Investigadores surcoreanos proponen un puente de IA entre clínicas locales y grandes hospitales

Una capa intermedia propuesta para un sistema de salud saturado

En 2023, los surcoreanos realizaron 18 consultas ambulatorias por persona, frente a un promedio de 6,5 en la OCDE. Con una adopción de historias clínicas electrónicas superior al 95%, el país combina una amplia infraestructura digital con una fuerte demanda de consultas. Ahora, un equipo de investigación propone usar inteligencia artificial para conectar mejor las clínicas de barrio y los grandes hospitales, en lugar de añadir otra categoría de institución médica.

La propuesta, denominada Sistema de atención de salud de nivel 1,5, se publicó en línea el 2 de septiembre de 2026 en npj Health Systems, una revista de Nature Portfolio. El equipo, dirigido por el profesor Jung Se-young, del Departamento de Medicina Familiar del Hospital Bundang de la Universidad Nacional de Seúl, describe una capa de IA que ayudaría a las clínicas a evaluar a los pacientes, intercambiar información médica, detectar riesgos de enfermedad que podrían pasar inadvertidos y vigilar enfermedades crónicas entre consultas.

El artículo de perspectiva publicado reúne pruebas procedentes de estudios clínicos independientes. No presenta un ensayo del modelo sanitario completo ni anuncia su implementación a escala nacional. Su argumento central es que las herramientas individuales de IA deben organizarse en torno a las funciones que debe cumplir la atención primaria, en lugar de introducirse como productos técnicos desconectados.

También participaron el profesor Park Sang-min, de la Facultad de Medicina de la Universidad Nacional de Seúl, y el diputado Cha Ji-ho, miembro de la Asamblea Nacional. Entre los autores que figuran en el artículo están Seong-Ho Han, Eojin Yi, Wooin Seo y Yeonsoo Kang. El equipo anunció la publicación el 17 de septiembre de 2026.

Es importante distinguir entre una propuesta y un sistema en funcionamiento. Los autores consideran que Corea del Sur es un lugar prometedor para probar el marco, pero reconocen que los incentivos, la gobernanza institucional y los mecanismos de seguimiento necesarios para respaldarlo aún no están establecidos a gran escala.

Qué haría realmente el nivel 1,5

La capa intermedia propuesta es un puente técnico entre la atención primaria y los servicios especializados. Los pacientes seguirían acudiendo a profesionales de la salud locales y recibirían atención hospitalaria cuando fuera necesario. La IA apoyaría las decisiones y el intercambio de información que conectan esos entornos.

El marco organiza ese apoyo en torno a cuatro funciones consolidadas de la atención primaria: primer contacto, coordinación, integralidad y continuidad. Estas funciones consisten en evaluar un nuevo problema de salud, mantener la coordinación de la atención entre distintos profesionales, abordar una amplia variedad de necesidades de salud y ofrecer atención a lo largo del tiempo.

Por ejemplo, una clínica podría utilizar IA para interpretar una imagen de cribado, preparar un documento de derivación y combinar un informe de alta hospitalaria con las mediciones de un dispositivo de seguimiento que el paciente usa en casa. El beneficio previsto es disponer de una visión más completa del paciente sin que los profesionales tengan que reconstruirla manualmente en cada consulta.

Los autores describen su objetivo como extender a más personas la atención atenta e individualizada asociada con la medicina de conserjería. En el resumen del artículo, el equipo de investigación califica el modelo como una alternativa escalable a ese enfoque:

«atención de conserjería para todos».

Se trata de un objetivo declarado, no de un resultado demostrado. Que una herramienta mejore una tarea concreta no demuestra que el sistema completo pueda ofrecer una atención más personalizada sin aumentar el personal o los gastos.

El cribado puede detectar enfermedades, pero también pasarlas por alto

Un ejemplo procede de un estudio prospectivo australiano que combinó fotografías automatizadas de la retina con un cribado asistido por IA para detectar glaucoma en atención primaria. Se identificó glaucoma que requería derivación, es decir, una enfermedad que justificaba una evaluación especializada, en 18 de los 161 participantes a quienes no se les había diagnosticado previamente, el 11,2%.

El artículo también presenta cifras de rendimiento que permiten poner esa tasa de detección en contexto: una sensibilidad del 65,0%, una especificidad del 94,6% y un área bajo la curva característica operativa del receptor, o AUROC, de 0,80.

