Glosario de términos de IA aplicada a la medicina

Glosario actualizado con 40+ términos de IA aplicada a medicina en 2026: desde NLP clínico hasta HIPAA. Referencia clara y práctica para profesionales sanitarios.

24 mar 2026 12 min de lectura

Glosario de términos de IA aplicada a la medicina

La inteligencia artificial ya está en las consultas. Transcribe, estructura y codifica notas clínicas mientras el médico atiende al paciente.

Pero el lenguaje técnico que acompaña a estas herramientas puede convertirse en una barrera: NLP, LLM, ASR, ambient scribe, fine-tuning, alucinación… son términos que aparecen en cada demostración, en cada comparativa de productos y en cada conversación sobre adopción tecnológica.

Este glosario recoge los conceptos clave de la IA aplicada a la medicina clínica, con definiciones orientadas a profesionales sanitarios que necesitan entender qué hace realmente la tecnología antes de incorporarla a su práctica.

Inteligencia artificial (IA) y aprendizaje automático

Disciplina que desarrolla sistemas capaces de realizar tareas que tradicionalmente requieren inteligencia humana: reconocer patrones, interpretar lenguaje natural, clasificar información o generar texto coherente. En medicina, la IA se aplica a diagnóstico asistido, documentación clínica automatizada, codificación de diagnósticos y análisis de imágenes médicas.

Subcampo de la IA en el que los algoritmos aprenden patrones a partir de datos de entrenamiento, sin que cada regla esté programada manualmente. Un modelo de ML entrenado con miles de notas clínicas puede identificar automáticamente diagnósticos, extraer síntomas o clasificar el motivo de consulta.

Técnica de aprendizaje automático basada en redes neuronales artificiales con múltiples capas. El deep learning es la tecnología detrás del reconocimiento de voz médico, la generación de texto clínico estructurado y el análisis de imágenes radiológicas. Requiere grandes volúmenes de datos y capacidad de cómputo elevada, pero ofrece precisión superior en tareas complejas.

Conjunto de parámetros matemáticos resultante del entrenamiento de un algoritmo con datos. Un modelo puede ser un transcriptor de voz, un generador de texto o un clasificador de diagnósticos. Su rendimiento depende de la calidad y representatividad de los datos con los que se entrenó.

Proceso de reentrenamiento de un modelo preexistente con datos específicos de un dominio. Un modelo de lenguaje generalista puede someterse a fine-tuning con notas clínicas reales para aprender terminología médica, abreviaturas y estructura SOAP. Mejora la precisión clínica sin necesidad de entrenar desde cero.

Procesamiento del lenguaje natural (NLP)

Rama de la IA que permite a las máquinas interpretar, analizar y generar lenguaje humano. En el contexto médico, el NLP extrae información estructurada de consultas grabadas, identifica entidades clínicas (síntomas, diagnósticos, tratamientos), clasifica secciones de la nota y genera texto coherente a partir de transcripciones literales.

Técnica de NLP que identifica y clasifica términos relevantes dentro de un texto: nombres de fármacos, síntomas, procedimientos, enfermedades. Un sistema de NER clínico puede reconocer "metformina 850 mg" como medicación, "cefalea" como síntoma y "diabetes tipo 2" como diagnóstico crónico.

Aplicación del procesamiento del lenguaje natural a textos médicos, con modelos entrenados específicamente en historias clínicas, informes de alta, consultas ambulatorias y literatura biomédica. Gestiona terminología especializada, abreviaturas, negaciones ("sin fiebre"), incertidumbres ("posible neumonía") y contexto temporal ("antecedentes de").

Proceso de dividir un texto en unidades mínimas (tokens) que el modelo puede procesar: palabras, subpalabras o caracteres. La tokenización clínica debe gestionar abreviaturas médicas, símbolos matemáticos y términos compuestos como "insuficiencia cardíaca congestiva".

Reconocimiento automático de voz y transcripción

Tecnología que convierte audio hablado en texto escrito. Los sistemas ASR médicos están entrenados con vocabulario clínico, acentos regionales y condiciones acústicas de consulta (ruido ambiental, superposición de voces). La precisión del ASR determina la calidad de la transcripción inicial antes de que el modelo de NLP la estructure.

Comando de voz que activa la grabación sin intervención manual. Algunos transcriptores médicos permiten iniciar la captura diciendo una frase específica, aunque su uso en consulta es menos frecuente que la activación por botón debido a falsos positivos.

Proceso que identifica y separa las intervenciones de cada participante en una conversación. En una consulta médica, distingue las preguntas del médico de las respuestas del paciente, lo que facilita la generación posterior de notas estructuradas en formato anamnesis-exploración-plan.

