Jueves, 8 de Mayo del 2025 
Madrid, 07 de Mayo del 2025.- Un algoritmo español basado en inteligencia artificial predice si un paciente con cáncer de pulmón responderá a la inmunoterapia antes de iniciarla. Esto permite evitar terapias costosas, tanto en términos clínicos como energéticos . La herramienta, desarrollada con datos de historia clínica y hemogramas, tiene implicaciones directas sobre el uso de recursos en hospitales: menos sesiones innecesarias, menos consumo de luz , gas y materiales, y una reducción directa de la huella de carbono sanitaria .
El desarrollo ha sido liderado por investigadores de la Universidad Politécnica de Madrid (UPM) , CIBER , la Fundación Jiménez Díaz , la Clínica Universidad de Navarra y el Hospital Universitario 12 de Octubre . Su modelo ha sido publicado en Cancer Immunology, Immunotherapy y demuestra cómo la inteligencia artificial puede evitar la administración de inmunoterapia a pacientes que no van a beneficiar, obteniendo únicamente en datos rutinarios antes de iniciar el tratamiento.
Esta optimización tiene un fuerte impacto en términos energéticos :
Cada sesión de inmunoterapia implicarefrigeración de fármacos,funcionamiento de bombas de infusión,iluminaciónyclimatización de salas.
Reducir el número de tratamientos innecesarios disminuye el uso deelectricidad y gas, bajando lapotencia contratadanecesaria para picos de actividad.
Además, para evitar hospitalizaciones derivadas de efectos adversos en pacientes no respondedores, el algoritmo mejora la eficacia clínica y la eficiencia energética . Se reduce el tiempo en planta, el uso de dispositivos electrónicos , el consumo de gases medicinales y la frecuencia de pruebas complementarias, que suelen requerir máquinas de alto consumo energético y afectan al ahorro de luz y gas .
El algoritmo ha sido entrenado con información de 319 pacientes de cuatro hospitales públicos , utilizando únicamente variables disponibles en el momento del diagnóstico: valores de hemograma (leucocitos, plaquetas, hemoglobina) y antecedentes clínicos . Esta elección evita el uso de laboratorios de alta demanda energética y el transporte de muestras a centros externos.
Los autores han validado el modelo en entornos clínicos reales , garantizando su aplicabilidad donde las limitaciones presupuestarias y energéticas exigen soluciones rentables . Esta herramienta usa datos ya existentes para tomar decisiones más inteligentes, sin añadir procesos que implican mayor gasto eléctrico o de gas .
Desde la perspectiva de la gestión energética hospitalaria , estos avances permiten:
Optimizar eldimensionamiento de infraestructuras.
Reduzca la necesidad derefrigeración,presión constante de aireoclimatización.
Influir directamente en lapotencia contratada mensualde hospitales con alto consumo energético.
En contextos con costes variables por tramos horarios, como ocurre con el precio de la luz , esta reducción se traduce en menor dependencia de tarifas punta .
Los hospitales son instalaciones de alta intensidad energética , responsables de una parte significativa de las emisiones del sector público. Introducir inteligencia artificial que evite tratamientos ineficaces supone también una medida de descarbonización . Se trata de reducir la huella de carbono sin comprometer la calidad médica.
Al seleccionar de antemano a los pacientes que se beneficiarán del tratamiento, se evita la:
Producción,transporteyadministraciónde fármacos de alto coste energético.
Generación de residuos sanitarioscomo materiales de infusión y consumibles clínicos.
Este modelo se presenta como una herramienta escalable y replicable , útil para hospitales con restricciones energéticas o en zonas con infraestructura limitada . Refuerza el papel de la IA en la transición hacia centros de salud más sostenibles e inteligentes .
En una etapa donde los hospitales buscan:
Fuentes para reducir el consumo energético
Monitorización energética
Reducción deemisiones
…este tipo de algoritmos ofrece un nuevo eje de acción: evitar lo innecesario para consumir menos . Así, la IA no solo personaliza tratamientos, sino que ayuda a racionalizar el uso de electricidad , gas y recursos, posicionando al sector salud como agente activo de la transición energética .
Fuente: papernest.es