La sensibilidad describe la capacidad de una prueba para identificar a las personas que tienen la enfermedad. La especificidad describe su capacidad para identificar a quienes no la tienen. La sensibilidad reportada indica que el método de cribado no detectó todos los casos. Su especificidad relativamente alta no elimina esa limitación.

El AUROC mide la capacidad de una prueba para distinguir entre casos y no casos con distintos umbrales de decisión. Un valor de 0,80 indica una capacidad útil de discriminación, pero no significa que el 80% de los pacientes haya recibido un diagnóstico correcto.

Estos resultados respaldan el uso de la IA para ampliar el cribado y ayudar a dirigir a los pacientes hacia la atención adecuada. No justifican tratar un resultado negativo como garantía de que no hay enfermedad. Esa distinción es fundamental para el modelo propuesto: el apoyo al cribado debe seguir vinculado a la evaluación clínica y a la derivación.

Una mejor derivación depende de algo más que una redacción fluida

En cuanto a la coordinación, los investigadores señalan modelos de lenguaje de gran tamaño que generan cartas de derivación e informes de alta a partir de historias clínicas electrónicas. El artículo cita una precisión de hasta el 99,25% en la generación de resúmenes sin ejemplos específicos de la tarea, además de pruebas de una gran concordancia con los resúmenes redactados por profesionales clínicos.

«Sin ejemplos específicos de la tarea» significa que el modelo realizó la tarea solicitada sin recibir ejemplos específicos para ella durante esa evaluación. No significa que el modelo nunca hubiera sido entrenado. Los modelos de lenguaje de gran tamaño reciben un entrenamiento extenso antes de que se les pida elaborar un documento médico.

El beneficio potencial es práctico. Un paciente que pasa de una clínica local a un hospital necesita un resumen claro de sus síntomas, pruebas y tratamientos. Al volver a la atención comunitaria, los cambios en la medicación y las recomendaciones de los especialistas deben acompañarlo. Automatizar un primer borrador podría reducir el tiempo dedicado a reunir esos detalles.

Sin embargo, la cifra de precisión citada corresponde a una evaluación específica. No garantiza que todas las cartas de derivación elaboradas en otra clínica sean completas o seguras. Un documento bien redactado aún puede omitir un dato crucial, por lo que el marco mantiene la responsabilidad de las decisiones de atención en manos de los profesionales.

La coordinación también se extiende más allá de los hospitales. El artículo describe una iniciativa en Nebraska que utiliza una plataforma digital de navegación de la atención para detectar necesidades sociales no cubiertas, conectar a los pacientes con recursos comunitarios y apoyar el seguimiento mediante trabajadores de salud comunitarios. Este ejemplo amplía la propuesta más allá de la generación de documentos: la información debe ayudar a conectar a los pacientes con los servicios, no limitarse a producir más texto.

Las imágenes existentes podrían revelar riesgos no detectados

El componente de integralidad plantea si la IA puede ayudar a un profesional generalista a atender más necesidades de salud del paciente a partir de información ya recopilada. Un ejemplo es el cribado oportunista, en el que se examina una imagen tomada por un motivo para buscar indicios de otra enfermedad.

En el proyecto estadounidense NOTIFY-1, la IA identificó calcio en las arterias coronarias en tomografías computarizadas de tórax ya existentes. Los depósitos de calcio pueden indicar aterosclerosis, la acumulación de placa en las arterias. Después, los investigadores notificaron los hallazgos a los profesionales clínicos y a los pacientes.

El artículo académico informa de tasas de prescripción de estatinas del 51,2% frente al 6,9% a los seis meses, una diferencia de 44,3 puntos porcentuales y una proporción de aproximadamente 7,4 veces. Las estatinas reducen el colesterol y se utilizan para disminuir el riesgo cardiovascular en los pacientes que cumplen los criterios para recibirlas.

Los informes describen las cifras como un aumento del 6,9% antes del cribado al 51,2% después. El artículo académico, en cambio, las presenta como una comparación a los seis meses y señala que ninguno de los pacientes recibía estatinas al inicio. Por tanto, la cifra del 6,9% no debe considerarse la tasa inicial de prescripción.

El resultado mide un cambio en las prescripciones, no una reducción demostrada de los infartos. También refleja una intervención combinada: detección mediante IA seguida de una notificación a médicos y pacientes. No se puede atribuir todo el efecto únicamente a la detección.

