AUTORES
- Ana Laura Jiménez Mendizábal. Diplomada en Trabajo Social. Trabajadora Social en Salud Aragón. Aragón, España.
- Ruth Santamarta Plaza. Diplomada en Trabajo Social. Trabajadora Social en Salud Aragón. Aragón, España.
- Nuria Martínez Artigas. Licenciada en Derecho. Administrativa en Salud Aragón. Aragón, España.
- María Nuria Requeno Jarabo. Médica de Familia. Centro de Salud San José Sur. Zaragoza, Aragón. Aragón, España.
- Sofia Cerdán Gómez. Diplomada en Trabajo Social. Trabajadora Social en Salud Aragón. Aragón, España.
- María Teresa Poyo Pozo. Graduada en Gestión y Administración Pública. Administrativa en Salud Aragón. Aragón, España.
RESUMEN
Uno de los retos más importantes de la medicina contemporánea es el desafío que supone gestionar un volumen de datos clínicos sin precedentes. En este escenario, la Inteligencia Artificial (IA), a través del Machine Learning (aprendizaje automático) y el Procesamiento del Lenguaje Natural (PLN), ha dejado de ser una ficción del futuro para convertirse en un motor de transformación operativo y asistencial.
No obstante, el éxito de la transición digital en salud no reside únicamente en la elaboración de un software muy eficiente basado en un código muy sofisticado, sino en la confluencia entre la alta tecnología y la alta humanización. En este periplo de “humanización” tecnológica de la IA, el Trabajo Social Sanitario, emerge como un vector estratégico esencial para la correcta implementación, validación y contextualización de la IA en el sistema sanitario en todos los niveles y su relación con los pacientes.
PALABRAS CLAVE
IA, transformación digital, brecha digital, codificación diagnóstica, procesamiento del lenguaje natural, aprendizaje automático, determinantes sociales de la salud (DSS).
ABSTRACT
One of the biggest hurdles for modern medicine is managing an unprecedented amount of clinical data. In this environment, Artificial Intelligence (AI)—through machine learning and natural language processing (NLP)—is no longer a thing of the future; it has become a driving force for operational and care transformation.
Nevertheless, a successful digital transition in healthcare isn’t just about building highly efficient software with sophisticated code. It requires combining high tech with deep humanization. In this process of humanizing AI, Healthcare Social Work stands out as a vital strategic link to properly implement, validate, and contextualize AI across the entire healthcare system and in patient care.
KEY WORDS
AI, digital transformation, digital divide, diagnostic coding, natural language processing, machine learning, social determinants of health (SDH).
DESARROLLO DEL TEMA
Resulta de dominio público que la Inteligencia Artificial (IA) se utiliza para desarrollar sistemas capaces de simular procesos cognitivos humanos, como el aprendizaje, la comprensión, el razonamiento, la toma de decisiones y la creatividad. Pero más allá de una simple utilidad digital, muchos expertos la consideran un nuevo compañero colaborativo o un cambio de paradigma que transforma cómo pensamos, creamos y resolvemos problemas1.
De una manera u otra, la IA forma parte de nuestro día a día y nos está obligando a reformular procedimientos de procesamiento informacional y cómo aplicar los resultados en nuestro beneficio.
APLICACIONES CONCRETAS Y BENEFICIOS DE LA IA EN EL SECTOR SANITARIO:
La evidencia científica actual respalda la utilidad de la IA en múltiples dimensiones de la atención sanitaria, destacando los siguientes campos de aplicación:
A. Cribado, Triaje y Diagnóstico por Imagen de Alta Precisión
Los algoritmos de aprendizaje profundo (Deep Learning) han demostrado una especificidad y sensibilidad equiparables o superiores a las de especialistas humanos en el análisis predictivo de imágenes2.
Por ejemplo, en oncología, diferentes sistemas de IA analizan mamografías para la detección precoz del cáncer de mama, reduciendo los falsos negativos y optimizando los tiempos de lectura. Asimismo, en radiología torácica, se emplean modelos predictivos automatizados para la identificación de nódulos pulmonares incipientes y neumonías complejas, permitiendo un triaje de urgencias acelerado donde los casos críticos se priorizan automáticamente en el listado de espera de pacientes.
