Empezó a trabajar en inteligencia artificial aplicada a la medicina a finales de los años ochenta, mucho antes de ChatGPT. Pedro Larrañaga, catedrático de Ciencias de la Computación e Inteligencia Artificial en la Universidad Politécnica de Madrid, ha recibido el Premio Nacional de Inteligencia Artificial en Biomedicina «David Riaño» 2026, en la categoría de Investigador Sénior, concedido por la Sociedad Española de Inteligencia Artificial en Biomedicina (IABiomed), que anunció el fallo el 11 de octubre. La entrega será el 30 de octubre en Barcelona, durante su II Jornada Anual.
Responde por escrito a LaPrensaIA sobre lo que casi nadie dice en voz alta: cuándo una caja negra es inaceptable en medicina, en qué problemas las redes bayesianas siguen ganando al aprendizaje profundo, qué le parece «intelectualmente perezoso» de lo que repiten los entusiastas de los grandes modelos y si aconsejaría a un paciente consultar sus síntomas a un chatbot. Esta semana, en «El Domingo de Iberia».
La entrevista
El premio. Cuando una trayectoria como la suya recibe un reconocimiento nacional en plena fiebre de los modelos gigantes, ¿qué cree usted que se está premiando realmente: unos resultados, o una manera de entender la IA?
Creo que se está premiando una trayectoria, pero también una manera de entender la inteligencia artificial. Empecé a trabajar en IA aplicada a la medicina a finales de los años ochenta, mucho antes de la actual explosión de los grandes modelos. Después me interesé por la bioinformática, desde comienzos de los 2000, y por la neurociencia computacional, especialmente a partir de 2013. En todo ese recorrido hemos intentado mantener una idea muy sencilla: la inteligencia artificial debe estar al servicio de problemas biomédicos relevantes, no al revés. Hemos trabajado en cáncer, VIH, selección de embriones, enfermedades autoinmunes, microbioma, Parkinson, epilepsia o Alzheimer, entre muchos otros ámbitos, y hemos participado en proyectos internacionales de enorme dimensión, como el Human Brain Project. Me gustaría pensar que el reconocimiento valora, sobre todo, la calidad y la continuidad de ese trabajo: buenas publicaciones, proyectos competitivos y una apuesta constante por modelos rigurosos, comprensibles y útiles para médicos, biólogos y neurocientíficos. Y hay algo que considero aún más importante: he dirigido 37 tesis doctorales y muchos de esos investigadores lideran hoy sus propios grupos. Para mí, una trayectoria científica no se mide solo por lo que uno publica, sino también por la escuela que deja detrás.
Por eso, recibir este premio en plena fiebre de los modelos gigantes tiene un significado especial. La IA no nació con ChatGPT ni con los modelos generativos. Lleva décadas transformando silenciosamente la medicina, la bioinformática y la neurociencia. Y creo que este premio reconoce también esa historia.
«¿Por qué me recomienda esto?» Un médico necesita poder preguntar a una IA por qué dice lo que dice. ¿En qué casos de la medicina una caja negra es inaceptable, y en cuáles le parece tolerable?
En medicina, una caja negra me parece inaceptable cuando la decisión puede tener consecuencias graves para el paciente y, además, condiciona de forma directa el diagnóstico, el tratamiento o el pronóstico. Si una IA recomienda una cirugía, descarta un cáncer, propone suspender una medicación o estima que un paciente tiene un riesgo elevado de morir, el médico debe poder preguntar: «¿Por qué me recomienda esto?» Y debe obtener una respuesta clínicamente comprensible. No se trata necesariamente de conocer cada operación matemática que realiza el algoritmo, sino de entender qué variables han pesado en la decisión, qué evidencias la sustentan, qué grado de incertidumbre existe y en qué circunstancias el sistema podría estar equivocado. Esa información es esencial para que el médico pueda contrastar la recomendación con su conocimiento y con las particularidades del paciente.