El apoyo a un diagnóstico más amplio se basa en distintos tipos de evidencia

El artículo también cita un ensayo aleatorizado sobre el uso de IA para ayudar en la espirometría, una prueba que mide cuánto aire puede exhalar una persona y con qué rapidez. Se utiliza habitualmente para evaluar trastornos respiratorios.

El apoyo a las decisiones mediante IA mejoró en 9,0 puntos porcentuales la predicción del diagnóstico que los profesionales clínicos preferían entre los distintos casos. En el caso de la enfermedad pulmonar obstructiva crónica, o EPOC, la mejora fue de 15,9 puntos porcentuales. Los intervalos de confianza del 95% reportados fueron de 4,5 a 13,3 puntos y de 9,0 a 22,7 puntos, respectivamente.

Se trata de mejoras en una tarea diagnóstica, no de pruebas de que la IA pueda tratar enfermedades respiratorias de forma independiente. Los autores sitúan estas herramientas dentro de flujos de trabajo que requieren la verificación de un profesional clínico y la derivación cuando un caso supera el ámbito de la atención primaria.

Un estudio independiente de Pickhardt y sus colegas modeló el cribado mediante IA de tomografías computarizadas existentes para detectar enfermedades cardiovasculares, osteoporosis y sarcopenia, que consiste en la pérdida de masa y función muscular. En cohortes simuladas de personas de 55 años, se proyectó que el método reduciría los costos y produciría mejores resultados clínicos a lo largo de 10 años que las estrategias de tratar a todo el mundo o no tratar a nadie.

Esta evidencia es distinta de la de un ensayo clínico. Un modelo estima resultados a partir de supuestos sobre las enfermedades, los tratamientos y los costos. Puede ayudar a evaluar si un método merece ser probado, pero los ahorros proyectados no deben presentarse como dinero que el marco propuesto en Corea ya haya ahorrado.

La atención de la diabetes podría continuar entre consultas

Para la continuidad, los investigadores se centran en información y atención que se mantienen fuera de la consulta. Los monitores continuos de glucosa recopilan mediciones frecuentes, lo que permite al equipo de atención observar patrones que podrían pasar inadvertidos con mediciones esporádicas en la clínica.

Un ensayo aleatorizado del sistema Twin Precision Treatment combinó monitorización de la glucosa, consejos de estilo de vida guiados por IA y comentarios digitales. Según el ensayo, el 71,0% de los participantes con diabetes tipo 2 logró la remisión o redujo su medicación.

Se trata de un resultado combinado. No significa que el 71,0% haya logrado la remisión ni que todas las personas de ese grupo hayan dejado la medicación. Esta distinción importa al describir lo que los pacientes podrían esperar de un programa similar.

En Emiratos Árabes Unidos, el modelo GluCare.Health combinó monitorización remota con apoyo de IA para las decisiones clínicas. El artículo informa de una disminución de 2,19 puntos porcentuales en la HbA1c, frente a 0,10 puntos porcentuales con la atención estándar, una diferencia de 2,09 puntos. La HbA1c refleja el promedio de glucosa en sangre durante aproximadamente dos o tres meses.

Ambos ejemplos corresponden a paquetes de atención, no a programas informáticos que actúan por sí solos. Los dispositivos de monitorización, el apoyo al estilo de vida y la gestión clínica acompañaron al componente de IA. Estos ejemplos respaldan la evaluación de una atención más continua, pero no demuestran que la IA por sí sola haya producido las mejoras reportadas.

Los médicos conservan la responsabilidad, con tres ciclos de seguridad

La propuesta asigna la responsabilidad del diagnóstico y el tratamiento a profesionales clínicos autorizados e instituciones de salud. La IA apoyaría la recepción de pacientes, la documentación, la priorización, la evaluación de riesgos y la monitorización, en lugar de asumir por su cuenta la responsabilidad de su atención.

La intensidad de la supervisión aumentaría según el grado de autonomía de la herramienta y las consecuencias de sus resultados. Los resúmenes administrativos y la programación de citas podrían someterse a una revisión posterior. Las prioridades de triaje y las indicaciones clínicas requerirían la revisión de un profesional antes de actuar. Los diagnósticos, las prescripciones y otras decisiones de tratamiento con consecuencias importantes requerirían confirmación profesional.

