Google Research está llevando sus modelos de inteligencia artificial desde la investigación hasta el cribado de tuberculosis en entornos sanitarios con recursos limitados. La iniciativa combina análisis automatizado de radiografías, modelos fundacionales abiertos y tecnologías capaces de analizar la tos a partir de grabaciones de audio.
Según una publicación oficial de Google Research del 23 de octubre de 2026, presentada en IDWeek 2026 en Washington, D. C., estas tecnologías ya forman parte de programas de detección en África y de proyectos de adaptación de modelos de IA en Indonesia.
El problema
La tuberculosis es una enfermedad prevenible y curable, pero continúa provocando más de 1,23 millones de muertes anuales. Uno de los principales obstáculos para su detección es el acceso limitado a servicios de radiología.
En regiones con una elevada carga de tuberculosis, la escasez de radiólogos y las dificultades para obtener e interpretar imágenes médicas pueden retrasar el diagnóstico durante días. Como consecuencia, millones de casos activos permanecen sin detectar.
Google Research y Google for Health trabajan en herramientas de inteligencia artificial orientadas a acelerar el análisis de radiografías de tórax y facilitar el cribado en lugares donde el acceso a especialistas es limitado.
Del laboratorio a la clínica certificada
El desarrollo de estas tecnologías comenzó años antes de sus actuales despliegues clínicos.
En 2019, Google Research publicó en la revista Radiology un estudio de referencia que mostró que los sistemas de aprendizaje profundo podían detectar tuberculosis pulmonar activa con un rendimiento comparable al de radiólogos expertos.
En agosto de 2021, Stop TB Partnership evaluó distintos programas de detección asistida por computadora (CAD) en un trabajo publicado en The Lancet Digital Health. El modelo de Google se situó entre los sistemas con mejores resultados a escala mundial.
Ese mismo año, la Organización Mundial de la Salud (OMS) recomendó utilizar software CAD para el cribado y triaje de tuberculosis.
Posteriormente, en septiembre de 2024, una validación prospectiva realizada en múltiples centros y publicada en NEJM AI mostró una alta sensibilidad del sistema, además de su capacidad para identificar otras anomalías pulmonares y cardíacas de forma incidental.
La transición hacia el uso clínico se realizó junto con Nexus AI, empresa con sede en Pretoria, Sudáfrica.
Esta colaboración permitió convertir los algoritmos de interpretación de radiografías en una herramienta clínica certificada, que cuenta con certificación europea CE MDR de clase IIb, cumplimiento de la norma ISO 13485, un acuerdo con FIND para avanzar hacia la precalificación de la OMS y un proceso en curso orientado a obtener autorización de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA).
Despliegue en primera línea
La tecnología se encuentra desplegada en seis países africanos: Sudáfrica, Sierra Leona y Costa de Marfil, con expansiones en República Democrática del Congo, Zambia y Camerún.
Su implementación alcanza aproximadamente 40 centros sanitarios, donde más de 90 profesionales han utilizado las herramientas para evaluar más de 25.000 radiografías de tórax.
Uno de los principales cambios ha sido la reducción del tiempo de respuesta, que pasó de semanas a menos de 45 segundos.
La iniciativa también ha permitido realizar más de 3.000 cribados gratuitos en clínicas públicas con recursos limitados. El objetivo es alcanzar 10.000 cribados patrocinados cada año.
Detección de tuberculosis a cuatro kilómetros bajo tierra
Uno de los escenarios más particulares de implementación es la mina de oro Mponeng, en Sudáfrica, considerada una de las más profundas del mundo.
Google trabaja allí con Stop TB Partnership, Harmony Gold y el Departamento de Salud sudafricano para llevar el cribado de tuberculosis hasta zonas situadas a cuatro kilómetros bajo tierra.
El sistema combina equipos portátiles de rayos X con algoritmos de inteligencia artificial capaces de funcionar sin conexión a internet.
Esto permite realizar el cribado directamente en el lugar de trabajo, obtener resultados en segundos y derivar inmediatamente a los trabajadores a una prueba molecular confirmatoria durante una misma visita.
Modelos abiertos
Además de sus herramientas clínicas, Google Research está ampliando el acceso a modelos fundacionales relacionados con imágenes médicas mediante Health AI Developer Foundations (HAI-DEF).
Entre los recursos abiertos se encuentran representaciones vectoriales (embeddings) de radiografías de tórax y MedSigLIP, un modelo ligero de visión y lenguaje.
Otro componente de esta estrategia es MedGemma, una familia abierta de modelos multimodales disponible en versiones de 4.000 millones y 27.000 millones de parámetros.
MedGemma puede combinar hallazgos radiográficos con información de la historia clínica, razonar sobre estos datos y generar respuestas en lenguaje natural.
Una de sus características es la posibilidad de ejecutarse directamente en un dispositivo, sin necesidad de conexión a internet.
Según Google Research, MedGemma ha superado los 10 millones de descargas desde su lanzamiento.
La combinación de modelos abiertos y procesamiento local forma parte de los esfuerzos para adaptar herramientas de inteligencia artificial médica a diferentes necesidades sanitarias.
El caso de Indonesia
Indonesia representa uno de los proyectos de adaptación de estos modelos a gran escala.
El país tiene la segunda mayor carga de tuberculosis del mundo, y su Ministerio de Salud se ha propuesto alcanzar el cribado de 50 millones de ciudadanos al año.
Para apoyar este objetivo, las autoridades sanitarias están ajustando MedGemma y MedSigLIP mediante radiografías obtenidas en el propio país.
El trabajo se realiza utilizando infraestructura informática local, de modo que los datos médicos permanezcan dentro del territorio indonesio.
Este proyecto incorpora modelos fundacionales abiertos al esfuerzo nacional de detección de tuberculosis, adaptándolos a imágenes médicas locales.
La tos como complemento
Google Research también investiga una vía de detección basada en señales acústicas.
La tecnología se denomina HeAR (Health Acoustic Representations) y fue entrenada utilizando más de 300 millones de segmentos de audio.
Su objetivo es facilitar el cribado acústico no invasivo mediante el análisis de grabaciones de tos capturadas con el micrófono de un teléfono inteligente convencional.
Esta línea de investigación complementa el trabajo realizado con radiografías de tórax y amplía las modalidades de inteligencia artificial que se están estudiando para detectar tuberculosis.
Google Research desarrolla estas investigaciones con distintas organizaciones: CIDRZ, en Zambia; Aurum Institute, en Ghana, con una investigación respaldada por una subvención de 250.000 dólares de Google.org; y HELINA, con una colaboración regional de 1,5 millones de dólares relacionada con esta línea de investigación.
Las investigaciones acústicas y los modelos de imágenes médicas forman parte de una estrategia más amplia para acercar el cribado de tuberculosis a poblaciones con dificultades de acceso a servicios especializados.
Google Research en contexto
Google Research y Google for Health desarrollan tecnologías de inteligencia artificial aplicadas a la detección de tuberculosis desde al menos 2019. Su trabajo abarca sistemas de análisis radiográfico, herramientas clínicas certificadas, modelos fundacionales abiertos mediante HAI-DEF e investigación sobre señales acústicas para el cribado de enfermedades.
