Guía docente de Aplicación de la Inteligencia Artificial en Entornos Sanitarios (MD9/56/1/8)

Integración estratégica de la IA en la gestión hospitalaria y los procesos asistenciales. Se estudia el impacto de la IA en la optimización de recursos, la predicción de demanda y ocupación de camas, el triaje automático y asistido, los sistemas de soporte a la decisión clínica, la vigilancia de salud pública y la mejora de la experiencia del paciente a lo largo de todo el proceso asistencial, dentro y fuera del hospital.

Competencias Básicas:

• CB6 a CB10: (Ver texto completo en Asignatura 1).

• Haber cursado las asignaturas del Módulo I: Fundamentos y Técnicas de IA para Ciencias de la Salud (Fundamentos de IA, Fundamentos de datos, Tecnologías habilitantes de la IA, Herramientas de IA), necesarias para comprender los algoritmos y arquitecturas que sustentan los casos de uso hospitalarios.
• Haber cursado Seguridad y fiabilidad de datos y sistemas de IA y Ética y responsabilidad en el uso de la IA (Módulo II), imprescindibles para abordar con criterio el Tema 5 sobre confianza y validación de resultados de IA.
• No se requieren conocimientos previos de programación; sí se asume familiaridad básica con conceptos clínicos y de gestión sanitaria propios del perfil de acceso al máster.

• C03 Conoce las implicaciones éticas y clínicas que se derivan del uso de datos y herramientas de Inteligencia Artificial en el ámbito de la Salud.
• C05 Explica el papel de la representación y visualización del dato en la interpretabilidad y confianza en la Inteligencia Artificial.
• C08 Analiza los riesgos, beneficios y limitaciones de seguridad en casos reales de Inteligencia Artificial en Salud.
• COM02 Interpreta resultados de Inteligencia Artificial y otras fuentes para la toma de decisiones clínicas adaptadas a cada paciente.
• COM08 Formula propuestas de investigación aplicada o innovación en salud con Inteligencia Artificial a partir del análisis de casos de uso.
• HD08 Aplica soluciones de Inteligencia Artificial a casos reales en salud con criterios justificados de eficacia y seguridad.
• Comprender el papel estratégico de la IA en la gestión hospitalaria y en la optimización de los procesos asistenciales.
• Analizar el funcionamiento de los Sistemas de Soporte a la Decisión Clínica (CDSS) y su integración en el flujo de trabajo del profesional sanitario.
• Evaluar herramientas de IA para la predicción de demanda, la ocupación de camas y la planificación de recursos hospitalarios (quirófanos, Urgencias).
• Conocer aplicaciones reales de IA en la vigilancia de salud pública y su relación con los sistemas de vigilancia epidemiológica existentes.
• Valorar el impacto de la IA en la experiencia del paciente y en la reducción de la carga administrativa y documental del profesional sanitario.
• Desarrollar criterio propio para decidir cuándo un resultado de IA puede emplearse de forma autónoma y cuándo requiere validación clínica humana adicional.
• Gestionar el cambio organizacional necesario para una adopción responsable y eficaz de la IA en el entorno hospitalario.

El objetivo es mostrar cómo la IA puede mejorar la interpretación de imágenes médicas y pruebas diagnósticas, optimizando la precisión y reduciendo tiempos de respuesta. Se analizarán aplicaciones en radiología, ecografía, oftalmología y anatomía patológica, entre otras, evaluando beneficios, limitaciones de seguridad e implicaciones éticas y clínicas en casos reales. Se explicará cómo la visualización de resultados puede reforzar la confianza en el diagnóstico, capacitando al estudiante para aplicar estas soluciones con criterios de eficacia y seguridad. Sin necesidad de escribir código, se promoverá la formulación de propuestas de innovación para integrar estas herramientas en la práctica clínica y apoyar la toma de decisione