Sistema de IA que captura, transcribe y estructura automáticamente la conversación médico-paciente sin que el profesional tenga que dictar ni teclear. La tecnología ambient permite al médico mantener contacto visual con el paciente mientras la IA genera una nota clínica en segundo plano. Cómo la IA transforma la consulta médica profundiza en este cambio de flujo de trabajo.

Herramienta que convierte la conversación clínica en una nota estructurada lista para integrar en la historia clínica electrónica. Combina ASR, NLP y plantillas configurables por especialidad. Qué es un transcriptor médico con IA desarrolla sus componentes técnicos y flujo de trabajo.

Modelos de lenguaje generativo

Modelo de IA entrenado con cantidades masivas de texto que es capaz de generar respuestas coherentes, resumir documentos, completar frases y responder preguntas en lenguaje natural. Los LLM en medicina pueden reformular transcripciones literales en notas clínicas estructuradas, generar resúmenes de alta o sugerir diagnósticos diferenciales a partir de síntomas descritos.

Categoría de modelos capaces de producir contenido nuevo: texto, imágenes, código o audio. En sanidad, la IA generativa se usa para redactar informes clínicos, generar plantillas personalizadas, responder preguntas de pacientes o automatizar correspondencia administrativa. LLMs en medicina: oportunidades y riesgos analiza su aplicación clínica y sus limitaciones.

Texto de entrada que guía al modelo generativo para producir una salida específica. Un prompt clínico puede ser "Resume esta transcripción en formato SOAP, destacando hallazgos positivos en exploración física". La calidad del prompt determina en gran medida la utilidad clínica de la respuesta.

Técnica de diseño y optimización de prompts para obtener respuestas precisas, completas y clínicamente relevantes de un LLM. Incluye estructurar la instrucción, aportar contexto, definir el formato de salida y usar ejemplos (few-shot prompting).

Error en el que un modelo generativo produce información inventada, pero presentada con apariencia de verosimilitud. Un LLM puede generar un nombre de fármaco inexistente, un hallazgo clínico no mencionado en la consulta o una referencia bibliográfica ficticia. Las alucinaciones son el riesgo principal al usar IA generativa sin supervisión clínica.

Capacidad de un modelo de realizar una tarea nueva a partir de un número reducido de ejemplos. Un LLM clínico puede aprender a estructurar notas de pediatría con solo tres o cuatro ejemplos previos, sin necesidad de reentrenamiento completo.

Plantillas, estructura y flujo de trabajo clínico

Formato estructurado de documentación clínica dividido en cuatro secciones: Subjetivo (síntomas referidos por el paciente), Objetivo (hallazgos exploratorios y datos analíticos), Evaluación/Assessment (diagnóstico o impresión clínica) y Plan (tratamiento, pruebas, seguimiento). Notas SOAP vs narrativas: preferencias médicas compara este formato con las notas narrativas libres.

Estructura predefinida que organiza la información de la consulta en secciones relevantes para cada especialidad. Una plantilla de pediatría puede incluir percentiles de crecimiento, vacunación y desarrollo psicomotor; una de psicología, antecedentes familiares y escalas de valoración. Las plantillas configurables mejoran la precisión clínica de la IA.

Documento médico organizado en campos o secciones con encabezados definidos, lo que facilita la búsqueda de información, la auditoría y la extracción automática de datos. Contrasta con las notas narrativas, en las que el texto fluye libremente sin divisiones explícitas.

Práctica extendida en la que el médico duplica fragmentos de notas anteriores para reducir el tiempo de escritura. Aumenta el riesgo de arrastrar información obsoleta, errores y hallazgos que no corresponden a la consulta actual. Los transcriptores médicos con IA ofrecen una alternativa generando cada nota desde cero a partir de la conversación real.

Codificación y extracción de datos clínicos

Clasificación Internacional de Enfermedades, 10.ª revisión. Sistema de códigos alfanuméricos que identifica diagnósticos, síntomas y procedimientos. La IA puede extraer automáticamente códigos CIE-10 de las notas clínicas mediante NLP, reduciendo la carga administrativa y los errores de facturación. IA y codificación de diagnósticos (CIE-10) explica el proceso técnico de esta extracción automática.

Herramienta que analiza datos del paciente y sugiere opciones diagnósticas, terapéuticas o de seguimiento. Los CDSS basados en IA integran datos de la historia clínica, guías de práctica clínica y evidencia actualizada para alertar sobre interacciones medicamentosas, contraindicaciones o diagnósticos probables.

