Atención primaria: la oportunidad de IA clínica que todos están ignorando

Los roadmaps de IA clínica que he revisado en los últimos dos años tienen un patrón: radiodiagnóstico en hospitales de tercer nivel, unidades de cuidados intensivos, oncología. Presupuestos de seis cifras, equipos multidisciplinares, pilotos de 18 meses. Mientras tanto, el nivel asistencial que atiende el 80% de los contactos con el sistema sanitario apenas aparece en esas estrategias. Atención primaria está fuera del radar.

No es una crítica al trabajo que se hace en hospitales terciarios. Es una constatación: si buscas impacto poblacional, retorno a medio plazo y casos de uso técnicamente viables con presupuesto contenido, primaria debería estar en la primera línea de tu estrategia. Y no lo está.

Por qué primaria no entra en los roadmap

He preguntado a directores de innovación de tres comunidades autónomas por qué sus planes de IA clínica priorizan hospitales. Las respuestas coinciden: visibilidad política, complejidad técnica percibida, facilidad para medir impacto en entornos controlados. Un hospital de referencia que implementa un sistema de detección precoz de sepsis genera titulares. Un centro de atención primaria que reduce derivaciones inapropiadas en un 15% no sale en prensa.

Hay otra razón menos evidente: la fragmentación. Los hospitales tienen departamentos de sistemas, unidades de innovación, presupuestos centralizados. Primaria está distribuida en decenas o cientos de centros, con gestión heterogénea, infraestructura TI variable y equipos clínicos con carga asistencial que deja poco margen para pilotos. Es más fácil vender un proyecto a un director de hospital que convencer a 40 gerentes de área.

Pero esa fragmentación es precisamente donde está la oportunidad. El volumen de datos clínicos generados en primaria es varios órdenes de magnitud superior al hospitalario. Las decisiones que se toman allí —derivar o no derivar, iniciar tratamiento o esperar, intensificar seguimiento o mantener— tienen impacto directo en sostenibilidad del sistema. Y muchas de esas decisiones son candidatas naturales a soporte con IA.

Casos de uso con retorno claro y bajo coste técnico

No hablo de sistemas que reemplacen al médico de familia. Hablo de herramientas que reduzcan carga cognitiva, mejoren precisión en decisiones repetitivas y liberen tiempo para lo que requiere criterio clínico humano.

Triaje automatizado de consultas no presenciales. Un centro promedio recibe entre 50 y 100 consultas no presenciales diarias: resultados de analíticas, seguimiento de patologías crónicas, dudas administrativas. Un modelo de procesamiento de lenguaje natural entrenado en historias clínicas locales puede clasificar esas consultas por urgencia y tipo, asignar automáticamente a la agenda del profesional adecuado y sugerir respuestas estandarizadas para casos protocolizados. Coste de implementación: bajo. Infraestructura necesaria: acceso API a la historia clínica electrónica y servidor local o cloud con cumplimiento RGPD. Retorno: entre 30 y 45 minutos diarios por profesional.

Cribado oportunista de retinopatía diabética. El 40% de pacientes con diabetes tipo 2 en seguimiento no cumple el calendario de cribado de fondo de ojo. Los sistemas de detección automática de retinopatía a partir de retinografía están validados clínicamente, tienen marcado CE y algunos ya están en uso en Reino Unido y Dinamarca. La barrera no es técnica: es logística. Implementar un circuito donde el paciente se haga la retinografía en el propio centro de atención primaria, el sistema analice automáticamente y derive solo los casos positivos a oftalmología reduce tiempos de espera y mejora adherencia. He visto proyectos piloto con coste por paciente inferior a 8 euros.