En cambio, una cierta opacidad puede ser tolerable en tareas de menor riesgo o muy acotadas: por ejemplo, mejorar la calidad de una imagen médica, detectar automáticamente estructuras anatómicas, priorizar estudios para que los revise antes un especialista o realizar una primera criba, siempre que la decisión final siga estando bajo supervisión humana.
El criterio fundamental, para mí, es el impacto de la decisión. Cuanto mayor sea el riesgo para el paciente y más difícil sea revertir las consecuencias de un error, mayor debe ser la exigencia de explicación, transparencia y supervisión. En medicina no basta con que una inteligencia artificial diga «esto es así». En la mayoría de las situaciones debe ser capaz de explicar también «por qué creo que es así» y, algo igualmente importante, «hasta qué punto estoy segura».
Redes bayesianas frente a aprendizaje profundo. ¿En qué problemas siguen siendo claramente superiores las primeras, y es algo que casi nadie dice en voz alta?
Sí, hay problemas en los que las redes bayesianas siguen teniendo ventajas muy claras, y este hecho se resalta menos de lo que debería porque hoy el foco está casi por completo en el aprendizaje profundo.
La primera gran ventaja aparece cuando no basta con predecir, sino que necesitamos razonar bajo incertidumbre. En medicina esto es fundamental. Una red bayesiana puede combinar síntomas, antecedentes, resultados de pruebas y conocimiento clínico previo para estimar probabilidades y actualizarlas cuando aparece nueva información. Es una forma de razonamiento muy próxima a cómo se toman muchas decisiones clínicas. También son especialmente útiles cuando los datos son escasos, incompletos o heterogéneos. El aprendizaje profundo suele necesitar grandes volúmenes de datos, mientras que una red bayesiana puede integrar datos con conocimiento experto y seguir siendo útil en dominios donde disponer de decenas de miles de casos es sencillamente imposible, lo cual ocurre muy a menudo en aplicaciones reales.
Otra ventaja importante es la interpretabilidad. En una red bayesiana podemos representar explícitamente las relaciones entre variables y analizar cómo varía una conclusión cuando cambia la evidencia, proveniente por ejemplo de pruebas diagnósticas realizadas al paciente. Eso permite no solo predecir, sino explicar, explorar escenarios y responder preguntas del tipo: «¿Qué ocurriría si este factor fuese diferente?». Y hay un aspecto todavía más importante: la causalidad. Aunque una red bayesiana no es automáticamente un modelo causal, su estructura proporciona un marco natural para incorporar relaciones causales y razonar sobre intervenciones, algo esencial cuando queremos pasar de predecir lo que ocurrirá a decidir qué deberíamos hacer.
El aprendizaje profundo es extraordinario en imágenes, señales, texto o reconocimiento de patrones complejos. Pero cuando el problema exige combinar conocimiento, incertidumbre, explicabilidad y razonamiento causal, las redes bayesianas siguen siendo una herramienta de enorme valor. En muchos problemas biomédicos representan exactamente el tipo de inteligencia artificial que necesitamos.
Lo que el público aún no sabe. ¿Qué problema biomédico concreto está a punto de ceder ante el aprendizaje automático y todavía no ha llegado a los titulares?
Creo que uno de los grandes problemas que está empezando a ceder ante el aprendizaje automático es el diseño de tratamientos verdaderamente personalizados. Hasta ahora, gran parte de la medicina personalizada se ha centrado en adaptar el tratamiento a variables clínicas, genéticas o moleculares. Pero el siguiente paso es mucho más ambicioso: integrar en una misma decisión la historia clínica, la genética, las pruebas de imagen, la evolución temporal de la enfermedad, la respuesta previa a tratamientos y también las preferencias del propio paciente. Respecto a esto último, dos pacientes con el mismo diagnóstico y una historia clínica muy parecida pueden querer vivir su enfermedad de manera completamente distinta. Uno puede estar dispuesto a aceptar tratamientos muy agresivos a cambio de aumentar al máximo sus posibilidades de supervivencia; otro puede priorizar la calidad de vida y preferir intervenciones menos invasivas.
