Estadísticas de IA en atención médica 2026: adopción, FDA, precisión

Actualizado noviembre de 2026 158 citas de fuentes primarias Actualizado mensualmente

Las estadísticas de IA en atención médica para 2026 muestran que la IA clínica se está expandiendo más rápido que la evidencia que la respalda. La lista de la FDA de dispositivos médicos con IA contenía 1614 entradas con fechas de decisión hasta el 29 de junio de 2026 (FDA, jun. 2026), pero una revisión de 519 estudios sobre grandes modelos de lenguaje en atención médica halló que solo el 5 % utilizaba datos reales de atención a pacientes (JAMA, Bedi et al., ene. 2025).

La página cubre el uso hospitalario y clínico, pacientes, autorizaciones de dispositivos, escribas de IA y agotamiento profesional, precisión diagnóstica, descubrimiento de medicamentos, inversión, seguridad y regulaciones. Cada cifra enlaza con la organización que la produjo: agencias gubernamentales, reguladores, revistas con revisión por pares, y empresas de encuestas y proveedores identificados como tales. Para una perspectiva más amplia, consulte nuestras páginas sobre estadísticas de IA, estadísticas de IA generativa y estadísticas de uso de IA.

Conclusiones clave

El 71 % de los hospitales estadounidenses usaban IA predictiva integrada en su historia clínica en 2024, frente al 66 % en 2023 (ASTP/ONC, sept. 2025).
Solo el 9 % de los médicos y el 18 % del personal de enfermería afirman que nunca usan IA en el trabajo, frente a 43 % y 34 % un año antes (Wolters Kluwer, mar. 2026).
El 32 % de los adultos estadounidenses usó chatbots de IA para información o consejos de salud en el último año (KFF, mar. 2026).
El 14 % de los usuarios recientes de IA para salud dejaron de acudir a una consulta tras una respuesta de la IA, aproximadamente 14 millones de adultos estadounidenses (Gallup y West Health, abr. 2026).
El 72 % de los adultos estadounidenses considera extremadamente o muy importante que su profesional sanitario les avise cuando se usa IA en su atención (Pew Research Center, ago. 2026).
La lista de la FDA muestra 335 dispositivos con IA con fecha de decisión en 2025, frente a 235 en 2024 y 18 en 2016 (FDA, jun. 2026).
La radiología representa 1230 de los 1614 dispositivos en la lista de la FDA, es decir, el 76,2 % (FDA, jun. 2026).
En un ensayo aleatorizado con 238 médicos de consulta externa de la UCLA, un escriba de IA redujo el tiempo dedicado a las notas en 9,5 % y el otro no produjo ningún cambio significativo (NEJM AI, Lukac et al., dic. 2025).
La mamografía de cribado asistida por IA detectó 6,4 cánceres por 1000 mujeres frente a 5,0 con doble lectura estándar, y redujo la carga de lectura de estudios en 44,2 % (Lancet Digital Health, Hernström et al., feb. 2025).
Los modelos de lenguaje por sí solos identificaron las enfermedades relevantes en el 94,9 % de los escenarios médicos, pero las personas que los usaban identificaron menos del 34,5 % (Nature Medicine, Bean et al., feb. 2026).
ChatGPT Health clasificó con menos urgencia de la debida el 52 % de las emergencias de referencia en una prueba de estrés con 960 respuestas (Nature Medicine, Ramaswamy et al., feb. 2026).
La tasa de detección de adenomas en colonoscopias sin IA cayó de 28,4 % a 22,4 % después de que los endoscopistas trabajaran con IA (Lancet Gastroenterology and Hepatology, Budzyń et al., ago. 2025).
Las empresas de IA captaron el 46 % de toda la inversión en salud en 2025, más de 18 mil millones de dólares (Silicon Valley Bank, ene. 2026).
Solo el 8 % de los 50 países de la Región de Europa de la OMS que respondieron han publicado una estrategia de IA específica para la salud (WHO Europe, nov. 2025).

¿Con qué rapidez se adopta la IA en hospitales y clínicas?

Los hospitales fueron los primeros en adoptarla y aún definen cómo gobernarla. La mayoría la ejecuta dentro del software de su historia clínica, y la brecha entre los grandes sistemas y los pequeños hospitales independientes se está ampliando.

Estadísticas de IA en atención médica: proporción de hospitales estadounidenses que utilizan cada tipo de IA predictiva, 2023 y 2024 — Figura 1: La facturación y la programación fueron los usos de IA predictiva hospitalaria que más crecieron en un solo año, mientras que la puntuación de riesgo para pacientes hospitalizados ya era casi universal entre los hospitales que usaban IA predictiva. Fuente: ASTP/ONC, Hospital Trends in the Use, Evaluation, and Governance of Predictive AI, 2023-2024, sept. 2025. Gráfico publicado por la fuente, consultado el 14 oct. 2026.

¿Qué hospitales usan IA predictiva y para qué?

Los hospitales afiliados a sistemas usaban IA predictiva en un 86 % en 2024, frente al 37 % de los hospitales independientes (ASTP/ONC, sept. 2025).

El 96 % de los hospitales grandes (400 o más camas) usaba IA predictiva en 2024, contra 59 % de los pequeños (100 camas o menos) (ASTP/ONC, sept. 2025).
El 81 % de los hospitales urbanos la usaban, contra 56 % de hospitales rurales y 50 % de hospitales de acceso crítico (ASTP/ONC, sept. 2025).
El 90 % de los hospitales que usan al proveedor de historia clínica líder del mercado empleaba IA predictiva, frente al 50 % de los hospitales con otros proveedores (ASTP/ONC, sept. 2025).
El uso de IA predictiva para simplificar la facturación pasó del 36 % al 61 % en un año, y para la programación de citas, del 51 % al 67 % (ASTP/ONC, sept. 2025).
El 80 % de los hospitales usaba IA predictiva del desarrollador de su historia clínica, el 52 % herramientas de terceros y el 50 % modelos desarrollados por ellos mismos (ASTP/ONC, sept. 2025).
El 82 % de los hospitales evaluó la precisión de sus modelos predictivos, el 74 % su sesgo y el 79 % los supervisó tras su implantación (ASTP/ONC, sept. 2025).
El 74 % de los hospitales indicó que varias entidades eran responsables de evaluar la IA predictiva, el 66 % mencionó un comité específico y el 41 %, al personal de TI (ASTP/ONC, sept. 2025).

