La mayoría de los sistemas de inteligencia artificial que hoy analizan imágenes médicas o predicen diagnósticos funcionan como cajas negras: ofrecen una respuesta, pero no pueden justificarla ante un médico ni ante un regulador. El IEEE, una de las organizaciones de ingeniería más influyentes del planeta, ha lanzado una convocatoria formal para investigadores que trabajan en IA neurosimbólica aplicada a la salud, con el plazo de envío de trabajos abierto hasta el 31 de diciembre de 2026.
La opacidad que bloquea la IA en los hospitales reales
Los modelos de aprendizaje profundo han demostrado una precisión notable en tareas como la detección de tumores en radiografías o la clasificación de arritmias cardíacas. Sin embargo, esa precisión no basta para superar los filtros regulatorios que rigen los sistemas sanitarios en Europa, Estados Unidos o Japón.
Los organismos reguladores, desde la Agencia Europea del Medicamento hasta la FDA estadounidense, exigen que cualquier herramienta de apoyo diagnóstico pueda justificar su razonamiento de forma comprensible. Un sistema que acierte el 94% de las veces pero no pueda explicar el 6% restante representa un riesgo legal y clínico que ningún hospital está dispuesto a asumir.
Esa brecha entre precisión y explicabilidad es el problema central que la IA neurosimbólica intenta resolver. Y es también la razón por la que el IEEE ha decidido estructurar una convocatoria académica específica en torno a este enfoque.
Qué es la IA neurosimbólica y cómo funciona en medicina
La IA neurosimbólica combina dos familias de técnicas que durante décadas compitieron entre sí. Por un lado, las redes neuronales, capaces de extraer patrones complejos de grandes volúmenes de datos clínicos, imágenes de resonancia magnética o registros de laboratorio. Por otro, los sistemas simbólicos, que operan con reglas explícitas, ontologías médicas y conocimiento estructurado.
El resultado es un sistema que no solo detecta una anomalía en una tomografía, sino que también puede articular el razonamiento que lo llevó a esa conclusión. Por ejemplo, un modelo neurosimbólico podría indicar: «He identificado una opacidad en el lóbulo inferior derecho consistente con los criterios del protocolo de neumonía bacteriana, reforzada por los valores de PCR del análisis del día anterior.»
Ese nivel de trazabilidad transforma la herramienta de una caja negra en un asistente clínico auditable. El médico puede aceptar, rechazar o matizar el diagnóstico con criterio, y el sistema puede registrar esa interacción para mejorar iterativamente.
El simposio de Nápoles y la arquitectura de la convocatoria del IEEE
La convocatoria del IEEE está vinculada a un simposio que se celebrará en Nápoles los días 24 y 25 de septiembre de 2026. La decisión final sobre los trabajos aceptados está prevista para el 1 de mayo de 2027, lo que indica un proceso de revisión por pares de varios meses de duración.
El IEEE, fundado en 1963 y con sede en Nueva Jersey, agrupa a más de 460.000 miembros en más de 190 países. Sus publicaciones y convocatorias marcan agenda en la investigación aplicada de ingeniería eléctrica, electrónica y computación. Que esta organización dedique una convocatoria específica a la IA neurosimbólica en medicina no es un gesto menor: señala que el campo ha alcanzado la madurez suficiente para merecer un marco académico propio.
Los investigadores interesados tienen hasta el 31 de diciembre de 2026 para enviar sus trabajos, lo que deja un horizonte amplio para desarrollar y validar propuestas experimentales en entornos clínicos reales o simulados.
Por qué la explicabilidad se ha convertido en el criterio de entrada al mercado sanitario
El Reglamento Europeo de Inteligencia Artificial, aprobado en 2024, clasifica los sistemas de IA aplicados a diagnóstico médico como de alto riesgo. Esa categoría impone obligaciones estrictas: documentación técnica exhaustiva, supervisión humana efectiva y, de forma explícita, capacidad de explicar las decisiones del sistema a los usuarios finales.
