La medicina tradicional se encuentra ante una paradoja que cada vez resulta más difícil ignorar. Miles de millones de personas recurren en el mundo a sistemas médicos tradicionales, complementarios e integrativos y, sin embargo, una parte importante de estas prácticas continúa teniendo dificultades para incorporarse plenamente a los sistemas sanitarios y a los marcos regulatorios occidentales.
Un reciente artículo de Ben Deighton publicado en Nature Medicine, bajo el título “Can traditional medicines go mainstream?”, plantea precisamente esta cuestión y ofrece elementos especialmente interesantes para un debate que considero imprescindible: ¿debemos evaluar todas las intervenciones sanitarias utilizando exactamente los mismos instrumentos metodológicos o necesitamos desarrollar modelos de generación de evidencia capaces de adaptarse a la naturaleza de aquello que pretendemos estudiar?.
La cuestión no consiste, en mi opinión, en elegir entre tradición y ciencia. Tampoco en rebajar los estándares de seguridad, calidad y eficacia. Se trata de algo mucho más ambicioso: hacer evolucionar los instrumentos de la ciencia para que puedan estudiar adecuadamente fenómenos sanitarios complejos, personalizados y multifactoriales.
Y es precisamente aquí donde la inteligencia artificial puede representar una oportunidad histórica.
Una realidad sanitaria que no puede ser ignorada
El punto de partida debe ser la realidad. Según los datos recogidos por Deighton, en dos tercios de los países estudiados por la Organización Mundial de la Salud, entre el 40 % y el 99 % de la población utiliza alguna forma de medicina tradicional, complementaria o integrativa. China e India están realizando importantes esfuerzos para construir una base científica que permita garantizar la seguridad y eficacia de sus sistemas tradicionales y favorecer también su reconocimiento internacional.
Al mismo tiempo, alrededor de la mitad de la población mundial carece de acceso a servicios sanitarios esenciales y, para una parte considerable de ella, la medicina tradicional constituye su principal recurso sanitario. Pese a ello, menos del 1 % de la financiación mundial destinada a investigación sanitaria se dedica a estas prácticas.
Existe, por tanto, una evidente desproporción entre utilización social, relevancia sanitaria y esfuerzo investigador.
La respuesta razonable ante esta realidad no puede ser ignorarla ni descartarla por insuficiencia de evidencia. Precisamente cuando la evidencia es insuficiente, la respuesta científica debería ser investigar más y mejor.
El problema no es la evidencia, sino también cómo la buscamos
Durante décadas, la medicina basada en la evidencia ha otorgado al ensayo clínico aleatorizado —ECA— una posición central. Y existen poderosas razones para ello.
Cuando se pretende demostrar la eficacia y seguridad de un nuevo medicamento compuesto por una molécula determinada, administrada a una dosis concreta y dirigida hacia una indicación definida, el ECA constituye una herramienta extraordinariamente valiosa.
Pero ¿qué ocurre cuando la intervención que pretendemos analizar no responde a esa lógica?
Muchas medicinas tradicionales trabajan mediante tratamientos complejos, combinaciones de sustancias, intervenciones simultáneas y, especialmente, mediante una elevada personalización del tratamiento.
En medicina china, por ejemplo, el profesional analiza diferentes signos y síntomas, identifica patrones propios del paciente y adapta posteriormente la prescripción y las dosis. El artículo de Nature Medicine señala que esta característica obliga a plantearse nuevos enfoques personalizados para los ensayos clínicos y destaca incluso las similitudes existentes entre determinados planteamientos de la medicina tradicional asiática y la moderna medicina de precisión.
Bhushan Patwardhan resume muy bien el problema: los ensayos clínicos aleatorizados son especialmente adecuados para estudiar una molécula y una diana, pero pueden no constituir el modelo idóneo para evaluar intervenciones complejas.
Esto no significa abandonar los ECA.
Significa abandonar la idea de que una única metodología puede responder adecuadamente a todas las preguntas científicas.
De una jerarquía rígida de la evidencia a un ecosistema de evidencia
Este cambio conceptual me parece fundamental.
La ciencia no debería preguntarse únicamente si una determinada medicina tradicional puede adaptarse a los instrumentos de evaluación que hemos desarrollado previamente. También debería preguntarse qué instrumentos necesitamos para evaluar científicamente esa medicina en función de sus propias características.
Aquí adquieren especial importancia los estudios pragmáticos, la investigación de efectividad comparada, la evidencia del mundo real (real-world evidence), los estudios observacionales de grandes poblaciones, la farmacología inversa, la genómica, la investigación de mecanismos biológicos y, por supuesto, los ensayos clínicos adaptativos y personalizados.
La farmacología inversa resulta especialmente sugerente. Frente al modelo clásico —identificar primero una molécula, estudiar su mecanismo y posteriormente comprobar sus efectos clínicos—, parte de una observación previa: una intervención utilizada en la práctica parece producir determinados resultados. A partir de ahí, se investiga científicamente por qué, cómo, en qué pacientes y bajo qué condiciones funciona.