La IA predictiva abarca las puntuaciones de riesgo y los pronósticos, la capa más antigua de la IA clínica. Las diferencias siguen el tamaño del hospital, su titularidad y su proveedor de software.

¿Cuántos hospitales usan IA generativa, y funciona?

El 31,5 % de los hospitales estadounidenses (762) usaba IA generativa integrada en su historia clínica en 2024, y otro 24,7 % planeaba hacerlo dentro de un año (JAMA Network Open, Everson et al., dic. 2025).

El 32 % de los hospitales no usaba IA generativa y no tenía planes de hacerlo (JAMA Network Open, Everson et al., dic. 2025).
En una encuesta a 43 sistemas de salud estadounidenses (tasa de respuesta del 64 %), todos habían empezado al menos a desarrollar o poner a prueba notas ambientales, pero solo el 14 % las había implantado por completo (JAMIA, Poon et al., jul. 2025).
El 90 % de esos sistemas había implantado IA de diagnóstico por imagen y radiología en al menos algunas áreas (JAMIA, Poon et al., jul. 2025).
El 53 % informó de un alto grado de éxito con IA de documentación clínica, el 38 % con IA de estratificación del riesgo clínico y el 23 % con IA de gestión del ciclo de ingresos (JAMIA, Poon et al., jul. 2025).
El 77 % citó la inmadurez de las herramientas de IA como barrera, el 47 % las preocupaciones financieras y el 40 % la incertidumbre regulatoria (JAMIA, Poon et al., jul. 2025).

Los proyectos piloto son habituales y la implantación completa es rara. Los propios compradores dicen que las herramientas no están maduras.

¿Cuántos médicos y profesionales de enfermería usan IA en el trabajo?

El 54 % de 3151 médicos estadounidenses dijo usar IA en la práctica clínica, y la proporción pasó del 47 % en la primavera de 2025 al 63 % en la última oleada (Doximity, ene. 2026). Doximity gestiona una plataforma para médicos, así que considérelo un estudio de un proveedor.

El 74 % de los médicos y el 70 % del personal de enfermería usaban IA al menos una vez por semana con fines profesionales en marzo de 2026, contra 38 % y 46 % un año antes (Wolters Kluwer, mar. 2026). La encuesta del proveedor abarcó a 355 clínicos.
El 48 % de 2206 clínicos de 109 países había usado IA en su trabajo en la primavera de 2025, frente al 26 % en 2024 (Elsevier, jul. 2025). Este también es un estudio de un proveedor.
De quienes usaban IA en su trabajo, el 97 % había usado una herramienta generalista como ChatGPT y el 76 % una herramienta específica para uso clínico (Elsevier, jul. 2025).
El 21 % de los clínicos usaba IA para analizar imágenes médicas y 16 % para ayudar en decisiones clínicas, mientras que otro 48 % quería usarla con ese fin (Elsevier, jul. 2025).
La búsqueda bibliográfica fue el uso principal para el 35 % de los médicos en enero de 2026, por delante de los escribas de IA (29 %) (Doximity, ene. 2026).
Los neurólogos declararon el mayor uso (64 %), seguidos de los gastroenterólogos (61 %) y los internistas (60 %) (Doximity, ene. 2026).
El 47 % de los médicos dijo que el proceso de decisión sobre IA de su institución aún estaba evolucionando, solo el 8 % que era claro, y el 71 % citó la precisión y la fiabilidad como su principal preocupación (Doximity, ene. 2026).
Solo el 30 % de los clínicos dijo que su institución ofrecía una formación adecuada en IA y el 29 % que contaba con una gobernanza eficaz de la IA (Elsevier, jul. 2025).

Las tres encuestas difieren en el nivel de uso porque lo definen de manera distinta, desde cualquier uso en el trabajo hasta el uso profesional semanal. Coinciden en la tendencia y en que la formación y las normas van por detrás de las herramientas.

¿Cuántos pacientes usan IA para preguntas de salud, y confían en ella?

Los pacientes van por delante de sus profesionales sanitarios. Más de una cuarta parte de los adultos ya consulta a un chatbot sobre su salud, a menudo porque una consulta médica es demasiado lenta, cara o displicente.

Proporción de adultos estadounidenses que opinan que un profesional sanitario debe avisarles cuando se usa IA en cada tarea de atención médica, 2026 — Figura 2: Ocho de cada diez estadounidenses quieren que se les avise cuando la IA interpreta una imagen diagnóstica, hace un diagnóstico o explica resultados de laboratorio, e incluso para la programación de citas hay un apoyo mayoritario a que se les informe. Fuente: Pew Research Center, Americans want transparency when AI is used in their healthcare, jun. 2026. Gráfico publicado por la fuente, consultado el 14 oct. 2026.

¿Qué proporción de adultos pide consejos de salud a la IA?

El 25 % de los adultos estadounidenses ha usado una herramienta de IA o un chatbot para información o consejos de salud, según un panel de Gallup de 5660 adultos (Gallup y West Health, abr. 2026).

