\ud83d\udcc5 Mi\u00e9rcoles, 7 de Octubre, 2026<\/p>\n
\u23f0 11:00 h \u2013 12:00 h<\/p>\n
\ud83d\udce8 Clica aqu\u00ed para registrarte ahora<\/a><\/strong><\/p><\/blockquote>\n
La inteligencia artificial est\u00e1 apoyando cada vez m\u00e1s a las organizaciones de salud en \u00e1reas como el diagn\u00f3stico, la imagen m\u00e9dica, el seguimiento de los pacientes, la predicci\u00f3n de riesgos, la optimizaci\u00f3n del tratamiento y la planificaci\u00f3n operativa. A medida que la IA se integra m\u00e1s a fondo en los flujos de trabajo cl\u00ednicos, los profesionales de la salud se enfrentan a un reto com\u00fan: asegurarse de que los sistemas de IA<\/strong> no solo sean precisos, sino tambi\u00e9n comprensibles<\/strong>, fiables<\/strong> y \u00fatiles en entornos sanitarios reales<\/strong>.<\/p>\n
Cerrando la brecha entre los modelos de IA y la confianza cl\u00ednica<\/strong><\/h2>\n
En la segunda sesi\u00f3n de nuestra serie de webinars sobre Inteligencia Artificial Explicable<\/em><\/strong> (XAI) –puedes volver a ver la primera sesi\u00f3n, XAI para la toma de decisiones aqu\u00ed<\/a> \u2013exploraremos c\u00f3mo el XAI puede ayudar a reducir la distancia entre el rendimiento t\u00e9cnico de los modelos y la adopci\u00f3n cl\u00ednica pr\u00e1ctica. Esta sesi\u00f3n se centra en c\u00f3mo dise\u00f1ar y comunicar explicaciones de IA que ayuden a los profesionales de la salud a entender<\/strong>, validar<\/strong> y hacer un uso adecuado de los conocimientos basados en IA. Estas capacidades tambi\u00e9n son cada vez m\u00e1s relevantes para la preparaci\u00f3n normativa en Europa, ya que el AI Act de la UE establece requisitos relacionados con la transparencia, la interpretaci\u00f3n de los resultados y la supervisi\u00f3n humana efectiva para ciertos sistemas de IA sanitaria de alto riesgo<\/a>. Aunque esta no es una sesi\u00f3n normativa, el webinar explorar\u00e1 brevemente c\u00f3mo los enfoques pr\u00e1cticos centrados en el m\u00e9dico pueden apoyar estas expectativas.<\/p>\n
\u00bfC\u00f3mo pueden los profesionales cl\u00ednicos confiar en una recomendaci\u00f3n de IA si no entienden c\u00f3mo se lleg\u00f3 a ella?<\/strong> La realidad es que la precisi\u00f3n t\u00e9cnica por s\u00ed sola rara vez impulsa la adopci\u00f3n en la sanidad. Incluso los modelos con muy buen rendimiento pueden quedar sin usar si los profesionales de la salud no pueden evaluar el razonamiento detr\u00e1s de las predicciones, entender los factores que contribuyen o saber cu\u00e1ndo cuestionar un resultado.<\/p>\n
Por qu\u00e9 es importante la IA explicable en la salud<\/span><\/h2>\n
Las decisiones sobre la salud afectan directamente los resultados de los pacientes. Por eso, los cl\u00ednicos deben ser capaces de evaluar y entender las recomendaciones que proporcionan los sistemas de IA antes de incorporarlas a sus flujos de trabajo. Una de las barreras m\u00e1s comunes para la adopci\u00f3n de la IA en la salud no es el rendimiento del modelo, sino la falta de confianza<\/strong>. Algunas de las preguntas que los cl\u00ednicos plantean con m\u00e1s frecuencia son:<\/p>\n
\n
- \u00bfPor qu\u00e9 se clasific\u00f3 a este paciente como de alto riesgo?<\/li>\n
- \u00bfCu\u00e1les factores contribuyeron m\u00e1s a esta predicci\u00f3n?<\/li>\n
- \u00bfSe puede justificar cl\u00ednicamente esta recomendaci\u00f3n?<\/li>\n
- \u00bfLa explicaci\u00f3n se alinea con los conocimientos m\u00e9dicos establecidos?<\/li>\n
- \u00bfCu\u00e1ndo se deber\u00eda cuestionar o revisar el resultado del modelo?<\/li>\n<\/ul>\n
