En plena fiebre de los grandes modelos de lenguaje, un investigador que lleva casi cuatro décadas trabajando en inteligencia artificial aplicada a la medicina recibe uno de los reconocimientos más relevantes del sector en España. La Sociedad Española de Inteligencia Artificial en Biomedicina (IABiomed) anunció el 11 de octubre que Pedro Larrañaga, catedrático de Ciencias de la Computación e Inteligencia Artificial en la Universidad Politécnica de Madrid (UPM), es el ganador del Premio Nacional de Inteligencia Artificial en Biomedicina David Riaño 2026, en la categoría de Investigador Sénior. La entrega tendrá lugar el 30 de octubre en Barcelona, durante la II Jornada Anual de la sociedad.
El galardón llega en un momento en el que buena parte del debate público sobre inteligencia artificial gira en torno a los modelos generativos y su capacidad para producir respuestas fluidas sobre casi cualquier tema. Larrañaga, sin embargo, representa otra tradición: la de los sistemas diseñados para ser comprensibles, rigurosos y útiles para médicos y biólogos, antes incluso de que existiera ChatGPT.
Una trayectoria que empezó antes de la IA generativa
Larrañaga comenzó a trabajar en inteligencia artificial aplicada a la medicina a finales de los años ochenta. Después amplió su campo hacia la bioinformática, desde comienzos de los 2000, y hacia la neurociencia computacional a partir de 2013, participando en proyectos internacionales de gran escala como el Human Brain Project.
A lo largo de ese recorrido ha trabajado en ámbitos como el cáncer, el VIH, la selección de embriones, las enfermedades autoinmunes, el microbioma, el Parkinson, la epilepsia o el Alzheimer. Según explica, la idea que ha guiado todo ese trabajo es sencilla: la inteligencia artificial debe estar al servicio de problemas biomédicos relevantes, no al revés.
Más allá de las publicaciones, Larrañaga subraya otro indicador de su trayectoria: ha dirigido 37 tesis doctorales, y muchos de esos investigadores lideran hoy sus propios grupos de investigación. “Una trayectoria científica no se mide solo por lo que uno publica, sino también por la escuela que deja detrás”, afirma.
Cuándo una caja negra es inaceptable en medicina
Uno de los ejes centrales de su reflexión es la explicabilidad de los sistemas de IA en contextos clínicos. Para Larrañaga, una caja negra resulta inaceptable cuando una decisión puede tener consecuencias graves para el paciente y condiciona directamente el diagnóstico, el tratamiento o el pronóstico.
Si una IA recomienda una cirugía, descarta un cáncer o propone suspender una medicación, el médico debe poder preguntar por qué y obtener una respuesta clínicamente comprensible. No se trata, aclara, de conocer cada operación matemática del algoritmo, sino de entender qué variables han pesado en la decisión, qué evidencias la sustentan y qué grado de incertidumbre existe.
En cambio, considera tolerable cierta opacidad en tareas de menor riesgo, como mejorar la calidad de una imagen médica o priorizar estudios para que los revise antes un especialista, siempre que la decisión final siga bajo supervisión humana. El criterio, resume, es el impacto de la decisión: cuanto mayor sea el riesgo y más difícil revertir un error, mayor debe ser la exigencia de transparencia.
Redes bayesianas frente a aprendizaje profundo
Larrañaga defiende que, pese al dominio actual del aprendizaje profundo, las redes bayesianas conservan ventajas claras en problemas donde no basta con predecir, sino que hace falta razonar bajo incertidumbre. En medicina, afirma, esto es fundamental: una red bayesiana puede combinar síntomas, antecedentes y resultados de pruebas para estimar probabilidades y actualizarlas con nueva información, de forma similar a como razona un clínico.
Estas redes también resultan útiles cuando los datos son escasos o heterogéneos, a diferencia del aprendizaje profundo, que suele necesitar grandes volúmenes. Además, su estructura permite representar explícitamente relaciones entre variables y abrir la puerta a un razonamiento causal, algo esencial para pasar de predecir qué ocurrirá a decidir qué se debería hacer.