Proceso automático de identificación y recuperación de información estructurada a partir de texto libre. Un sistema de extracción puede localizar todos los valores de HbA1c registrados en una historia clínica, identificar pacientes con hipertensión arterial no controlada o listar alergias medicamentosas documentadas.

Privacidad, cumplimiento y seguridad de datos

Marco legal de la Unión Europea que regula el tratamiento de datos personales, incluidos los de salud. Exige consentimiento informado, minimización de datos, cifrado, trazabilidad y derecho de supresión. Toda herramienta de IA médica que opere en la UE debe cumplir el RGPD. RGPD y transcripción médica con IA detalla las obligaciones técnicas y legales.

Health Insurance Portability and Accountability Act, normativa estadounidense que protege la confidencialidad de la información médica. Exige cifrado, control de acceso, auditoría de accesos y acuerdos de asociación comercial (BAA) con proveedores tecnológicos.

Técnica que cifra los datos en el dispositivo de origen y los descifra solo en el dispositivo de destino, de forma que ni siquiera el proveedor del servicio puede acceder a su contenido en tránsito o en reposo. Los transcriptores médicos que cumplen RGPD deben aplicar cifrado extremo a extremo al audio, la transcripción y las notas generadas.

Ubicación geográfica en la que se almacenan físicamente los datos. Para cumplir RGPD, los datos de salud de pacientes europeos deben permanecer en servidores dentro de la UE o en jurisdicciones con decisión de adecuación.

Archivo que registra de forma inmutable quién accedió a qué información, cuándo y desde dónde. Los sistemas médicos con IA deben conservar audit logs para demostrar cumplimiento normativo y detectar accesos no autorizados.

Evaluación y rendimiento de modelos

Proporción de predicciones correctas sobre el total de casos evaluados. En transcripción médica, mide el porcentaje de palabras transcritas correctamente (word error rate, WER).

Capacidad del modelo para detectar correctamente los casos positivos. En codificación automática de diagnósticos, una sensibilidad alta garantiza que pocas enfermedades reales queden sin codificar.

Capacidad del modelo para identificar correctamente los casos negativos, evitando falsos positivos. Un modelo de alta especificidad no asigna códigos diagnósticos a síntomas inespecíficos.

Tendencia sistemática de un modelo a favorecer ciertos grupos, patrones o resultados. Un modelo de ASR entrenado solo con hablantes de acento neutro puede tener peor rendimiento con acentos regionales. Los sesgos en IA médica pueden perpetuar desigualdades en atención sanitaria si no se detectan y corrigen durante el desarrollo.

Proceso de evaluación del rendimiento de un modelo con datos que no formaron parte del entrenamiento. La validación clínica debe incluir casos reales, diversidad de acentos, especialidades y tipos de consulta.

Preguntas frecuentes

El NLP es el campo de la IA que procesa lenguaje humano en general; un LLM es un tipo específico de modelo de NLP, entrenado con grandes volúmenes de texto y capaz de generar contenido nuevo. Todo LLM usa NLP, pero no todo sistema de NLP es un LLM.

Significa que genera información inventada pero verosímil, sin advertir al usuario de que no está respaldada por datos reales. En el contexto clínico, una alucinación puede ser un hallazgo exploratorio no mencionado, un diagnóstico no planteado o una dosis incorrecta presentada con apariencia de certeza.

No es obligatorio, pero las plantillas mejoran la estructura, la completitud y la relevancia clínica de las notas generadas. Documentación clínica con IA: guía completa repasa cómo configurarlas según especialidad.

Es una técnica que cifra los datos desde el dispositivo de captura hasta el de destino, impidiendo que terceros (incluido el proveedor del servicio) accedan al contenido. En transcripción médica, protege la confidencialidad del audio y las notas frente a brechas de seguridad o accesos no autorizados.

Sí. Los modelos ASR actuales soportan español de España y variantes latinoamericanas, con vocabulario clínico entrenado. La precisión varía según el acento, la velocidad de habla y el ruido ambiental, pero los sistemas especializados en consulta médica alcanzan tasas de error aceptables para uso clínico diario.

Un ambient scribe captura la conversación natural médico-paciente y genera automáticamente una nota estructurada. El dictado tradicional requiere que el médico dicte explícitamente cada sección, pausando la interacción con el paciente. What is an AI medical scribe? compara ambos flujos de trabajo.

Los códigos sugeridos deben revisarse siempre. La IA identifica diagnósticos con alta precisión cuando la nota es clara, pero puede proponer códigos inespecíficos, omitir lateralidad o confundir términos similares. La responsabilidad de la codificación final recae en el profesional clínico.