Una radiografía de tórax puede obtenerse en pocos minutos. El problema es quién la interpreta, con qué rapidez y qué ocurre después. Google Research presentó el 23 de octubre de 2026 una nueva etapa de su trabajo contra la tuberculosis: combinar sistemas de detección asistida, modelos fundacionales abiertos y equipos portátiles para llevar el cribado a lugares donde escasean los radiólogos o la conexión a internet.
La propuesta tiene una virtud y un riesgo comunicativo. La virtud es acercar el triaje a clínicas rurales, minas y campañas comunitarias. El riesgo es confundir una señal algorítmica con un diagnóstico. La propia arquitectura descrita por Google reserva la decisión final a profesionales sanitarios y deriva los casos sospechosos a pruebas confirmatorias. La política de la Organización Mundial de la Salud sobre detección asistida por ordenador también sitúa estas herramientas en el cribado y el triaje, no como sustituto automático de la confirmación clínica y microbiológica.
Lo novedoso no es que un algoritmo observe una radiografía. Eso lleva años evaluándose. El cambio está en el intento de cerrar la distancia entre una puntuación de laboratorio y un sistema que funcione con equipos distintos, sin nube, bajo regulación sanitaria y dentro de un circuito asistencial completo.
Qué ha anunciado Google exactamente
En su publicación oficial sobre cribado de tuberculosis, Google Research reconstruye un recorrido de varios años. Comenzó con modelos específicos capaces de identificar hallazgos compatibles con tuberculosis pulmonar en radiografías. Continuó con evaluaciones externas, estudios prospectivos y una colaboración con Nexus AI para convertir esa investigación en una herramienta clínica certificada.
Ahora el enfoque se amplía con tres familias de componentes. HAI-DEF aporta representaciones y modelos de imagen médica para desarrolladores. MedSigLIP relaciona imágenes y lenguaje clínico, de modo que un equipo puede clasificar o buscar radiografías con etiquetas textuales y adaptar el sistema con ejemplos locales. MedGemma añade modelos multimodales con pesos abiertos, en configuraciones de 4.000 y 27.000 millones de parámetros, capaces de combinar una imagen con contexto escrito.
El término «abierto» necesita precisión. Que un modelo publique sus pesos no convierte en abierto todo el sistema sanitario que lo rodea. Siguen siendo necesarios los dispositivos de rayos X, la integración, la calibración, los controles de acceso, la validación con la población local, el seguimiento de errores y, cuando corresponda, la autorización regulatoria.
Cribado, triaje y diagnóstico no son lo mismo
El cribado busca indicios en personas que podrían no tener un diagnóstico previo. Su objetivo es decidir quién necesita una evaluación más completa. El triaje ayuda a priorizar esa evaluación. El diagnóstico confirma o descarta la enfermedad mediante el conjunto de pruebas y criterios establecido por los servicios sanitarios.
Una radiografía puede mostrar anomalías sugestivas de tuberculosis, pero también cambios debidos a neumonía, tumores, cicatrices u otras enfermedades. Por eso una puntuación alta no equivale a «tiene tuberculosis» y una puntuación baja tampoco debería interpretarse fuera del protocolo aplicable. La OMS indica que los hallazgos anormales requieren investigación adicional, incluidas pruebas moleculares rápidas recomendadas cuando correspondan.
La distinción importa porque los errores tienen dos direcciones. Un falso negativo puede retrasar la atención y favorecer la transmisión. Un falso positivo puede generar ansiedad, pruebas innecesarias y uso ineficiente de recursos. El umbral de decisión no es una constante universal: puede variar según la prevalencia, la capacidad de confirmación, el perfil de riesgo y el propósito de la campaña.
Del laboratorio a una mina a cuatro kilómetros de profundidad
Google utiliza como ejemplo el despliegue en la mina de oro Mponeng, en Sudáfrica. Los trabajadores expuestos de forma crónica al polvo de sílice presentan un riesgo pulmonar elevado, mientras que desplazarse desde las galerías profundas hasta un centro de diagnóstico consume tiempo y dificulta completar el circuito.
El proyecto combina radiografía digital ultraportátil y análisis sin conexión. Las personas con una imagen sugestiva pueden ser derivadas a una prueba molecular confirmatoria durante la misma visita. La información oficial sostiene que el sistema se emplea ya en unos 40 centros de seis países —con despliegues o ampliaciones en curso— y que más de 90 profesionales han evaluado más de 25.000 radiografías.
Estas cifras describen uso, no demuestran por sí solas impacto sanitario. Para saber si una implantación reduce diagnósticos tardíos hay que medir cuántas personas completan la confirmación, cuánto tiempo transcurre hasta el tratamiento, qué porcentaje se pierde durante el seguimiento y cómo cambia el resultado frente al circuito anterior.