Eso equivale a más de 66 millones de estadounidenses (West Health, abr. 2026).
El 29 % de los adultos usó IA en el último año para informarse sobre su salud física y el 16 % sobre su salud mental (KFF, mar. 2026).
El 28 % de los adultos de 18 a 29 años usó IA para consejos de salud mental, frente al 8 % de quienes tienen 50 años o más (KFF, mar. 2026).
El 27 % de los adultos usó IA para buscar síntomas o información general de salud, 19 % para entender resultados de análisis y 16 % para decidir si acudir al médico (KFF, mar. 2026).
El 65 % de los usuarios de IA para salud citó la rapidez y la inmediatez de los consejos como una razón importante, el 19 % no podía pagar a un profesional sanitario y el 18 % no tenía uno habitual o no pudo conseguir cita (KFF, mar. 2026).
El 59 % de los usuarios recientes buscó información con IA antes de una consulta médica y el 56 % después (Gallup y West Health, abr. 2026).
El 21 % de los usuarios recientes dijo que usaba IA porque un profesional sanitario los había desatendido o ignorado en el pasado (Gallup y West Health, abr. 2026).
El 61 % de los usuarios recientes usaba IA conversacional generalista como ChatGPT o Copilot, y el 55 % resúmenes de IA integrados en la búsqueda web (Gallup y West Health, abr. 2026).
Más de 40 millones de personas hacen preguntas sobre salud a ChatGPT todos los días, y uno de cada cuatro de sus 800 millones de usuarios regulares envía cada semana una consulta sobre salud (OpenAI, ene. 2026). Son datos de uso del propio proveedor.

Los pacientes ahora consultan a un asistente antes de llamar a una clínica, de modo que qué páginas cita un asistente sobre un consultorio se ha convertido en una pregunta medible.

¿Confían los pacientes en las respuestas de IA sobre salud?

Solo parcialmente. El 4 % de los usuarios recientes de IA para salud confía plenamente en la exactitud de lo que obtienen (Gallup y West Health, abr. 2026).

El 33 % de los usuarios recientes confía en la información de salud de la IA, el 33 % ni confía ni desconfía y el 34 % desconfía (Gallup y West Health, abr. 2026).
El 11 % de los usuarios recientes dijo que la IA les recomendó consejos de salud que consideraban poco seguros (Gallup y West Health, abr. 2026).
El 69 % de los adultos que usaron IA para consejos de salud física confía mucho o bastante en ella, frente al 18 % de los adultos que no la usaron (KFF, mar. 2026).
El 58 % de quienes usaron IA para consejos de salud física consultó después a un médico, y el 42 % de los usuarios por salud mental consultó a un profesional (KFF, mar. 2026).
El 77 % de los adultos está preocupado por la privacidad de la información médica proporcionada a herramientas de IA, pero el 41 % de los usuarios de IA para salud ha subido resultados de análisis o notas del médico (KFF, mar. 2026).
En una encuesta de 2022 a 11 004 adultos, el 60 % dijo que se sentiría incómodo si su propio profesional sanitario recurriera a la IA para diagnosticar enfermedades y recomendar tratamientos (Pew Research Center, feb. 2023).
En esa encuesta, el 57 % esperaba que la IA empeorara la relación entre paciente y profesional sanitario, frente al 13 % que esperaba que la mejorara (Pew Research Center, feb. 2023).

Los pacientes se sienten cómodos usando un chatbot por su cuenta, y menos cuando se interpone entre ellos y un clínico.

¿Quieren los pacientes que se les avise cuando se usa IA en su atención?

Sí. El 81 % quiere que un profesional sanitario les avise cuando la IA analiza imágenes diagnósticas o hace un diagnóstico, y el 56 % quiere que se les avise incluso cuando programa una cita (Pew Research Center, ago. 2026).

El 80 % quiere que se les avise cuando la IA explica resultados de laboratorio y el 64 % cuando gestiona renovaciones de recetas (Pew Research Center, ago. 2026).
El 53 % de los adultos dice que tiene poca o ninguna capacidad de decisión sobre si un profesional sanitario usa IA en su atención (Pew Research Center, ago. 2026).
El 63 % quiere más capacidad de decisión sobre el uso de IA en su atención, frente al 21 % que está conforme con la que tiene (Pew Research Center, ago. 2026).
Solo el 16 % dice que un profesional sanitario ha usado IA en su atención, el 37 % dice que ninguno lo ha hecho y el 46 % no está seguro (Pew Research Center, ago. 2026).
Entre pacientes que saben que se usó IA, el 22 % entiende bien cómo se usó y el 32 % lo entiende poco o nada (Pew Research Center, ago. 2026).

La encuesta se realizó en junio de 2026, cuando los hospitales ya estaban usando IA para notas e imágenes diagnósticas.

¿Cuántos dispositivos médicos de IA ha autorizado la FDA, y qué evidencia los respalda?

La lista de dispositivos crece cada año, y casi todo es software de diagnóstico por imagen autorizado por comparación con dispositivos anteriores en lugar de haberse probado en nuevos ensayos.

Dispositivos médicos de IA autorizados por la FDA por año, de 1995 a 2025, con el total acumulado — Figura 3: Las autorizaciones anuales de dispositivos médicos de IA por parte de la FDA se mantuvieron en una sola cifra hasta 2016 y superaron las 250 en 2025, con el total acumulado por encima de 1300. La lista de la FDA ha incorporado desde entonces más entradas para 2025, por lo que las cifras del texto son más altas. Fuente: Stanford HAI, AI Index Report 2026, Medicine chapter, abr. 2026, a partir de datos de la FDA. Gráfico publicado por la fuente, consultado el 14 oct. 2026.

¿Cuántos dispositivos con IA se autorizan cada año?

El total acumulado superó los 1000 dispositivos en 2024, y en diciembre de 2025 la FDA había autorizado 1357 dispositivos con IA de 693 empresas en 17 especialidades clínicas (Stanford HAI, abr. 2026).

