A estas alturas del camino, uno pensaría que la definición de “medicina basada en valor” (MBV) estaría ya consolidada. Pues no parece que esté tan clara. Una revisión reciente señalaba que sigue existiendo una “falta de aceptación del concepto y una brecha de conocimiento alrededor de un consenso claro sobre su definición”.
En un contexto donde muchos hablan de medicina de valor, pero pocos coinciden, y en el que la IA se perfila como solución para casi todo, surge una pregunta relevante: ¿puede la inteligencia artificial servir no solo para implantar modelos, sino también para ayudar a definirlos? Quizás antes de elaborar algoritmos clínicos puede comenzar por estructurar el conocimiento, sintetizar evidencia y facilitar un lenguaje común entre clínicos, gestores y pacientes.
Con esa intención, pedimos a un modelo de lenguaje (ChatGPT 5.1) que revisara documentos clave sobre MBV: informes de la OCDE, la Comisión Europea, el Instituto Europeo de Innovación y Tecnología, y artículos del New England Journal of Medicine. El resultado fue esta definición operativa:
La medicina basada en valor es una forma de organizar la atención sanitaria orientada a maximizar los resultados clínicos y experienciales que importan a los pacientes, utilizando los recursos disponibles de la forma más eficiente, equitativa y sostenible posible.
Una definición razonable —quizás no perfecta— pero sí suficientemente sólida como para construir sobre ella. En esta visión emergen cuatro dimensiones clave: resultados, eficiencia, equidad y sostenibilidad. ¿Qué puede aportar la IA en cada una de ellas?
Resultados que importan al paciente
No todo lo que cuenta está en los campos estructurados de la historia clínica. A menudo, los resultados relevantes —lo que de verdad afecta a la vida del paciente— quedan en notas libres, comentarios, informes, o directamente en su voz y experiencia.
Aquí es donde el procesamiento de lenguaje natural (PLN) puede transformar lo invisible en medible. Estos modelos permiten extraer significado de narrativas clínicas o conversaciones médico-paciente, codificar percepciones de calidad de vida, efectos adversos, malestares o barreras sociales, y convertirlos en datos analizables.
Modelos de PLN aplicados a notas clínicas están ya demostrando su utilidad para capturar dimensiones que los indicadores clásicos no registran. Esto permite ir más allá de los reingresos o las tasas de complicaciones, y empezar a medir —y valorar— el impacto real en la vida de las personas.
Eficiencia real: menos desgaste, más impacto
En un sistema que aún se mide muchas veces por número de actos, la eficiencia real es hacer lo que toca… sin despilfarrar tiempo, recursos ni energía.
La IA puede contribuir aquí con ejemplos concretos. El piloto del NHS británico con Microsoft 365 Copilot es ilustrativo. En 2025, 30.000 profesionales de 90 organizaciones ahorraron hasta 43 minutos por profesional al día. Escalado, ese ahorro supone unas 400.000 horas mensuales.
Ese tiempo liberado no es abstracto. Es tiempo que puede destinarse a atender, planificar o simplemente a respirar. En esta línea, un estudio publicado en Emergencias evaluó el uso de GPT-4 para sugerir pruebas diagnósticas a partir de notas de triaje en texto libre. Aunque fue un ensayo simulado, se estimó un ahorro de más de 14 minutos por paciente en contextos de alta demanda. No es un estándar, pero sí una dirección prometedora si se acompaña de gobernanza y validación.
Además, no es casualidad que —según una encuesta reciente de la American Medical Association— la mayoría de los médicos identifique la reducción de carga administrativa como el uso más útil de la IA en su práctica diaria.
Equidad: medir y corregir, no suponer
Un sistema de salud realmente basado en valor debe ser equitativo. Es decir, que el acceso, la calidad y los resultados no dependan del código postal, el nivel de estudios o la renta.
Pero la equidad no ocurre por inercia, hay que buscarla, medirla y corregir desigualdades. Aquí la IA también puede ayudar. Con análisis integrados de datos clínicos, sociodemográficos y geográficos, es posible detectar patrones de inequidad: zonas con peor salud, retrasos diagnósticos, menor adherencia, exclusión silenciosa. Esa información puede orientar recursos donde más se necesitan.
Eso sí: la IA no garantiza equidad por sí sola. Si se alimenta con datos sesgados, puede perpetuar las mismas brechas que ya existen. Por eso, cada avance técnico debe acompañarse de auditoría, gobernanza, transparencia y participación. Solo así la IA puede ser una herramienta de justicia sanitaria y no un nuevo factor de desigualdad.
Sostenibilidad: más allá de la eficiencia
Vivimos un momento de tensión estructural: envejecimiento poblacional, aumento de la demanda, profesionales al límite, recursos cada vez más ajustados. Si el sistema no se transforma, difícilmente resistirá.
Aquí la IA puede ser una palanca de sostenibilidad. Automatizar procesos burocráticos, prever demanda, planificar recursos con mayor precisión o apoyar decisiones estratégicas son usos que permiten ganar resiliencia.
Liberar tiempo administrativo, como ya se ha demostrado en entornos reales, puede tener un efecto en cascada: mejora la experiencia profesional, reduce el burnout, favorece la retención, aumenta la continuidad asistencial y refuerza la eficiencia global. Un círculo virtuoso. No mágico, pero sí posible.
Y todo esto solo será viable si se aplica con visión de sistema, marco ético y orientación a valor. No basta con adoptar tecnología: hay que hacerlo con propósito.
Con los pies en la tierra… pero mirando adelante
Todo lo anterior suena prometedor. Pero no debemos olvidar que buena parte de la IA médica está aún en evolución, y que muchos de sus desarrollos no han pasado evaluaciones robustas.
No se trata de esperar milagros, sino de aplicar inteligencia —humana y artificial— con sensatez, gobernanza y foco en lo que de verdad importa: la salud y la experiencia del paciente. Pero una advertencia no menor: si todo ese tiempo liberado por la IA —gracias a mejoras en planificación, triaje, automatización o reducción de burocracia— se emplea simplemente en hacer más actividad sin más valor, estaremos errando el tiro. El valor no está en hacer más cosas, sino en hacer las que realmente importan. Lo contrario sería como si una fábrica automatizara toda su cadena de producción… para seguir fabricando cosas que nadie necesita, solo que ahora más rápido. Porque, al final, no se trata solo de ganar minutos, sino de ponerlos al servicio de un sistema más humano, más inteligente y más justo. El reto no es “tener IA”, sino usarla para generar valor real.
Foto de Tobias Keller