El Aula Oleícola Innova celebra el VII Encuentro de Olivicultores en la Sede Antonio Machado de Baeza
La Universidad Internacional de Andalucía (UNIA) y Grupo Oleícola Jaén, a través del Aula Oleícola Innova, celebran el VII Encuentro de Olivicultores. Producir, vivir y prosperar desde el origen.
Un encuentro que se desarrolla durante dos jornadas, el 19 y 20 de marzo, en la Sede Antonio Machado de Baeza (Jaén), con la finalidad de ser un punto de reflexión y diálogo que conecte el sector oleícola con los grandes retos actuales y un espacio para el intercambio de conocimiento entre expertos, instituciones y agentes locales para analizar el presente y proyectar el futuro del olivar como motor económico, social y demográfico.
En el acto inaugural han intervenido el director de la sede Antonio Machado de Baeza (Jaén), José Manuel Castro; el presidente del Grupo Oleícola Jaén, Carlos Morillo; el director de Calidad y Compras del Grupo Oleícola Jaén, Remigio Morillo; el consultor y director del Aula Oleícola Innova, Juan Vilar, y el concejal de Agricultura del Ayuntamiento de Baeza, Antonio Perales.
El director de la Sede Antonio Machado ha recordado que es la segunda ocasión en que este encuentro se realiza «en el marco del Aula Oleícola Innova».
«Estamos encantados, ha añadido, de tener una actividad en la que actualizamos la formación y el conocimiento sobre el mundo de la olivicultura, de la mano del Grupo Oleícola Jaén y del director del Aula, Juan Vilar, con una combinación muy equilibrada de profesorado del mundo académico y de la industria».
El concejal de Agricultura ha agradecido a la UNIA y al Grupo Oleícola Jaén la organización de este encuentro y su celebración en Baeza «capital mundial del aceite de oliva, por derecho propio, por producción y calidad de los aceites que se extraen cada año».
Y ha destacado que en estas jornadas se va a compartir con los agricultores «la experiencia, el conocimiento y los retos de futuro para el sector».
Por su parte, Remigio Morillo ha aludido a la colaboración con la UNIA, «el paraguas que tenemos con la Universidad Internacional de Andalucía, en ese proyecto de colaboración común, el Aula Oleícola, para albergar actos como este encuentro, en el que se va a hablar de asuntos de máxima actualidad y de lo que está aconteciendo en el sector oleícola y del futuro”.
También ha tenido palabras de reconocimiento para «el elenco de profesorado que participa en estas jornadas y que van a hablarnos de asuntos de interés como puede ser la meteorología o la economía rural y aspectos como la rentabilidad del olivar y su capacidad para fijar población».
Por último, Juan Vilar ha subrayado el esfuerzo de los organizadores de este encuentro que «se ha dividido en dos ámbitos diferentes; un ámbito en el cual el conocimiento viene al compartir la experiencia desde el ámbito académico de dos catedráticos de un rango excepcional, y, otro, del ámbito de la empresa, con la participación del dueño de una compañía con más de 100 años de existencia; del Grupo ALVIC, una empresa con más de 2.500 personas vinculadas al olivar, y del Grupo Oleícola Jaén, la familia Morillo, que abordará el oleoturismo».
Durante este encuentro se van a abordar los principales retos y oportunidades del olivar desde una visión estratégica y de largo plazo. Temas como la incidencia de la climatología en el presente y futuro de la producción de aceite de oliva; la oleicultura como vector de arraigo poblacional al territorio y el impacto de la competitividad; el despoblamiento de las zonas rurales, con especial atención al caso de Jaén; la integración vertical en el olivar y cómo generar economía rural y retorno social, y cómo conquistar la mente del consumidor y estrategias de ventas del aceite de oliva.
Participan como ponentes: Emilio Camacho, catedrático de Ingeniería Hidráulica de la Universidad de Córdoba (UCO); José Domingo Sánchez, catedrático de Geografía de la Universidad de Jaén (UJA); Javier Rosales, director general y CEO del Grupo ALVIC; Mario Quiñonero, CEO del Grupo Torrent; Carmen Morillo y Joaquín Morillo, del Grupo Oleícola Jaén, y Alexia de la Morena, profesora en IE Business School y especialista en comportamiento del consumidor.
Aula Oleícola Innova
El Aula Oleícola Innova para la Innovación y la Divulgación en la Olivicultura y la Elaiotecnia es un proyecto creado por la UNIA y Grupo Oleícola para el desarrollo de actividades en materia de docencia, promoción cultural, transferencia, innovación, emprendimiento y divulgación del conocimiento del sector del olivar y de la cultura del olivo.
,En la actualidad, la velocidad de la generación de datos es constante y está en continuo crecimiento, lo que permite potenciar el aprendizaje de la Inteligencia Artificial y ayudar a empresas y profesionales a tomar decisiones más informadas.
En este artículo te explicamos qué es el Machine Learning y cómo puede ayudarte a potenciar tu futuro profesional.
Qué es el Machine Learning y para qué sirve
El Machine Learning es una rama específica dentro de la inteligencia artificial (IA) que se especializa en la resolución de problemas específicos a través del aprendizaje autónomo y el análisis de grandes cantidades de datos.
Este aprendizaje automático es posible debido al desarrollo y entrenamiento de algoritmos y modelos predictivos que permiten identificar patrones y realizar predicciones en base al análisis de datos masivos, por lo que a mayor volumen de datos obtenga, mayor será su desempeño.
¿Cómo funciona el aprendizaje automático?
El aprendizaje automático es el proceso de optimizar el modelo predictivo en base a un entrenamiento con muestras de datos, de forma que la máquina identifica y aprende las relaciones matemáticas entre los patrones encontrados en las muestras, permitiéndole realizar predicciones precisas sobre nuevos datos.
Este sistema permite a la máquina mejorar su rendimiento a medida que obtenga más datos, permitiéndole desarrollar tareas y tomar decisiones sin necesidad de ser programada con instrucciones específicas para cada tarea o caso concreto.
Para qué sirve el Machine Learning y ejemplos
El Machine Learning puede utilizarse para múltiples tareas, pero podemos destacar las siguientes funciones:
- Predecir resultados: permite estimar valores o comportamientos futuros a partir de datos previos.
Por ejemplo: una entidad bancaria lo puede emplear para predecir la probabilidad de impago de un cliente en función de variables como sus ingresos, nivel de endeudamiento o historial crediticio para evaluar el riesgo antes de la concesión de un préstamo.
- Clasificar información: puede utilizarse para reconocer patrones en los datos y asignarlos a una categoría concreta en función de sus características.
Por ejemplo: permite detectar si un correo es spam en función de las características y similitudes a mensajes ya etiquetados como spam, como patrones del texto o palabras utilizadas.
- Personalizar experiencias: permite predecir las preferencias de los usuarios y sugerir contenido relevante adaptado a sus intereses.
Por ejemplo: Youtube utiliza un modelo de aprendizaje automático para analizar los intereses y hábitos de consumo de sus usuarios en la plataforma para recomendarles videos acorde a sus preferencias.
- Detectar anomalías: permite detectar patrones que se desvían de los habitual dentro de un conjunto de datos.
Por ejemplo: en ciberseguridad la detección de datos anómalos puede indicar que pueden existir amenazas en la seguridad, fallos de infraestructura o actividad inusual en la red, lo que permite actuar rápidamente frente a incidentes críticos.
