La inteligencia artificial en imagen médica solo llega al paciente cuando se convierte en un producto sanitario validado, certificado y adoptado por los médicos. Quibim, nacida en Valencia, entrena algoritmos que extraen biomarcadores de resonancias y TAC para detectar cáncer, cuantificar el hígado sin biopsia y, a largo plazo, construir un gemelo digital del cuerpo humano. En el capítulo 52 de Toque de Ingenio, Ángel Alberich explica cómo definir lo que promete un algoritmo, con qué datos entrenarlo y por qué detuvo la venta de su primer producto.
Invitado: Ángel Alberich, presentado en el episodio como ingeniero, fundador y CEO de Quibim. Conversación publicada: 27 de mayo de 2025. Episodio: 52. Duración: 1 h 30 min.
En este capítulo:
- Por qué un algoritmo probado en investigación no sirve hasta que se fabrica como producto sanitario.
- Cómo entrenar la detección de cáncer con biopsias en lugar de con la opinión de radiólogos.
- Qué convence a un médico y a un gestor de pagar por un análisis de imagen con IA.
La conversación se grabó aprovechando una visita de Ángel al hospital Sant Joan de Déu, cliente de Quibim, poco después de que la empresa cerrara una ronda equivalente a unos 50 millones de dólares. La compañía cumplía entonces diez años y su algoritmo de próstata ya estaba en el mercado.
De la investigación al producto sanitario: por qué un algoritmo no basta
Ángel estudió Telecomunicaciones y, según relata, decidió aplicar el análisis de señales al cuerpo humano. Pasó siete años investigando en un grupo hospitalario privado, donde conoció al radiólogo con quien fundaría la empresa.
El problema, cuenta, es que ninguno de los algoritmos creados en esa etapa llegó a un paciente. Servían para publicar, pero para usarse en práctica clínica debían aprobarse como producto sanitario. Ángel describe esa aprobación como algo más que una lista de requisitos: condiciona cómo se entrena y se valida el modelo y qué responsabilidad asume el fabricante.
«Crear algoritmos o crear código no es suficiente en el entorno sanitario».
Ángel Alberich, 14:08.
Lo más difícil de sus diez años como emprendedor, según explica, fue descubrir que transferir la investigación a producto no era el 10 % del trabajo, sino el 90 %. Un modelo probado con trescientos pacientes en un centro no bastaba: había que generar evidencia en distintos hospitales y países. Ángel lo compara con fabricar, aunque el producto sea software.
Definir qué promete el algoritmo antes de entrenarlo
Según Ángel, la clave de cualquier empresa de dispositivos médicos es fijar desde el inicio qué hará el producto y quién lo usará. En medicina eso se concreta en los «claims»: decir que un algoritmo detecta, diagnostica o predice cambia por completo la estrategia de desarrollo y de validación.
Quibim eligió el cáncer de próstata. Ángel cita que los mejores radiólogos del mundo detectan el cáncer en resonancia magnética en un 79 % de los casos, con una especificidad de entre el 40 % y el 45 %. El objetivo era mejorar la sensibilidad sin aumentar los falsos positivos, evitando lo que él llama un «árbol de Navidad»: una imagen llena de alarmas que el médico acaba ignorando.
La decisión central fue con qué verdad entrenar. Si etiquetan radiólogos expertos, el modelo será tan bueno como ellos. Quibim vinculó miles de resonancias con las biopsias de esos mismos pacientes, que es lo que exigen los reguladores. El modelo aprende, a partir de los píxeles, cómo será la biopsia.
Ángel afirma que sus estudios mostraron más de un 10 % de mejora en sensibilidad sin afectar a los falsos positivos, y un valor predictivo negativo del 99 %. Ese dato importa en cribado: si la imagen sale sin lesiones, el sistema evita mandar a biopsiar. En el momento de la entrevista, dice, solo Quibim y Siemens tenían esa certificación para próstata.
Biopsia virtual y gemelo digital: hasta dónde llega la imagen
Además de próstata, Quibim tenía en el momento de la entrevista productos para cerebro y para enfermedades metabólicas del hígado, donde cuantifica grasa y hierro. Ángel explica que la coexistencia de ambos es un factor de riesgo de cáncer hepático y que seguirla con biopsias repetidas introduce riesgo de infección. La biopsia virtual sustituye ese pinchazo por una medida sobre la resonancia, aunque en el cáncer, insiste, la biopsia seguirá siendo la técnica de referencia.
Una regla de diseño atraviesa todos los productos: un algoritmo que se despliegue en rutina clínica debe funcionar con la menor cantidad de datos posible, porque un hospital de otro país puede no recoger el dato clínico que hace falta. Depender solo de la imagen hace escalable la solución.
