Enfermedades raras: por qué el aprendizaje federado es la vía más creíble hacia la abundancia médica

Por EFE · 11 de julio de 2026.

Las enfermedades raras arrastran una "triple condena", en palabras de la ingeniera biomédica Alba Garrido (UPM), premiada este año por The Conversation España y la Fundación Lilly: pocos pacientes por hospital, poco incentivo económico para la industria farmacéutica y un conocimiento clínico fragmentado en miles de silos que nunca se comunican entre sí. Un hospital en Madrid ve dos casos de una dolencia; otro en Tokio, tres; ninguno tiene por sí solo material suficiente para entrenar un modelo de IA fiable, y la ética impide simplemente "juntar" historiales clínicos de un país a otro. El resultado, según explica Garrido, es una demora diagnóstica superior al año en el 57% de los casos, con el desgaste humano que retratan los testimonios de madres como Céline Rodríguez Limón o Xènia Cid, citados en el artículo.

La respuesta técnica que se está consolidando es el aprendizaje federado: en vez de mover los datos del paciente hacia un servidor central, se mueve el modelo hacia cada hospital, que lo entrena localmente y solo devuelve parámetros matemáticos, no historiales. Según Garrido, esta arquitectura ya no es una promesa de laboratorio: modelos entrenados de forma federada alcanzan hasta el 99% de la eficacia de los entrenados con datos centralizados, sin que ninguna institución ceda la soberanía sobre su información sensible. En España, herramientas como DxGPT (impulsada por la Fundación 29, creada por el ingeniero Julián Isla tras la odisea diagnóstica de su propio hijo) ya la usan más de 6.000 médicos, y en Europa el proyecto SYNTHEMA aplica el mismo principio para cruzar datos clínicos y genómicos entre países.

Lo relevante aquí no es solo la elegancia técnica, sino qué resuelve y qué no. El aprendizaje federado ataca el problema de los datos dispersos y la privacidad, que es real y llevaba años sin solución satisfactoria: convierte a un hospital comarcal en beneficiario de la experiencia acumulada por instituciones de élite de todo el mundo, democratizando algo que hasta ahora dependía de la geografía y del prestigio del centro donde a uno le tocara enfermar. Pero no resuelve el otro tercio de la "triple condena" que señala Garrido: el desincentivo económico para desarrollar medicamentos huérfanos sigue intacto, porque un mercado de pocos pacientes seguirá siendo poco rentable aunque el diagnóstico sea instantáneo y perfecto. Diagnosticar antes no equivale a tratar mejor si no hay fármaco al final del camino, y ese es un problema de economía sanitaria e incentivos regulatorios, no de algoritmos.

Nuestra lectura es que este tipo de infraestructura —silenciosa, poco vistosa, centrada en compartir conocimiento sin mover datos— es exactamente el tipo de avance que sostiene la tesis de fondo sobre la IA en medicina: no la cura milagrosa de un día para otro, sino la construcción paciente de una memoria médica global que, acumulada durante años, empieza a acercarnos a algo impensable hace una década: que ninguna enfermedad, por rara que sea, quede huérfana de conocimiento colectivo solo por accidente geográfico. Es un paso concreto hacia el horizonte de erradicar enfermedades que defendemos como posible a largo plazo, y que aquí se manifiesta de forma muy tangible en 7.000 patologías que afectan a 300 millones de personas en el mundo. A corto plazo, sin embargo, conviene no perder de vista que la tecnología por sí sola no financia la investigación de medicamentos huérfanos ni acelera los ensayos clínicos: sin políticas públicas que acompañen el avance técnico, el aprendizaje federado podría terminar diagnosticando con precisión enfermedades para las que seguirá sin haber tratamiento. La pieza que falta no es de software, es de voluntad regulatoria y de mercado.