DOI: 10.26820/recimundo/9.(2).abril.2025.1014-1022
URL: https://recimundo.com/index.php/es/article/view/2726
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 32 Ciencias Médicas
PAGINAS: 1014-1022
Medicina interna predictiva: Integración de inteligencia
articial para la estraticación de riesgo y manejo
personalizado de enfermedades crónicas
Predictive internal medicine: Integrating artificial intelligence for risk
stratification and personalized management of chronic diseases
Medicina interna preditiva: Integrando inteligência artificial para
estratificação de risco e gestão personalizada de doenças crónicas
Marcelo Abraham Jara Rosabal
1
; María Elisa Altamirano Jaramillo
2
RECIBIDO: 10/03/2025 ACEPTADO: 19/04/2025 PUBLICADO: 08/09/2025
1. Médico General; Médico General en Centro de Especialidades Médicas Alphamed; Cuenca, Ecuador;
marcelojarar@hotmail.com; https://orcid.org/0009-0004-0507-759X
2. Médica; Investigadora Independiente; Cuenca, Ecuador; elisa_a29@hotmail.com; https://orcid.
org/0009-0006-4126-2068
CORRESPONDENCIA
Marcelo Abraham Jara Rosabal
marcelojarar@hotmail.com
Cuenca, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2025
RESUMEN
La medicina interna predictiva, impulsada por la integración de la inteligencia artificial (IA), representa una revolución en el manejo de
enfermedades crónicas. Esta disciplina utiliza algoritmos avanzados para identificar patrones y riesgos en pacientes, permitiendo una
estratificación precisa y temprana de las condiciones de salud. La aplicación de IA facilita un enfoque personalizado, optimizando las
intervenciones médicas y mejorando los resultados clínicos. Para la metodología de esta revisión bibliográfica, se realizó una búsqueda
exhaustiva en bases de datos académicas como PubMed, Scopus y Web of Science, centrándose en estudios publicados entre 2020
y 2025. Los criterios de inclusión se establecieron para seleccionar artículos de investigación, revisiones sistemáticas y metaanálisis
que abordaran el uso de la IA en la predicción y manejo de enfermedades crónicas en el ámbito de la medicina interna. Finalmente, se
procedió a la síntesis de los hallazgos para identificar las tendencias clave y los desafíos en la aplicación de la IA en la medicina inter-
na. En conclusión, la medicina interna predictiva con IA tiene el potencial de transformar la atención médica, promoviendo estrategias
preventivas y tratamientos adaptados a las necesidades individuales, lo que reduce complicaciones y mejora la calidad de vida de los
pacientes con enfermedades crónicas.
Palabras clave: Medicina predictiva, Medicina interna, Inteligencia artificial, Aprendizaje automático, Enfermedades crónicas, Estrat-
ificación de riesgo.
ABSTRACT
Predictive internal medicine, driven by the integration of artificial intelligence (AI), represents a revolution in the management of chronic
diseases. This discipline uses advanced algorithms to identify patterns and risks in patients, allowing for precise and early stratification
of health conditions. The application of AI facilitates a personalized approach, optimizing medical interventions and improving clinical
outcomes. For the methodology of this literature review, a comprehensive search was conducted in academic databases such as Pub-
Med, Scopus, and Web of Science, focusing on studies published between 2020 and 2025. The inclusion criteria were established to
select research articles, systematic reviews, and meta-analyses that addressed the use of AI in the prediction and management of chronic
diseases within the field of internal medicine. Finally, the findings were synthesized to identify key trends and challenges in the applica-
tion of AI in internal medicine. In conclusion, predictive internal medicine with AI has the potential to transform healthcare by promoting
preventive strategies and treatments tailored to individual needs, which reduces complications and improves the quality of life for patients
with chronic diseases.
Keywords: Predictive medicine, Internal medicine, Artificial intelligence, Machine learning, Chronic diseases, Risk stratification.