Por qué los modelos fundacionales pueden cambiar la adaptación local
Un detector cerrado suele llegar entrenado para una tarea y con un conjunto fijo de salidas. Un modelo fundacional pretende servir como punto de partida reutilizable. Una institución puede ajustarlo a sus equipos, su población y sus necesidades sin entrenar desde cero toda la red.
Esto resulta atractivo en salud porque las imágenes cambian entre fabricantes, protocolos y regiones. También cambia la prevalencia de otras enfermedades que se parecen a la tuberculosis en una radiografía. Un modelo que funcionó bien en un hospital universitario no conserva automáticamente el mismo rendimiento en una clínica móvil.
MedSigLIP busca reducir el coste de esa adaptación al relacionar patrones visuales con descripciones clínicas. MedGemma amplía el contexto y puede ejecutarse en infraestructura local. Esa ejecución local ayuda cuando la conexión es inestable y puede facilitar la residencia nacional de los datos, pero no garantiza privacidad por sí misma. Un servidor local mal configurado, una cuenta compartida o un registro sin cifrar siguen siendo riesgos.
La experiencia acumulada con observabilidad de infraestructuras de inteligencia artificial aporta una lección trasladable: no basta con desplegar un modelo; hay que vigilar datos de entrada, versiones, latencia, fallos y cambios de rendimiento. Y el trabajo sobre gráficos generados por agentes que conservan una especificación revisable recuerda otra idea útil: en un entorno sensible, la trazabilidad del proceso importa tanto como la apariencia de la respuesta.
Indonesia y la soberanía de los datos sanitarios
El Ministerio de Salud de Indonesia quiere ampliar el cribado de tuberculosis a una escala de decenas de millones de personas. Google explica que el país está ajustando MedGemma y MedSigLIP con radiografías nacionales y ejecutándolos en infraestructura local.
La lógica es clara: si el modelo puede desplegarse sin enviar cada imagen a una nube extranjera, las autoridades mantienen mayor control sobre la residencia y el acceso. Sin embargo, soberanía no significa únicamente ubicación física. También incluye quién mantiene el software, quién puede exportar parámetros, qué dependencias se actualizan desde fuera, cómo se gestionan las claves y si el sistema puede auditarse durante toda su vida útil.
Además, entrenar con datos locales exige una gobernanza explícita. Una radiografía es un dato de salud. La desidentificación debe considerar metadatos, identificadores incrustados y la posibilidad de relacionar registros. El uso para ajustar modelos necesita base jurídica, controles de finalidad, retención limitada y mecanismos para investigar accesos indebidos.
Qué significa la certificación y qué no significa
Google señala que Nexus AI obtuvo certificación europea MDR de clase IIb e implantó un sistema de calidad conforme a ISO 13485. También informa de un acuerdo con FIND para avanzar hacia la precalificación de la OMS y de un itinerario hacia la autorización estadounidense.
Una certificación de producto sanitario indica que se ha sometido a requisitos técnicos, clínicos y de gestión del riesgo aplicables a un uso definido. No convierte el software en infalible ni valida cualquier modificación futura. Cambiar el modelo, la población, el dispositivo de imagen o el flujo puede exigir una nueva evaluación. Tampoco autoriza a un usuario a aplicarlo fuera de las indicaciones aprobadas.
En junio de 2025, la OMS anunció la aprobación de seis productos de detección asistida para interpretar radiografías durante el cribado de tuberculosis. Su comunicado sobre productos CAD muestra que ya no se evalúa la categoría como una promesa abstracta: se comparan versiones concretas y documentación concreta. Esa disciplina debe mantenerse cuando aparezcan modelos fundacionales que puedan ajustarse con mayor facilidad.
HeAR: escuchar la tos desde un teléfono
Google también menciona Health Acoustic Representations, o HeAR, un modelo entrenado con más de 300 millones de segmentos de audio. Su propósito es ofrecer representaciones acústicas que otros equipos puedan adaptar a tareas como el triaje a partir de sonidos de tos grabados con un micrófono corriente.
La accesibilidad es evidente: un teléfono llega a lugares donde no hay un equipo de rayos X. Pero el audio añade incertidumbres propias. El tipo de micrófono, el ruido, la distancia, el idioma de las instrucciones, la edad y otras afecciones respiratorias pueden alterar la señal. Grabar tos también genera datos biométricos y de salud que necesitan protección.
Por ahora, la forma prudente de entender HeAR es como una línea complementaria de investigación y triaje, no como una aplicación que diagnostique tuberculosis desde casa. Google describe colaboraciones para producir evidencia clínica. Esa evidencia debe preceder a cualquier afirmación sobre utilidad general.
Ocho controles antes de implantar este tipo de sistema
- Definir el uso: cribado, triaje, segunda lectura o apoyo al informe no son intercambiables.
- Validar localmente: medir sensibilidad, especificidad y rendimiento por grupos relevantes con los equipos que se utilizarán.
