La computación cuántica en sanidad empieza a pasar de los planteamientos teóricos a pruebas sobre problemas operativos concretos. Quantum4Health trabaja con casos que van desde la planificación de los recursos del 061 de Galicia hasta la identificación de variantes genéticas, el diagnóstico por imagen y el transporte de medicamentos y muestras mediante drones. El proyecto, desarrollado por Fujitsu España y Fsas Technologies junto a entidades sanitarias, científicas y tecnológicas, se encuentra todavía en una fase de prototipado y evaluación, con tecnologías de distinta madurez.
El objetivo común es determinar en qué tareas una aproximación cuántica, híbrida o inspirada en técnicas cuánticas puede ofrecer ventajas frente a los métodos computacionales actuales. Esa comparación resulta especialmente relevante en un momento en el que buena parte del hardware cuántico disponible continúa limitado por el número y la calidad de los cúbits, el ruido y los costes de ejecución.
Quantum4Health forma parte de una iniciativa más amplia de Red.es y DigitalES para desarrollar casos de uso de tecnologías cuánticas en sectores estratégicos. El convenio publicado en el BOE contempla una inversión máxima conjunta de 7,5 millones de euros, de los que Red.es aporta hasta seis millones, el 80%, financiados con fondos NextGenerationEU, mientras que DigitalES asume al menos 1,5 millones. Esa cifra corresponde al conjunto de actuaciones incluidas en el convenio y no exclusivamente al proyecto sanitario.
Del cuadrante del 061 a la ubicación de ambulancias
Uno de los trabajos más próximos a un problema operativo cotidiano se desarrolla con la Fundación Pública Urxencias Sanitarias de Galicia-061. Quantum4Health estudia cómo aplicar técnicas avanzadas de optimización a la planificación del personal encargado de la atención telefónica de emergencias.
La asignación de turnos debe conciliar disponibilidad de profesionales, cobertura horaria y una demanda que varía durante el día. El proyecto pretende modelizar esas restricciones para ajustar los recursos a las necesidades previstas del servicio, reducir esperas y distribuir de forma más equilibrada la carga asistencial.
La optimización se extiende a la ubicación de ambulancias, helicópteros y otros recursos. La documentación oficial del programa contempla el desarrollo de un prototipo que combine un modelo de inspiración cuántica con inteligencia artificial predictiva para anticipar posibles incidentes y estudiar dónde situar recursos móviles y fijos con el fin de reducir los tiempos de respuesta. Las pruebas se realizan mediante emuladores y máquinas cuánticas de puertas.
Esta combinación refleja uno de los rasgos del proyecto: la tecnología cuántica no aparece aislada, sino integrada con modelos clásicos de inteligencia artificial y herramientas de optimización. La utilidad dependerá finalmente de si esos sistemas mejoran resultados, costes o tiempos respecto a las alternativas ya disponibles.
La logística sanitaria añade otro escenario. Quantum4Health analiza la planificación de flotas de drones destinadas al transporte de medicamentos y muestras, especialmente útil en territorios rurales o con población dispersa. El prototipo debe asignar y secuenciar desplazamientos durante una jornada, combinando entregas programadas con solicitudes que aparezcan durante la operación.
Quantum Machine Learning para genómica e imagen médica
La segunda gran línea se desplaza desde la gestión sanitaria hacia el análisis clínico. El proyecto utiliza Quantum Machine Learning (QML) para estudiar la identificación de variantes genéticas a partir de datos de secuenciación masiva.
El «variant calling» consiste en localizar diferencias entre una secuencia genética analizada y una referencia, un proceso fundamental en estudios genómicos y medicina de precisión. Quantum4Health desarrolla modelos cuánticos e híbridos y prevé compararlos con arquitecturas clásicas, observando métricas como sensibilidad y precisión. La documentación del programa especifica que las pruebas deben realizarse tanto en emuladores como en máquinas cuánticas reales.
La comparación es importante porque el uso de un algoritmo cuántico no implica por sí mismo una mejora respecto al aprendizaje automático convencional. Una parte del trabajo consiste precisamente en establecer dónde existen beneficios medibles y qué limitaciones introduce el hardware disponible.