RESUMO
A medicina interna preditiva, impulsionada pela integração da inteligência artificial (IA), representa uma revolução no tratamento de
doenças crónicas. Esta disciplina utiliza algoritmos avançados para identificar padrões e riscos nos pacientes, permitindo uma estratifi-
cação precisa e precoce das condições de saúde. A aplicação da IA facilita uma abordagem personalizada, otimizando as intervenções
médicas e melhorando os resultados clínicos. Para a metodologia desta revisão da literatura, foi realizada uma pesquisa abrangente em
bases de dados académicas, como PubMed, Scopus e Web of Science, com foco em estudos publicados entre 2020 e 2025. Os critérios
de inclusão foram estabelecidos para selecionar artigos de investigação, revisões sistemáticas e meta-análises que abordassem o uso
da IA na previsão e gestão de doenças crónicas no campo da medicina interna. Por fim, os resultados foram sintetizados para identificar
as principais tendências e desafios na aplicação da IA na medicina interna. Em conclusão, a medicina interna preditiva com IA tem o po-
tencial de transformar os cuidados de saúde, promovendo estratégias preventivas e tratamentos adaptados às necessidades individuais,
o que reduz as complicações e melhora a qualidade de vida dos pacientes com doenças crónicas.
Palavras-chave: Medicina preditiva, Medicina interna, Inteligência artificial, Aprendizagem automática, Doenças crónicas, Estratifica-
ção de risco.
1016
RECIMUNDO VOL. 9 N°2 (2025)
Introducción
Las enfermedades crónicas, incluyendo las
cardiovasculares, la diabetes, las afeccio-
nes respiratorias y ciertos tipos de cáncer,
continúan siendo importantes problemas de
salud que contribuyen a una alta mortalidad
y a una menor calidad de vida en todo el
mundo. Los enfoques tradicionales para el
manejo de estas enfermedades a menudo
se han basado en planes de tratamiento
generalizados que podrían no abordar ade-
cuadamente las variaciones individuales en
la genética, el estilo de vida y las comorbi-
lidades. La medicina de precisión, un pa-
radigma que personaliza las intervenciones
de atención médica basándose en las dife-
rencias individuales, ha surgido como una
solución a estos desafíos al permitir un tra-
tamiento más eficaz y adaptado (1).
La inteligencia artificial (IA) es un campo en
rápida evolución que tiene el potencial de
transformar numerosas industrias y remo-
delar nuestra forma de vivir y trabajar. La
IA se refiere al desarrollo de sistemas infor-
máticos capaces de realizar tareas que nor-
malmente requieren inteligencia humana.
Estas tareas incluyen la comprensión del
lenguaje natural, el reconocimiento de pa-
trones, la toma de decisiones y la resolución
de problemas complejos. Los sistemas de
IA aprenden de los datos, se adaptan a la
nueva información y mejoran continuamen-
te su rendimiento (2).
Vivimos pues una medicina moderna pero la
llegada de la Inteligencia Artificial (IA) en to-
dos los campos de los que ya disfrutamos va
a revolucionar el mundo de la Medicina del
futuro. Los algoritmos de inteligencia artificial
y aprendizaje automático están transforman-
do la medicina en áreas como el diagnós-
tico de imágenes médicas, la interpretación
de datos genéticos y el análisis de grandes
conjuntos de datos clínicos. Una de las apli-
caciones más prometedoras de la IA es en
los servicios sanitarios, donde la IA posee
un gran potencial, que revolucionará los ac-
tuales protocolos de diagnóstico, así como
JARA ROSABAL, M. A., & ALTAMIRANO JARAMILLO, M. E.
la prevención y el control de enfermedades,
mejorando notablemente la seguridad del
paciente, así como la calidad asistencial. La
cada vez mayor accesibilidad a grandes vo-
lúmenes de datos está suscitando grandes
expectativas en el campo de la IA y tiene un
gran potencial para mejorar la atención mé-
dica y transformar la forma en que se diag-
nostican y tratan las enfermedades (3).
Metodología
Para la metodología de esta revisión bi-
bliográfica, se realizó una búsqueda ex-
haustiva en bases de datos académicas
como PubMed, Scopus y Web of Science,
centrándose en estudios publicados entre
2020 y 2025. Se utilizaron palabras clave
y términos de búsqueda relacionados con
la "medicina predictiva", "medicina interna",
"inteligencia artificial", "aprendizaje automá-
tico", "enfermedades crónicas" y "estratifi-
cación de riesgo". Los criterios de inclusión
se establecieron para seleccionar artículos
de investigación, revisiones sistemáticas y
metaanálisis que abordaran el uso de la IA
en la predicción y manejo de enfermedades
crónicas en el ámbito de la medicina inter-
na. Finalmente, se procedió a la síntesis de
los hallazgos para identificar las tendencias
clave y los desafíos en la aplicación de la IA
en la medicina interna.
