A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

Durante décadas, las personas que más saben sobre cómo funcionan realmente los hospitales y las clínicas —médicos, enfermeros y administradores— han sido incapaces de construir las herramientas de software que necesitan. Pueden detectar un proceso defectuoso o una función faltante en el plan de atención de un paciente, pero carecen de las habilidades técnicas para escribir el código que lo solucionaría. Mientras tanto, los ingenieros de software que pueden escribir ese código a menudo no comprenden las realidades diarias de una sala de hospital. Esta brecha ha dejado a los sistemas de salud dependientes de proveedores externos y de ciclos de desarrollo lentos y costosos. Recientemente, ha surgido un nuevo tipo de inteligencia artificial que promete cerrar esta división. Estos sistemas, conocidos como modelos de lenguaje extensos, pueden entender instrucciones en lenguaje natural y convertirlas en código informático funcional. Se ha acuñado un nuevo término, "vibe coding" (codificación por sensaciones), para describir un flujo de trabajo donde el usuario actúa menos como un programador tradicional y más como un director, guiando a la inteligencia artificial con instrucciones en lenguaje natural para construir software, mientras la máquina se encarga de la escritura técnica.

Un equipo de investigadores de la Universidad de Salud y Ciencias de Oregón y del Centro Médico Kaiser Permanente Oakland se propuso mapear el panorama inicial de esta tecnología dentro del sector sanitario. Realizaron una revisión amplia de la literatura científica publicada entre enero de 2023 y diciembre de 2025, buscando cualquier instancia en la que estas herramientas de IA se utilizaran para construir software para la educación médica, la investigación o la administración hospitalaria. Su objetivo no era probar el software en sí, sino comprender dónde se estaba utilizando, qué tipo de herramientas se estaban construiendo y qué riesgos podrían estar ocultos en este cambio acelerado. Encontraron que el campo se encuentra en sus etapas más tempranas, con los primeros artículos revisados por pares apareciendo apenas a mediados de 2025. La evidencia recopilada sugiere que, si bien los clínicos ahora pueden construir software funcional sin formación formal, los marcos de seguridad y regulación para gestionar estas herramientas aún no están listos.

Los investigadores identificaron cuatro áreas principales donde este nuevo enfoque está echando raíces. El primer área, y la más activa, es la educación médica. En este dominio, médicos y educadores están utilizando la IA para crear herramientas de entrenamiento interactivas, como simulaciones para diagnosticar enfermedades o plataformas basadas en la web para la enseñanza del cuidado renal. Un estudio describió a un equipo de médicos que construyó cuatro aplicaciones educativas diferentes en un corto período de tiempo, utilizando únicamente lenguaje natural para guiar a la IA. Estas herramientas incluían una guía para analizar muestras de orina y un asistente de diagnóstico para problemas renales. Otro ejemplo destacado en la revisión es una aplicación web llamada DebriefMD, construida por un otorrinolaringólogo para ayudar a los residentes de cirugía a mejorar sus habilidades. El creador no tenía formación formal en ingeniería de software, pero utilizó una herramienta de IA para generar el código, lo que resultó en un sistema que permite a los residentes cargar notas de voz de retroalimentación de sus supervisores y recibir informes automatizados sobre su desempeño. Estos proyectos demuestran que la barrera de entrada ha descendido significamente, permitiendo a los expertos convertir sus ideas en software funcional de manera casi inmediata.

En el ámbito de la investigación biomédica, la tecnología actúa como una fuerza que abre el análisis de datos a más personas. Tradicionalmente, analizar conjuntos de datos médicos complejos requería un equipo dedicado de científicos de datos y programadores. Ahora, los investigadores están utilizando asistentes de IA para escribir el código necesario para limpiar datos, ejecutar modelos estadísticos y visualizar resultados. La revisión señaló que este cambio permite a los investigadores centrarse en las preguntas científicas en lugar de en los detalles técnicos de la implementación. Algunos investigadores incluso han utilizado estas herramientas para construir calculadoras personalizadas para estudios clínicos, como una herramienta para predecir resultados tras una cirugía ocular específica. Los autores de la revisión sugieren que esto podría democratizar el acceso a la informática biomédica, permitiendo que más clínicos lideren sus propios proyectos de investigación sin esperar el apoyo técnico.