Sin explicaciones significativas, los sistemas de IA pueden percibirse como cajas negras dif\u00edciles de validar en entornos cl\u00ednicos reales. La IA explicable ayuda a abordar estas preocupaciones haciendo que el razonamiento del modelo sea m\u00e1s transparente, permitiendo a los m\u00e9dicos entender mejor las predicciones e integrar los conocimientos de la IA en el proceso de toma de decisiones. Las organizaciones sanitarias cada vez miran m\u00e1s all\u00e1 de la exactitud del modelo a la hora de evaluar soluciones de IA. Para crear un valor real en entornos cl\u00ednicos, los sistemas de IA tambi\u00e9n deben ser:<\/p>\n
\n
- Suficientemente transparentes para que los profesionales puedan entender los factores detr\u00e1s de las predicciones y recomendaciones.<\/li>\n
- Fiables y robustos en diversas poblaciones de pacientes y escenarios cl\u00ednicos.<\/li>\n
- En l\u00ednea con el razonamiento cl\u00ednico y las pr\u00e1cticas establecidas en salud.<\/li>\n
- Capaces de dar soporte a la colaboraci\u00f3n entre cient\u00edficos de datos, profesionales de la salud y responsables de la toma de decisiones.<\/li>\n
- Confiable para los usuarios finales (sanitarios) que, al fin y al cabo, son los responsables del cuidado de los pacientes.<\/li>\n<\/ul>\n
Aunque la falta de confianza a menudo se menciona como una barrera para la adopci\u00f3n de la IA, casi nunca es el \u00fanico desaf\u00edo. Una implementaci\u00f3n eficaz de la IA tambi\u00e9n requiere una comunicaci\u00f3n clara, interpretabilidad y una comprensi\u00f3n compartida del comportamiento del modelo entre los equipos t\u00e9cnicos y cl\u00ednicos. La IA explicable proporciona las herramientas y metodolog\u00edas necesarias para afrontar estos desaf\u00edos y transformar la IA de un resultado t\u00e9cnico a una capacidad pr\u00e1ctica de apoyo en la toma de decisiones.<\/p>\n
\ud83d\udce8 Clica aqu\u00ed para registrarte ahora<\/a><\/strong><\/p><\/blockquote>\n
Hacer que la explicabilidad sea comprensible para los cl\u00ednicos<\/h3>\n
Producir explicaciones es solo el primer paso. Muchas t\u00e9cnicas de XAI generan resultados que tienen sentido para los cient\u00edficos de datos pero que son dif\u00edciles de interpretar para los profesionales de la salud dentro del contexto de la atenci\u00f3n al paciente. Para que la IA sea realmente \u00fatil en la sanidad, las explicaciones deben traducirse en formas que se alineen con el pensamiento cl\u00ednico y los procesos de toma de decisiones. Esta sesi\u00f3n explorar\u00e1 c\u00f3mo podemos traducir las explicaciones de la IA en conocimientos cl\u00ednicamente relevantes<\/strong>?<\/p>\n
\n
- Qu\u00e9 necesitan realmente los cl\u00ednicos de las explicaciones de la IA.<\/li>\n
- C\u00f3mo interpretan los diferentes actores del sector sanitario los resultados de los modelos.<\/li>\n
- T\u00e9cnicas para presentar el razonamiento del modelo de manera significativa desde el punto de vista cl\u00ednico.<\/li>\n
- C\u00f3mo la XAI puede fortalecer la colaboraci\u00f3n entre los expertos en salud y los equipos de desarrollo de IA.<\/li>\n<\/ul>\n
El objetivo no es simplemente explicar el modelo, sino asegurarse de que las explicaciones respalden un juicio cl\u00ednico informado. Muchas organizaciones implementan con \u00e9xito t\u00e9cnicas sofisticadas de XAI, pero las visualizaciones, m\u00e9tricas y resultados t\u00e9cnicos que resultan, a menudo est\u00e1n pensados m\u00e1s para cient\u00edficos de datos que para profesionales de la salud. Los participantes aprender\u00e1n c\u00f3mo pasar de explicaciones t\u00e9cnicas a explicaciones que apoyen el juicio y la toma de decisiones cl\u00ednicas.<\/p>\n
Qu\u00e9 aprender\u00e1s<\/h3>\n
Durante esta sesi\u00f3n, los participantes obtendr\u00e1n conocimientos pr\u00e1cticos sobre:<\/p>\n