Resultados
Diagnóstico de precisión y medicina per-
sonalizada
La medicina de precisión busca adaptar el
diagnóstico y tratamiento a cada paciente de
forma individual, basándose en la informa-
ción genética y otros datos personales. Este
enfoque marca una evolución respecto a la
medicina tradicional, que ha utilizado herra-
mientas como la patología, la microbiología y
la inmunología, junto con tecnologías avanza-
das como la microscopía electrónica (4).
La inteligencia artificial (IA) es clave en este
avance, ya que puede analizar grandes vo-
lúmenes de datos de salud para identificar
1017
RECIMUNDO VOL. 9 N°2 (2025)
MEDICINA INTERNA PREDICTIVA: INTEGRACIÓN DE INTELIGENCIA ARTIFICIAL PARA LA ESTRATIFICA-
CIÓN DE RIESGO Y MANEJO PERSONALIZADO DE ENFERMEDADES CRÓNICAS
pacientes de alto riesgo y optimizar las tera-
pias. Además, técnicas como el aprendiza-
je profundo ayudan a descifrar variaciones
genéticas y respuestas inmunitarias, lo que
facilita la dosificación de fármacos según la
farmacogenética del paciente, anticipando
la progresión de la enfermedad y mejoran-
do los resultados clínicos (5).
En la investigación del cáncer, por ejem-
plo, se ha empleado la IA para identificar
mutaciones en el ADN de tumores, lo que
ayuda en la clasificación de los tipos de
cáncer y sugiere terapias dirigidas. Del
mismo modo, en la medicina cardiovascu-
lar, se han desarrollado modelos basados
en IA para detectar variaciones genéticas
asociadas a cardiopatías, lo que permite a
los médicos evaluar los perfiles de riesgo
de los pacientes con mayor precisión. Un
estudio de Shameer et al. (2017) demostró
que los algoritmos de IA podían predecir
patrones de expresión genética vinculados
a enfermedades crónicas como la diabetes
y la hipertensión, lo que contribuye a las es-
trategias de intervención temprana. Sin em-
bargo, a pesar de estos avances, persisten
los desafíos en la integración de la IA en la
medicina genómica (1).
Avances tecnológicos y su aplicación en el
diagnóstico
La medicina de precisión se apoya en una
serie de tecnologías de vanguardia:
• Pruebas genéticas: Son fundamentales
para el diagnóstico y pronóstico de en-
fermedades complejas como las onco-
lógicas, raras o aquellas sin diagnóstico.
Además, guían la selección de terapias
dirigidas, optimizando la seguridad y efi-
cacia de los tratamientos.
• Tecnologías ómicas: Campos como la
genómica, la proteómica y la metabo-
lómica permiten identificar nuevos bio-
marcadores y perfiles moleculares para
un diagnóstico y pronóstico más preci-
sos, especialmente en cáncer.
• Herramientas de imagen: La tomogra-
fía computarizada multicorte (TCMC)
genera una gran cantidad de imágenes
que pueden ser difíciles de interpretar, lo
que ha impulsado el desarrollo de algo-
ritmos de diagnóstico asistido por orde-
nador (DAO) (4).
Diagnóstico asistido por ordenador
(DAO) e inteligencia articial (IA)
El DAO (o CAD, por sus siglas en inglés) uti-
liza algoritmos de aprendizaje automático
para ayudar a los profesionales a interpretar
imágenes médicas, señalando áreas sospe-
chosas y mejorando la capacidad diagnósti-
ca. En radiología, por ejemplo, estos algorit-
mos pueden detectar nódulos pulmonares,
mientras que, en patología, la Patología Di-
gital y la Patología Computacional aplican la
IA para interpretar imágenes microscópicas
y cuantificar biomarcadores (4).
Desafíos y futuro de la medicina de pre-
cisión
A pesar de los beneficios, la implementa-
ción de estas tecnologías plantea desafíos
importantes:
• Calidad y sesgo de los datos: Es cru-
cial asegurar que los datos utilizados
por los algoritmos no contengan sesgos
que puedan llevar a errores.
• Responsabilidad: Se debe definir quién
asume la responsabilidad en caso de
errores en un diagnóstico automatizado.
• Regulación: Es necesaria una regu-
lación clara para la acreditación de la
calidad, la gestión de la información y
el mantenimiento de los datos digitaliza-
dos (4).