La lista contenía 863 entradas con fecha de decisión hasta 2023, 1098 hasta 2024 y 1433 hasta 2025, según el recuento de filas de su descarga en CSV (FDA, jun. 2026).
Contiene 181 entradas fechadas en el primer semestre de 2026, frente a 176 en el primer semestre de 2025 (FDA, jun. 2026).
El AI Index contabilizó 258 autorizaciones hasta septiembre de 2025, ya más que en cualquier año completo anterior (Stanford HAI, abr. 2026).
98 nuevas empresas entraron en el mercado en 2025, tras 109 en 2024 y 103 en 2023 (Stanford HAI, abr. 2026).
Siemens Medical Solutions USA tiene 56 entradas, Canon Medical Systems 42 y Aidoc Medical 30 (FDA, jun. 2026).
El número de dispositivos de IA relacionados con imágenes autorizados por la vía 510(k) alcanzó 246 en 2025, frente a 16 en 2016 (Stanford HAI, abr. 2026).

La FDA señala que su lista no es exhaustiva y que identifica los dispositivos principalmente por términos relacionados con la IA en sus resúmenes (FDA, jun. 2026). Las cifras varían según la fecha porque los resúmenes de las decisiones se añaden más tarde.

¿Qué especialidades y vías de aprobación predominan?

Casi todos los dispositivos de IA siguen la vía 510(k): 1553 de las 1614 entradas (96,2 %) llevan número 510(k), frente a 40 entradas De Novo y 21 PMA (FDA, jun. 2026).

Cardiología ocupa el segundo lugar con 154 entradas (9,5 %) y neurología el tercero con 73 (4,5 %) (FDA, jun. 2026).
Anestesiología tiene 30 entradas, gastroenterología y urología 27, hematología 22, y patología y oftalmología 10 cada una (FDA, jun. 2026).
81 entradas ajenas a la radiología tienen fecha de decisión en 2025, frente a 7 en 2016 (FDA, jun. 2026).
Los planes de control de cambios predeterminados, que permiten actualizaciones acordadas de antemano tras la autorización, se utilizaron en aproximadamente el 10 % de las autorizaciones de 2025 (Stanford HAI, abr. 2026).
Una revisión de 1016 autorizaciones halló más de 100 dispositivos que usan IA para generar datos, y ninguno que incorporara un gran modelo de lenguaje (npj Digital Medicine, Singh et al., jul. 2025).
La FDA indica que estudiará formas de identificar los dispositivos que usan modelos de base, desde grandes modelos de lenguaje hasta sistemas multimodales (FDA, jun. 2026).

La vía 510(k) evalúa si un dispositivo es sustancialmente equivalente a uno anterior. No exige un nuevo ensayo clínico.

¿Cuán sólida es la evidencia, y con qué frecuencia se retiran del mercado los dispositivos?

Las retiradas son poco frecuentes pero se concentran al principio: 60 de 950 dispositivos con IA (6,3 %) estuvieron asociados a 182 retiradas, y el 43,4 % de ellas ocurrió dentro de los 12 meses posteriores a la autorización (JAMA Health Forum, Lee et al., ago. 2025).

Esta tasa de retiradas tempranas es aproximadamente el doble de la notificada para todos los dispositivos 510(k), y el 59,3 % de las retiradas no estaba resuelto al terminar el estudio (JAMA Health Forum, Lee et al., ago. 2025).
La supervivencia sin retiradas fue del 96,6 % al año, del 93,5 % a los tres años y del 91,8 % a los cinco años (JAMA Health Forum, Lee et al., ago. 2025).
Las empresas que cotizan en bolsa fabricaron el 53,2 % de los dispositivos, pero concentraron el 91,8 % de las retiradas (JAMA Health Forum, Lee et al., ago. 2025).
La falta de validación clínica se asoció de forma independiente con la retirada, con una razón de probabilidades de 2,8 (JAMA Health Forum, Lee et al., ago. 2025).
En otro estudio de 903 dispositivos autorizados hasta agosto de 2024, 43 (4,8 %) fueron retirados tras una mediana de 458 días (JAMA Network Open, Ren et al., jun. 2026).
Los dispositivos sin información sobre estudios clínicos que los respaldaran tenían un mayor riesgo de retirada, con una razón de riesgos de 1,39 (JAMA Network Open, Ren et al., jun. 2026).

Ambos estudios apuntan en la misma dirección: los dispositivos con menos pruebas clínicas fallan más a menudo tras su lanzamiento.

¿Qué cambian los escribas de IA y la automatización para los clínicos, y quién paga?

Los escribas son la primera IA clínica que llega al uso rutinario. La evidencia de los ensayos es real, pero menor de lo que sugieren las encuestas anteriores y posteriores a su adopción.

Efecto de la IA ambiental en la realización profesional y el agotamiento en un ensayo aleatorizado con 66 profesionales — Figura 4: En un ensayo aleatorizado escalonado, la IA ambiental redujo el agotamiento en 0,44 puntos mientras que la mejora en la realización profesional fue pequeña, por lo que el beneficio es un alivio del agotamiento más que una mayor satisfacción. Fuente: NEJM AI, Afshar et al., A Pragmatic Randomized Controlled Trial of Ambient Artificial Intelligence, dic. 2025. Gráfico publicado por la fuente, consultado el 14 oct. 2026.

¿Cuánto tiempo de documentación ahorran los escribas de IA?

En el Permanente Medical Group, 7260 médicos usaron un escriba de IA en 2 576 627 consultas de pacientes entre octubre de 2023 y diciembre de 2024, y un análisis concluyó que ahorró casi 16 000 horas de documentación (Kaiser Permanente Division of Research, abr. 2025).