Machine learning vs Deep Learning
El Deep Learning es una rama dentro del Machine Learning, la diferencia sustancial es que el primero utiliza redes neuronales, inspiradas en las neuronas biológicas del cerebro humano, para extraer los patrones y características de los datos, mientras que otros modelos de aprendizaje automático suelen apoyarse en modelos estadísticos más tradicionales como regresiones estadísticas, análisis de hipótesis y árboles de decisión.
Estas redes neuronales se distinguen principalmente de otros algoritmos tradicionales por su estructuración en capas, lo que les permite procesar la información paso a paso y analizar patrones más complejos, resultando muy útil en el análisis de imágenes o reconocimiento de voz.
La relación entre el Machine Learning y el Big Data
El Big data es la generación de datos masivos, es decir, un gran volumen de datos de gran variedad y que se generan a gran velocidad, por otro lado, el Machine Learning se basa en el aprendizaje automático en base al análisis de datos, por lo que es posible procesar y limpiar grandes volúmenes de datos, almacenarlos y entrenar a los algoritmos de aprendizaje automático para obtener resultados más precisos y valiosos.
Tipos de Machine Learning
Dependiendo de la tarea que queramos realizar con el algoritmo y los datos disponibles, podemos identificar cinco distintos tipos de aprendizaje o algoritmos de machine learning:
Aprendizaje supervisado
Los modelos de aprendizaje supervisado se entrenan con datos etiquetados, es decir, con ejemplos en los que ya se conoce el resultado final. En cada caso, el sistema recibe una serie de datos sobre la situación analizada, lo que en términos técnicos se conoce como variables de entrada, y también el resultado correspondiente, o variable de salida. A partir de esos ejemplos, el algoritmo aprende la relación entre ambos y puede utilizarla después para predecir qué ocurrirá en nuevos casos.
Por ejemplo, volviendo al ejemplo de la entidad bancaria, puede entrenar un modelo de aprendizaje supervisado con los datos de sus clientes como su capacidad de ahorro, historial crediticio o nivel de endeudamiento. En cada caso, además, se indica el resultado final, es decir, si hubo impago o no, lo que se conoce como etiquetar los datos. A partir de esa información, el sistema aprende a reconocer patrones que le permiten estimar si los nuevos clientes devolverán el préstamo a tiempo.
Aprendizaje no supervisado
Los modelos de aprendizaje no supervisado, a diferencia del anterior, no necesitan de la intervención humana para etiquetar previamente los datos, ya que utiliza algoritmos de autoaprendizaje que estructuran la información en función de sus similitudes, patrones y diferencias a través de un análisis cluster o por conglomerados.
Debido a ello, es un sistema de aprendizaje muy útil para identificar nuevos patrones en los datos que no han sido previamente identificados o para conjuntos de datos muy grandes y complejos.
Por ejemplo: si la entidad bancaria utilizase un modelo de aprendizaje no supervisado, el sistema no predeciría directamente si un cliente incurrirá en impago, ya que no se le indica ese resultado durante el entrenamiento. Su función es agrupar automáticamente a los clientes según características similares, como su edad, nivel de ingresos, historial crediticio, etc. A partir de esa segmentación, la entidad podría identificar perfiles con rasgos comunes y detectar grupos que, tras un análisis posterior, presenten una mayor o menor probabilidad de impago.
En resumen, la diferencia sustancial es que el no supervisado descubre patrones y el supervisado predice resultados.
Aprendizaje semi-supervisado
El aprendizaje semi-supervisado se trata de una combinación entre el modelo de aprendizaje supervisado y el no supervisado.
Para entrenar el modelo, se utiliza una pequeña cantidad de datos etiquetados y una cantidad mucho mayor de datos no etiquetados. Así, se reduce la intervención humana, ya que no es necesario clasificar manualmente todos los ejemplos. Los datos etiquetados permiten al sistema aprender la relación entre la información disponible y el resultado esperado, mientras que los datos no etiquetados le ayudan a detectar estructuras y patrones que mejoran el aprendizaje.
Aprendizaje autosupervisado (SSL)
El aprendizaje autosupervisado (SSL) permite entrenar un modelo con datos no etiquetados, pero a diferencia del aprendizaje no supervisado, el propio sistema genera sus etiquetas a partir de la estructura de los datos.
Para ello, se le plantea una tarea intermedia, como predecir una palabra que falta en un texto o reconstruir una parte oculta de una imagen. De este modo, aunque nadie le indique directamente cuál es la respuesta final de una tarea concreta, el modelo aprende patrones y relaciones útiles dentro de la información, permitiéndole realizar posteriormente tareas más complejas, como clasificar textos, responder preguntas o reconocer imágenes.
En la práctica, este enfoque se utiliza principalmente en modelos de deep learning, ya que suelen ser los más adecuados para trabajar con grandes volúmenes de datos y extraer patrones complejos de forma automática gracias a sus redes neuronales.
Por ejemplo: este modelo de aprendizaje es muy utilizado en los escáneres médicos, ya que es posible entrenar al sistema con multitud de resonancias sin etiquetar permitiendo aprender características anatómica que permita posteriormente detectar posibles tumores.
Aprendizaje por refuerzo (RL)
El aprendizaje por refuerzo (RL) es un tipo de aprendizaje automático en el que el sistema aprende mediante prueba y error. A diferencia del aprendizaje supervisado, no recibe de antemano la respuesta correcta, sino que interactúa con un entorno y va tomando decisiones para alcanzar el mejor resultado posible.
Cuando una acción produce un resultado favorable, el sistema recibe una recompensa; si el resultado es negativo, recibe una penalización. A partir de esa experiencia, aprende progresivamente qué decisiones le permiten obtener mejores resultados.
Por ejemplo: aplicando el aprendizaje por refuerzo al sector de la domótica, un robot aspirador puede aprender a moverse por una vivienda mediante prueba y error. Cuando toma decisiones que le permiten limpiar mejor y evitar obstáculos, recibe una recompensa; si se equivoca, recibe una penalización. Con el tiempo, aprende qué acciones le ayudan a limpiar de forma más eficiente y obtener mejores resultados.
Algoritmos de Machine Learning
Para entrenar modelos, el machine learning utiliza distintos algoritmos, es decir, conjuntos de reglas y procedimientos matemáticos que le permiten aprender patrones a partir de los datos.
La elección de unos u otros depende del tipo de aprendizaje automático, del problema que se quiera resolver y de la información disponible para entrenar el sistema. Por ello, a continuación resumimos los algoritmos más utilizados en función de cada tipo de aprendizaje automático
Principales algoritmos de aprendizaje supervisado
Algunos de los algoritmos de aprendizaje supervisado más utilizados son:
1. Regresión lineal
Es una técnica estadística que permite generar un modelo lineal que describa la relación entre una variable dependiente (x) y uno o más variables independientes (y), dependiendo si el modelo es una regresión lineal simple (una sola variable independiente) o una regresión lineal múltiple (dos o más variables independientes).
Este modelo busca encontrar la recta que mejor se ajusta a los datos para explicar cómo cambia la variable dependiente en función de la variable o variables independientes.
De forma visual, esta relación puede representarse mediante un diagrama de dispersión. Cuanto más cerca se sitúan los puntos de una línea recta, más clara es la relación lineal entre las variables.
2. Árbol de decisión
Un árbol de decisión es un modelo estadístico que toma decisiones a partir de preguntas sucesivas sobre los datos, utilizando una estructura jerárquica similar a un árbol.