A pesar de estos desafíos, el avance en las
ciencias ómicas y el uso de biomarcadores
están transformando la medicina, permitien-
do un diagnóstico temprano y un enfoque
más preventivo y personalizado (4).
1018
RECIMUNDO VOL. 9 N°2 (2025)
Aprendizaje profundo y análisis de imá-
genes médicas
El aprendizaje profundo (DL) es una rama de
la inteligencia artificial que se basa en el uso
de redes neuronales profundas (DNN). A di-
ferencia de los métodos de aprendizaje auto-
mático tradicionales, las DNN pueden apren-
der directamente de los datos, eliminando la
necesidad de una gran intervención humana
para la selección de características (6).
Tipos de redes de aprendizaje profundo
Redes Neuronales Convolucionales (CNN)
Las CNN son redes especializadas en el
análisis de imágenes. Son muy eficaces en
la detección y cuantificación de placas de
aterosclerosis en imágenes médicas, como
las de tomografía computarizada (TC) y re-
sonancia magnética (MRI). Las CNN pue-
den identificar automáticamente patrones
visuales complejos, lo que ayuda a la de-
tección temprana de la enfermedad y a pre-
venir eventos cardiovasculares. También se
utilizan para segmentar automáticamente
las placas, permitiendo una medición más
precisa de su volumen y composición (6).
Redes Neuronales Recurrentes (RNN)
Las RNN están diseñadas para analizar da-
tos secuenciales, como registros médicos a
lo largo del tiempo. Son útiles para predecir
la progresión de enfermedades analizando
la evolución de los datos clínicos. Un tipo
de RNN, la memoria a largo plazo (LSTM),
es particularmente efectiva en la predicción
de eventos cardiovasculares futuros al iden-
tificar patrones temporales en los factores
de riesgo y biomarcadores de un paciente.
Esto permite monitorear el desarrollo de la
enfermedad y ajustar los tratamientos de
forma dinámica (6).
Autoencoders y Redes Generativas Antagó-
nicas (GAN)
Estas arquitecturas de aprendizaje profun-
do son valiosas para mejorar la calidad de
las imágenes médicas y generar datos sin-
téticos. Los autoencoders se utilizan para
detectar la aterosclerosis en sus primeras
etapas a partir de resonancias magnéticas,
reconstruyendo los datos de entrada. Las
GANs crean imágenes sintéticas realistas
que complementan los conjuntos de datos
limitados. Esto es útil para entrenar modelos
de diagnóstico y simular la progresión de la
enfermedad. La combinación de ambas tec-
nologías puede mejorar significativamente la
precisión y eficiencia del diagnóstico (6).
Modelos predictivos
En inteligencia artificial, los modelos pre-
dictivos son herramientas clave para prever
resultados y optimizar decisiones, especial-
mente con grandes volúmenes de datos y
patrones complejos (7).
El modelado predictivo es otra área en la
que la IA ha mostrado un inmenso potencial
en la medicina de precisión, en particular
para el manejo de enfermedades crónicas.
Los algoritmos de IA pueden analizar datos
históricos y en tiempo real para predecir la
progresión de la enfermedad y sugerir inter-
venciones apropiadas. El modelado predic-
tivo es especialmente valioso en el manejo
de enfermedades con progresión gradual,
como la diabetes y las enfermedades car-
diovasculares, donde la detección tempra-
na de los factores de riesgo es crucial para
un tratamiento eficaz (1).
Este enfoque proactivo mejora la capaci-
dad de intervenir temprano, mejorando los
resultados del paciente y reduciendo la car-
ga a largo plazo de las condiciones cróni-
cas. La detección temprana impulsada por
la IA se basa en el análisis de vastos y va-
riados conjuntos de datos, incluidos regis-
tros de salud electrónicos (RSE), imágenes
médicas y datos de monitoreo continuo de
dispositivos portátiles (8).
KNN (K-Nearest Neighbors)
Es un método de aprendizaje supervisado
que clasifica nuevos datos basándose en la
similitud con sus "k" vecinos más cercanos.
JARA ROSABAL, M. A., & ALTAMIRANO JARAMILLO, M. E.
1019
RECIMUNDO VOL. 9 N°2 (2025)
Es simple y eficiente, y se utiliza común-
mente en el reconocimiento de patrones y
diagnóstico médico (7).