3447 de esos médicos usaron el escriba en al menos 100 consultas cada uno (Kaiser Permanente Division of Research, abr. 2025).
El 88 % de 102 médicos encuestados dijo que el escriba tenía un efecto positivo en la interacción durante sus consultas (Kaiser Permanente Division of Research, abr. 2025).
En el ensayo de la UCLA, los dos escribas se usaron en el 33,5 % y el 29,5 % de las consultas, y los médicos calificaron las imprecisiones clínicamente significativas como solo ocasionales (NEJM AI, Lukac et al., dic. 2025).
En un ensayo en Wisconsin con 66 profesionales, la IA ambiental generó el 38 % de 71 487 notas y redujo el tiempo dedicado a las notas en 0,36 horas al día (NEJM AI, Afshar et al., dic. 2025).
Un estudio financiado por el NHS England halló un aumento del 23,5 % en el tiempo de interacción directa con los pacientes y una reducción del 8,2 % en la duración total de las citas cuando se usaron escribas de IA (NHS England, jul. 2026).
El NHS England contrató en las Midlands a un proveedor de tecnología de voz ambiental para los 1239 consultorios de medicina general y más de 70 000 clínicos de 15 trusts (NHS England, jul. 2026).
En una evaluación de 12 019 clínicos canadienses de atención primaria inscritos, los encuestados declararon ahorrar en promedio 1,11 horas por semana en horario laboral tras seis meses (Canada Health Infoway, jun. 2026).
La proporción de notas completadas el mismo día pasó del 55,9 % a casi el 75 % en ese programa (Canada Health Infoway, jun. 2026).
Donde los escribas están ampliamente disponibles, las organizaciones indicaron al Peterson Health Technology Institute que la adopción suele situarse entre el 20 % y el 50 % (PHTI, mar. 2025).

Los ahorros son reales, modestos y desiguales. Los usuarios intensivos ganan más, y uno de los dos productos de la UCLA no mostró ningún ahorro de tiempo medible.

¿Reducen los escribas de IA el agotamiento, y qué tan grande es la falta de personal?

El agotamiento disminuyó en todos los estudios, pero los ensayos aleatorizados muestran efectos menores que las encuestas anteriores y posteriores a la adopción. En el ensayo de Wisconsin, la IA ambiental redujo el agotamiento laboral en 0,44 puntos en una escala de cinco puntos, y los autores consideraron no significativo el aumento de la realización profesional (NEJM AI, Afshar et al., dic. 2025).

En un estudio de seis sistemas con 263 clínicos, el agotamiento bajó del 51,9 % al 38,8 % tras 30 días con un escriba de IA, en un estudio con autores del proveedor de escribas Abridge (JAMA Network Open, Olson et al., oct. 2025).
En Mass General Brigham, el agotamiento entre los clínicos encuestados bajó del 50,6 % al 29,4 % a los 42 días, aunque solo el 30,4 % respondió a la encuesta (JAMA Network Open, You et al., ago. 2025).
El 45,2 % de los médicos estadounidenses declaró al menos un síntoma de agotamiento en 2023, frente al 62,8 % en 2021, y los médicos tenían un riesgo mayor que otros trabajadores estadounidenses, con una razón de probabilidades de 1,82 (Mayo Clinic Proceedings, Shanafelt et al., jul. 2025).
La AAMC prevé una escasez de hasta 86 000 médicos en Estados Unidos para 2036 (AAMC, mar. 2024).
La OMS prevé una escasez mundial de 11,1 millones de trabajadores sanitarios para 2030, y casi uno de cada cuatro médicos tiene más de 55 años (WHO, sept. 2026).
El 31 % de los clínicos estaba considerando dejar su puesto en los próximos dos años aproximadamente, y el 69 % atendía a más pacientes que hace dos años (Elsevier, jul. 2025).
El 88 % de los médicos encuestados cree que la IA puede ayudar a reducir el agotamiento y a mejorar la satisfacción laboral (Doximity, ene. 2026).

Aún se está comprobando si resuelven el agotamiento en lugar de solo aliviarlo.

¿Es rentable la IA, y cuánto dinero está entrando?

En la UCSF, los médicos que adoptaron escribas de IA ambiental generaron 1,81 unidades de valor relativo más por semana que los que no los adoptaron, lo que equivale a unos 3044 dólares al año por médico con las tarifas de Medicare de 2025, sin cambios en los rechazos de reclamaciones (JAMA Network Open, Holmgren et al., ene. 2026).

Los médicos que los adoptaron también atendieron 0,80 consultas más por semana, y 698 de los 1565 médicos (44,6 %) los habían adoptado (JAMA Network Open, Holmgren et al., ene. 2026).
El gasto en IA para salud alcanzó los 1,4 mil millones de dólares en 2025, casi el triple que en 2024, y los escribas ambientales generaron 600 millones de dólares (Menlo Ventures, oct. 2025). El informe procede de una firma de capital de riesgo, así que considérelo un estudio de un proveedor.
El 85 % del gasto en IA generativa en salud va a startups en lugar de a las empresas establecidas (Menlo Ventures, oct. 2025).
Los grandes sistemas de salud esperan que la adopción de escribas pase solo del 35 % al 40 % en tres años, y el 67 % de los prestadores ambulatorios dice que probablemente cambiará de proveedor (Menlo Ventures, oct. 2025).
Las empresas de tecnología sanitaria de EE.UU. y Europa recaudaron aproximadamente 7,2 mil millones de dólares en el primer semestre de 2026, su mejor semestre desde 2022, y las seis mayores operaciones supusieron alrededor del 50 % (Silicon Valley Bank, ago. 2026).
Grand View Research estima el mercado de 2026 en 50,7 mil millones de dólares, y prevé que alcance 505,6 mil millones de dólares en 2033 (Grand View Research, oct. 2026).
Precedence Research, en un informe de la analista Deepa Pandey, estima el mercado de 2026 en 51,20 mil millones de dólares, y prevé que alcance 744,34 mil millones de dólares en 2035 (Precedence Research, sept. 2026).
MarketsandMarkets estima el mercado de 2026 en 36,67 mil millones de dólares, y prevé que alcance 194,79 mil millones de dólares en 2031 (MarketsandMarkets, oct. 2026).