En la práctica, esto significa que un hospital europeo que quiera desplegar un sistema de IA para apoyar diagnósticos de cáncer de piel, detección de sepsis o lectura de electrocardiogramas debe poder demostrar ante la autoridad competente que el sistema es interpretable. Los modelos de aprendizaje profundo puros, por su naturaleza estadística, tienen dificultades estructurales para cumplir ese requisito.
La IA neurosimbólica aparece así no como una preferencia académica, sino como una necesidad regulatoria. Las empresas y grupos de investigación que desarrollen sistemas explicables tendrán una ventaja competitiva directa en el proceso de certificación y comercialización.
El peso de los antecedentes: de MYCIN a los modelos actuales
La idea de combinar razonamiento lógico con aprendizaje automático en medicina no es nueva. MYCIN, el sistema experto desarrollado en la Universidad de Stanford en los años setenta, ya utilizaba reglas simbólicas para diagnosticar infecciones bacterianas y recomendar antibióticos. Su limitación era la incapacidad de aprender de nuevos datos sin intervención manual.
Las redes neuronales profundas resolvieron ese problema, pero a costa de la transparencia. Durante la última década, modelos como los desarrollados por DeepMind para la detección de enfermedades oculares o por Google Health para el análisis de mamografías han demostrado una precisión comparable o superior a la de especialistas humanos en tareas concretas.
Sin embargo, ninguno de esos sistemas ha conseguido una adopción clínica generalizada. La barrera no es técnica: es la incapacidad de justificar cada decisión de forma que un médico pueda validarla y un regulador pueda auditarla. La IA neurosimbólica intenta cerrar esa brecha.
Escenarios de aplicación: del diagnóstico por imagen a la gestión de enfermedades crónicas
Un sistema neurosimbólico aplicado a oncología podría combinar la capacidad de una red neuronal para detectar nódulos pulmonares en tomografías de baja dosis con un motor de inferencia simbólico que aplique las guías clínicas de la Sociedad Americana de Oncología Torácica. El resultado sería un informe estructurado que indica no solo la probabilidad de malignidad, sino los criterios específicos que llevaron a esa estimación.
En el manejo de enfermedades crónicas, como la diabetes tipo 2 o la insuficiencia cardíaca, la combinación de datos continuos de sensores con reglas clínicas codificadas permitiría generar alertas tempranas que el médico de atención primaria podría interpretar y discutir con el paciente sin necesidad de formación técnica avanzada.
Estos escenarios no son especulativos en su arquitectura: corresponden exactamente al tipo de aplicaciones que la convocatoria del IEEE busca sistematizar y validar con rigor científico.
IEEE, Nápoles 2026 y la consolidación de un campo emergente
El momento en que el IEEE formaliza una convocatoria académica alrededor de un enfoque tecnológico suele coincidir con el punto en que ese enfoque deja de ser experimental para convertirse en infraestructura. Ocurrió con las redes neuronales convolucionales a principios de la década de 2010, y con el aprendizaje por refuerzo profundo unos años después.
La convocatoria vinculada al simposio de Nápoles de septiembre de 2026 sitúa a la IA neurosimbólica en ese mismo umbral. Los trabajos que se presenten antes del 31 de diciembre de 2026 y sean aceptados en el proceso de revisión con decisión prevista para mayo de 2027 podrían convertirse en referencias de diseño para los sistemas que los hospitales europeos desplieguen en la siguiente década.
Para los equipos de investigación clínica, los desarrolladores de software médico y los responsables de innovación hospitalaria, la pregunta ya no es si la explicabilidad será un requisito, sino qué arquitecturas técnicas la harán viable a escala.
Lo que ven los inversores
La convocatoria del IEEE es, en ese sentido, una invitación a definir los estándares antes de que los reguladores los impongan desde fuera. Quien llegue primero con resultados validados tendrá una posición privilegiada en un mercado sanitario que, en Europa, mueve más de 200.000 millones de euros anuales solo en tecnología hospitalaria.
Imagen ilustrativa generada con inteligencia artificial.
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico. Cada artículo se elabora con la asistencia tecnológica de Iberia y se revisa antes de publicarse. Más sobre cómo trabajamos →