Los autores también especifican tres ciclos de seguridad: clínico, de gobernanza y de aprendizaje. En conjunto, describen la necesidad de supervisar la atención, mantener la rendición de cuentas institucional y aprovechar la experiencia posterior a la implementación para vigilar y mejorar el sistema.

Esta distinción es útil porque una evaluación satisfactoria en el laboratorio o en un entorno clínico no determina cómo funciona una herramienta una vez incorporada a la práctica diaria. Un marco que conecta varias herramientas requiere supervisar el servicio en su conjunto, además de verificar cada aplicación individual.

El mismo principio se aplica a los registros. Los investigadores proponen combinar las historias clínicas institucionales con información generada por los pacientes a partir de dispositivos portátiles, registros personales de salud y terapias digitales. También analizan el uso de terminología clínica estandarizada, como SNOMED CT, para ayudar a que distintos sistemas interpreten la misma información de manera coherente. La amplia disponibilidad de registros digitales es un punto de partida, no una prueba de que la información ya se intercambie de forma fiable entre instituciones.

Por qué Corea es un posible lugar de prueba y no un proyecto confirmado

Las 18 consultas ambulatorias por persona registradas en Corea del Sur fueron aproximadamente 2,8 veces el promedio de la OCDE, de 6,5, según las cifras citadas para 2023. Junto con el amplio uso de historias clínicas electrónicas y un seguro nacional de salud que cubre a toda la población, ese elevado volumen lleva a los investigadores a proponer que se pruebe si un mejor apoyo a la atención primaria puede reducir la fragmentación de la atención y la presión sobre los grandes hospitales.

Aun así, los autores señalan que siguen pendientes varias condiciones para la implementación: a gran escala, todavía no se han establecido incentivos alineados, consejos de gobernanza ni infraestructura para el seguimiento posterior a la implementación. La propuesta no incluye una fecha confirmada para iniciar un proyecto piloto, un plazo de implementación ni un compromiso de financiación nacional.

La cronología distingue las cifras sobre el sistema de salud de la publicación y el anuncio:

• 2023: Corea del Sur registró 18 consultas ambulatorias por persona, frente al promedio de la OCDE citado, de 6,5.
• 2 de septiembre de 2026: La perspectiva se publicó en línea en npj Health Systems, volumen 3, artículo 80.
• 17 de septiembre de 2026: El equipo de investigación anunció la publicación.

Los autores declaran no tener conflictos de intereses. Su artículo plantea una agenda para probar un modelo de prestación de servicios, no aporta pruebas de que Corea ya haya reorganizado la atención en torno a él.

El marco también propone distintos usos en otros lugares. En entornos urbanos de altos ingresos, el triaje con IA y la documentación automatizada apoyarían a clínicas que afrontan una gran demanda de especialistas y presión administrativa. En zonas rurales con pocos médicos, enfermeros y trabajadores de salud comunitarios podrían utilizar herramientas portátiles de cribado y derivar a los pacientes. En zonas de conflicto o desastre, herramientas ligeras capaces de funcionar sin conexión a internet podrían ayudar a mantener los servicios esenciales.

Se trata de adaptaciones propuestas, no de implementaciones reportadas del sistema completo. El objetivo común es aprovechar mejor la capacidad clínica existente y mantener el cribado, las derivaciones y la monitorización vinculados a una atención médica sujeta a responsabilidad profesional.

Puntos clave

• Investigadores surcoreanos proponen una capa de IA que conecte las clínicas de atención primaria con los hospitales especializados, no una nueva categoría de institución médica.
• El artículo de perspectiva de septiembre de 2026 se basa en estudios independientes; no es un ensayo del marco completo.
• Las aplicaciones abarcan el cribado, la documentación médica, la detección de una mayor variedad de enfermedades y la atención entre consultas.
• Los resultados clínicos varían según la tarea, y los beneficios de los programas de atención combinada no pueden atribuirse únicamente a la IA.
• Los profesionales clínicos conservan la responsabilidad de los diagnósticos, las prescripciones y las decisiones de tratamiento.
• Se propone a Corea del Sur como lugar de prueba, pero la gobernanza, los incentivos y el seguimiento aún no están establecidos a gran escala.
• No se ha anunciado una implementación nacional confirmada ni una fecha límite para un proyecto piloto.