Las proyecciones de mercado para el mismo año difieren en casi 15 mil millones de dólares, porque cada firma define el mercado de forma distinta. Considere las tres como estimaciones de empresas concretas y no como hechos.

¿Qué tan preciso es el diagnóstico médico con IA, y acelera el descubrimiento de medicamentos?

Las herramientas de imagen especializadas tienen la mejor evidencia. Los chatbots generalistas son potentes cuando se prueban solos y débiles en manos de usuarios reales.

Precisión de los modelos de lenguaje solos frente a usuarios que los emplean al identificar enfermedades y la conducta a seguir en escenarios médicos — Figura 5: Los modelos de lenguaje identificaron la enfermedad relevante en casi todos los escenarios cuando se probaron solos, pero los participantes que usaban los mismos modelos no lo hicieron mejor que un grupo de control que podía usar cualquier fuente. Fuente: Nature Medicine, Bean et al., Reliability of LLMs as medical assistants for the general public, feb. 2026. Gráfico publicado por la fuente, consultado el 14 oct. 2026.

¿Mejora la IA el cribado del cáncer?

En el ensayo aleatorizado sueco MASAI con 105 934 mujeres, la sensibilidad fue del 80,5 % con cribado asistido por IA frente al 73,8 % con doble lectura estándar, y la especificidad fue del 98,5 % en ambos grupos (The Lancet, Gommers et al., ene. 2026).

Las tasas de cáncer de intervalo fueron de 1,55 por 1000 con IA frente a 1,76 sin ella, una razón de 0,88 que demuestra la no inferioridad (The Lancet, Gommers et al., ene. 2026).
El grupo de IA tuvo menos cánceres de intervalo invasivos: 75 frente a 89 (The Lancet, Gommers et al., ene. 2026).
El análisis de cribado anterior halló 270 cánceres invasivos con IA frente a 217, y ningún aumento significativo de las rellamadas ni de los falsos positivos (Lancet Digital Health, Hernström et al., feb. 2025).
En el estudio alemán PRAIM con 463 094 mujeres y 119 radiólogos, el cribado asistido por IA detectó 6,7 cánceres por 1000 frente a 5,7, una tasa un 17,6 % más alta (Nature Medicine, Eisemann et al., ene. 2025).
La tasa de rellamadas fue de 37,4 por 1000 con IA frente a 38,3 sin ella, y el valor predictivo positivo de la rellamada fue del 17,9 % frente al 14,9 % (Nature Medicine, Eisemann et al., ene. 2025).
Un sistema de mamografía con IA evaluado con datos de cribado del Reino Unido y de EE.UU. redujo los falsos positivos en un 5,7 % absoluto con los datos de EE.UU. y un 1,2 % con los del Reino Unido, y los falsos negativos en un 9,4 % y un 2,7 % (Nature, McKinney et al., ene. 2020).
En un metaanálisis de 14 estudios de imagen que comparaban directamente ambos enfoques, el aprendizaje profundo tuvo una sensibilidad agrupada del 87,0 % frente al 86,4 % de los profesionales de la salud (Lancet Digital Health, Liu et al., sept. 2019).
Solo 25 de los 82 estudios de esa revisión fueron validados externamente (Lancet Digital Health, Liu et al., sept. 2019).

El cribado es el ámbito en el que la IA ha pasado de las pruebas retrospectivas a los ensayos aleatorizados, y los resultados coinciden: se detectan más cánceres sin más falsas alarmas, y hay menos trabajo de lectura.

¿Pueden los chatbots y los modelos de lenguaje diagnosticar mejor que los médicos?

Solos, a veces; como ayuda para el médico, todavía no. En un ensayo aleatorizado con 50 médicos, el razonamiento diagnóstico obtuvo un 76 % con un modelo de lenguaje frente a un 74 % con recursos convencionales, una diferencia ajustada de 2 puntos que no fue significativa, mientras que el modelo solo obtuvo 16 puntos más que el grupo convencional (JAMA Network Open, Goh et al., oct. 2024).

En el estudio de Oxford con 1298 participantes y diez escenarios, los modelos solos eligieron la conducta correcta en promedio en el 56,3 % de los casos, y los participantes que los usaban la eligieron en menos del 44,2 % (Nature Medicine, Bean et al., feb. 2026).
ChatGPT Health se probó con 60 viñetas redactadas por clínicos en 21 áreas clínicas, y los fallos se concentraron en los extremos: 35 % en casos no urgentes y 48 % en emergencias (Nature Medicine, Ramaswamy et al., feb. 2026).
Cuando familiares o amigos restaban importancia a los síntomas en las viñetas, el triaje se desplazó hacia una atención menos urgente, con una razón de probabilidades de 11,7 (Nature Medicine, Ramaswamy et al., feb. 2026).
El orquestador MAI-DxO de Microsoft alcanzó un 80 % de precisión en 304 casos del NEJM frente al 20 % de médicos generalistas, y un 85,5 % cuando se configuró para la máxima precisión (Microsoft, Nori et al., jun. 2025). Es un preprint de un proveedor, y a los médicos se les pidió que no usaran motores de búsqueda.
De 519 estudios sobre grandes modelos de lenguaje en salud, el 44,5 % evaluó conocimientos médicos, como preguntas de exámenes de habilitación, y el 19,5 % evaluó el diagnóstico (JAMA, Bedi et al., ene. 2025).

Las puntuaciones de los benchmarks son más altas que los resultados con participantes reales. Las dos pruebas más grandes con participantes reales muestran que el acceso a un modelo capaz no produce por sí solo mejores decisiones.

¿Está la IA descubriendo medicamentos nuevos más rápido?

Los primeros indicios son buenos para llevar medicamentos a ensayos en humanos, y menos claros para lograr su aprobación. Las moléculas descubiertas por IA tuvieron una tasa de éxito del 80 % al 90 % en los ensayos de fase I, frente a aproximadamente el 40 % en la fase II, según un análisis de las carteras de desarrollo de empresas de biotecnología nativas de IA realizado por autores del Boston Consulting Group (Drug Discovery Today, Jayatunga et al., abr. 2024).

