Hace cinco años, la pregunta era si la inteligencia artificial funcionaba en radiología. En 2026, la pregunta es cómo se integra, se escala y se gobierna dentro del ciclo de vida del modelo. La FDA había autorizado aproximadamente 873 algoritmos de IA para imagenología médica hasta mediados de 2025, consolidando a la radiología como la especialidad con mayor número de dispositivos de IA aprobados. Pero la aprobación regulatoria es solo el primer paso: mantener el desempeño del modelo en producción clínica, prevenir sesgos y asegurar que la IA no aumente el burnout del radiólogo son los desafíos reales de 2026.
El congreso anual de la RSNA 2025 marcó un punto de inflexión. La conversación pasó de las herramientas de IA de tarea única, detectar un nódulo, clasificar un hallazgo, a los modelos fundacionales multimodales que procesan imagen y texto simultáneamente, integrados como infraestructura dentro del PACS. La consolidación del mercado es visible: adquisiciones, fusiones y la desaparición de soluciones aisladas que no se integran en el flujo de trabajo.
Este análisis aborda los tres desafíos que definen la radiología con IA en 2026: la gobernanza de los modelos en producción, la integración con los sistemas PACS/RIS existentes y la ciberseguridad como amenaza estructural.
Desafío 1: Gobernanza de modelos de IA en producción clínica
El American College of Radiology ha identificado la gobernanza de la IA en radiología como un campo de investigación activo. Un análisis de 2026 sobre 956 dispositivos de IA radiológica aprobados por la FDA encontró que existe una brecha significativa en el ciclo de vida del modelo: la validación pre-comercial no garantiza el desempeño en producción, y el monitoreo continuo rara vez se implementa de forma sistemática.
El Journal of the American College of Radiology (JACR) propuso un marco práctico para la implementación responsable de IA en cuatro fases: validación, despliegue, medición de valor y mejora continua. El American College of Radiology (ACR) lanzó Assess-AI, un registro que mide la concordancia entre las salidas de la IA clínica y los hallazgos derivados de los informes radiológicos, habilitando el monitoreo posdespliegue. Estos esfuerdos reflejan un consenso: la IA en radiología no es un producto que se compra y se olvida, sino un sistema que requiere validación continua, auditoría de desempeño y responsabilidad clínica sobre las decisiones que genera.
Para las instituciones colombianas, la gobernanza de la IA no es solo una buena práctica: el proyecto de resolución de 2026 para telesalud exige que las plataformas basadas en IA operen con supervisión humana, trazabilidad, evidencia documentada de funcionamiento, validación de algoritmos y mecanismos para prevenir sesgos. Las plataformas de IA con funcionalidad diagnóstica que se clasifiquen como dispositivos médicos deberán contar con autorización del INVIMA.
De herramientas puntuales a modelos fundacionales multimodales
La distinción entre las herramientas de IA que dominaban hasta 2023 y los modelos fundacionales de 2025-2026 es fundamental. Las primeras realizaban una tarea específica: detectar hemorragias intracraneales, clasificar densidad mamaria, identificar neumotórax. Los modelos fundacionales multimodales analizan simultáneamente la imagen y el texto clínico del paciente, pueden proponer diagnósticos, sugerir planes de tratamiento y generar borradores de informe.
La diferencia práctica es que un modelo fundacional no se compra como una aplicación independiente que se ejecuta al margen del PACS: se integra como capa de infraestructura dentro del sistema de imagenología. Esto exige que los PACS/RIS modernos sean compatibles con APIs de IA, capaces de enrutar estudios hacia los modelos y recibir de vuelta las priorizaciones, detecciones y borradores de informe. RSNA 2025 introdujo además el concepto de agentic AI orchestration, donde flujos agénticos de IA coordinan múltiples pasos del recorrido diagnóstico del paciente, no solo la interpretación de una imagen aislada.
Desafío 2: Ciberseguridad de PACS y DICOM como amenaza estructural
La ciberseguridad de los sistemas de imagenología ha dejado de ser una preocupación accesoria para convertirse en una amenaza estructural. En 2025, la Cybersecurity and Infrastructure Security Agency (CISA) de los Estados Unidos publicó avisos médicos sobre vulnerabilidades críticas en sistemas PACS, incluyendo INFINITT Healthcare PACS, con vulnerabilidades de carga no restringida de archivos y exposición de información sensible del sistema. Adicionalmente, CISA advirtió sobre vulnerabilidades en paquetes DICOM ampliamente utilizados que podían provocar denegación de servicio.
