Artificial Intelligence in Healthcare: 2025 Year in Review

El informe de 2025 revela una maduración significativa en la investigación de IA en salud, caracterizada por un casi duplicado en el volumen de publicaciones y una transición desde modelos de aprendizaje automático clásicos y LLMs basados en texto hacia modelos fundacionales multimodales que mejor reflejan la complejidad de la práctica clínica real.

Lo esencial

¡Claro que sí! Imagina que este artículo es como el "Informe Anual de la Gran Fiesta de la Inteligencia Artificial en la Medicina".

Aquí tienes la historia de lo que pasó en 2025, explicada como si estuviéramos tomando un café:

🏥 El Gran Crecimiento: De un chorro a una cascada

Imagina que la investigación médica sobre Inteligencia Artificial (IA) era un pequeño arroyo en 2024. En 2025, ¡ese arroyo se convirtió en una cascada gigante!

• Los números: En 2024 había unas 28,000 investigaciones. En 2025, ¡casi se duplicaron a casi 50,000! Es como si de repente, todos los médicos y científicos del mundo decidieran ponerle un superpoder de IA a su trabajo.
• La calidad: No solo hay más gente bailando, sino que más gente está bailando bien. De esas 50,000 investigaciones, unos 3,300 eran estudios "maduros". ¿Qué significa "maduro"? Significa que no eran solo teorías de laboratorio, sino herramientas que realmente podrían ayudar a un médico a tomar una decisión sobre un paciente real.

🧠 El Cambio de Chip: De "Solo Texto" a "Multitasking"

Aquí viene la parte más interesante. Durante años, la IA en medicina era como un chef que solo sabía cocinar sopa (solo entendía texto, como los informes médicos escritos).

• 2024: Fue el año de los "Grandes Modelos de Lenguaje" (LLM), esos chefs expertos en sopa.
• 2025: ¡El menú se expandió! Ahora tenemos Modelos Fundacionales Multimodales. Imagina que el chef ahora no solo sabe cocinar sopa, sino que también puede ver los ingredientes (imágenes de rayos X), escuchar los sonidos del paciente (voz) y leer la receta.
• El resultado: La IA ya no solo escribe resúmenes; ahora puede "mirar" una radiografía y "hablar" con el médico al mismo tiempo. Es como pasar de un walkie-talkie a un smartphone con cámara y video.

🏆 Los Campeones del Torneo

¿Quién lleva la mayor cantidad de trofeos (investigaciones)?

1. Radiología e Imágenes (El Rey): Sigue siendo el número uno. Piensa en esto como el campo de entrenamiento más grande. Como hay millones de fotos de rayos X, la IA ha aprendido a ser un experto en "ver" cosas que el ojo humano podría pasar por alto.
2. Administración y Educación: La IA también está ayudando a llenar papeles, organizar citas y crear material de estudio para estudiantes de medicina. Aquí, los modelos de texto siguen siendo los reyes.
3. Otros héroes: Cirugía, Oncología (cáncer) y Ojos (Oftalmología) también están usando mucho la IA para mejorar sus diagnósticos.

📉 Lo que se va y lo que llega

• Despedida: Los modelos antiguos y simples (llamados "Máquinas de Aprendizaje Clásicas") están empezando a quedarse atrás. Es como si dejáramos de usar calculadoras de bolsillo básicas para usar superordenadores.
• Llegada: Los modelos complejos y potentes (Deep Learning y Multimodales) están tomando el control.
• Un dato curioso: Por primera vez, estamos viendo un pequeño aumento en el uso de la voz (audio). ¡La IA está empezando a escuchar!

🚀 ¿Qué significa todo esto para el futuro?

El mensaje principal es que la IA en medicina ha dejado de ser un "experimento de ciencia ficción" para convertirse en una herramienta real.

• Antes: "Mira, podemos hacer una IA que escriba un poema sobre un corazón".
• Ahora: "Mira, tenemos una IA que puede analizar una foto de un corazón, escuchar el latido, leer el historial del paciente y sugerir un tratamiento".

En resumen: 2025 fue el año en que la IA médica dejó de ser un bebé que apenas balbuceaba y empezó a caminar con seguridad, aprendiendo a usar todos sus sentidos (vista, oído y lectura) para ayudar a los médicos a cuidar mejor a sus pacientes. ¡El futuro es brillante y muy inteligente!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Inteligencia Artificial en la Atención Sanitaria: Revisión del Año 2025", traducido y adaptado al español.

Resumen Técnico: Inteligencia Artificial en la Atención Sanitaria (Revisión 2025)

1. Planteamiento del Problema

El campo de la Inteligencia Artificial (IA) en la atención sanitaria está experimentando una transformación exponencial impulsada por avances en la arquitectura de modelos y la disponibilidad de datos. Sin embargo, existe una necesidad crítica de evaluar cómo está madurando este campo: ¿ha pasado de la exploración teórica a la implementación y evaluación en el mundo real?
El problema central abordado es la rápida evolución de los tipos de modelos utilizados. Mientras que años anteriores se centraron en modelos de lenguaje (LLM) basados en texto, el panorama de 2025 muestra una transición hacia Modelos Fundacionales Multimodales que reflejan mejor la naturaleza diversa de los datos clínicos (imágenes, texto, audio). El estudio busca cuantificar esta madurez, identificar las especialidades líderes y analizar el cambio de modelos tradicionales a arquitecturas de mayor capacidad.