El aprendizaje automático puede ayudarnos a construir modelos capaces de anticipar cómo responderá cada paciente a distintas alternativas y, al mismo tiempo, incorporar qué intervenciones son más adecuadas para los valores de esa persona concreta. Eso cambiaría mucho la medicina. Ya no se trataría solo de preguntar «¿cuál es el mejor tratamiento para esta enfermedad?», sino «¿cuál es el mejor tratamiento para este paciente, con su biología, su historia y su manera de entender la vida?». Creo que esa transición, de una medicina personalizada a una medicina verdaderamente centrada en la persona, va a ser una de las aportaciones más importantes de la inteligencia artificial en los próximos años.
El error que se repite. Después de tantos años colaborando con hospitales y grupos clínicos, ¿qué fallo vuelve a ver una y otra vez en los proyectos de IA médica, y cuánto tiempo y dinero se ahorraría quien lo conociera de antemano?
Desde mi experiencia el error que más se repite es empezar preguntando «¿qué modelo de inteligencia artificial podemos aplicar?» en lugar de «¿qué problema clínico concreto queremos resolver?». Muchos proyectos nacen porque existe una base de datos interesante o porque se quiere utilizar una determinada técnica de aprendizaje automático. Se construye un modelo que proporciona buenos resultados y solo después se intenta averiguar dónde encajaría en la práctica clínica. Con demasiada frecuencia, ahí es donde el proyecto se detiene. La inteligencia artificial médica tiene que diseñarse desde el principio junto a los profesionales sanitarios. Hay que saber qué decisión queremos mejorar, qué información está realmente disponible en el momento de tomarla, qué coste (económico, pero también emocional, sicológico), tendría un error de un sistema inteligente, cómo se integraría el sistema en el flujo de trabajo del hospital y, sobre todo, si el resultado que produce va a cambiar realmente alguna decisión clínica.
El segundo gran problema es la calidad de los datos. En medicina, más datos no significa necesariamente mejores datos. Hay sesgos, valores ausentes, cambios en los protocolos, diferencias entre hospitales y variables que se recogen porque son fáciles de medir, no porque sean las más relevantes. La falta de datos médicos en un determinado hospital puede ser solventada usando técnicas de inteligencia artificial tales como el aprendizaje por transferencia o el aprendizaje federado.
Si estas cuestiones se abordaran antes de empezar a entrenar modelos, se ahorrarían años de trabajo y cantidades importantes de dinero. Probablemente, una parte considerable de los proyectos fallidos podría descartarse en las primeras semanas simplemente formulando bien la pregunta clínica. En inteligencia artificial en medicina, un modelo técnicamente brillante que no resuelve una necesidad real sigue siendo una mala solución al problema.
Los grandes modelos de lenguaje y la salud. ¿Qué repiten los entusiastas de los LLM que le parece intelectualmente perezoso? Y una pregunta práctica: ¿le aconsejaría a un paciente consultar sus síntomas a un chatbot?
Lo que me parece intelectualmente perezoso es escuchar que, como los grandes modelos de lenguaje pueden responder de forma muy convincente sobre casi cualquier tema, eso significa que «entienden» la medicina o que pueden sustituir al médico. Confundir fluidez verbal con conocimiento fiable es un error serio. Los LLM son herramientas extraordinariamente potentes para manejar información, resumir documentación, ayudar a redactar informes, facilitar el acceso al conocimiento médico o incluso apoyar determinadas tareas clínicas. Pero tienen una limitación fundamental: pueden producir respuestas plausibles y, al mismo tiempo, equivocadas. Y en medicina una respuesta que suena bien pero es falsa puede tener consecuencias importantes.
¿Le aconsejaría a un paciente consultar sus síntomas a un chatbot? Sí, pero con muchas cautelas. Puede ser útil como primera fuente de orientación: para entender mejor un término médico, preparar preguntas antes de una consulta o saber qué información puede ser relevante contarle al médico. Lo que no debería hacer es utilizarlo como sustituto de un diagnóstico profesional ni tomar decisiones terapéuticas importantes únicamente a partir de su respuesta. Además, hay otro problema: un chatbot no explora al paciente, no observa determinados signos clínicos y puede no disponer de información esencial sobre su historia médica.