RF (Random Forest)
Es un algoritmo que utiliza un conjunto de ár-
boles de decisión para resolver problemas
de clasificación y regresión. Combina las
predicciones de múltiples árboles para me-
jorar la precisión y evitar el sobreajuste. Es
eficaz con conjuntos de datos de tamaño pe-
queño a mediano y se aplica en la identifica-
ción de objetos y evaluación de riesgos (7).
LR (Regresión Logística)
Es un método estadístico para predecir resul-
tados binarios. Modela la relación entre una
variable dependiente binaria y una o más va-
riables independientes calculando probabili-
dades. Es muy útil en predicciones de diag-
nóstico donde la precisión es fundamental
para la toma de decisiones clínicas (7).
Modelos predictivos en diabetes mellitus
La inteligencia artificial (IA) está demostran-
do ser una herramienta poderosa para la
predicción y el diagnóstico de la diabetes
mellitus tipo 2 (DM2). A continuación, se re-
sumen las principales aplicaciones y hallaz-
gos mencionados en el texto (7).
Modelos de IA para la predicción y diag-
nóstico
• Modelos de Aprendizaje Automático:
Estudios como el de Hennebelle et al.
(2023) han demostrado que modelos
como Random Forest (RF) superan a la
regresión logística (LR) en la predicción
de la DM2. Estos modelos pueden ana-
lizar grandes volúmenes de datos para
identificar patrones complejos y prede-
cir el riesgo de desarrollar la enferme-
dad (7).
• Redes Neuronales: Se ha demostrado
que las redes neuronales pueden alcan-
zar una alta precisión (más del 90%) en
la clasificación de pacientes con alto
riesgo de DM2 (7).
• Deep Learning: Los modelos de deep
learning han mostrado un rendimiento
superior a los métodos tradicionales.
También se utilizan para analizar imáge-
nes médicas, como las oftalmológicas,
para detectar signos de retinopatía dia-
bética, lo que permite un diagnóstico
temprano y preciso (7).
• Modelos Multimodales: La integración
de múltiples fuentes de datos, como
registros clínicos, datos biométricos e
imágenes, en modelos multimodales ha
mejorado significativamente el rendi-
miento predictivo en comparación con
los modelos que utilizan una sola fuente
de datos (7).
Modelos predictivos de enfermedades
cardiovasculares
Los modelos tradicionales para predecir
el riesgo de enfermedades cardiovascula-
res (ECV), como los modelos Framingham
(FRS), SCORE y QRISK, se basan en la re-
gresión logística. Estos modelos consideran
factores como la edad, el sexo, la presión
arterial, el colesterol y el tabaquismo para
calcular la probabilidad de un evento car-
diovascular en 10 años (9).
Modelos tradicionales de regresión logís-
tica
• Modelo Framingham (FRS): Uno de los
más utilizados, incluye la edad, sexo,
presión arterial, colesterol (total y HDL),
tabaquismo y diabetes (9).
• Sistema SCORE: Específico para la
población europea, estima el riesgo de
eventos cardiovasculares fatales a 10
años, considerando edad, sexo, taba-
quismo, presión arterial sistólica y coles-
terol total (9).
• Modelo QRISK: Es un modelo más com-
pleto que añade factores socioeconómi-
cos y clínicos, como el índice de masa
corporal (IMC), etnicidad y la presencia
de enfermedades crónicas, para una
predicción más precisa (9).
MEDICINA INTERNA PREDICTIVA: INTEGRACIÓN DE INTELIGENCIA ARTIFICIAL PARA LA ESTRATIFICA-
CIÓN DE RIESGO Y MANEJO PERSONALIZADO DE ENFERMEDADES CRÓNICAS
1020
RECIMUNDO VOL. 9 N°2 (2025)
Nuevos enfoques de aprendizaje automá-
tico
Debido a que los modelos tradicionales
pueden no capturar relaciones no lineales
y asumen la independencia entre variables,
han surgido nuevos algoritmos de aprendi-
zaje automático e inteligencia artificial:
• Support Vector Machines (SVM): Algo-
ritmos que encuentran el mejor hiperpla-
no para separar clases y son efectivos
para manejar datos no lineales y de alta
dimensionalidad (9).
• Decision Trees (DT): Utilizan una es-
tructura de árbol para reglas de deci-
sión, son fáciles de interpretar y pueden
identificar interacciones complejas entre
variables, aunque son propensos al so-
breajuste (9).
• Articial Neural Networks (ANN): Mo-
delos inspirados en el cerebro humano
que capturan relaciones no lineales y se
adaptan a datos complejos, pero requie-
ren grandes volúmenes de datos y son
difíciles de interpretar (9).