En un ensayo de fase 2a con 71 pacientes con fibrosis pulmonar idiopática, el medicamento descubierto por IA rentosertib aumentó la capacidad vital forzada en 98,4 ml con la dosis de 60 mg, frente a una caída de 20,3 ml con placebo (Nature Medicine, Xu et al., jun. 2025).
Los eventos adversos surgidos durante el tratamiento se produjeron en el 83,3 % de los pacientes con la dosis de 60 mg y en el 70,6 % con placebo (Nature Medicine, Xu et al., jun. 2025).
El centro de la FDA responsable de los medicamentos ha recibido más de 500 solicitudes con componentes de IA entre 2016 y 2023 (FDA CDER, oct. 2026).
Isomorphic Labs por sí sola ha representado aproximadamente el 15 % de toda la inversión en biofarmacia en lo que va de 2026 (Silicon Valley Bank, ago. 2026).
Las publicaciones sobre investigación de proteínas impulsada por IA crecieron aproximadamente un 71 % entre 2024 y 2025 (Stanford HAI, abr. 2026).

La fase I comprueba sobre todo la seguridad, así que una tasa de éxito alta muestra que las moléculas tienen características de medicamento, pero no que funcionen. Un resultado de fase intermedia en un ensayo pequeño es la única señal de eficacia de esta lista.

¿Qué tan segura, justa y regulada está la IA clínica?

Los reguladores están redactando normas para herramientas que rara vez se han probado en pacientes reales.

Barreras y factores facilitadores de la adopción de IA en atención médica señalados por los países de la Región de Europa de la OMS, 2024 a 2025 — Figura 6: La incertidumbre legal, y no la tecnología, es la barrera más citada para la adopción de IA en los sistemas de salud europeos, y casi todos los países dicen que unas reglas de responsabilidad claras ayudarían. Fuente: WHO Regional Office for Europe, Artificial intelligence is reshaping health systems: state of readiness across the WHO European Region, nov. 2025. Gráfico publicado por la fuente, consultado el 14 oct. 2026.

¿Con qué frecuencia falla la IA clínica?

ECRI colocó el uso indebido de chatbots de IA en salud en primer lugar de su lista de 2026 de riesgos de las tecnologías sanitarias, señalando que estas herramientas no están reguladas como dispositivos médicos ni validadas para la atención de la salud (ECRI, ene. 2026).

En 31 modelos de lenguaje, se produjeron daños graves en hasta el 22,2 % de los casos, y el 76,6 % de los errores fueron omisiones, como no recomendar una prueba crítica (NOHARM benchmark, Wu et al., dic. 2025).
Los mejores modelos superaron a los médicos generalistas en seguridad en un promedio del 9,7 % en ese benchmark (NOHARM benchmark, Wu et al., dic. 2025).
Las notas clínicas generadas por LLM tenían una tasa de alucinación del 1,47 % y una tasa de omisión del 3,45 % en 12 999 oraciones anotadas por clínicos (npj Digital Medicine, Asgari et al., may. 2025).
El Epic Sepsis Model no detectó al 67 % de los pacientes con sepsis y, al mismo tiempo, generó alertas para el 18 % de todos los pacientes hospitalizados, con un área bajo la curva de 0,63 (JAMA Internal Medicine, Wong et al., jun. 2021).
El estudio sobre la pérdida de habilidades abarcó 1443 colonoscopias en cuatro centros polacos, y la exposición a la IA se asoció con una razón de probabilidades de 0,69 para detectar adenomas sin ella (Lancet Gastroenterology and Hepatology, Budzyń et al., ago. 2025).
Un sistema de alerta de sepsis monitorizó a 590 736 pacientes en cinco hospitales, y cuando los clínicos confirmaron una alerta en un plazo de tres horas, la mortalidad hospitalaria fue 3,3 puntos porcentuales menor, una reducción relativa del 18,7 % (Nature Medicine, Adams et al., jul. 2022). Esto compara alertas confirmadas con no confirmadas, así que es una asociación.

El mismo campo produce éxitos en ensayos aleatorizados y un modelo de sepsis muy utilizado que no detectó dos de cada tres casos. La seguridad depende de la herramienta y de cómo se verifica después de su lanzamiento.

¿Está sesgada la IA clínica?

Un algoritmo de riesgo muy utilizado en Estados Unidos asignó a los pacientes negros la misma puntuación de riesgo que a pacientes blancos más enfermos; corregirlo haría pasar la proporción de pacientes negros que reciben ayuda adicional del 17,7 % al 46,5 % (Science, Obermeyer et al., oct. 2019).

El sesgo surgió porque el algoritmo predecía el gasto sanitario en lugar de la enfermedad, y se gasta menos dinero en pacientes negros con las mismas necesidades (Science, Obermeyer et al., oct. 2019).
En 21 conjuntos de datos públicos de imágenes de cáncer de piel que suman 106 950 imágenes, el origen étnico se registró en el 1,3 % de las imágenes y el fototipo de Fitzpatrick en el 2,1 % (Lancet Digital Health, Wen et al., nov. 2021).
Solo el 15,8 % de los 519 estudios sobre modelos de lenguaje evaluó la equidad, el sesgo o la toxicidad, y el 1,2 % evaluó la calibración y la incertidumbre (JAMA, Bedi et al., ene. 2025).
En la prueba de estrés de ChatGPT Health, la raza, el sexo y las barreras de acceso a la atención del paciente no mostraron efectos significativos, aunque los intervalos de confianza no descartaron diferencias clínicamente relevantes (Nature Medicine, Ramaswamy et al., feb. 2026).
Entre los estadounidenses que perciben sesgo racial en la atención sanitaria, el 51 % pensaba que más IA lo reduciría y el 15 % que lo empeoraría (Pew Research Center, feb. 2023).