El mismo planteamiento se aplica al diagnóstico por imagen. Los equipos estudian arquitecturas de QML capaces de detectar patrones asociados a riesgo clínico e identificar patologías sobre imágenes médicas. La experimentación comienza en emuladores antes de trasladarse a procesadores cuánticos reales, donde puede medirse cómo afecta el ruido al entrenamiento y a la inferencia.
En paralelo, Quantum4Health trabaja con redes tensoriales para reducir el tamaño y las necesidades de memoria de determinados modelos de inteligencia artificial. Esta línea tiene una relación menos directa con el uso de ordenadores cuánticos, pero puede resultar relevante para desplegar modelos con menores requisitos computacionales y acercar parte del procesamiento al lugar donde se generan los datos.
Computación cuántica e inspiración cuántica conviven
El proyecto opera con dos familias tecnológicas que conviene diferenciar. Una parte de los problemas se aborda con emuladores y procesadores cuánticos reales, todavía utilizados fundamentalmente con fines experimentales. Otra emplea Digital Annealer de Fujitsu, una arquitectura digital inspirada en métodos asociados a la computación cuántica, pero que funciona sobre circuitos convencionales y está especializada en problemas de optimización combinatoria. Fujitsu la define expresamente como tecnología «quantum-inspired».
Esa diferencia permite trabajar con horizontes distintos. Las técnicas de inspiración cuántica pueden utilizarse actualmente sin depender de la madurez de un ordenador cuántico universal, mientras que las pruebas sobre hardware cuántico permiten evaluar algoritmos que podrían adquirir mayor utilidad a medida que aumente la capacidad de los procesadores.
«El proyecto combina dos horizontes: tecnologías de inspiración cuántica como Digital Annealer, que ya hoy permiten abordar problemas complejos de optimización, y algoritmos cuánticos que evaluamos sobre emuladores y procesadores reales para entender su potencial a medio plazo», explica Alejandro Borrallo, Quantum Computing Manager de Fsas Technologies.
Galicia proporciona además una infraestructura específica para este tipo de experimentación. El CESGA mantiene operativo Qmio, un ordenador cuántico de 32 cúbits instalado por Fujitsu y disponible para proyectos de investigación y desarrollo desde 2024. La infraestructura forma parte del Polo de Tecnologías Cuánticas de Galicia y se complementa con simuladores y capacidades de supercomputación.
Un proyecto dentro de la estrategia cuántica española
El marco público que rodea a Quantum4Health responde a una política más amplia de transferencia de tecnologías cuánticas hacia la industria. El convenio entre Red.es y DigitalES incluye, además de salud, casos relacionados con planificación empresarial, inspección industrial, distribución cuántica de claves y resiliencia de redes de telecomunicaciones. Cada uno deberá producir prototipos, estudiar su posible implantación y analizar su escalabilidad y replicabilidad.
Estas actuaciones se integran en la Estrategia de Tecnologías Cuánticas de España 2025-2030, que estima unas necesidades presupuestarias de 808 millones de euros y pretende movilizar inversión adicional hasta unos 1.500 millones. El plan estatal se concentra en computación, comunicaciones y sensórica, con una parte específica dirigida a trasladar capacidades científicas hacia aplicaciones empresariales.
Para el sector sanitario, el interés inmediato de Quantum4Health está menos en sustituir los sistemas actuales que en determinar qué problemas justifican nuevas arquitecturas de cálculo. La planificación de emergencias, la genómica y el análisis de imágenes manejan grandes espacios de búsqueda o conjuntos de datos complejos, pero ya cuentan con métodos clásicos maduros que sirven como referencia.
Los prototipos tendrán que demostrar, por tanto, dónde aparece una ventaja práctica y qué recursos exige conseguirla. Esa evaluación determinará si las tecnologías ensayadas permanecen como herramientas de investigación o si algunas pueden incorporarse posteriormente a procesos sanitarios reales.