• Random Forest (RF): Un algoritmo que
combina múltiples árboles de decisión
para mejorar la precisión, identificando
patrones complejos y no lineales (9).
• Gradient Boosting Machines (GBM):
Construye un modelo mejorando los
errores de un modelo anterior, lo que au-
menta la precisión predictiva (9).
• K-Nearest Neighbors (K-NN): Un méto-
do que clasifica el riesgo basándose en
la similitud con los casos más cercanos.
Es fácil de entender, pero puede reque-
rir mucha memoria y ser sensible a valo-
res atípicos (9).
Tratamiento personalizado, evolución y
pronóstico
La inteligencia artificial (IA) está transfor-
mando la atención médica al permitir el de-
sarrollo de planes de tratamiento precisos y
personalizados. A través del análisis de da-
tos genéticos y de salud, los algoritmos de
IA pueden identificar variaciones genéticas
clave y predecir los resultados del paciente,
lo que ayuda a los médicos a adaptar las
terapias de manera más efectiva (10).
Además de personalizar el tratamiento, la IA
es una herramienta valiosa para:
• Planicación y monitoreo: Ayuda a pla-
nificar cirugías complejas y a monitorear
la salud del paciente en tiempo real, pre-
diciendo posibles eventos adversos (10).
• Procedimientos: Permite realizar proce-
dimientos menos invasivos y asiste en la
recuperación y rehabilitación postopera-
toria (10).
• Pronóstico: Predice con precisión el
riesgo de desarrollar enfermedades, así
como su evolución y pronóstico, basán-
dose en el análisis de grandes volúme-
nes de datos (10).
• Oncología de precisión: En el cáncer,
los algoritmos de IA analizan la genética
del tumor y el historial del paciente para
predecir la respuesta a quimioterapias
específicas. Esto ayuda a los médicos
a tomar decisiones de tratamiento más
precisas, reduciendo los efectos secun-
darios y mejorando los resultados. Ade-
más, los algoritmos de Procesamiento
de Lenguaje Natural (PLN) analizan no-
tas clínicas para identificar posibles inte-
racciones entre medicamentos (1).
La IA mejora la toma de decisiones clínicas, lo
que lleva a una atención médica más perso-
nalizada, segura y eficiente, e incluso se utili-
za para la videovigilancia de pacientes (10).
Los asistentes médicos virtuales, impulsa-
dos por la inteligencia artificial (IA), están
transformando el manejo de enfermedades
crónicas como la diabetes, las cardiopa-
tías y las afecciones pulmonares. Empresas
como Onduo ofrecen coaching virtual para
la diabetes, usando IA para analizar datos
de sensores de glucosa y actividad física.
JARA ROSABAL, M. A., & ALTAMIRANO JARAMILLO, M. E.
1021
RECIMUNDO VOL. 9 N°2 (2025)
En el ámbito cardíaco, sistemas como el de
AliveCor, integrados en relojes inteligentes,
utilizan aprendizaje profundo para predecir
la fibrilación auricular con gran precisión. La
IA también ha demostrado ser muy eficaz
en el análisis de imágenes médicas para
diagnósticos y en el uso de micrófonos de
teléfono para evaluar afecciones pulmona-
res, como la neumonía y el asma (11).
El uso de estas tecnologías ha crecido gra-
cias a la gran cantidad de datos disponi-
bles, incluyendo información de tecnologías
ómicas, dispositivos portátiles y registros
de salud electrónicos. El enorme volumen
de datos generados requiere una recopila-
ción estructurada y el análisis de macroda-
tos (big data) para integrar el aprendizaje
automático (ML) y la IA (11).
Conclusión
La medicina interna predictiva, impulsada
por la integración de la inteligencia artifi-
cial (IA), está redefiniendo la atención de
las enfermedades crónicas. La IA, al ana-
lizar grandes cantidades de datos clínicos,
genómicos e de imágenes, mejora signifi-
cativamente la estratificación del riesgo,
permitiendo a los médicos predecir con
mayor precisión qué pacientes son más
susceptibles a complicaciones. Esto facilita
el desarrollo de planes de tratamiento per-
sonalizados que son más efectivos y tienen
menos efectos secundarios, un pilar funda-
mental de la medicina de precisión. Ade-
más, la IA optimiza la gestión a largo plazo
de las enfermedades crónicas a través de
la monitorización continua y la emisión de
alertas proactivas. Si bien la adopción en-
frenta desafíos como la interoperabilidad y
las preocupaciones éticas, la colaboración
entre médicos y científicos de datos es cla-
ve para que esta tecnología se convierta en
una herramienta estándar, mejorando así
los resultados clínicos y la calidad de vida
de los pacientes.