Predicción de riesgo de descompensación en crónicos complejos. Los pacientes pluripatológicos con EPOC, insuficiencia cardiaca o diabetes mal controlada generan entre el 50 y el 60% de las hospitalizaciones evitables. Modelos predictivos basados en datos de historia clínica, constantes vitales y uso de recursos pueden identificar pacientes en riesgo de descompensación en los próximos 30 días con precisión superior al 70%. Eso permite intensificar seguimiento, ajustar tratamiento o coordinar con enfermería antes de que el paciente acabe en urgencias. No requiere hardware adicional. Se integra en el flujo de trabajo habitual.

Apoyo a adherencia terapéutica con chatbots médicos. La falta de adherencia a tratamientos crónicos cuesta al sistema sanitario español más de 11.000 millones anuales. Los chatbots conversacionales basados en modelos de lenguaje pueden enviar recordatorios personalizados, resolver dudas frecuentes sobre medicación y detectar señales de abandono terapéutico. No reemplazan la consulta: complementan. Los datos de pilotos en Cataluña muestran mejora de adherencia del 18% en hipertensión arterial.

Qué hace falta para que funcione

He participado en licitaciones donde el pliego técnico pedía "soluciones de inteligencia artificial para atención primaria" sin especificar caso de uso, sin análisis previo de workflows ni consulta a profesionales. Esos proyectos no funcionan. La tecnología no es el cuello de botella. El cuello de botella es diseño centrado en usuario, integración con sistemas legacy y alineación con incentivos clínicos.

Antes de licitar cualquier solución de IA en primaria, hace falta responder tres preguntas:

1. ¿Qué tarea clínica específica queremos apoyar? No vale "mejorar la eficiencia". Vale "reducir el tiempo de triaje de consultas no presenciales en centros con más de 15.000 tarjetas sanitarias".

2. ¿Cómo se integra en el flujo de trabajo actual sin añadir pasos? Si el sistema requiere que el médico abra una aplicación externa, copie datos o genere informes paralelos, no se usará. La integración debe ser nativa en la historia clínica electrónica o, como mínimo, automática vía API.

3. ¿Qué métricas clínicas y operativas vamos a medir? No basta con accuracy o AUC. Hay que medir tiempo ahorrado, derivaciones evitadas, satisfacción del profesional y, si es posible, impacto en salud poblacional. Y hay que medirlo durante al menos 12 meses.

Además, hace falta inversión en change management. Los equipos de atención primaria no tienen tiempo para formaciones largas. La capacitación debe ser modular, en el propio centro, con casos reales. Y debe haber soporte técnico accesible durante los primeros seis meses.

Por qué deberías priorizar primaria en tu estrategia de IA

Si diriges innovación en una gerencia de atención primaria o en una consejería de salud, tienes una ventaja que los hospitales no tienen: escala inmediata. Un sistema que funcione en un centro se puede replicar en 50 con inversión marginal baja. El retorno no es lineal: es exponencial.

Si eres consultor estratégico o trabajas en una empresa de tecnología sanitaria, primaria es el mercado menos saturado y con mayor potencial de crecimiento. Las barreras de entrada no son tecnológicas: son de conocimiento del entorno, capacidad de co-diseño con clínicos y paciencia para ciclos de venta más largos pero contratos más estables.

Si eres proveedor de software de historia clínica electrónica, la IA embebida en tu producto es la próxima fuente de diferenciación. Los clientes no van a pagar por módulos opcionales. Van a exigir que el triaje, el cribado y la predicción de riesgo vengan de serie.

La oportunidad está ahí. Está en los 3.000 centros de atención primaria de España, en los 30.000 profesionales que atienden 200 millones de consultas al año, en los datos clínicos que se generan cada día y que hoy no se explotan. Mientras los presupuestos se concentran en hospitales terciarios, quien entienda primaria tiene cinco años de ventaja.

¿Te ha resultado útil?

Si estás diseñando una estrategia de IA clínica para atención primaria o necesitas evaluar la viabilidad de casos de uso concretos en tu organización, hablemos. Puedes contactarme en /contacto o revisar cómo trabajo en /trabajemos-juntos.