\n
- Por qu\u00e9 la confianza sigue siendo una de las barreras m\u00e1s grandes para la adopci\u00f3n de la IA en la salud.<\/li>\n
- El papel de la IA explicable en el apoyo a la toma de decisiones cl\u00ednicas.<\/li>\n
- Traducir explicaciones t\u00e9cnicas en conocimientos f\u00e1ciles de entender para los cl\u00ednicos, la diferencia entre explicar un modelo y comunicar una explicaci\u00f3n de manera efectiva.<\/li>\n
- Dise\u00f1ar explicaciones transparentes para diferentes actores del sector sanitario que se integren en los flujos de trabajo cl\u00ednicos.<\/li>\n
- C\u00f3mo la XAI puede apoyar la transparencia y la supervisi\u00f3n humana en IA sanitaria de alto riesgo seg\u00fan la AI Act<\/a> (acuerdo de la IA de la UE).<\/li>\n
- Mejores pr\u00e1cticas para enfoques centrados en las personas en la adopci\u00f3n de la IA en la salud.<\/li>\n<\/ul>\n
El \u00e9nfasis est\u00e1 totalmente puesto en crear sistemas de IA que los profesionales de la salud puedan entender, evaluar y usar con confianza en su pr\u00e1ctica. Al final de esta sesi\u00f3n, los participantes entender\u00e1n c\u00f3mo la IA explicable puede ayudar a crear sistemas de IA en la atenci\u00f3n sanitaria que sean:<\/p>\n
\n
- Transparentes<\/strong> \u2013 los cl\u00ednicos pueden entender los factores que influyen en las predicciones.<\/li>\n
- Interpretables<\/strong> \u2013 las explicaciones se presentan de manera significativa desde el punto de vista cl\u00ednico.<\/li>\n
- Fiables<\/strong> \u2013 los profesionales de la salud pueden evaluar y usar con confianza los resultados de la IA.<\/li>\n
- Adoptables<\/strong> \u2013 las soluciones de IA se integran de manera natural en los flujos de trabajo cl\u00ednicos.<\/li>\n<\/ul>\n
El foco estar\u00e1 en hacer que la explicabilidad sea \u00fatil, comprensible y aplicable para los profesionales de la salud. Al final de la sesi\u00f3n, nuestra Chief Data Scientist<\/em><\/strong>, Burcu Kolbay, responder\u00e1 preguntas en directo<\/strong><\/em>. Invitado especial<\/strong>: se une nuestra Chief Data Scientist, el Dr. Josep Vidal<\/strong>, miembro del grupo de trabajo de proyectos de IA multidisciplinarios y multi-territoriales del Institut Catal\u00e0 de la Salut (ICS)<\/strong>. El Dr. Vidal compartir\u00e1 perspectivas pr\u00e1cticas sobre la adopci\u00f3n de la IA en entornos sanitarios, la importancia de la explicabilidad para la toma de decisiones cl\u00ednicas y los retos de traducir los conocimientos de la IA en informaci\u00f3n que los profesionales de la salud puedan usar con confianza en su pr\u00e1ctica diaria.<\/p>\n
A qui\u00e9n se dirige<\/span>\u00a0<\/span><\/h3>\n
Esta masterclass est\u00e1 dise\u00f1ada para profesionales implicados en el desarrollo, la implementaci\u00f3n, la evaluaci\u00f3n o la adopci\u00f3n de la IA en la salud, incluyendo:<\/p>\n
\n
- Especialistas en Inform\u00e1tica Cl\u00ednica<\/li>\n
- L\u00edderes en Salud Digital<\/li>\n
- Profesionales de Dispositivos M\u00e9dicos y HealthTech<\/li>\n
- M\u00e9dicos e Investigadores Cl\u00ednicos<\/li>\n
- Equipos de Innovaci\u00f3n Hospitalaria<\/li>\n
- Prescriptores de Decisiones Sanitarias<\/li>\n<\/ul>\n
No se requiere ninguna formaci\u00f3n t\u00e9cnica avanzada. La sesi\u00f3n est\u00e1 pensada para fomentar el di\u00e1logo entre las comunidades t\u00e9cnica y cl\u00ednica.<\/p>\n
Detalles del webinar<\/h2>\n
\ud83d\udcc5 Mi\u00e9rcoles, 7 de Octubre, 2026<\/p>\n
\u23f0 11:00 h \u2013 12:00 h<\/p>\n
\n
- Formato: Online (live)<\/span><\/li>\n
- Duraci\u00f3n: 60 minutos<\/li>\n
- Nivel: B\u00e1sico a intermedio<\/li>\n
- Idioma: Ingl\u00e9s\u00a0<\/span><\/li>\n<\/ul>\n