Bibliografía
Abdullah M. Integrating Artificial Intelligence in Pre-
cision Medicine: Enhancing Predictive Accuracy
and Personalized Care in Chronic Disease Mana-
gement. Med Life Sci. 2024;3(1):6–15.
Gozálvez PP, Poveda Andrés JL. Conceptos genera-
les y aplicaciones en salud de la inteligencia arti-
ficial [Internet]. 2023. Available from: https://www.
construyendolafh.es/sites/g/files/vrxlpx29401/fi-
les/2023-10/articulo-2-monografia-20.pdf
de Francisco Hernández ÁLM. Inteligencia Artificial:
la transformación de la Medicina moderna hacia
la Medicina del futuro [Internet]. REAL ACADEMIA
DE MEDICINA DE CANTABRIA; 2024. Available
from: https://www.ramcantabria.es/wp-content/
uploads/2025/05/IA.-La-transformacion-de-la-Me-
dicina-moderna.pdf
Monereo Moreno I, Moreno Vida MDLN. La e-salud.
Hacia la medicina 5P: medicina personalizada,
precisa, preventiva, predictiva y participativa. Rev
Derecho la Segur Soc. 2022;(4).
Molano WB. Medicina personalizada en enferme-
dades inmunomediadas: Hacia un tratamien-
to a la medida del paciente. Rev Salud Bosque.
2024;14(2).
Farneti MB, Ceschin DG. Diagnóstico de aterosclero-
sis con inteligencia artificial: un enfoque innovador
para una enfermedad compleja. Bitácora Digit.
2024;11(15):27–41.
Aparicio-Montenegro PR, Narro-Andrade MG,
León-Velarde CG, Morales-Romero GP, Fer-
nández-Flores SM. Modelos predictivos en la
Salud Pública: El abordaje de la diabetes me-
diante la Inteligencia Artificial. Cuest Políticas.
2025;43(82):91–106.
Bobet D, Shabir G. The Future of Chronic Disease
Management: AI-Driven Healthcare and Predictive
Analytics. 2024.
Valderrama Cardenas A. Modelo predictivo en el de-
sarrollo de enfermedades cardiovasculares a partir
de factores de riesgo. [Internet]. Universitat Oberta
de Catalunya; 2024. Available from: https://open-
access.uoc.edu/server/api/core/bitstreams/a5d-
ca908-d32d-4e4c-a677-b143eba20d0d/content
Alvarez-Guachichulca JS, Jaramillo Aguilar DS,
López Becerra AX. Aplicaciones, oportunidades y
desafíos de implementar la inteligencia artificial en
medicina. Rev Médica Risaralda [Internet]. 2024
Dec 5;30(2):89–105. Available from: https://revis-
tas.utp.edu.co/index.php/revistamedica/article/
view/25606
MEDICINA INTERNA PREDICTIVA: INTEGRACIÓN DE INTELIGENCIA ARTIFICIAL PARA LA ESTRATIFICA-
CIÓN DE RIESGO Y MANEJO PERSONALIZADO DE ENFERMEDADES CRÓNICAS
1022
RECIMUNDO VOL. 9 N°2 (2025)
Subramanian M, Wojtusciszyn A, Favre L, Boughor-
bel S, Shan J, Letaief KB, et al. Precision medicine
in the era of artificial intelligence: implications in
chronic disease management. J Transl Med [Inter-
net]. 2020 Dec 9;18(1):472. Available from: https://
translational-medicine.biomedcentral.com/arti-
cles/10.1186/s12967-020-02658-5
CITAR ESTE ARTICULO:
Jara Rosabal, M. A., & Altamirano Jaramillo, M. E. (2025). Medicina interna
predictiva: Integración de inteligencia artificial para la estratificación de ries-
go y manejo personalizado de enfermedades crónicas. RECIMUNDO, 9(2),
1014–1022. https://doi.org/10.26820/recimundo/9.(2).abril.2025.1014-1022
JARA ROSABAL, M. A., & ALTAMIRANO JARAMILLO, M. E.