2. Metodología

El estudio empleó un enfoque sistemático y riguroso para analizar la literatura científica publicada en 2025:

• Fuente de Datos: Búsqueda en la base de datos PubMed hasta el 31 de diciembre de 2025.
• Criterios de Búsqueda: Términos "machine learning" o "artificial intelligence" combinados con "2025".
• Filtros de Inclusión/Exclusión:
  • Inclusión: Investigación en humanos, idioma inglés, con resumen.
  • Exclusión: Pre-impresos (pre-prints), estudios en animales, robótica sin IA, revisiones sistemáticas (excluidas del conteo de "madurez" pero consideradas en el volumen total), y estudios no relacionados con la atención sanitaria.
• Clasificación de Madurez: Se utilizó un clasificador de aprendizaje profundo basado en BERT, pre-entrenado y validado manualmente, para evaluar si una publicación era "Madura".
  • Definición de Madurez: Un estudio se considera maduro si su salida tiene un impacto directo y accionable en la atención al paciente (proporcionando información a proveedores o sistemas automatizados).
• Análisis Manual: Cinco revisores anotaron manualmente las publicaciones maduras (n=3,366) para categorizarlas por:
  • Especialidad Sanitaria: 25 categorías (22 especialidades + General, Educación, Administrativo).
  • Tipo de Dato: Imagen, Texto, Tabular, Voz/Audio.
  • Tipo de Modelo: Aprendizaje Profundo (DL), Aprendizaje Automático Clásico (ML), IA General, Estadístico, Procesamiento de Lenguaje Natural (NLP), Modelos de Lenguaje Grande (LLM), Modelos de Visión Grande (FM-LVM) y Modelos Fundacionales Multimodales (FM-MM).

3. Contribuciones Clave

• Evaluación de Madurez Escalable: Validación del uso de modelos BERT para filtrar automáticamente la calidad y aplicabilidad clínica de miles de publicaciones, permitiendo un análisis comparativo año tras año.
• Análisis de la Transición Multimodal: Documentación cuantitativa del desplazamiento desde modelos unimodales (texto) hacia modelos fundacionales multimodales que integran imágenes, texto y audio.
• Desglose por Especialidad y Modelo: Proporciona el primer análisis detallado de cómo las especialidades clínicas están adoptando diferentes tipos de modelos fundacionales (LLM vs. FM-LVM vs. FM-MM).
• Identificación de Tendencias Emergentes: Detección del declive de los modelos de ML clásicos y el auge de modelos de mayor capacidad para tareas complejas.

4. Resultados Principales

• Volumen de Publicaciones:

  • Se identificaron 49,394 publicaciones en total (casi el doble que en 2024).
  • De estas, 3,366 fueron clasificadas como "maduras".
  • Tras exclusiones (revisiones, robótica, etc.), 2,966 publicaciones fueron incluidas en el análisis final (frente a 1,946 en 2024).

• Especialidades Líderes:

  • Imagenología/Radiología dominó con 976 publicaciones.
  • Le siguieron: Administrativo (277), General (251), Cabeza y Cuello (185) y Educación (181).
  • Otras especialidades destacadas: Oftalmología, Patología, Cirugía, Oncología y Gastroenterología.

• Evolución de los Modelos:

  • LLM Tradicionales: Siguen siendo los más utilizados (1,019 publicaciones).
  • Modelos Fundacionales Multimodales (FM-MM): Crecimiento explosivo, pasando de 25 publicaciones en 2024 a 144 en 2025.
  • Aprendizaje Profundo (DL): Aumento sustancial a 910 publicaciones.
  • ML Clásico: Por primera vez, se observa una disminución en el uso de modelos de ML clásicos (173 publicaciones), indicando un abandono de técnicas tradicionales en favor de arquitecturas más complejas.

• Tipos de Datos:

  • Imagen: 53.9% (predominante).
  • Texto: 38.2%.
  • Audio: 1.2% (aumento notable correlacionado con la adopción de modelos multimodales).
  • Datos Combinados: 94 publicaciones (3.1%) utilizaron múltiples tipos de datos, principalmente imagen y texto.

• Uso de Modelos Fundacionales por Especialidad:

  • En el ámbito de los modelos fundacionales, las tareas administrativas y educativas siguen dominando (impulsadas por LLMs).
  • En especialidades clínicas, Imagenología (110), Cabeza y Cuello (92), Cirugía (64), Oncología (55) y Oftalmología (49) lideran la adopción de modelos fundacionales avanzados.

5. Significado e Implicaciones

El año 2025 marca un punto de inflexión en la investigación de IA en salud:

1. Madurez del Campo: El campo ha evolucionado desde la exploración inicial hacia la validación robusta y la implementación en el mundo real. El volumen de publicaciones maduras casi se duplica, sugiriendo que la IA está pasando de ser un concepto experimental a una herramienta clínica viable.
2. Adopción Multimodal: La transición hacia modelos multimodales es crucial, ya que permite a los sistemas de IA imitar la complejidad de la práctica clínica real, donde los médicos integran imágenes, historiales escritos y sonidos (como latidos o voces).
3. Declive de lo Clásico: La disminución de los modelos de ML clásicos sugiere que, para tareas complejas de salud, la industria y la academia están optando por modelos de mayor capacidad (Foundation Models) que ofrecen mejor generalización y rendimiento.
4. Desafíos Futuros: Aunque hay un crecimiento en la implementación de IA (como scribes clínicos), el estudio nota una escasez de publicaciones sobre evaluación prospectiva, validación y análisis de costo-efectividad. Además, la aparición de "IA Agente" (Agentic AI) apenas comienza a explorarse en la literatura de 2025, pero se espera que crezca rápidamente.

En conclusión, la investigación en IA para la salud en 2025 demuestra una madurez técnica significativa, con una clara tendencia hacia sistemas multimodales que integran diversos tipos de datos para abordar problemas clínicos complejos, alejándose de las limitaciones de los modelos puramente textuales o estadísticos tradicionales.