En SIIM 2026, la pregunta ya no fue si la IA funciona: fue cómo se implementa, gobierna y sostiene dentro del hospital
La Society for Imaging Informatics in Medicine es el congreso de referencia mundial para los profesionales que trabajan en la intersección entre imagen médica y tecnología de la información: radiólogos, especialistas en informática clínica, ingenieros de sistemas hospitalarios, equipos de IA, gestores de infraestructura digital y representantes de la industria.
Su agenda es un termómetro útil del estado real de la adopción tecnológica en radiología, porque a diferencia de los grandes congresos clínicos, SIIM se ocupa menos de lo que las tecnologías pueden hacer en un laboratorio y más de lo que está ocurriendo en el piso del hospital.
El análisis del programa de SIIM 2026 realizado por RadAI Slice —basado en 72 sesiones relacionadas con radiología, 49 con foco en IA y 39 abstracts de investigación— ofrece una lectura precisa de dónde está parada la IA en imagen médica hoy.
La IA como capa operativa, no como categoría aparte
El dato más revelador del análisis es que el 68,1% de las sesiones relacionadas con radiología en SIIM 2026 tuvo foco en IA, y el formato predominante de entrega fue la sesión educativa —no el panel de investigación ni la demostración de producto.
Eso significa que la IA ya no es una pista técnica especializada dentro del congreso: es parte del contenido formativo general que los profesionales esperan en un evento de informática de imagen. El tema más transversal fue el de flujo de trabajo y productividad, presente en 56 sesiones, de las cuales 38 tenían componente de IA.
La IA no se discutió como un conjunto de modelos de detección de patologías: se discutió como parte del diseño operativo de los servicios de imagen.
El 68% de las sesiones de radiología en SIIM 2026 tuvo foco en IA — y la mayoría no habló de rendimiento de modelos, sino de cómo integrarlos, gobernarlos y sostenerlos.
Los temas que organizan la agenda
El análisis de RadAI Slice identifica una distribución temática que distingue a SIIM de los congresos clínicos convencionales. Los temas más presentes fueron flujo de trabajo y productividad, educación y entrenamiento, despliegue clínico de IA, estándares e imagen empresarial.
Los modelos fundacionales aparecieron en 16 de 17 sesiones con concentración de IA —94,1%— lo que sugiere que todavía se los trata como una frontera técnica diferenciada, no como una parte absorbida de la operación rutinaria.
El contraste es significativo: mientras que los temas de flujo de trabajo y despliegue ya integran la IA de manera orgánica, los modelos fundacionales siguen siendo discutidos en un espacio propio, lo que refleja que su adopción operativa está rezagada respecto a su presencia discursiva.
¿Quiénes están en la sala y qué dice eso?
La composición de los presentadores refuerza la orientación práctica del evento: el 71,6% de las apariciones como ponente correspondió a profesionales de instituciones académicas o sistemas de salud, con presencia significativa de perfiles técnicos, residentes y ejecutivos de producto.
El despliegue real de IA en imagen médica no lo definen solo los equipos que desarrollan los modelos, sino los que gestionan workflows clínicos, infraestructura de imagen, gobernanza, adquisición e integración de sistemas.
Que esos perfiles dominen el programa de SIIM indica que la conversación sobre IA ya está ocurriendo en las capas donde las decisiones de implementación se toman, no solo en las de investigación y desarrollo.
Lo que SIIM 2026 señala para la radiología
En la conclusión, el análisis es directo: la IA en imagen médica está dejando de ser evaluada como tecnología aislada y está siendo incorporada como arquitectura funcional de las organizaciones de imagen.
La pregunta que importa ya no es si el modelo detecta bien, sino si puede integrarse en el flujo de trabajo, cumplir con los estándares de interoperabilidad, ser monitoreado en producción y sostenido institucionalmente.
SIIM 2026 muestra que esa pregunta ya está siendo respondida en hospitales reales, con problemas que ningún benchmark de laboratorio había anticipado.
Este artículo se basa en el análisis del programa de SIIM 2026 publicado por RadAI Slice.
0 comentarios