Su objetivo es dividir los datos en grupos cada vez más homogéneos, dividiendo en cada paso la información en función de la variable o característica que mejor diferencia a los datos según el resultado que se quiera predecir, obteniendo una clasificación final.
K- vecino más cercano
El método del K-vecino más cercano es un técnica estadística que clasifica un nuevo caso en función de los ejemplos más parecidos que ya conoce, comparando las características del nuevo dato con las de otros datos ya clasificados.
Esa comparación se hace midiendo la distancia entre unos datos y otros, de forma que cuanto menor es la distancia, mayor es la similitud. Su rendimiento dependerá de cómo se mida esa distancia, del número de vecinos seleccionados y de la calidad de las variables utilizadas.
Principales algoritmos de aprendizaje no supervisado
Cluster de K-means
El clustering de k-medias es un algoritmo que divide en un número predeterminado de grupos o clústeres, seleccionando un número de grupos y asignando a cada observación al grupo cuyo centro esté más próximo y recalculando de forma iterativa la media de cada grupo para obtener los conjuntos de datos más homogéneos posibles.
Cluster jerárquico
El clustering jerárquico es un algoritmo que busca agrupar las observaciones en conjuntos homogéneos. A diferencia del clustering de k-means, no genera una única partición final desde el principio, sino que construye una jerarquía de grupos. En su variante aglomerativa, la más común, cada observación empieza formando su propio grupo y, en cada paso, el algoritmo une los dos grupos más parecidos hasta completar toda la jerarquía. Su objetivo es lograr una alta homogeneidad intragrupo y una alta heterogeneidad entre grupos.
Análisis de componentes principales (PCA)
El PCA o análisis de componentes principales es una técnica estadística que se utiliza para reducir la cantidad de variables de un conjunto de datos sin perder demasiada información.
Esta técnica suele utilizarse cuando se busca agrupar un gran número de variables cuando algunas de ellas están relacionadas entre sí, de forma que esta técnica transforma estas variables en un número menor denominados componentes principales, que concentran la mayor parte de la variabilidad de los datos.
Sectores que utilizan el Machine Learning
Sector bancario
Entre las principales aplicaciones del machine learning en el sector financiero, destaca su utilidad en la concesión de préstamos, ya que permite analizar grandes volúmenes de datos y detectar patrones asociados al riesgo financiero.
De este modo, las entidades pueden estimar con mayor precisión la probabilidad de impago y apoyar la evaluación de cada cliente antes de tomar una decisión.
Master de ia aplicada al sector empresarial
Sector de la salud
La IA en la salud tiene una aplicación especialmente relevanteya que permite analizar grandes volúmenes de información clínica y detectar patrones útiles para la identificación precoz de enfermedades, el apoyo al diagnóstico y la investigación médica.
Su impacto es especialmente visible en el diagnóstico por imagen, donde puede ayudar a reconocer anomalías en pruebas como radiografías, TAC o resonancias, y en áreas como los ensayos clínicos, donde contribuye a hacer más eficientes algunos procesos de evaluación y desarrollo de nuevas terapias.
Máster en aplicaciones de IA en la salud
Sector educativo
Uno de los ámbitos en los que el machine learning está empezando a tener una aplicación destacada es el educativo. En este contexto, pueden emplearse algoritmos entrenados con datos como calificaciones, nivel de participación o respuestas de alumnos anteriores para identificar patrones asociados a dificultades de aprendizaje o a una posible desmotivación.
La aplicación del aprendizaje automático permite al profesorado hacer un seguimiento más preciso de la evolución de cada estudiante y diseñar planes de aprendizaje más personalizados, con el fin de prevenir brechas educativas e incluso reducir el riesgo de abandono escolar por falta de motivación. Un ejemplo de ello es la IA en la enseñanza de idiomas, donde puede adaptarse el contenido al nivel del alumno, reforzar áreas de mejora y ofrecer una práctica más personalizada.
Master de IA en enseñanza de idiomas
Sector de la automoción
La implementación del Machine Learning en el sector de la automoción tiene múltiples aplicaciones:
En fabricantes como BMW se entrena al software para mejorar los procesos de fabricación y detectar posibles errores en las piezas elaboradas, permitiendo mejorar la calidad de la producción y eliminar inmediatamente de la cadena aquellos componentes defectuosos.
En marcas como Volkswagen, también puede utilizarse para desarrollar sistemas de mantenimiento predictivo a partir de los datos recogidos por sensores, lo que permite anticipar posibles fallos en el vehículo.
Por otro lado, el machine learning también contribuye a mejorar la asistencia en tiempo real al conductor. En Renault han reforzado la seguridad y mejorado la experiencia de conducción de sus clientes gracias a la integración de sensores y sistemas inteligentes en los vehículos, es posible ofrecer funciones avanzadas como el mantenimiento de carril, el frenado automático, el reconocimiento de señales de tráfico o el control de crucero adaptativo.
Preguntas frecuentes sobre el Machine Learning
¿Cuál es la diferencia entre inteligencia artificial y machine learning?
La inteligencia artificial es el concepto general, mientras que el machine learning es una de sus ramas. La IA engloba sistemas capaces de realizar tareas propias de la inteligencia humana, y el machine learning se centra en que esos sistemas aprendan a partir de datos.
¿Chat GPT es IA o aprendizaje automático?
ChatGPT es un sistema de inteligencia artificial basado en aprendizaje automático. En concreto, funciona con modelos de lenguaje entrenados para aprender patrones a partir de grandes volúmenes de datos y generar respuestas en lenguaje natural.
Fuentes:
- Firth-Butterfield, K., & Ammanath, B. (2022, abril 4). Developing an enterprise-wide approach to machine learning. World Economic Forum. https://www.weforum.org/stories/2022/04/perfecting-the-art-of-the-whole-organisation-with-machine-learning/
- ¿Qué es el aprendizaje automático? (s/f). Google for Developers. Recuperado el 11 de marzo de 2026, de https://developers.google.com/machine-learning/intro-to-ml/what-is-ml?hl=es-419
- ¿Qué es el aprendizaje automático? Tipos y usos. (s/f). Google Cloud. Recuperado el 11 de marzo de 2026, de https://cloud.google.com/learn/what-is-machine-learning?hl=es-419
- ¿Qué es el machine learning y que usos tiene? (2024, febrero 2). CEI: Centro de Estudios e Innovación Diseño y Marketing. https://cei.es/que-es-el-machine-learning/
- Recomendaciones: ¿qué y por qué? (s/f). Google for Developers. Recuperado el 11 de marzo de 2026, de https://developers.google.com/machine-learning/recommendation/overview?hl=es-419
- Barnard, J., & Stryker, C. (2025, diciembre 2). ¿Qué es la detección de anomalías? Ibm.com. https://www.ibm.com/es-es/think/topics/anomaly-detection
La Universidad Internacional de Andalucía ha participado en la última semana en la feria Expoposgrados, organizada por Times Higher Education. Algo más de 800 personas han manifestado interés en la oferta formativa de máster universitario y en los programadas de doctorado, solicitando información en el stand que ha estado presente en las ciudades de Bogotá (Colombia) y Lima (Perú).
El vicerrector de Estudiantes, José Antonio Piedra, y el vicerrector de Posgrado, José Antonio Ordaz, han representado a la UNIA en estos espacios, donde ha despertado especial interés el programa de becas. Este año, la Internacional de Andalucía volverá a destinar en torno a 300.000 euros a ayudas al estudio, con la doble vía de convocatoria general y becas Academia, orientada a atraer a estudiantes destacados por su rendimiento académico.