- Calibrar el umbral: relacionarlo con prevalencia, capacidad de confirmación y coste de los errores.
- Cerrar el circuito: asegurar que una alerta conduce a una prueba confirmatoria y que su resultado llega al profesional y a la persona atendida.
- Supervisar cambios: registrar versión del modelo, dispositivo, configuración y distribución de los datos.
- Proteger la información: aplicar mínimo privilegio, cifrado, retención definida y auditoría de accesos.
- Diseñar la contingencia: mantener un procedimiento seguro si falla el equipo, el modelo o la conexión.
- Comunicar límites: explicar en lenguaje comprensible que una señal de cribado no es un diagnóstico.
La guía operativa de la OMS insiste en vincular la radiografía anormal con investigación adicional y en integrar el proceso dentro de las directrices nacionales. Esa integración suele ser menos visible que el modelo, pero determina si la tecnología mejora la atención o solo produce más alertas.
Oportunidad para empresas y equipos pequeños
La noticia no implica que una clínica pequeña deba descargar un modelo y utilizarlo mañana. Sí muestra un patrón con aplicación más amplia: los modelos abiertos permiten prototipar soluciones especializadas, pero la responsabilidad aumenta cuanto más crítica es la decisión.
Una empresa que trabaje en documentación, formación o soporte sanitario puede emplear modelos para tareas de menor riesgo —clasificar documentos, preparar material o localizar información— antes de entrar en interpretación clínica. Formaciones como IA Mindset y sus asistentes especializados ilustran cómo adaptar herramientas a un flujo profesional manteniendo el criterio humano. Para convertir conocimiento estructurado en un recurso explicativo, el método de IA Autor para crear y revisar ebooks ofrece otro ejemplo de apoyo en tareas donde el resultado se revisa antes de publicarse.
En salud, esa revisión no es opcional. Debe estar asignada a perfiles cualificados, documentada y conectada con protocolos. Un proveedor que prometa «diagnóstico instantáneo» sin explicar indicación, evidencia, certificación y seguimiento debería despertar más preguntas que confianza.
Hechos, inferencias y previsiones
Hechos confirmados: Google publicó su actualización el 23 de octubre de 2026; describe despliegues con Nexus AI, una herramienta certificada para un uso clínico concreto, componentes abiertos de HAI-DEF y MedGemma, ejecución local y proyectos en varios países. La OMS admite el uso de determinados programas de detección asistida para interpretar radiografías dentro del cribado de tuberculosis en poblaciones y condiciones definidas.
Inferencia razonable: un modelo fundacional puede abaratar la adaptación a idiomas, equipos y poblaciones locales, especialmente si evita empezar desde cero. El beneficio solo se materializa si existe un conjunto local de calidad, capacidad técnica, evaluación independiente y un circuito de confirmación.
Previsión: veremos más sistemas sanitarios que combinen un modelo base, ajustes nacionales y ejecución en infraestructura propia. También crecerá la presión regulatoria para identificar cada versión desplegada y demostrar que una adaptación no degrada el rendimiento en grupos poco representados.
Preguntas frecuentes
¿Puede MedGemma diagnosticar tuberculosis?
No debería describirse como un diagnóstico autónomo. Los componentes citados pueden apoyar el análisis, el cribado y el triaje. Un resultado sospechoso requiere el procedimiento confirmatorio y la valoración profesional que establezcan las autoridades sanitarias.
¿La OMS recomienda cualquier programa que analice radiografías?
No. Sus recomendaciones se refieren a usos, edades, poblaciones y productos evaluados. La política de 2025 compara versiones concretas y no convierte en válido cualquier modelo disponible en internet.
¿Ejecutar el modelo sin conexión protege todos los datos?
Reduce la necesidad de enviar imágenes a un servicio remoto, pero la privacidad depende también de cuentas, cifrado, registros, copias, retención, seguridad del dispositivo y gobernanza.
¿Qué ventaja aporta un modelo con pesos abiertos?
Facilita la adaptación, inspección y ejecución propia. No elimina licencias, requisitos regulatorios, validación clínica, costes de infraestructura ni responsabilidad sobre los resultados.
Conclusión: el avance real es completar el circuito
La parte llamativa de la historia es un modelo que observa una radiografía o escucha una tos. La parte decisiva es menos vistosa: equipos portátiles, funcionamiento sin conexión, profesionales formados, pruebas confirmatorias, regulación, privacidad y seguimiento.
Google está intentando recorrer ese camino desde la investigación hasta el terreno y, al mismo tiempo, ofrecer bases que otros países puedan adaptar. Es una dirección prometedora, no una autorización para retirar la supervisión. En tuberculosis, una alerta solo tiene valor cuando conduce a una confirmación fiable y a una atención oportuna. La medida del éxito no será cuántas imágenes procese el algoritmo, sino cuántas personas completen un circuito seguro que antes no estaba a su alcance.