El próximo salto: medicina centrada en la persona
Preguntado por un avance que aún no ha llegado a los titulares, Larrañaga señala el diseño de tratamientos verdaderamente personalizados, que integren no solo la historia clínica, la genética o las pruebas de imagen, sino también las preferencias del propio paciente.
Según explica, dos pacientes con el mismo diagnóstico pueden querer vivir su enfermedad de forma distinta: uno puede priorizar la supervivencia a toda costa y otro la calidad de vida. El aprendizaje automático, sostiene, puede ayudar a anticipar cómo responderá cada paciente a distintas alternativas e incorporar esos valores en la decisión clínica.
El error que más se repite en los proyectos de IA médica
Tras años colaborando con hospitales y grupos clínicos, Larrañaga identifica un fallo recurrente: empezar preguntando qué modelo de IA se puede aplicar en lugar de qué problema clínico concreto se quiere resolver. Muchos proyectos nacen de una base de datos interesante y solo después se busca dónde encajaría en la práctica, lo que con frecuencia hace que el proyecto se detenga.
A ese problema se suma la calidad de los datos: sesgos, valores ausentes, cambios de protocolo y diferencias entre hospitales. Larrañaga apunta que técnicas como el aprendizaje por transferencia o el aprendizaje federado pueden paliar la falta de datos en un centro concreto. Formular bien la pregunta clínica desde el inicio, defiende, ahorraría años de trabajo y cantidades importantes de dinero.
¿Hay que fiarse de un chatbot para consultar síntomas?
Sobre los grandes modelos de lenguaje, Larrañaga considera un error confundir su fluidez verbal con conocimiento médico fiable. Estas herramientas, señala, son extraordinariamente útiles para resumir documentación o facilitar el acceso al conocimiento, pero pueden producir respuestas plausibles y, al mismo tiempo, equivocadas.
Preguntado directamente si aconsejaría a un paciente consultar sus síntomas a un chatbot, responde que sí, pero con muchas cautelas: puede servir como primera orientación para entender un término médico o preparar preguntas antes de una consulta, pero no debería sustituir un diagnóstico profesional, entre otras razones porque un chatbot no explora al paciente ni observa signos clínicos directamente.
Lo que la neurociencia le ha enseñado sobre la IA
Larrañaga, que también investiga en neurociencia computacional, destaca que el cerebro funciona en muchos aspectos como una extraordinaria máquina bayesiana: parte de creencias previas, incorpora nueva evidencia y actualiza continuamente sus conclusiones, sin empezar de cero cada vez.
A su juicio, la inteligencia artificial debería incorporar mucho más esa filosofía: sistemas capaces de representar lo que saben, expresar su incertidumbre e ir modificando sus creencias con nueva información, en lugar de limitarse a aumentar el tamaño de los modelos.
¿Tiene España ventaja en IA biomédica?
Larrañaga cree que España cuenta con ingredientes valiosos para la IA biomédica: un sistema sanitario público amplio, una historia clínica electrónica muy extendida, buenos hospitales y universidades competitivas. No se trata, afirma, de competir con Estados Unidos o China construyendo modelos cada vez más grandes, sino de combinar buenos datos sanitarios con conocimiento clínico de primer nivel.
Entre los frenos identifica la fragmentación de los datos entre comunidades autónomas y hospitales, la dificultad para convertir la investigación en productos que lleguen a la práctica clínica, y una burocracia que complica el acceso ágil y seguro a los datos sanitarios.
El hospital dentro de diez años
De cara al futuro, Larrañaga anticipa que será habitual que los hospitales trabajen con sistemas de IA integrados de forma continua: revisando imágenes, anticipando complicaciones o ayudando a personalizar tratamientos a partir de la evolución de cada paciente.
Lo que no ocurrirá, insiste, es la sustitución del médico por la inteligencia artificial, porque la medicina implica contexto, valores personales y decisiones que no siempre tienen una única respuesta correcta. El hospital del futuro, resume, tendrá más inteligencia artificial, pero no necesariamente menos médicos.