Son más de 30 los programas que la UNIA ha dado a conocer, destacando los másteres impartidos bajo el Modelo eliA. Una metodología de enseñanza, basada en el aprendizaje deductivo y la introducción de tecnologías inteligentes, además del acompañamiento personalizado, para ofrecer a los estudiantes un aprendizaje de calidad en sus estudios en línea.
,El Grupo de trabajo de Agitación científica 2025-2026 ha iniciado el proceso de elaboración de una publicación colectiva concebida simultáneamente como dispositivo de documentación, creación y pensamiento compartido.
Este proyecto editorial surge del proceso de investigación y trabajo colaborativo desarrollado en el marco del programa Agitación científica, una iniciativa impulsada por la Universidad Internacional de Andalucía (UNIA), en colaboración con el Consejo Superior de Investigaciones Científicas (CSIC) y la Fundación Daniel y Nina Carasso, con el acompañamiento de Tekeando.
La publicación recogerá los procesos, reflexiones y materiales generados por los proyectos participantes en el Grupo de trabajo, integrando textos, imágenes, acciones, sonidos y otras formas de expresión que den cuenta de los cruces entre arte, ciencia y sociedad. El objetivo es materializar el pensamiento colectivo generado durante el proceso, así como proponer un posible mapa o estado de la cuestión de estas prácticas híbridas en Andalucía.
El Grupo de trabajo se configura como un espacio de investigación y creación colaborativa que reúne a proyectos presentados a la convocatoria de ayudas a la creación e investigación para equipos de artistas, científicxs y colectivos sociales. En este contexto, el trabajo colectivo se plantea como un laboratorio donde compartir, revisar y reactivar los materiales y líneas de investigación desarrolladas por cada equipo participante, favoreciendo el aprendizaje mutuo y el diálogo entre metodologías, disciplinas y contextos.
La metodología del grupo combina sesiones presenciales, procesos de indagación autónoma y momentos de puesta en común como los celebrados en enero y marzo de 2026 en las instalaciones del CAAC, articulando formatos de conversación, taller y activación colectiva. Este proceso culminará con la presentación pública del trabajo desarrollado y de la publicación resultante, prevista para junio de junio de este año.
Una publicación colaborativa y abierta
La futura publicación tendrá vocación abierta y de acceso público, dirigida tanto a las comunidades que ya trabajan en los cruces entre arte y ciencia como a otros agentes culturales, sociales y académicos interesados. Su desarrollo se plantea además como un proceso editorial colectivo, en el que las decisiones sobre autorías, licencias y formatos emergerán del diálogo entre los proyectos participantes.
Con esta iniciativa, el programa Agitación científica continúa impulsando espacios de experimentación transdisciplinar orientados a imaginar y ensayar nuevas formas de conocimiento, creación y cooperación ante los desafíos sociales y ambientales contemporáneos.
Proyectos integrantes del Grupo de trabajo
Bajar a tierra. Laboratorio de regeneración invasiva
Este proyecto tiene como fin codiseñar una estrategia de restauración ambiental innovadora, basada en la gestión estratégica de plantas invasoras y el empleo de bacterias fertilizantes.
CANICHE CON VOZAL
Proyecto de investigación-creación donde la danza se propone como espacio de archivo vivo, poético y político. Su objetivo es cuestionar los cuerpos que han sido históricamente silenciados en la historia de la danza, activando memorias encarnadas desde la diversidad funcional, con especial atención a la Ataxia de Friedreich.
DiverNaturArte: conectando con nuestra neurodiversidad natural y artística
Este proyecto propone una experiencia piloto de integración social y bienestar psicoemocional entre adolescentes neurodivergentes y neurotípicos, mediante actividades de biodanza en la naturaleza con un enfoque artístico y educativo.
La mirada como refugio. La imagen como herramienta terapéutica en Unidades de Hospitalización de Salud Mental (UHSM)
La mirada como refugio propone diseñar y experimentar metodologías para el uso terapéutico de imágenes artísticas (fotografías y pintura) en pacientes con problemas de Salud Mental en situación de crisis que hayan precisado ingreso en una Unidad de Hospitalización de Salud Mental (UHSM).
Narrativas de lo posible. Propuesta de investigación-creación teatral para imaginar futuros
Proyecto de investigación-creación colaborativa que explora cómo imaginar futuros ecosociales más justos desde una perspectiva ecofeminista. Parte de una idea central: los relatos que construimos sobre el futuro influyen directamente en nuestra forma de actuar en el presente. Frente a discursos dominantes basados en el colapso y la desesperanza, el proyecto propone generar narrativas positivas y transformadoras como herramienta educativa, simbólica y política.
Nidificadas: cigüeñas entre la Energía
Propuesta transdisciplinar que activa el cruce entre arte, ciencia y acción social a partir del fenómeno de la nidificación de cigüeñas en torres de alta tensión. Estas estructuras metálicas, diseñadas para transportar energía, han sido habitadas por aves migratorias que las transforman en refugios, una estructura pensada para transportar energía adquiere una nueva fuerza energética y una nueva utilidad para el paisaje y la vida animal.
SKINCARE: Meditaciones para un futuro extremófilo
Proyecto de La Cuarta Piel, ubicado en la intersección entre arte, ciencia y tecnología, que pretende reafirmar la simbiosis entre humanos, salinas e inteligencias artificiales.
En los dos momentos de encuentro colectivo del Grupo de trabajo celebrados hasta la fecha, han participado como acompañantes el artista multidisciplinar tOmi scheiderbauer y la plataforma colaborativa INLAND-Campo Adentro, y como equipo impulsor Santi Barber y Macarena Madero, de Tekeando, Amapola López (Mosaica) y José Romero.
,La Universidad Internacional de Andalucía (UNIA) está impartiendo en la Sede Antonio Machado de Baeza (Jaén) la primera de las dos microcredenciales destinadas al sector oleícola sobre el cálculo de costes en la cadena de valor de los aceites de oliva, dirigidas por Manuel Parras, catedrático de la Universidad de Jaén (UJA), y Antonio Ruz, de la Sociedad Cooperativa Agraria San Roque, de Arjonilla (Jaén).
Estrategias y cálculo de costes en la cadena de valor de los aceites de oliva. Fase agraria, se celebra hasta el próximo 21 de marzo y tiene como finalidad la formación del alumnado en el cálculo de los costes totales en los que se incurren en el cultivo del olivo o la eficiencia en los procesos y la elaboración de estrategias de ahorro.
Cuenta como ponentes con expertos como Sergio Colombo, del Centro IFAPA Camino de Purchil (Granada); Juan Antonio Rodríguez, profesor de la Universidad de Córdoba (UCO); Antonio Jesús Jiménez, de AJ Estrategia Cooperativa, y Cándido Medina, de Agrícola El Calvario de Villanueva.
En abril, del 10 al 25, también en modalidad semipresencial en la Sede Antonio Machado, se impartirá la segunda microcredencial Estrategias y cálculo de costes en la cadena de valor de los aceites de oliva. Fase industrial. Cuyo plazo de matrícula finaliza el 6 de abril.
Esta microcredencial trata temas como los costes totales de la transformación de aceituna en aceites de oliva, envasado, procesos de venta online o internacionalización.