B. Modelos Analíticos Predictivos de Reingresos y Cronicidad
Un análisis de múltiples variantes de las Historias Clínicas Electrónicas (HCE) realizado mediante IA, permite la estratificación de la población según su riesgo de descompensación2. De esta forma, se pueden llegar a identificar patrones sutiles en pacientes con insuficiencia cardíaca o Enfermedad Pulmonar Obstructiva Crónica (EPOC), mediante algoritmos avanzados, prediciendo la probabilidad de un reingreso hospitalario en los 30 días posteriores al alta.
Esta posibilidad permite la puesta en práctica de una medicina verdaderamente preventiva mediante una evolución de los cuidados hacia un enfoque proactivo.
C. Procesamiento del Lenguaje Natural (PLN) en la Gestión Clínica
Las herramientas de PLN permiten estructurar la información no organizada contenida en los cursos clínicos, informes de alta y notas evolutivas3. Esta tecnología libera considerablemente el tiempo de consulta directa, permitiendo que la interacción médico-paciente recupere su protagonismo y reduciendo drásticamente la carga burocrática del personal sanitario.
Es una forma de automatizar la codificación diagnóstica, transformando los diagnósticos, síntomas y procedimientos médicos de un paciente, en un lenguaje estandarizado de códigos alfanuméricos, más fáciles de cuantificar y analizar posteriormente.
D. Monitorización remota y Wearables inteligentes (tecnología vestible).
El uso de dispositivos biométricos conectados a plataformas de IA permite el seguimiento en tiempo real de pacientes crónicos complejos en sus domicilios.
Los sistemas analizan flujos continuos de datos (frecuencia cardíaca, saturación de oxígeno, niveles de glucosa) y emiten alertas tempranas antes de que se produzca una crisis clínica aparente, evitando desplazamientos innecesarios y sobresaturación en los servicios de urgencias.
INTEGRACIÓN DE LA PRÁCTICA DEL TRABAJO SOCIAL SANITARIO EN EL ECOSISTEMA DE LA IA:
La introducción de la IA en la salud genera una paradoja: a mayor automatización, mayor es el riesgo de despersonalización y exclusión si no se interviene desde un marco integral.
El Trabajo Social sanitario debe ejercer como agente activo integrado en el diseño e implementación de la transformación digital por las siguientes razones:
1. Incorporación de los Determinantes Sociales de la Salud (DSS) en los modelos algorítmicos:
Los algoritmos clínicos predictivos se entrenan mayoritariamente con variables biomédicas y analíticas, lo que les contamina de una «ceguera social»4.
Un algoritmo puede determinar que un paciente tiene un alto riesgo de reingreso por mala adherencia farmacológica, pero es incapaz de diagnosticar que la causa subyacente responde a las circunstancias en que las personas nacen, crecen, viven, trabajan y envejecen, tales como la pobreza farmacéutica, el analfabetismo funcional o el aislamiento residencial5.
La integración del trabajo social en el ámbito sanitario permite nutrir los sistemas de IA con variables sociales estructuradas en la información subjetiva. Al cruzar los datos clínicos de la IA con el diagnóstico social del trabajo social, el sistema sanitario obtiene una predicción global real, permitiendo la posibilidad de activar recursos comunitarios (ayuda a domicilio, redes de apoyo, farmacia social) simultáneamente al tratamiento médico.
2. Prevención y mitigación del sesgo algorítmico y la injusticia de datos:
La IA aprende de datos históricos que reflejan desigualdades previas. Si un sistema de asignación de recursos sanitarios se entrena con datos donde determinados colectivos vulnerables (inmigrantes, minorías étnicas, personas en situación de sinhogarismo) han tenido menor acceso al sistema, la máquina puede perpetuar el sesgo concluyendo erróneamente que esos colectivos necesitan menor intensidad de cuidados7.
La acción del trabajo social en el sector sanitario puede actuar aquí desde la ética y la justicia social, participando en la atención centrada en el paciente de los sistemas tecnológicos⁷. Su papel consistiría en auditar los criterios de los algoritmos de asignación para garantizar que no discriminen a las poblaciones vulnerables y que la distribución de la asistencia responda a criterios de equidad y necesidad social real, no solo a la eficiencia matemática o a la ratio coste-efectividad.
3. Diagnóstico y combate de la brecha digital en salud:
La expansión de la salud digital (telemedicina, apps con IA de autogestión, portales del paciente) asume de forma implícita que la población posee conectividad, dispositivos adecuados y alfabetización digital. Esto genera una nueva forma de exclusión sanitaria que afecta especialmente a personas mayores, entornos rurales y familias en situación de exclusión económica.