Investigaciones independientes documentaron que, hasta abril de 2025, numerosos servidores PACS y nodos DICOM permanecían accesibles desde internet sin protección adecuada. El sector salud registró el costo promedio de brecha de datos más alto de todas las industrias por decimocuarto año consecutivo: USD 7.42 millones por incidente. El ransomware es la principal amenaza operativa, y los sistemas PACS son un objetivo atractivo porque una sola brecha puede exponer datos de imágenes de miles de pacientes simultáneamente.
Las recomendaciones técnicas para instituciones que operan PACS incluyen: segmentación de red entre el PACS y la red hospitalaria general, cifrado TLS en todas las conexiones, control de acceso basado en roles, monitoreo continuo de accesos, backups inmutables y parchado sistemático. Un informe de Unit 42 señala que el 83% de los dispositivos de imagenología médica opera con sistemas operativos sin soporte, un vector crítico que debe abordarse como parte de la estrategia de ciberseguridad institucional.
Desafío 3: El burnout del radiólogo y la paradoja de la IA
El burnout del radiólogo es un problema documentado con cifras preocupantes: la prevalencia reportada en 2025 se sitúa entre el 38% y el 42%, con estimaciones que alcanzan el 88% en algunos estudios para burnout general y 62% para burnout severo. La carga de trabajo en aumento, la presión por tiempos de entrega más cortos y la complejidad creciente de los estudios contribuyen a esta crisis.
La IA ofrece una paradoja: al mismo tiempo que promete reducir la carga al automatizar tareas repetitivas y agilizar la generación de informes, su uso frecuente se ha asociado con un mayor riesgo de burnout. Un estudio transversal publicado en PMC encontró que el uso de IA se asoció con burnout entre radiólogos, con una asociación dosis-respuesta: a mayor frecuencia de uso de IA, mayor prevalencia de burnout. La hipótesis es que la IA mal integrada añade carga cognitiva, notificaciones, alertas, necesidad de validar salidas, en lugar de reducirla.
La solución no es abandonar la IA, sino integrarla de forma que reduzca la fatiga en lugar de aumentarla. Las herramientas de generación de informes con IA, que generan borradores a partir de la interacción del radiólogo con la imagen, buscan aliviar la fatiga documental. Nature publicó en 2025 un análisis sobre cómo la IA puede abordar la escasez de fuerza laboral en radiología mediante la automatización de tareas repetitivas, la optimización de flujos de trabajo y la mejora de la precisión diagnóstica. La clave está en que la IA se integre dentro del flujo de trabajo existente, dentro del PACS, no como una herramienta paralela, para que su uso sea invisible y no añada fricción.
Evolución del hardware: photon-counting CT y su impacto en el PACS
El photon-counting CT (tomografía computarizada de conteo de fotones) se consolidó en 2025 como la siguiente evolución de la tomografía computarizada. RSNA 2025 presentó datos que muestran mejoras en resolución espacial en el rango de 0.2-0.4 mm, definición de bordes mejorada y reconstrucciones espectrales más robustas. La evidencia clínica crece: estudios en tórax, cardiaco y vascular demuestran ventajas diagnósticas concretas.
Para los departamentos de radiología, el photon-counting CT tiene una implicación directa en la infraestructura de imagenología: los estudios generan mayores volúmenes de datos por la mayor resolución y las reconstrucciones espectrales, lo que exige mayor capacidad de almacenamiento en el PACS y mayor ancho de banda para la transmisión. La elección de un PACS debe evaluar no solo la capacidad de visualización actual, sino la escalabilidad para soportar los volúmenes crecientes que generan las nuevas tecnologías de adquisición.
Conclusión
La radiología en 2026 se define por tres tensiones: la IA que promete eficiencia pero exige gobernanza, la ciberseguridad que amenaza la continuidad operativa, y el burnout que la IA puede aliviar o agravar según cómo se integre. Los modelos fundacionales multimodales están redefiniendo lo que se espera de un PACS: ya no es solo un visor y archivo, sino la plataforma que orquesta el flujo diagnóstico completo, incluyendo la IA, la generación de informes y la trazabilidad de decisiones.
Para las instituciones colombianas, el desafío es seleccionar plataformas de imagenología que no solo resuelvan las necesidades de hoy, sino que sean compatibles con los modelos de IA que vendrán, seguras frente a amenazas crecientes y capaces de soportar los volúmenes de datos que las nuevas tecnologías de adquisición generarán.
Conozca las soluciones de Medilab Sistemas
Medilab Sistemas desarrolla plataformas PACS y RIS con módulos de IA integrada (MEDIWORKS + IA), respaldo en la nube y arquitectura modular que permite incorporar nuevas capacidades a medida que la institución las necesita. Si su departamento de radiología está evaluando la adopción de IA, la modernización de su PACS o el fortalecimiento de su postura de ciberseguridad, el equipo de Medilab puede acompañar ese proceso.