El tercer área involucra la compleja infraestructura que mantiene en funcionamiento los hospitales, específicamente los sistemas que permiten que diferentes programas informáticos se comuniquen entre sí. Los hospitales utilizan muchos sistemas de software distintos para registros de pacientes, resultados de laboratorio e imágenes, y conectarlos ha requerido históricamente de ingenieros especializados. La revisión encontró un caso en el que un arquitecto de integración experimentado utilizó instrucciones en lenguaje natural para construir canales de datos que normalmente tardarían semanas en codificarse manualmente. Esto sugiere que, incluso para tareas de infraestructura altamente técnicas, la IA puede actuar como un amplificador de la experiencia existente, acelerando la creación de herramientas que mueven datos de pacientes entre sistemas. Finalmente, la revisión analizó las tareas administrativas, como la facturación y la programación de citas. Debido a que estas áreas implican un riesgo menor para la seguridad del paciente, se consideran un punto de partida natural para esta tecnología. Los clínicos están comenzando a construir scripts personalizados para automatizar el papeleo, rastrear derivaciones o gestionar el cumplimiento, tareas que anteriormente requerían la contratación de todo un departamento de tecnologías de la información.

Sin embargo, la revisión deja claro que la capacidad de construir software rápidamente no significa que el software sea seguro o esté listo para un uso generalizado. Los investigadores identificaron brechas significativas en seguridad y regulación. Una preocupación importante es la seguridad del código. Estudios de código generado por herramientas de IA similares han encontrado que casi la mitad de la producción contiene vulnerabilidades de seguridad, lo que podría ser peligroso en un entorno sanitario donde los datos de los pacientes deben protegerse. También existe el riesgo de que, cuando los médicos introducen sus instrucciones en estas herramientas de IA, puedan incluir accidentalmente información sensible de pacientes, la cual podría ser enviada a servidores externos. Además, el panorama legal y regulatorio es incierto. Aún no se ha definido quién es responsable si una herramienta escrita por IA comete un error que daña a un paciente. Las reglas actuales para el software médico fueron escritas para programadores humanos, y no es seguro cómo se aplican a herramientas construidas mediante una conversación con una máquina.

Para abordar estos riesgos, los autores proponen un nuevo marco para gestionar estas herramientas basado en el nivel de riesgo que representan. Sugieren que las herramientas de bajo riesgo, como las simulaciones educativas o las calculadoras de programación que no manejan datos privados de pacientes, podrían implementarse con una supervisión mínima. Las herramientas que manejan datos desidentificados o apoyan flujos de trabajo administrativos requerirían un proceso de revisión estructurado para asegurar que sean seguras y cumplan con las leyes de privacidad. El nivel más alto de escrutinio se reservaría para las herramientas que influyen directamente en las decisiones clínicas o acceden a información identificable de pacientes. Estas aplicaciones de alto riesgo tendrían que someterse a las mismas pruebas rigurosas y validación que cualquier otro dispositivo médico antes de poder ser utilizadas. Los investigadores enfatizan que el método de creación —ya sea por un humano o por una IA— no debe cambiar los requisitos de seguridad para el producto final.

La revisión concluye que, si bien el potencial de esta tecnología para transformar la atención médica es real, la evidencia actual se limita a experimentos tempranos y proyectos a pequeña escala. No existen estudios de gran envergadura que demuestren que estas herramientas mejoran los resultados de los pacientes, y muchos de los ejemplos exitosos provienen de pioneros motivados que pueden no representar al usuario promedio. Los autores argumentan que el siguiente paso no es apresurarse hacia la adopción generalizada, sino construir las salvaguardas necesarias. Esto incluye crear formas estandarizadas de probar el código generado por IA, actualizar los planes de estudio de las facultades de medicina para enseñar a los clínicos cómo usar estas herramientas de forma segura, y desarrollar reglas claras sobre quién es responsable cuando las cosas salen mal. La promesa del "vibe coding" es que permite a las personas que más saben de salud construir las herramientas que necesitan, pero alcanzar esa promesa requerirá el mismo rigor, paciencia y enfoque en la seguridad que define a la buena práctica médica.