• Tema 1: IA en la gestión de operaciones y logística hospitalaria: predicción de demanda, ocupación de camas y planificación de quirófanos.
  • Caso de uso: modelo de aprendizaje automático para la predicción en tiempo real de ingresos desde Urgencias y su integración en la planificación de camas de hospitalización (Revista Emergencias, 2026).
  • Caso de uso: sistema de predicción de ocupación de camas del University College London Hospital (UCLH), con reducción documentada de los tiempos de espera en Urgencias.
  • Caso de uso: algoritmos de optimización de tiempos de quirófano y priorización de intervenciones según riesgo clínico en el Hospital Virgen del Rocío (Sevilla)
• Tema 2: Sistemas de Soporte a la Decisión Clínica (CDSS) y triaje asistido por IA.
  • Caso de uso: proyecto trIAje del 061 de Andalucía, que aplica machine learning y NLP al triaje telefónico de emergencias para apoyar al médico coordinador.
  • Caso de uso: sistema de triaje en Urgencias del Hospital General Mancha Centro (Alcázar de San Juan), premiado por su capacidad de simulación de escenarios clínicos.
  • Caso de uso: Aidoc, plataforma de IA para radiología que analiza TC de forma automática y notifica con prioridad hallazgos críticos (hemorragia intracraneal, embolia pulmonar), permitiendo al CDSS priorizar qué pacientes revisa antes el radiólogo. Implantada en varios hospitales españoles; se recomienda profundizar en su vertiente de imagen médica en la asignatura correspondiente de ese módulo.
  • Caso de uso: PathAI, sistema de IA para patología digital que apoya al patólogo en el diagnóstico y la cuantificación de biomarcadores en cáncer, como ejemplo de CDSS diagnóstico fuera de la radiología.
• Tema 3: IA aplicada a la Salud Pública y vigilancia epidemiológica.
  • Caso de referencia: Red Nacional de Vigilancia Epidemiológica (RENAVE) del ISCIII, como marco sobre el que discutir el papel potencial de la IA en la vigilancia basada en indicadores y en eventos.
• Tema 4: Experiencia del paciente y personalización del flujo asistencial, incluido el seguimiento tras el alta hospitalaria y la reducción de la carga administrativa del profesional.
  • Caso de uso: TUCUVI (asistente de voz «Lola»), implantado en hospitales como el Universitario de Torrejón, el Ramón y Cajal o el Virgen de la Arrixaca para el seguimiento telefónico automatizado de pacientes tras el alta, reduciendo reingresos y descongestionando consultas. Se recomienda profundizar en su aplicación a la cronicidad en la Asignatura 11.
  • Caso de uso: Abridge, escriba clínico ambiental que transcribe la consulta y genera automáticamente la nota clínica estructurada, liberando tiempo del profesional para el contacto directo con el paciente; ampliamente adoptado en sistemas hospitalarios de EE. UU.
  • Caso de uso: pilotos españoles de «escriba digital» (Hospital Clínic de Barcelona, Hospital La Paz, grupo Quirónsalud, proyecto del SERMAS en Madrid), que aplican la misma lógica de documentación automatizada al contexto del SNS.
  • Caso de uso: Humata Health, plataforma de IA para automatizar autorizaciones previas y trámites administrativos entre proveedores y aseguradoras, como ejemplo de cómo la IA puede reducir la carga burocrática que retrasa la atención al paciente (referencia del contexto estadounidense, útil para contraste con la gestión administrativa del SNS).
• Tema 5: Confianza, validación y gobernanza de los sistemas de IA en el entorno hospitalario: criterios para decidir cuándo un resultado de IA puede usarse de forma autónoma y cuándo requiere validación clínica adicional.

Actividades Complementarias:

• Dataset: MIMIC-III (Medical Information Mart for Intensive Care), subconjunto logístico.
• Repositorio/Demo: Dashboards de gestión hospitalaria en Power BI, con datos simulados de ocupación de camas y quirófanos.
• Estudio de caso guiado: Análisis comparado de los proyectos trIAje (061 Andalucía) y del Hospital Mancha Centro, evaluando su impacto en tiempos de respuesta y seguridad del paciente.
• Plataforma Virtual: Microvídeo sobre "IA para reducir las listas de espera".