Microcredenciales
Las microcredenciales son una nueva modalidad formativa (curso de formación permanente) que se imparte de forma presencial, semipresencial o virtual y tiene formato breve, ya que es inferior a los 15 créditos, y consta de su correspondiente certificación digital. Su implementación se realiza mediante metodologías docentes adaptadas a las características y necesidades de las personas en formación.
Tienen como finalidad que la población en edad laboral adquiera o mejore sus conocimientos, habilidades y capacidades para adaptarse a las exigencias y necesidades del mercado de trabajo y a necesidades sociales, personales o culturales.
,Gestor Recursos Humanos, La Rábida (XE021001)
- Convocatoria
La Universidad Internacional de Andalucía (UNIA) ha celebrado en la Sede Tecnológica de Málaga, en los edificios de Muelle Cánovas (Puerto) y Mena, actividades como clases magistrales, encuentros profesionales, presentaciones de proyectos, asesorías y conversatorios del área MAFIZ, del Festival de Cine de Málaga.
Estas actividades se han celebrado en virtud del acuerdo de colaboración suscrito entre la UNIA y el Festival de cine malagueño con la finalidad de desarrollar proyectos conjuntos que favorezcan las conexiones entre cultura y tecnología y que puedan hacer frente a los retos y desafíos de las sociedades actuales y la promoción del talento andaluz y su proyección internacional, contribuyendo a la consolidación del audiovisual andaluz en el mercado global.
Durante la semana del 9 al 13 de marzo, el edificio Mena de la Sede Tecnológica ha sido el escenario de showcases, warmi labs, workshops y jornadas de branding. Así, ha programado varios showcases para empresas italianas, portuguesas, georgianas, murcianas y francesas, donde han tenido la oportunidad de mostrar sus proyectos, líneas de negocio e intereses y posibilidades de coproducciones, principalmente con Iberoamérica.
También se han celebrado diversos talleres sobre temas como el desarrollo estratégico de IP, que ha contado con la participación de Sydney Borjas, CEO de Scenic Rights, el mayor proveedor de IP literario en español para adaptaciones audiovisuales a nivel mundial; sobre protección de IP, en el que ha intervenido Fran Menéndez, abogado especialista en propiedad intelectual e industrial, proyectos audiovisuales, derecho digital, derecho audiovisual y derecho de las nuevas tecnologías en la boutique legal WELAW; sobre diseño de campañas de impacto social para películas, en el que han participado María Virginia y Renee Carrelo, EL NÚCLEO, especialistas en diseño de medición de impacto social y ambiental, Tomás Eloy Muñoz y Valeria Bistagnino, Fundadores de MOSTRA, productora de cine de impacto social, o derecho de autor y obra cinematográfica en la era de la IA, con la intervención de Viviana Dirolli, abogada especialista en asesoramiento legal a producciones audiovisuales, docente universitaria en derechos de autor y consultora en políticas públicas culturales.
Otras de las actividades realizadas han sido presentaciones-coloquio como el proyecto de “La Liga Fulanita de Tal”, moderada por Sunde J. Sastre, socio fundador de CØLLAGE, y con la participacion de Violeta Salama, directora del documental; Ruth Franco, coproductora del documental, y Lourdes López, CEO; de “A una isla de ti”, moderada por Diego Blanco, Head of Brand Entertainment de FUSE OMNICOM MEDIA, y con las intervenciones de Juanjo Marrero, Brand Entertainment Producer de FUSE OMNICOM MEDIA, y María Soler, productora de “A una isla de ti”, o Queer Industry: presentación de proyectos, laboratorios y festivales LGTBIQ+, moderada por Pau Guillen, programador y gestor cultural, en representación de Red de Laboratorios de festivales LGTBIQ+, en la que han participado Andrés Vega, director de Andalesgai (Festival Internacional de Cine Queer de Andalucía), en representación de la Fundación Triángulo; José Humberto Gil, responsable de Industria de Mostra Fire (Muestra de cine LGTBIQ+ de Barcelona), y Alaitz Aranzana, directora de Zinegoak (Festival Internacional de cine y artes escénicas LGTBIQ+ de Bilbao).
Por su parte, el edificio del Puerto ha realizado actividades como los Golden Talks con Diego Ávalos, Content Vice President for Netflix Spain, Portugal & Turkey; Andrés Duprat, arquitecto, guionista y actual director del Museo Nacional de Bellas Artes; Luis Renart, fundador y director general de Bendita Films Sales; Rodrigo Blaas, productor ejecutivo y director; David Velduque, del Sello Sabor a Queer, y Juan Antonio Espigares, artista visual, que ha trabajado en la saga de grandes superproducciones como Star Wars o Jurassic World.
Y workshops sobre Innovación en la animación, con Jordi B. Oliva, CEO de Imagic TV; Sergio Jiménez, director y productor ejecutivo en Pinkman TV, y Manuel Sicilia, director creativo de Rokyn Animation; o sobre la mirada del director ante el showrunner, con Alejandro Bazzano, director de cine y series de televisión.
MAFIZ
MAFIZ es el área de industria, la gran apuesta del Festival de Málaga por la internacionalización del audiovisual iberoamericano. Un proyecto que ha sido dimensionado desde su creación para alzarse como un pilar del Festival por su utilidad, y que estos días convoca a alrededor de un millar de productores, compradores, vendedores, directores y profesionales de la industria cinematográfica de Europa y Latinoamérica en Málaga, donde encuentran un espacio de networking.
,Los XVII Premios de Estudios Iberoamericanos La Rábida se han resuelto con seis galardonados de España, México y Colombia, a la mejor tesis doctoral y al mejor trabajo fin de máster. Así se ha dado a conocer durante la Asamblea General del Grupo La Rábida, celebrada en la ciudad de Asunción (Paraguay), presidida por el rector de la Universidad Internacional de Andalucía, José Ignacio García, y de la que ha sido anfitriona la Universidad Autónoma de Asunción.
Este reconocimiento, en el que colabora la Fundación Cajasol, se han recibido un total de 115 candidaturas. Los premiados a la mejor tesis doctoral han sido Andrés Marmol (Universidad de Granada), por su trabajo sobre la influencia del ejercicio en la salud ósea de pacientes oncológicos jóvenes, Igor Mendes (Universidad de Almería), por su estudio para la mejora en redes de sistemas solares térmicos, y Laura Franco (Universidad de Málaga), con su investigación sobre la influencia del early cinema en el cubismo de Pablo Picasso.
Para la categoría de Trabajo Fin de Máster, el galardón ha recaído sobre Kelsy Cabello (UNIA/Universidad de Huelva), por su estudio sobre el procesamiento de datos en aprendizaje automático supervisado, Beatriz Beltrán (Universidad de Guanajuato, México), por su caracterización del río Laja y su influencia en la presencia de arsénico y flúor en el agua subterránea, y Dubán Álvarez (Universidad de Cartajena, Colombia), con su análisis del Vallenato narrativo trágico en la costa caribe colombiana.
Balance de actividad
La directora del Grupo La Rábida, María de la O Barroso, ha realizado durante la Asamblea General un balance de actividades del ejercicio 2025. En él destacan las ayudas a la movilidad de doctorado, con 19 beneficiarios y 75.000 euros de inversión, que ha permitido formarse en universidades públicas andaluzas a estudiantes que realizan sus tesis en universidades como Antioquía, San Buenaventura, Cartagena (Colombia), Buenos Aires, Nacional de la Plata o Quilmes (Argentina).