No es sustituir ciencia por experiencia. Es convertir la experiencia acumulada en objeto de investigación científica.
Y ello conecta directamente con otra de las cuestiones centrales planteadas en Nature Medicine: la necesidad de desarrollar metodologías sólidas para incorporar la evidencia procedente del mundo real.
John Reeder, antiguo director de investigación en salud de la OMS, plantea que determinados estudios descriptivos realizados sobre poblaciones suficientemente grandes pueden aportar un peso considerable de evidencia, aunque sea necesario establecer cuáles deben ser los umbrales y estándares aceptables.
Ese debate no debilita la medicina basada en la evidencia. Al contrario: puede hacerla más completa.
La inteligencia artificial cambia las posibilidades de investigación
Hasta hace relativamente poco tiempo existía una dificultad objetiva: analizar simultáneamente miles o millones de variables, tratamientos, características individuales, respuestas terapéuticas e interacciones resultaba extraordinariamente complejo.
La inteligencia artificial está modificando radicalmente esta situación.
Como señala Reeder, la IA permitirá formular preguntas de una complejidad hasta ahora difícilmente imaginable y diseñar investigaciones multifactoriales capaces de integrar diferentes dimensiones para detectar tendencias que alcancen determinados umbrales de evidencia.
Esta afirmación tiene una enorme trascendencia para la medicina tradicional.
La IA puede analizar grandes bases de datos clínicos, historias médicas, formulaciones tradicionales, combinaciones terapéuticas, características genómicas, imágenes diagnósticas, biomarcadores y resultados clínicos, buscando relaciones que serían prácticamente imposibles de identificar mediante procedimientos convencionales.
Jeremy Y. Ng destaca precisamente el rápido crecimiento del aprendizaje automático, el procesamiento del lenguaje natural y la IA generativa para analizar grandes cantidades de conocimiento tradicional, identificar patrones clínicos y apoyar la síntesis de evidencia. Estas tecnologías se están utilizando igualmente para investigar mecanismos biológicos asociados a tratamientos como la acupuntura y los medicamentos herbales.
Estamos pasando, por tanto, de una investigación limitada por nuestra capacidad humana para procesar variables a una investigación en la que podemos empezar a estudiar sistemas complejos como sistemas complejos.
IA, genómica y medicina personalizada
Existe además una convergencia especialmente interesante entre inteligencia artificial, genómica y medicina tradicional.
Durante décadas se ha criticado la personalización propia de sistemas como la medicina china o el Ayurveda porque dificultaba la estandarización experimental. Paradójicamente, la medicina contemporánea avanza ahora hacia una dirección en cierta medida comparable: medicina personalizada, medicina de precisión, farmacogenómica, identificación de fenotipos y genotipos, biomarcadores y tratamientos individualizados.
El artículo recoge, por ejemplo, las investigaciones sobre ayurgenómica, que han identificado asociaciones entre categorías tradicionales Prakriti del Ayurveda y determinadas variaciones genéticas, así como patrones de polimorfismos capaces de diferenciar algunos de estos grupos.
No debemos extraer de ello conclusiones científicas superiores a las que permiten los propios estudios. Pero sí existe una enseñanza metodológica muy relevante: conceptos procedentes de sistemas tradicionales pueden formular hipótesis susceptibles de ser investigadas mediante las tecnologías biomédicas más avanzadas.
La tradición puede generar hipótesis. La ciencia debe contrastarlas.
La propia OMS apunta hacia este cambio
No estamos hablando únicamente de una reflexión académica.
La Estrategia Mundial de Medicina Tradicional de la OMS 2025–2034 incorpora las tecnologías digitales como parte de su planteamiento y establece entre sus prioridades la construcción de una base de evidencia, incluyendo el desarrollo y utilización de herramientas adecuadas de inteligencia artificial.
Shyama Kuruvilla, directora interina del Centro Mundial de Medicina Tradicional de la OMS, señala la convergencia entre IA, genómica y tecnologías como el electroencefalograma o la resonancia magnética para comprender mejor cómo funcionan determinados métodos de medicina tradicional, complementaria e integrativa.
Esta orientación debería ser tenida muy en cuenta por Europa.
La Unión Europea debe mantener unos estándares rigurosos de seguridad, calidad y eficacia, como recuerda Carmen Purdel, presidenta del Comité de Medicamentos a Base de Plantas de la Agencia Europea de Medicamentos.
Pero mantener estándares elevados no significa necesariamente mantener inalterables durante décadas los métodos utilizados para acreditarlos.
Los estándares deben ser rigurosos; las metodologías deben evolucionar con el conocimiento científico y tecnológico.
No se trata de demostrar que todo funciona
Este punto es especialmente importante.