El cerebro como maestro. Su trabajo toca la neurociencia además de la medicina. ¿Qué ha aprendido del cerebro que cambiaría la forma de diseñar una inteligencia artificial?
Una de las cosas que más me ha interesado al trabajar en neurociencia es comprobar hasta qué punto el cerebro se comporta, en muchos aspectos, como una extraordinaria máquina bayesiana. No espera a recibir toda la información para empezar de cero, sino que utiliza continuamente lo que ya sabe. En términos bayesianos, tenemos unas creencias a priori, recibimos nuevas evidencias del entorno y, a partir de ambas, construimos unas probabilidades a posteriori. Y ese proceso se repite constantemente: lo que hoy es una conclusión mañana se convierte en conocimiento previo ante una nueva evidencia. Esa capacidad de actualizar continuamente nuestras creencias es una de las características más fascinantes de la inteligencia humana. Pensemos, por ejemplo, en un médico. Antes incluso de solicitar una prueba ya tiene unas probabilidades iniciales sobre posibles diagnósticos basadas en la edad del paciente, sus síntomas, sus antecedentes y su propia experiencia clínica. Cuando llega una analítica, una imagen o una nueva observación, esas probabilidades cambian. No empieza de nuevo: actualiza lo que sabía a la luz de la nueva evidencia. Eso es, esencialmente, razonamiento bayesiano.
Creo que la inteligencia artificial debería incorporar mucho más esta filosofía. Los sistemas actuales, especialmente los grandes modelos, son extraordinarios encontrando patrones en cantidades inmensas de datos, pero necesitamos también máquinas capaces de representar explícitamente lo que saben, expresar su incertidumbre e ir modificando sus creencias a medida que reciben nueva información. Además, el cerebro aprende con muy pocos ejemplos, integra conocimiento previo con experiencia nueva, aprende continuamente y consume una cantidad sorprendentemente pequeña de energía. Estamos todavía muy lejos de reproducir esas capacidades. Por eso creo que una de las vías para construir una inteligencia artificial más próxima a la inteligencia humana pasa por desarrollar con mayor profundidad la aproximación bayesiana: a priori, evidencia y a posteriori. No se trata solo de hacer modelos cada vez más grandes, sino de construir sistemas capaces de aprender, actualizar sus creencias, manejar la incertidumbre y razonar de una forma más parecida a como lo hace nuestro cerebro.
En ese sentido, el cerebro sigue siendo nuestro mejor maestro y, probablemente, uno de los mejores modelos que tenemos para imaginar la inteligencia artificial del futuro.
España. Con sanidad pública, historia clínica electrónica y universidades potentes, pero sin gigantes tecnológicos propios, ¿tiene España una ventaja real en IA biomédica? ¿Qué nos frena?
Sí, creo que España tiene una ventaja real en inteligencia artificial biomédica, aunque todavía no la está aprovechando plenamente. Tenemos varios ingredientes extraordinarios: un sistema sanitario público de gran tamaño, una historia clínica electrónica muy extendida, buenos hospitales, universidades y grupos de investigación competitivos, y una población suficientemente amplia y diversa como para desarrollar y validar modelos con verdadero valor clínico. No podemos competir con Estados Unidos o China construyendo modelos cada vez más grandes ni aspirando a replicar sus gigantes tecnológicos. Nuestra excelencia se debe fundamentar en combinar buenos datos sanitarios, conocimiento clínico de primer nivel y una investigación académica sólida para resolver problemas médicos concretos.