Durante el pasado año, el Grupo La Rábida ha concedido ayudas para cursar programas oficiales de máster universitario en la UNIA y para la organización de actividades de apoyo a la investigación y la divulgación científica, bajo el formato de conversatorios. Este último programa, que ha contado con el apoyo de la Diputación de Huelva, ha permitido fortalecer redes en áreas como la enfermería, la sostenibilidad o los estudios americanistas.
Dentro del orden del día, la Asamblea General ha aprobado la incorporación de siete nuevos miembros a este grupo de universidades iberoamericanas. Con ello, se incorporan las universidades de Santiago de Chile (USACH), Iberoamericana (UNIBE, Paraguay), Artemisa “Julio Díaz González” (UnivArtemisa, Cuba), Técnica para el Desarrollo Profesional (UTEDE, Colombia), do Algarve (UdA, Portugal), Nacional Toribio Rodríguez de Mendoza de Amazonas (UNTRM, Perú) y Nacional de Cajamarca (Perú).
,La Universidad Internacional de Andalucía (UNIA) ha presentado el Campeonato de Ajedrez de los Campeonatos de España Universitarios 2026 (CEUs 2026), que se celebrará en el mes de mayo en la Sede Antonio Machado de Baeza (Jaén).
En la presentación han participado el director de la Sede Antonio Machado, José Manuel Castro; el delegado del Consejo Superior de Deportes (CSD), Diego Barrio; el presidente de la Federación Andaluza de Ajedrez (FADA), Javier Rubio, y el concejal de Patrimonio, Cultura y Nuevas Tecnologías del Ayuntamiento de Baeza, Ignacio Montoro.
José Manuel Castro ha explicado que «este campeonato de ajedrez se celebra entre el 11 y el 14 de mayo, en instalaciones municipales y de la UNIA, y que se incluye en los Campeonatos de España Universitarios 2026, en una propuesta pionera que tiene como peculiaridad que incluye a las diez universidades públicas andaluzas».
Castro ha destacado «la colaboración de las universidades públicas andaluzas para trasladar una imagen de unidad y cohesión del sistema universitario público andaluz, no sólo en el ámbito educativo sino también en una disciplina como el deporte, que involucra a toda la comunidad universitaria y proyecta la cultura deportiva universitaria».
Por su parte, el delegado del CSD ha querido agradecer a la universidad, desde el Área de Promoción Deportiva, en la que se incluye el deporte universitario, «la presentación de la candidatura, el proyecto y la organización del este campeonato universitario de ajedrez, integrado en la candidatura andaluza».
Barrio ha agregado que «para nosotros es importante el fomento del deporte universitario y contemplarlo no sólo desde esa perspectiva de deporte, sino también de deporte, actividad física y salud y en el ámbito cultural, para lo que creemos que Baeza es un entorno ideal».
El presidente de la FADA ha subrayado que «ahora mismo, Jaén es el epicentro del ajedrez español, porque se están disputando diferentes campeonatos de España en distintas categorías y este campeonato universitario es un evento más que se trae a la provincia».
Por último, el concejal del ayuntamiento baezano ha expresado su satisfacción por la celebración de este campeonato en la ciudad, ya que «forma parte de la recuperación de la tradición universitaria baezana, en cierto sentido, porque vamos a tener aquí durante 3 jornadas a más de 100 universitarios».
Montoro ha aprovechado la presentación del campeonato para recordar el impulso que desde el Ayuntamiento se está dando al ajedrez, con la revitalización de la Escuela Municipal de Ajedrez y la creación dos torneos en la ciudad».
CEUs26
La candidatura andaluza, una propuesta conjunta de las diez universidades públicas de Andalucía, fue presentada durante las Jornadas Nacionales de Deporte Universitario, en noviembre de 2025. Y el CSD adjudicó la celebración de los CEUS 2026 a Andalucía al mes siguiente, en diciembre. La candidatura se integra en el programa Road to Granada 2030, impulsado por la Universidad de Granada (UGR) como marco de preparación institucional para los European Universities Games que la institución y la ciudad acogerán en 2030.
Entre los principales retos asumidos por las universidades andaluzas destaca la organización de las 32 modalidades deportivas que integran el calendario oficial de los CEUS. Esto incluye surf y natación, también, en sus competiciones adaptadas para deportistas paralímpicos. El reparto de modalidades entre las universidades organizadoras será el siguiente: Universidad de Almería (UAL), orientación y esgrima; Universidad de Cádiz (UCA), surf/para surf, vela y vóley playa; Universidad de Córdoba (UCO), carreras por montaña y golf; UGR, 14 modalidades y una estimación superior a 4.000 participantes: hípica, natación/natación adaptada, bádminton, rugby 7, kárate, lucha, judo, taekwondo, fútbol, fútbol sala, baloncesto, baloncesto 3x3, balonmano y voleibol; Universidad de Huelva (UHU), tiro con arco); UNIA, el ya citado campeonato de ajedrez; Universidad de Jaén (UJA), campo a través, tenis de mesa y atletismo; Universidad de Málaga (UMA), escalada y pádel; Universidad Pablo de Olavide (UPO), halterofilia y triatlón, y US, tenis y remo.
,La inteligencia artificial en medicina utiliza algoritmos que aprenden de datos de salud —imágenes, señales, analíticas o texto clínico— para identificar patrones y generar resultados útiles en la práctica sanitaria.
Hoy se aplica principalmente como herramienta de apoyo: ayuda a analizar información clínica, automatizar tareas y mejorar procesos, siempre con validación y supervisión profesional.
En este artículo verás qué es la IA en medicina, qué tipos de IA se utilizan con más frecuencia, cuáles son sus beneficios y qué riesgos y regulación conviene conocer. Además, repasamos avances recientes que están marcando la hoja de ruta en 2026 con ejemplos concretos basados en fuentes originales.
¿Qué es la inteligencia artificial en medicina?
La inteligencia artificial (IA) en medicina es el uso de algoritmos que aprenden a partir de datos de salud (imágenes, señales, analíticas o texto clínico) para reconocer patrones y generar resultados útiles en la práctica sanitaria. Se aplica para apoyar decisiones, automatizar tareas y mejorar procesos, siempre dentro de un marco de validación clínica y supervisión profesional.
La IA en medicina se usa, sobre todo, para:
– analizar imágenes médicas,
– predecir riesgos y complicaciones,
– apoyar decisiones clínicas,
– extraer información de textos clínicos,
– acelerar investigación biomédica.
Máster en aplicaciones de IA en la Salud
¿Cómo se utiliza la inteligencia artificial en medicina?
La IA ya se utiliza en sanidad como una herramienta de apoyo: procesa datos clínicos y devuelve una ayuda concreta para trabajar mejor, pero no hay una única forma de usarla porque depende totalmente del caso de uso (qué problema resuelve), del tipo de dato (imagen, analítica, señales o texto clínico) y de cómo se integra en el día a día (si solo sugiere, si prioriza, si alerta o si automatiza parte del proceso).
De hecho, en 2025 casi la mitad de los clínicos encuestados afirma haber usado herramientas de IA en el trabajo, pero su uso específicamente para apoyar decisiones clínicas sigue siendo minoritario (Elsevier, 2025). Esto explica por qué la IA se está extendiendo primero en tareas de apoyo y en flujos muy concretos, y por qué “cómo se utiliza” cambia tanto según la necesidad y el entorno.