El sesgo suele entrar a través de los datos de entrenamiento o del indicador sustituto elegido, por lo que rara vez aparece a menos que alguien lo mida por grupos.

¿Qué normas rigen la IA clínica?

Pocos países han redactado aún normas específicas de IA para la salud. De 50 países de la Región de Europa de la OMS, el 8 % ha desarrollado estándares de responsabilidad para la IA en salud y el 6 % tiene requisitos legales específicos para la IA generativa en salud (WHO Europe, nov. 2025).

El 86 % citó la incertidumbre legal como principal barrera para la adopción, y el 92 % dijo que unas reglas de responsabilidad claras serían el principal factor facilitador (WHO Europe, nov. 2025).
El 64 % de esos países usaba diagnóstico asistido por IA y el 50 % chatbots de apoyo a los pacientes, pero solo el 24 % ofrecía formación continua en IA a los trabajadores de la salud (WHO Europe, nov. 2025).
La guía de la OMS de enero de 2024 sobre grandes modelos multimodales establece más de 40 recomendaciones para gobiernos, desarrolladores y prestadores de atención (WHO, ene. 2024).
La norma estadounidense 45 CFR 92,210 exige que las entidades cubiertas hagan esfuerzos razonables para identificar y mitigar el riesgo de discriminación de las herramientas de apoyo a la toma de decisiones en la atención al paciente (eCFR, HHS, oct. 2026).
La guía final de la FDA sobre planes de control de cambios predeterminados para funciones de software de dispositivos con IA tiene fecha de agosto de 2025 (FDA, ago. 2025).
La FDA publicó en enero de 2026 una guía actualizada sobre software de apoyo a la decisión clínica (FDA, ene. 2026).
El Comité Asesor de Salud Digital de la FDA se reunió el 6 de noviembre de 2025 para debatir dispositivos digitales de salud mental con IA generativa (FDA, nov. 2025).
La ley AB 3030 de California, promulgada el 28 de septiembre de 2024, exige que los mensajes a pacientes generados con IA generativa incluyan un aviso legal e instrucciones para contactar con una persona, salvo que los haya revisado un profesional sanitario con licencia (California Legislature, sept. 2024).
Illinois firmó en agosto de 2025 una ley que prohíbe usar IA para ofrecer terapia o tomar decisiones terapéuticas, aunque permite los usos administrativos y de apoyo (Illinois IDFPR, ago. 2025).
La guía MDCG 2025-6 de la UE establece que un dispositivo médico que contiene un sistema de IA de alto riesgo debe cumplir al mismo tiempo el Reglamento sobre los productos sanitarios y el Reglamento de IA (European Commission, MDCG, jun. 2025).
La Joint Commission y la Coalition for Health AI publicaron en septiembre de 2025 una guía sobre el uso responsable de la IA, y planean una certificación de IA voluntaria abierta a más de 22 000 organizaciones acreditadas (Joint Commission, sept. 2025).

Las normas llegan en tres capas: derecho de dispositivos, a cargo de los reguladores; derecho de no discriminación y de divulgación, a cargo de los estados y las agencias de derechos civiles; y gobernanza voluntaria, a cargo de las entidades acreditadoras.

Metodología y fuentes

Solo incluimos una cifra después de rastrearla hasta la organización que la produjo y de abrir esa página, o la copia del repositorio del mismo artículo, para confirmar la cifra y su fecha. Las recopilaciones se siguieron hasta el estudio original o se descartaron. Los datos de gobiernos y reguladores, los artículos revisados por pares y las publicaciones estadísticas componen la mayor parte de la página. Las encuestas e informes de proveedores y editoriales comerciales (Doximity, Elsevier, Wolters Kluwer, OpenAI, Menlo Ventures, Microsoft y firmas de investigación de mercado) se nombran y etiquetan para que pueda valorarlos. Las cifras de dispositivos de la FDA proceden de las filas de la lista descargable de la FDA a 29 de junio de 2026 y se marcan como contadas. La página se actualiza cada mes.

Fuentes

Glosario

Escriba de IA (IA ambiental, tecnología de voz ambiental): software que graba una consulta y redacta la nota clínica para que el clínico la revise.
510(k), De Novo, PMA: las tres vías de la FDA para llevar un dispositivo al mercado. La 510(k) demuestra equivalencia con un dispositivo anterior, la De Novo cubre dispositivos nuevos de riesgo bajo a moderado y la PMA cubre dispositivos de alto riesgo.
PCCP: plan de control de cambios predeterminado, un plan acordado con la FDA para actualizar un dispositivo de IA tras su autorización.
EHR: historia clínica electrónica, el software que los hospitales usan para almacenar los registros de los pacientes.
IA predictiva: modelos que producen puntuaciones de riesgo o pronósticos, como el riesgo de reingreso o de sepsis.
IA generativa / LLM: sistemas que escriben texto, resúmenes o imágenes, y grandes modelos de lenguaje que impulsan los chatbots y los escribas.
ASTP/ONC: la Subsecretaría estadounidense de Política Tecnológica y la Oficina del Coordinador Nacional de Tecnología de la Información Sanitaria.
RVU: unidad de valor relativo, una medida del trabajo médico utilizada en los pagos de Medicare.
Cáncer de intervalo: un cáncer de mama hallado entre dos rondas de cribado y que el cribado no detectó.
Sensibilidad y especificidad: la proporción de casos reales que una prueba detecta, y la proporción de personas sanas que descarta correctamente.
Subtriaje: enviar a un paciente a un nivel de atención inferior al que requiere su estado.
Deskilling: pérdida de las propias habilidades de un clínico tras depender de forma rutinaria de una herramienta.
MDCG: el Grupo de Coordinación de Productos Sanitarios de la UE.

158 estadísticas de IA en atención médica en noviembre de 2026