Una trayectoria reconocida internacionalmente
Desde 2008, Larrañaga lidera el Computational Intelligence Group de la UPM. En 1995 había fundado el Intelligent Systems Group en la Euskal Herriko Unibersitatea y, bajo su dirección, en 2022 se aprobó la ELLIS Unit Madrid. Ha dirigido 37 tesis doctorales y 71 tesis fin de máster.
Según la Web of Science, sus 405 contribuciones científicas acumulan más de 16.700 citas, cifra que supera las 33.600 según Google Scholar. Desde 2019 figura en la lista de la Universidad de Stanford del 2% de científicos más citados del mundo.
Entre sus cargos previos destacan haber sido gestor del Plan Nacional en Tecnologías de la Información (2007-2010), miembro de la CNEAI (2010-2011) y parte del grupo de expertos que diseñó la primera Estrategia Española en Inteligencia Artificial, en 2018. Entre sus reconocimientos figuran el Premio Nacional Aritmel de Informática (2013), el Premio de la Asociación Española para la Inteligencia Artificial (2018), el Premio Amity en Aprendizaje Automático (2020) y las distinciones de Fellow de la Academia Europaea (2018), ELLIS (2023) e IEEE (2024).
Preguntas frecuentes
¿Qué es el Premio Nacional de Inteligencia Artificial en Biomedicina David Riaño?
Es un galardón concedido por la Sociedad Española de Inteligencia Artificial en Biomedicina (IABiomed) que reconoce trayectorias y aportaciones en el campo de la IA aplicada a la medicina. La edición 2026 se falló el 11 de octubre y se entregará el 30 de octubre en Barcelona, durante la II Jornada Anual de la sociedad.
¿Quién es Pedro Larrañaga?
Es catedrático de Ciencias de la Computación e Inteligencia Artificial en la Universidad Politécnica de Madrid, donde desde 2008 dirige el Computational Intelligence Group. Trabaja en inteligencia artificial aplicada a la medicina desde finales de los años ochenta y ha dirigido 37 tesis doctorales.
¿Por qué una IA no debería ser una caja negra en medicina, según Larrañaga?
Porque cuando una decisión de IA puede tener consecuencias graves para el paciente, el médico necesita entender qué variables han influido en esa recomendación, qué evidencias la respaldan y qué grado de incertidumbre existe, para poder contrastarla con su propio criterio clínico.
¿Las redes bayesianas siguen siendo útiles frente al aprendizaje profundo?
Sí, según Larrañaga, especialmente en problemas donde hay que razonar bajo incertidumbre, los datos son escasos o heterogéneos, y se necesita interpretabilidad o razonamiento causal, aspectos en los que el aprendizaje profundo tradicional tiene limitaciones.
¿Recomienda consultar síntomas médicos a un chatbot de inteligencia artificial?
Larrañaga considera que puede ser útil como primera orientación, por ejemplo para entender un término médico o preparar preguntas para la consulta, pero advierte de que no debe sustituir un diagnóstico profesional ni la exploración directa de un médico.
¿Qué frena a España en inteligencia artificial biomédica?
Larrañaga señala la fragmentación de los datos sanitarios entre comunidades autónomas y hospitales, las dificultades para transferir la investigación a productos clínicos reales, y la burocracia que complica el acceso ágil a los datos sanitarios para la investigación.
Samuel Gil es especialista en infraestructura tecnológica, administración de servidores y desarrollo de servicios digitales. Con una sólida trayectoria en entornos web de alta exigencia, optimización de servidores y gestión de arquitecturas de red, Samuel dedica su labor en faq-box.com a desglosar cuestiones técnicas complejas para convertirlas en guías prácticas, transparentes y de alto valor técnico.
Su enfoque editorial prioriza el rigor, la seguridad en los sistemas y la resolución eficiente de problemas técnicos cotidianos y avanzados. A través de sus análisis, busca ofrecer respuestas directas y contrastadas para profesionales y entusiastas del sector tecnológico.
Cuenta con una sólida formación en el área tecnológica, destacando su especialización a través del Máster en Inteligencia Artificial Aplicada a la Gestión Empresarial y el MBA in Digital Transformation & Artificial Intelligence de ISEEN.EU, lo que aporta un rigor técnico avanzado a cada análisis de desarrollo y arquitectura digital.