Tipos de IA utilizados en Medicina
Machine Learning (aprendizaje automático)
El machine learning, o aprendizaje automático, agrupa técnicas que permiten a un sistema identificar patrones a partir de datos y utilizarlos para estimar probabilidades, clasificar información o generar puntuaciones que apoyen el análisis.
En el ámbito sanitario suele trabajar, sobre todo, con datos estructurados: registros clínicos, analíticas, constantes, antecedentes o información sobre medicación. El resultado suele expresarse como una probabilidad, una categoría o un “score” que resume el riesgo o la probabilidad de un evento. Es uno de los enfoques más utilizados en medicina porque encaja con el tipo de datos que se manejan a diario en la práctica clínica y puede adaptarse a diferentes necesidades sin cambiar la base tecnológica.
Deep Learning (aprendizaje profundo)
El deep learning, o aprendizaje profundo, es un subcampo de la inteligencia artificial y del machine learning que entrena a las computadoras para imitar, de forma simplificada, cómo el cerebro humano procesa la información y reconoce patrones. Para ello utiliza redes neuronales artificiales profundas, formadas por múltiples capas, capaces de aprender de manera autónoma a partir de grandes cantidades de datos.
En medicina, este tipo de modelos se asocia con el análisis de datos complejos, especialmente imágenes y señales clínicas, y también puede aplicarse al tratamiento de texto cuando se trabaja con grandes volúmenes de documentación. Para rendir bien, suele necesitar conjuntos de datos amplios (y, en muchos casos, bien etiquetados), además de capacidad de procesamiento. Sus resultados suelen expresarse como probabilidades, clasificaciones o detecciones automáticas de patrones. Al mismo tiempo, por su complejidad, requiere una validación rigurosa y controles adicionales para asegurar que su comportamiento es robusto y fiable en diferentes contextos.
NLP (Procesamiento del Lenguaje Natural)
El NLP (Procesamiento del Lenguaje Natural) o PLN es una rama de la inteligencia artificial que permite a las máquinas leer, entender, interpretar y generar lenguaje humano, tanto escrito como hablado. Combina lingüística computacional con aprendizaje automático para analizar grandes volúmenes de texto y convertirlos en información utilizable.
En el ámbito sanitario, trabaja principalmente con datos no estructurados, como historias clínicas, informes, notas médicas o documentación científica. A partir de ese contenido puede extraer conceptos relevantes, clasificar información, detectar patrones en el lenguaje o generar salidas como etiquetas, resúmenes y textos asistidos. Para funcionar con fiabilidad necesita datos de calidad y un tratamiento cuidadoso del lenguaje clínico, que suele incluir abreviaturas, términos técnicos y variaciones según el contexto. Por eso, además de un buen entrenamiento, requiere validación y controles para asegurar precisión y coherencia.
IA generativa (modelos generativos y LLM)
La IA generativa es un tipo de inteligencia artificial capaz de crear contenido nuevo a partir de patrones aprendidos durante su entrenamiento. A partir de una instrucción o “prompt”, estos modelos generan respuestas en lenguaje natural y, según el sistema, también pueden producir otros formatos, como imágenes o audio.
En medicina y en el ámbito sanitario, su rasgo más relevante es que trabaja principalmente con información expresada en lenguaje natural, por lo que se asocia a documentación clínica y contenidos técnicos. Para ofrecer resultados fiables en estos contextos, además del modelo, suele apoyarse en información concreta y controlada (por ejemplo, documentación validada) y requiere límites de uso bien definidos. Sus salidas suelen presentarse como explicaciones, borradores o resúmenes, pero deben pasar por supervisión y validación, ya que puede generar información incorrecta si no se revisa, algo especialmente crítico cuando el contenido tiene implicaciones clínicas o influye en la toma de decisiones.
Según un artículo publicado en The Lancet en 2025, para aprovechar todo el potencial de esta tecnología en medicina conviene ir más allá de un uso puntual como herramienta de respuesta e integrarla como un “compañero” de trabajo que colabora en tareas clínicas y asistenciales, siempre bajo supervisión profesional.
Beneficios de la IA en Medicina
Prevención de enfermedades
La IA puede ayudar a anticipar riesgos antes de que aparezcan síntomas evidentes, al identificar patrones en grandes volúmenes de datos clínicos. Esto facilita priorizar el seguimiento y orientar la prevención con más precisión. Para que sea útil, necesita datos de calidad y revisión para evitar sesgos.
Ayuda en la toma de decisiones médicas
En la práctica clínica, la IA puede actuar como apoyo para organizar información y estimar probabilidades, de forma que el profesional valore opciones con más contexto. Su utilidad está en complementar el criterio médico con señales basadas en datos. La supervisión y la trazabilidad son imprescindibles para evitar errores y sobreconfianza.
Diagnóstico y tratamiento de enfermedades
La IA puede mejorar la capacidad de detectar patrones relevantes en datos complejos y acelerar tareas de análisis, lo que contribuye a diagnósticos más ágiles. También puede ayudar a ajustar decisiones terapéuticas cuando se integra con información clínica fiable. En cualquier caso, requiere validación en condiciones reales y en poblaciones diversas.
Atención al paciente
En el ámbito asistencial, la IA puede reforzar el seguimiento y agilizar procesos de comunicación e información, mejorando la continuidad de la atención. Bien aplicada, puede ayudar a detectar señales de alerta y facilitar respuestas más rápidas. Es clave proteger la privacidad y mantener la calidad humana de la atención.
Formación para profesionales sanitarios
La IA puede apoyar el aprendizaje continuo al facilitar la consulta y organización de contenidos, y al ayudar a sintetizar información técnica. Esto puede hacer la formación más flexible y accesible. Aun así, conviene contrastar siempre la información y apoyarse en fuentes fiables.
Investigación
En investigación, la IA puede acelerar análisis de grandes conjuntos de datos y automatizar tareas repetitivas, liberando tiempo para trabajo científico de mayor valor. También puede ayudar a explorar hipótesis y detectar patrones. La calidad del dato y la reproducibilidad siguen siendo condiciones imprescindibles.
Beneficio
Qué mejora
Cómo lo hace
Qué permite conseguir
Punto a vigilar
Prevención de enfermedades
Detección temprana de riesgo y patrones
Analiza grandes volúmenes de datos clínicos y encuentra señales repetidas
Priorización de seguimiento, cribados más ajustados, prevención personalizada
Sesgos, datos incompletos, falta de representatividad
Toma de decisiones médicas
Apoyo para valorar opciones y riesgos
Organiza y cruza información clínica y conocimiento estructurado
Alertas/scores/recomendaciones como apoyo al criterio clínico
Trazabilidad, validación, evitar sobreconfianza
Diagnóstico y tratamiento
Precisión y rapidez al identificar hallazgos
Detecta patrones en datos complejos (imagen, señales, múltiples variables)
Diagnósticos más tempranos, tratamientos más ajustados al paciente
Validación externa, robustez ante cambios de contexto
Atención al paciente
Continuidad y experiencia del paciente
Automatiza gestión/información y facilita seguimiento y comunicación
Respuestas más ágiles, mejor adherencia, detección de alertas en seguimiento
Privacidad, calidad de la información, riesgo de deshumanización
Formación sanitaria
Acceso a conocimiento y aprendizaje continuo
Sintetiza/organiza contenidos y apoya repaso o simulación
Formación más flexible y actualización más rápida
Errores/simplificaciones: siempre contrastar y revisar
Investigación
Capacidad de análisis y eficiencia
Identifica patrones, agrupa información y automatiza análisis repetitivo
Procesos más ágiles, apoyo al descubrimiento, ahorro de tiempo
Calidad del dato, reproducibilidad, necesidad de validación
Avances de Ia en Medicina 2026
StateViewer: IA que apoya el diagnóstico de síndromes neurodegenerativos con FDG-PET
StateViewer es un sistema de IA que analiza estudios FDG-PET, una prueba que muestra el patrón de consumo de glucosa del cerebro. A partir de esa imagen, compara el caso con una base amplia de estudios previos y propone el patrón neurodegenerativo más compatible, mostrando además visualizaciones para entender qué zonas han influido en el resultado.