El gemelo digital es la ambición a largo plazo, inspirada en la ingeniería. Ángel reconoce que el cuerpo humano abarca demasiadas escalas para que Quibim las resuelva todas. Su parte es la imagen: una resonancia de cuerpo completo que ya mide composición corporal, grasa hepática o lesiones pulmonares, repetida como una copia de seguridad del propio cuerpo. Lo sitúa en los próximos cinco o diez años.
Conseguir datos clínicos: comités de ética, biobancos y calidad de imagen
Edgar plantea el problema clásico del aprendizaje profundo: hacen falta muchos datos y los sanitarios son privados y sensibles. Ángel responde que la primera pieza fue una metodología para presentar proyectos de investigación a los comités de ética de los hospitales. En cada proyecto se centralizan los datos, se entrenan los modelos y después se llevan a mercado.
En paralelo, Quibim defiende que los datos se depositen en biobancos. Ángel cita el archivo TCIA de Estados Unidos y el proyecto europeo Cancer Image Europe, con 76 socios y el objetivo de reunir unos 100.000 pacientes de cáncer, en el que Quibim es la empresa con más presupuesto.
Los datos, además, no son homogéneos. El algoritmo tiene que funcionar en cualquier lugar del mundo con imágenes de Philips, Siemens, Canon o GE, así que la empresa ha invertido en armonizar imágenes con IA generativa y en control de calidad. Edgar recuerda que en los proyectos de visión artificial de i-mas la primera pregunta a un cliente es cuántas imágenes tiene; Ángel confirma que en Quibim ocurre lo mismo.
Adopción clínica y modelo económico: convencer al médico y al gestor
Ángel cuenta que las estadísticas no abrían puertas. El punto de inflexión llegaba cuando el médico veía al algoritmo resolver casos concretos, incluidos casos en los que él se había equivocado. Hubo radiólogos que pasaron por el modelo una resonancia de hace tres años y vieron la lesión que entonces no detectaron.
Lo que más costaba en el momento de la entrevista era el modelo económico. Quibim vende a los hospitales por suscripción según su tamaño. Los gestores comparan el precio del análisis con el de una resonancia, y Ángel responde que la comparación correcta es con la biopsia posterior, la radioterapia o el fármaco. Cita un 30 % de biopsias innecesarias.
En Estados Unidos el médico tiene más poder de decisión y los centros prueban tecnología con rapidez; en Europa la decisión depende más de los gestores. El reto americano es el reembolso, que exige demostrar que la prueba ahorra costes al sistema.
Parar la venta cuando el producto no está listo
Quibim sabía crear productos y certificarlos, pero, admite Ángel, no había construido una estructura de ventas. En medicina, comercializar es a un solo intento: si fallas, el médico no vuelve a confiar. La primera versión del producto de próstata analizaba la glándula sin detectar lesiones, y en el primer despliegue el médico preguntó dónde estaban las lesiones.
«Decidimos parar, no intentar vender nada, invertir más en el desarrollo del producto».
Ángel Alberich, 76:42.
Añadir la detección de lesiones era un reto científico mayúsculo, pero lo desarrollaron antes de volver a vender.
La ronda de unos 50 millones de dólares se destina a esa fase. Ángel calcula que un estudio de validación en Estados Unidos cuesta unos dos millones de euros y un producto nuevo, entre tres y cuatro millones y medio. Los planes citados son pulmón, mama y enfermedades autoinmunes.
Qué puede aprender otro equipo de desarrollo
El caso de Quibim deja cuatro aprendizajes para quien desarrolle software o dispositivos que necesiten validación clínica:
- Fijar los «claims» primero. Detectar, diagnosticar o predecir son productos distintos, con datos, validación y regulación diferentes.
- Entrenar con la fuente de la verdad. Etiquetar con expertos limita el modelo al nivel de los expertos; la biopsia o el resultado real permite superarlo.
- Diseñar para el dato mínimo. Un algoritmo que exige datos que no todos los centros recogen no escala, y la heterogeneidad de las máquinas se gestiona dentro del producto.
- No vender antes de tiempo. En un mercado donde la confianza se pierde a la primera, parar la comercialización puede ser la decisión que salva el producto.
En el momento de la entrevista, Quibim tenía en el mercado productos para próstata, cerebro e hígado, había licenciado a Philips su algoritmo de próstata, sin exclusividad, y preparaba nuevos desarrollos con la ronda recién cerrada. Las cifras y planes corresponden a mayo de 2025.
En i-mas desarrollamos sistemas de visión artificial y electrónica para equipos que capturan y procesan imágenes. Si tu proyecto necesita integrar cámaras, sensores y algoritmos en un dispositivo que deba validarse en un entorno exigente, cuéntanos tu proyecto.
Para seguir leyendo: cómo se desarrolla un producto electrónico médico y qué exige su regulación.
Fuente del artículo: entrevista de Edgar Guerrero con Ángel Alberich en Toque de Ingenio. Los pasajes citados enlazan al minuto de la conversación. Las recomendaciones para otros proyectos son una síntesis editorial de i-mas.
