Aprendizaje automático
Sinónimos: Machine learning · ML
Definición ampliada
El aprendizaje automático es el nombre en español de lo que en inglés se llama machine learning. Reúne métodos que ajustan un modelo a partir de datos para realizar una tarea sin programar de forma explícita todas las reglas. Según el problema, el modelo puede predecir un valor, asignar una categoría, detectar una estructura o recomendar una acción.
Se distinguen tres formas de aprender. En el aprendizaje supervisado, cada ejemplo lleva la respuesta correcta, una etiqueta puesta por una persona, como «retinopatía sí o no» en una fotografía de fondo de ojo, y el modelo aprende a reproducirla [1]. En el no supervisado no hay etiquetas y el modelo busca estructura por su cuenta, como grupos de pacientes parecidos. En el aprendizaje por refuerzo aprende de las recompensas que obtienen sus acciones. Hay formas intermedias, como el semisupervisado, que combina pocos ejemplos etiquetados con muchos sin etiquetar.
El aprendizaje no equivale a comprensión: consiste en optimizar parámetros según datos, objetivos y métricas definidos. Su valor depende tanto del algoritmo como de la calidad de los datos, el diseño de la evaluación y el contexto de uso. En medicina, su aplicación se extiende desde la interpretación de imágenes hasta la organización de flujos asistenciales [2].
Contexto histórico
El aprendizaje automático desplazó progresivamente parte de la IA desde reglas escritas a mano hacia sistemas que ajustan su comportamiento a partir de ejemplos. Su evolución combinó métodos estadísticos, redes neuronales, mayor disponibilidad de datos y capacidad de cómputo; el aprendizaje profundo es una de sus ramas, no un sinónimo del campo completo [3].
Importancia actual
A fecha de agosto de 2026, el aprendizaje automático sustenta desde modelos predictivos relativamente simples hasta sistemas generativos. Su valor depende menos de la etiqueta «IA» que de la calidad de los datos, la validación en el entorno de uso y el seguimiento de cambios una vez desplegado.
Aplicaciones
Generales
- Recomendación de contenidos o productos.
- Detección de fraude y anomalías.
- Predicción de demanda y mantenimiento.
- Clasificación de texto, imágenes o señales.
Sanitarias
- Estimación de riesgos clínicos.
- Apoyo al análisis de imágenes médicas.
- Identificación de patrones en historias clínicas.
- Priorización de casos para revisión profesional.
Limitaciones
- Puede aprender sesgos, errores o atajos presentes en los datos.
- Un buen resultado interno no garantiza utilidad en otra población.
- El sobreajuste reduce la capacidad de generalizar a casos nuevos.
- La métrica optimizada puede no representar el objetivo humano real.
- Requiere vigilancia después del despliegue porque los datos cambian.
- Las etiquetas también se equivocan, y el modelo aprende sus errores. En retinopatía diabética, el voto mayoritario de oftalmólogos pasó por alto lesiones, sobre todo microaneurismas, que el consenso de retinólogos sí identificó; ajustar el algoritmo con ese consenso, junto con imágenes de más resolución, mejoró su rendimiento [4]. Por eso se recomienda ajustar y evaluar los modelos con un conjunto más pequeño de ejemplos cuyas etiquetas hayan revisado varios expertos [1], y por eso importa quién etiqueta los datos y con qué preparación. Es un trabajo humano que no aparece en el producto final, y el glosario lo trata en trabajo fantasma.
Ejemplos
Un hospital puede entrenar un modelo con datos históricos para estimar riesgo de reingreso. Antes de usarlo necesita validación externa, análisis por subgrupos y un protocolo que determine cómo influirá —o no— en la decisión.