• Bibliografía Fundamental:
  • Reddy, S. "Artificial Intelligence in Healthcare".
  • Macha, MA. "Artificial Intelligence in Human Health and Diseases"
  • Beunza, J. — Lafuente, J. "Manual Práctico de Inteligencia Artificial en Entornos Sanitarios"
  • Razmi, R. "AI Doctor. The Rise of Artificial Intelligence in Healthcare. A Guide for Users, Buyers, Builders, and Investors"

• Bibliografía complementaria:
• Estrategia para el Abordaje de la Cronicidad y documentos de la Estrategia de IA en Salud del Ministerio de Sanidad;
• artículos de la Revista Emergencias sobre modelos predictivos de ingresos hospitalarios.
• Byrne, D. "Artificial Intelligence for Improved Patient Outcomes. Principles for Moving Forward with Rigorous Science"
• Bohr A, Memarzadeh K. "Inteligencia Artificial en el Ámbito de la Salud"

Enlaces Recomendados:

• Healthcare Information and Management Systems Society (HIMSS);
• Servicio Andaluz de Salud - Ayuda Digital (proyecto trIAje);
• https://lightbeamhealth.com/
• https://www.pathai.com/
• https://www.aidoc.com/eu/
• https://www.abridge.com/
• https://www.who.int/publications/i/item/9789240107663

• MD01 Clases magistrales, seminarios y exposiciones multimedia.
• MD02 Clases de ejercicios y resolución de casos prácticos, estudio de casos y discusión de trabajos y artículos.
• MD03 Supervisión de trabajos.
• MD04 Tutorías individuales y/o colectivas programadas.
• MD05 Estudio personal del estudiante.

Instrumento y Porcentaje

Rúbrica de Evaluación: Nivel y Criterios

• Bueno: Propone soluciones de gestión hospitalaria innovadoras, con impacto medible y justifica cuándo un resultado de IA requiere validación clínica adicional.
• Aceptable: Comprende la aplicación de la IA en los procesos hospitalarios y describe correctamente casos de uso reales.
• Insuficiente: No logra articular cómo la IA mejora la gestión sanitaria ni relacionar la teoría con casos reales.

Instrumento y Porcentaje

• Prueba a través de las herramientas del Campus virtual: 50%
• Asistencia y participación activa (debate-reflexión) en el desarrollo de las sesiones síncronas: 10%.
• Realización de cuestionarios y actividades online, a través de la plataforma del Campus Virtual, en sesiones síncronas: 40 %.

Rúbrica de Evaluación: Nivel y Criterios

• Excelente (9-10) - Dominio completo de los contenidos. - Excelente capacidad crítica. - Argumentación rigurosa. - Uso correcto del marco jurídico. - Soluciones innovadoras. - Excelente redacción y referencias.
• Bueno (7-8) - Comprensión sólida. - Buena aplicación práctica. - Escasas incorrecciones. - Argumentación consistente.
• Aceptable (5-6) - Conocimientos suficientes. - Aplicación limitada. - Argumentación básica. - Algunas deficiencias conceptuales.
• Insuficiente (<5) - Desconocimiento de conceptos esenciales. - Incapacidad para aplicar el marco ético. - Errores relevantes

Instrumento y Porcentaje

• Prueba a través de las herramientas del Campus virtual: 50%
• Asistencia y participación activa (debate-reflexión) en el desarrollo de las sesiones síncronas: 10%.
• Realización de cuestionarios y actividades online, a través de la plataforma del Campus Virtual, en sesiones síncronas: 40 %.

Rúbrica de Evaluación: Nivel y Criterios

• Excelente (9-10) - Dominio completo de los contenidos. - Excelente capacidad crítica. - Argumentación rigurosa. - Uso correcto del marco jurídico. - Soluciones innovadoras. - Excelente redacción y referencias.
• Bueno (7-8) - Comprensión sólida. - Buena aplicación práctica. - Escasas incorrecciones. - Argumentación consistente.
• Aceptable (5-6) - Conocimientos suficientes. - Aplicación limitada. - Argumentación básica. - Algunas deficiencias conceptuales.
• Insuficiente (<5) - Desconocimiento de conceptos esenciales. - Incapacidad para aplicar el marco ético. - Errores relevantes