Defender un cambio de paradigma en la evaluación científica de las medicinas tradicionales no significa sostener que todas sus prácticas sean eficaces.
Precisamente significa lo contrario.
Necesitamos mejores herramientas para determinar qué funciona, qué no funciona, para quién funciona, en qué condiciones, con qué riesgos, mediante qué mecanismos y con qué relación coste-efectividad.
Algunas prácticas tradicionales probablemente demostrarán una elevada efectividad. Otras tendrán indicaciones más limitadas de lo que históricamente se ha considerado. Y otras posiblemente no superarán una evaluación científica suficientemente rigurosa.
Eso es exactamente lo que debe hacer la ciencia.
Pero para hacerlo necesitamos evitar dos extremos igualmente poco científicos: aceptar una intervención exclusivamente porque ha sido utilizada durante siglos o rechazarla exclusivamente porque no encaja adecuadamente en un determinado diseño experimental.
De la medicina basada en la evidencia a una medicina basada en toda la evidencia disponible
La oportunidad que tenemos ante nosotros es extraordinaria.
Disponemos de millones de pacientes, siglos de conocimiento acumulado, grandes bases de datos, evidencia del mundo real, nuevas técnicas de imagen, genómica, biomarcadores, sistemas digitales de salud y una capacidad computacional que hace apenas dos décadas habría parecido inimaginable.
La inteligencia artificial puede ayudarnos a conectar estas fuentes.
Puede permitirnos formular nuevas hipótesis, identificar patrones, estratificar pacientes, analizar tratamientos multifactoriales, estudiar interacciones, descubrir mecanismos y diseñar posteriormente investigaciones clínicas mucho más precisas.
Por ello, quizá el verdadero cambio de paradigma no consista en abandonar la medicina basada en la evidencia, sino en avanzar hacia una medicina basada en toda la evidencia científicamente evaluable.
Una medicina en la que el ECA siga ocupando el lugar que le corresponde, pero conviva con la evidencia del mundo real, los estudios comparativos, la farmacología inversa, la genómica, la investigación de sistemas complejos y las posibilidades que abre la inteligencia artificial.
Europa debe participar en este debate
Europa tiene ante sí una oportunidad que no debería desaprovechar.
China, India, la OMS y numerosos centros internacionales están avanzando en la construcción de nuevos modelos de evidencia para las medicinas tradicionales. Europa debería participar activamente en ese proceso, no únicamente como regulador final de productos desarrollados en otros lugares, sino como actor científico, académico y sanitario.
Esto requiere inversión en investigación, cooperación internacional, universidades, hospitales, centros de medicina tradicional, profesionales cualificados, industria tecnológica y organismos reguladores.
Requiere también superar debates excesivamente ideologizados.
La cuestión no debería ser estar “a favor” o “en contra” de la medicina tradicional. Esa formulación carece de sentido científico.
La pregunta correcta es otra:
¿Qué intervenciones son seguras y eficaces, para qué pacientes, en qué circunstancias y con qué nivel de evidencia?
Y ahora disponemos de herramientas que pueden permitirnos responder a esa pregunta mejor que nunca.
La IA no debe utilizarse para reducir el nivel de exigencia científica de la medicina tradicional. Debe utilizarse precisamente para elevarlo, permitiendo investigar aquello que los métodos convencionales no han conseguido analizar adecuadamente.
Ese es, a mi juicio, el verdadero cambio de paradigma.
La tradición aporta conocimiento y experiencia acumulada. La medicina contemporánea aporta metodología científica. La inteligencia artificial puede convertirse en uno de los instrumentos capaces de establecer un puente entre ambas.
Y si conseguimos construir ese puente con rigor, independencia y espíritu científico, podremos pasar definitivamente de una discusión basada en posiciones preconcebidas a otra mucho más útil para la sociedad: una discusión basada en datos, resultados y evidencia.
Fuente principal
Este artículo toma como punto de partida y fuente principal el trabajo de Ben Deighton, “Can traditional medicines go mainstream?”, publicado en Nature Medicine el 21 de agosto de 2026, DOI: 10.1038/s41591-026-04588-z.
Referencias
- Deighton, B. “Can traditional medicines go mainstream?”. Nature Medicine (2026). Publicado el 21 de agosto de 2026. DOI: 10.1038/s41591-026-04588-z.
- Liu, L. et al. Nature 480, S100 (2011).
- Witt, C. M. et al. Breast Cancer Research and Treatment 149, 449–460 (2015).
- Urizar, N. L. et al. Science 296, 1703–1706 (2002).
- WHO. Global Traditional Medicine Strategy 2025–2034 (2025).
- Ruan, X. et al. Current Opinion in Pharmacology 86, 102600 (2026).
- Govindaraj, P. et al. Scientific Reports 5, 15786 (2015).
- Bowers, K. et al. Journal of Clinical Oncology 42, 2456–2487 (2024).
