023-0554.

11. Kerth JL, Hagemeister M, Bischops AC, Reinhart L, Dukart J, Heinrichs B, et al. Artificial intelligence in the care of children and adolescents with chronic diseases: a systematic review. Eur J Pediatr. 2024; 184: 83. Disponible en: https://doi.org/10.1007/s00431-024-05846-3.

12. TUCUVI – Clinically Validated AI for Healthcare (n.d.). Tucuvi.com. Disponible en: https://www.tucuvi.com/es.

13. Huang AE, Valdez TA. Artificial Intelligence and Pediatric Otolaryngology. Otolaryngol Clin North Am. 2024; 57: 853-62. Disponible en: https://doi.org/10.1016/j.otc.2024.04.011.

14. Comunidad de Madrid. 2025. La Comunidad de Madrid posibilita el acceso de más de 6.000 médicos de Atención Primaria a la IA para el diagnóstico de enfermedades raras. Disponible en: https://www.comunidad.madrid/noticias/2025/01/12/comunidad-madrid-posibilita-acceso-6000-medicos-atencion-primaria-ia-diagnostico-enfermedades-raras.