El profesional de Trabajo Social sanitario realiza la valoración de la idoneidad socio-tecnológica del paciente. Si el sistema detecta que un usuario requiere monitorización remota por IA, el trabajador social interviene evaluando si existe red de apoyo familiar que gestione el dispositivo, capacitando digitalmente al usuario o gestionando recursos institucionales para romper la barrera tecnológica. El trabajo social en el ámbito sanitario debe contribuir a que la tecnología sea un puente y no un muro de separación.
4. Planificación del alta compleja mediante alertas predictivas:
La integración del trabajo social en las unidades de hospitalización se optimiza mediante el uso de la IA predictiva. Al automatizar la detección de pacientes con criterios de fragilidad social y alta complejidad médica desde el momento del ingreso, el sistema puede emitir una alerta automática a la Unidad de Trabajo Social Sanitario.
Esta detección precoz permitiría iniciar la planificación del alta coordinada con los servicios sociales comunitarios y/o sanitarios de atención primaria con tiempo de antelación, reduciendo las estancias medias hospitalarias innecesarias y asegurando una continuidad asistencial segura y digna.
CONCLUSIÓN
La Inteligencia Artificial ofrece herramientas sin precedentes para avanzar hacia una medicina de precisión y una gestión sostenible de los sistemas sanitarios. Sin embargo, la precisión técnica carece de valor si se desvincula de la realidad social del paciente.
El binomio IA-Salud exige un contrapeso ético y profesional que reubique los Determinantes Sociales de la Salud en el centro del proceso asistencial.
El Trabajo Social Sanitario constituye el eslabón imprescindible en esta nueva arquitectura tecnológica. Su participación en equipos multidisciplinares de desarrollo e implementación de IA garantiza que la transformación digital no agudice las desigualdades en salud, sino que sirva para corregirlas.
La IA debe utilizarse para automatizar lo mecánico y burocrático, permitiendo que los profesionales sanitarios, y específicamente los trabajadores sociales, dispongan de más tiempo cualitativo para el diagnóstico social, la intervención terapéutica, la escucha activa y el acompañamiento humano. La excelencia del sistema sanitario del futuro no se medirá únicamente por la potencia de sus algoritmos, sino por su capacidad para utilizarlos de manera justa, equitativa y profundamente humana.
BIBLIOGRAFÍA
- Löwered L. La IA nos incita a cambiar nuestra forma de pensar la resolución de los problemas [Internet]. The Agility Effect; 2025 [citado 2026 May 29]. Disponible en: https://www.theagilityeffect.com/es/experts/la-ia-nos-incita-a-cambiar-nuestra-forma-de-pensar-la-resolucion-de-los-problemas/
- Stone E. AI in Healthcare: Counteracting Algorithmic Bias [Internet]. Deerfield: Journal of the CAS Writing Program; 2024 [citado 2026 May 26]. Disponible en: https://www.bu.edu/deerfield/2024/04/14/stone2-2/
- Mass General Brigham. IA generativa destaca con precisión los determinantes sociales de la salud en notas médicas [Internet]. Salud Digital; 2024 [citado 2026 May 26]. Disponible en: https://saluddigital.com/big-data/ia-generativa-destaca-con-precision-los-determinantes-sociales-de-la-salud-en-notas-medicas/
- Chin MH, Afsar-Manesh N, Bierman AS, Chang CH, Eichner J, Gano SC, et al. Guiding Principles to Address the Impact of Algorithm Bias on Health and Health Care Equity. JAMA Netw Open. 2023;6(12):e2812958.
- World Health Organization. Determinantes sociales de la salud [Internet]. Ginebra: WHO; 2025 [citado 2026 May 26]. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/social-determinants-of-health
- Holdsworth J. ¿Qué es el sesgo de la IA? [Internet]. IBM Think; 2024 [citado 2026 May 26]. Disponible en: https://www.ibm.com/es-es/think/topics/ai-bias
- Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Disparities in algorithmic resource allocation in complex health needs. PMC Medical AI Ethics. 2023;10(4):e10497548.
- Fundación Víctor Grífols i Lucas. Inteligencia artificial, ética y salud pública [Internet]. Cuadernos de la Fundación Grífols. 2023 [citado 2026 May 26];(69):12-35. Disponible en: fundaciogrifols.org