¿Qué nos frena? En primer lugar, la fragmentación. Tenemos datos muy valiosos, pero dispersos entre comunidades autónomas, hospitales y sistemas que no siempre se comunican bien entre sí. La interoperabilidad sigue siendo uno de los grandes retos. En segundo lugar, nos cuesta convertir la investigación excelente en productos y servicios que lleguen realmente a los hospitales. Hay buenos prototipos y buenas publicaciones, pero el camino desde el laboratorio hasta la práctica clínica sigue siendo demasiado largo. Faltan estructuras estables de transferencia, financiación para escalar los proyectos y una colaboración más estrecha y continuada entre universidades, hospitales y empresas. Y hay un tercer problema: la burocracia y la dificultad para acceder a los datos de una forma ágil, segura y jurídicamente clara. Evidentemente, los datos sanitarios deben estar especialmente protegidos, pero protegerlos no debería significar hacer prácticamente imposible utilizarlos para investigar.
Si conseguimos resolver esas barreras, España puede ocupar una posición muy relevante en inteligencia artificial biomédica. Tenemos algo que quizá sea más importante que disponer de un gran modelo propio: tenemos un sistema sanitario real sobre el que investigar, validar y demostrar que la inteligencia artificial ayuda a mejorar de verdad la salud de las personas.
A un doctorando. Si tuviera que recomendar hoy una línea de investigación a quien empieza, ¿cuál sería y por qué?
A día de hoy uno de los temas que recomendaría para una tesis doctoral, es el desarrollo de una inteligencia artificial capaz de combinar aprendizaje automático, razonamiento causal y tratamiento explícito de la incertidumbre.
Estamos entrando en una etapa en la que disponer de modelos que predicen bien ya no es suficiente. En biomedicina necesitamos sistemas que puedan responder también a preguntas como: «¿por qué ocurre esto?», «¿qué pasaría si cambiáramos el tratamiento?» o «¿con qué grado de confianza podemos tomar esta decisión?». Esa transición, de la predicción al razonamiento y a la intervención, me parece uno de los grandes desafíos científicos de los próximos años.
Le animaría a trabajar con datos multimodales: historia clínica, genética, imágenes, señales fisiológicas, información molecular e incluso preferencias del propio paciente. Pero intentaría integrarlos mediante modelos que incorporasen conocimiento previo y que pudieran actualizar sus conclusiones cuando aparecen nuevas evidencias. Ahí creo que la aproximación bayesiana tiene todavía muchísimo que aportar.
También le recomendaría no dejarse arrastrar únicamente por la tecnología de moda. Una buena tesis doctoral no debería empezar preguntándose qué modelo utilizar, sino qué problema científico importante sigue sin resolverse.
Si tuviera que resumirlo en una frase, le diría a un doctorando que no intente construir simplemente un modelo de inteligencia artificial que prediga mejor, sino que intente desarrollar una IA que entienda mejor la incertidumbre, las causas y las consecuencias de sus decisiones. Ahí queda todavía muchísimo por investigar.
Dentro de diez años. ¿Qué será rutina en un hospital que hoy suena a ciencia ficción? ¿Y qué cosa que se promete ahora no ocurrirá, aunque se repita mucho?
Dentro de diez años creo que será rutinario que muchos hospitales trabajen con sistemas de inteligencia artificial integrados de forma continua en la práctica clínica. No como una herramienta aislada, sino como una segunda capa de apoyo permanente: sistemas que revisen imágenes médicas, detecten patrones de riesgo, anticipen complicaciones, integren información genética y clínica, sugieran diagnósticos diferenciales y ayuden a personalizar tratamientos. También será normal disponer de modelos que sigan la evolución de cada paciente en el tiempo y actualicen continuamente sus estimaciones a medida que aparecen nuevos datos. Es decir, sistemas mucho más dinámicos, capaces de aprender de la trayectoria individual del paciente, en lugar de basarse únicamente en patrones poblacionales.
Lo que no va a ocurrir es la sustitución del médico por la inteligencia artificial. La medicina no consiste únicamente en reconocer patrones o elegir la opción estadísticamente más probable. Implica contexto, incertidumbre, valores personales, comunicación, empatía, responsabilidad y decisiones que muchas veces no tienen una única respuesta correcta. La inteligencia artificial será extraordinariamente buena como apoyo, como sistema de vigilancia, como herramienta de predicción y de descubrimiento de causalidades y como mecanismo para integrar cantidades de información imposibles de manejar por una sola persona. Pero el acto médico seguirá requiriendo juicio humano.