En la práctica funciona como apoyo al especialista: ayuda a reconocer patrones complejos y a reducir variabilidad en la interpretación, especialmente cuando el diagnóstico diferencial entre síndromes de demencia no es evidente. La decisión final sigue siendo clínica y se integra con la historia del paciente y el resto de pruebas.
FADE: IA para detectar anomalías en ECG aprendiendo el patrón de normalidad
FADE FADE es un modelo de IA para analizar electrocardiogramas que se entrena con trazados normales para aprender cuál es el patrón esperado. Cuando evalúa un nuevo ECG, marca como sospechosas las partes que se desvían de esa normalidad y las señala para revisión.
Este enfoque es útil porque en cardiología no siempre hay suficientes ejemplos patológicos bien etiquetados de todas las anomalías. En la práctica, FADE funciona como un sistema de cribado: ayuda a priorizar qué ECG conviene revisar con más detalle, sin sustituir la interpretación clínica.
SALSA: IA para detectar y segmentar tumores hepáticos en TAC de forma automatizada
SALSA SALSA es una herramienta de IA que analiza imágenes de TAC y automatiza dos tareas: detectar lesiones tumorales en el hígado y delimitar su contorno (segmentación). A partir de esa segmentación, permite medir de forma consistente la extensión y el volumen tumoral.
Este avance es importante porque marcar tumores manualmente en un TAC lleva tiempo y puede variar entre profesionales. Al estandarizar la detección y la segmentación, SALSA busca agilizar el análisis y reducir esa variabilidad, de modo que las mediciones sean más comparables en el seguimiento.
Uro-Oncogu(IA)s: chatbot entrenado en guías para resolver dudas en uro-oncología
Uro-Oncogu(IA)s Uro-Oncogu(IA)s es un asistente conversacional creado para responder preguntas clínicas concretas en uro-oncología con base en guías de práctica clínica. La idea es que, en vez de “buscar y navegar” por documentos largos, el profesional pueda plantear una duda y recibir una respuesta estructurada y coherente con la evidencia.
El avance está en el formato y en el foco: no pretende sustituir el criterio médico, sino facilitar el acceso rápido a recomendaciones y criterios de guías en el momento de la consulta, reduciendo fricción y variabilidad. Además, el propio proyecto se presenta como una iniciativa colaborativa impulsada por la AEU y desarrollada utilizando las guías de la EAU con autorización, lo que refuerza su orientación a uso clínico real.
PopEVE: IA para priorizar variantes genéticas causales en enfermedades raras
PopEVE es un modelo de IA que revisa las variantes genéticas de un paciente y las ordena por probabilidad de ser la causa de la enfermedad. Así, reduce miles de posibles mutaciones a una lista corta y priorizada, más manejable para la interpretación y la validación clínica.
Su aportación es el criterio con el que prioriza: combina información evolutiva y datos de variación genética humana para estimar qué cambios son más dañinos y, por tanto, más plausibles como causa. En enfermedades raras, donde muchas variantes no tienen antecedentes, esta priorización puede acelerar el camino hasta un diagnóstico confirmable.
1HealthAI: factoría de IA orientada a salud y vigilancia con enfoque One Health
1HealthAI es una factoría europea de inteligencia artificial que se ubicará en el Centro de Supercomputación de Galicia (CESGA) para impulsar proyectos de IA aplicados a salud desde el enfoque One Health (salud humana, animal y ambiental). El avance aquí no es un modelo concreto, sino la creación de infraestructura y soporte para desarrollar y escalar IA con recursos de supercomputación.
En la práctica, esta plataforma busca acelerar iniciativas en áreas como medicina de precisión, biotecnología y vigilancia, facilitando acceso a capacidad de cómputo y coordinación entre organismos públicos, centros de investigación y empresas. La importancia del proyecto está en habilitar trabajo a escala y con un marco común, algo clave cuando se trata de sistemas de IA que deben entrenarse, evaluarse y mantenerse con garantías.
¿Existen desventajas de usar la IA en el sector salud?
Aunque la IA en medicina ofrece grandes beneficios, también enfrenta desafíos importantes, como riesgos de privacidad, sesgos en los algoritmos y cuestiones éticas.
La dependencia de grandes volúmenes de datos plantea problemas de seguridad, y los sesgos en los datos de entrenamiento pueden llevar a diagnósticos incorrectos, especialmente en minorías.
Para mitigar estos riesgos, se están implementando tecnologías avanzadas de protección de datos y mejorando la diversidad en los conjuntos de datos de IA, además de establecer marcos regulatorios y comités éticos que supervisan su uso en medicina.
Regulación de la IA para la salud en España
En España, la regulación de la IA aplicada a la salud se apoya, sobre todo, en el marco europeo. La norma principal es el Reglamento europeo de Inteligencia Artificial (AI Act), que se aplica directamente también en España y establece obligaciones en función del nivel de riesgo del sistema. En sanidad, muchos usos de IA se consideran especialmente sensibles, por lo que tienden a requerir más garantías de seguridad, control y transparencia.
A nivel nacional, España está desplegando estructuras de supervisión y mecanismos de apoyo al cumplimiento. En este contexto, AESIA actúa como organismo público orientado a impulsar y supervisar una IA fiable, y el “sandbox” regulatorio permite probar sistemas en entornos controlados para identificar riesgos, ajustar requisitos y facilitar una implantación responsable antes del uso a gran escala.
Además, cuando hablamos de salud, la regulación no se limita a la “ley de IA”. Cualquier sistema que trate datos sanitarios debe cumplir la normativa de protección de datos, y si la solución se encuadra como software sanitario, puede estar sujeta también a la regulación de productos sanitarios. En la práctica, esto implica que las organizaciones deben validar los sistemas antes de utilizarlos, documentar cómo funcionan, mantener supervisión humana y monitorizar su rendimiento para detectar errores, sesgos o cambios con el tiempo.
Referencias
- Mayo Clinic. Marco de ML basado en FDG-PET (StateViewer)
- Mayo Clinic News Network. Descripción institucional de StateViewer
- ScienceDirect. FADE (Computer Methods and Programs in Biomedicine)
- arXiv. Preprint de FADE
- Cell Reports Medicine. Artículo de SALSA (IA en TAC hepático)
- VHIO. Nota institucional sobre SALSA
- AEU. Nota oficial Uro-Oncogu(IA)s (PDF)
- IIS Aragón. Página del proyecto Uro-Oncogu(IA)s
- Uro-Oncogu(IA)s. Web del proyecto
- Harvard Medical School. Nota institucional sobre PopEVE
- CRG. Nota institucional sobre PopEVE
- CSIC. Anuncio institucional sobre 1HealthAI
- CESGA. Página del proyecto 1HealthAI