Probablemente el hospital del futuro tendrá mucha más inteligencia artificial, pero no necesariamente menos médicos. Tendrá médicos distintos: profesionales capaces de trabajar con estos sistemas, cuestionarlos, interpretar sus recomendaciones, decidir cuándo hacerles caso y cuándo no, y también capaces con su feedback de contribuir a mejorarlos.
Su pregunta. ¿Cuál es la pregunta que nadie le hace y que le gustaría responder?
Quizá la pregunta que me gustaría que me hicieran es: «Después de casi cuarenta años trabajando en inteligencia artificial, ¿qué cree que seguimos sin entender bien sobre la IA?».
Y mi respuesta sería que todavía confundimos demasiado fácilmente inteligencia con capacidad de cálculo, de predicción o de generación de respuestas. Pero la inteligencia es algo más: es aprender con pocos ejemplos, utilizar conocimiento previo, razonar bajo incertidumbre, adaptarse cuando cambia el entorno, distinguir correlación de causalidad, ser capaz de explicar y de interpretar el mundo y, sobre todo, saber cuándo uno no sabe. Ese último punto me parece fundamental. Una IA verdaderamente útil no debería limitarse a producir una respuesta; debería ser capaz de expresar también su incertidumbre, revisar sus conclusiones cuando aparece nueva evidencia y reconocer los límites de su conocimiento.
Por eso creo que el gran reto de la inteligencia artificial no es simplemente construir modelos cada vez más grandes. Es construir sistemas que razonen mejor, que integren conocimiento y evidencia de una manera más próxima a como lo hacemos las personas y que sean capaces de convivir con la incertidumbre en lugar de ocultarla.
Después de tantos años trabajando en este campo, quizá la pregunta que más me interesa ya no es hasta dónde puede llegar la inteligencia artificial, sino qué tipo de inteligencia queremos construir.
Ficha — El entrevistado
Pedro Larrañaga es catedrático de Ciencias de la Computación e Inteligencia Artificial en la Universidad Politécnica de Madrid, donde desde 2008 lidera el Computational Intelligence Group. Sus intereses se centran en metodologías de aprendizaje automático y optimización heurística basadas en la probabilidad y la estadística, con aplicaciones en biomedicina, industria y museos. En 1995 fundó el Intelligent Systems Group en la Euskal Herriko Unibersitatea y en 2022, bajo su dirección, se aprobó la ELLIS Unit Madrid. Ha dirigido 37 tesis doctorales y 71 tesis fin de máster; según la Web of Science, sus 405 contribuciones científicas acumulan más de 16.700 citas (más de 33.600 según Google Scholar), y figura desde 2019 en la lista de la Universidad de Stanford del 2 % de científicos más citados.
Ha sido gestor del Plan Nacional en Tecnologías de la Información (2007-2010), miembro de la CNEAI (2010-2011) y parte del grupo de expertos que diseñó la primera Estrategia Española en Inteligencia Artificial (2018). Entre sus reconocimientos figuran el Premio Nacional Aritmel de Informática (2013), el Premio de la Asociación Española para la Inteligencia Artificial (2018), el Premio Amity en Aprendizaje Automático (2020) y las distinciones de Fellow de la Academia Europaea (2018), ELLIS (2023) e IEEE (2024). Su página personal reúne el resto. Entrevista realizada por correo para «El Domingo de Iberia» de LaPrensaIA; las respuestas se publican íntegras, con edición ligera de estilo.
Si esta conversación te ha dejado con ganas de seguir, en LaPrensaIA tenemos una pieza sobre cómo la tecnología está pasando de responder preguntas a hacer tareas por su cuenta, y un manual de instrucciones por profesión para quien quiera aprender a pedirle bien las cosas a una IA.
Foto cortesía de Pedro Larrañaga.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. 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.
