Informe creado a partir de mi experiencia en IA  e innovación y mi pasión por la tecnología aplicada a Healthcare con el apoyo de las capacidades de Investigación de la IA. 

Cuando la inteligencia artificial aprende a oler

Los modelos de lenguaje (LLM) han revolucionado la forma en que las máquinas entienden y generan texto.
Ahora, un nuevo campo comienza a abrirse paso: los modelos de olfato (Smell Language Models, SLM).
La compañía AINOS ha desarrollado un sistema capaz de “sentir” compuestos orgánicos volátiles (VOC) asociados a enfermedades, combinando sensores químicos de alta precisión con un modelo de aprendizaje que interpreta patrones de olor.
Esta tecnología promete diagnósticos rápidos, no invasivos y de bajo coste, aplicables a múltiples patologías.

De la naturaleza al laboratorio: el precedente animal

Durante años, numerosos estudios han demostrado la sorprendente capacidad olfativa de los animales para detectar enfermedades humanas.
Los datos son elocuentes:

Estos resultados muestran que el olfato animal puede alcanzar una precisión diagnóstica similar o superior a los métodos estándar, utilizando muestras de aliento, sudor, orina o plasma.
El reto, hasta ahora, era la dependencia del animal concreto y la dificultad de su entrenamiento.

AINOS y el nacimiento del “Smell Language Model”

AINOS ha dado un paso adelante con tres elementos clave:

1. AI Nose Hardware (SmellTech) – sensores químicos de última generación capaces de detectar patrones moleculares de olor.
2. Smell Language Model (SLM) – un modelo de inteligencia artificial que “aprende” el lenguaje de los olores y lo traduce en información médica.
3. Integración clínica – acuerdos con fabricantes de dispositivos médicos para llevar esta tecnología a la práctica hospitalaria.

Esta combinación permite imaginar dispositivos capaces de realizar diagnósticos soplando en un sensor, con resultados inmediatos y fiables.

El ecosistema de dispositivos VOC: más allá de AINOS

El campo de la detección de biomarcadores volátiles (VOC) está creciendo rápidamente.
Actualmente, solo dos tecnologías han recibido autorización de la FDA, y seis disponen de marcado CE en la Unión Europea.

1. InspectIR COVID-19 Breathalyzer (EE. UU.)

• Primer dispositivo basado en aliento autorizado por la FDA (EUA, 2022).
• Sensibilidad: 91,2% · Especificidad: 99,3%.
• Resultados en menos de 3 minutos.
• Abrió el camino regulatorio para la detección basada en VOC.

2. Cyranose 320 (Sensigent, EE. UU.)

• Sensor con 32 polímeros conductivos (chemiresistive array).
• Aprobado por la FDA 510(k).
• Validado en más de 48 estudios clínicos (asma, EPOC, cáncer, apnea).

3. Owlstone Medical (Reino Unido)

• Tecnología FAIMS + GC-MS, de altísima sensibilidad molecular.
• Colaboración con la FDA (2024–2029) para establecer estándares globales.
• Proyectos con AstraZeneca y la Bill & Melinda Gates Foundation.
• Desarrolla EVOC probes para detectar tumores mediante metabolitos específicos.

4. Menssana Research (EE. UU./UE)

• Sistema GC-SAW, capaz de detectar VOC en 2 minutos.
• Marcado CE y validado para cáncer de mama, pulmón y tuberculosis.
• Valor predictivo negativo cercano al 100%.

5. Aeonose y SpiroNose (Países Bajos)

• Dispositivos portátiles con sensores MOS y conexión a la nube.
• Aplicaciones en asma, EPOC, cáncer de pulmón y respuesta inmunoterápica.
• Estudios publicados en European Respiratory Journal y Annals of Oncology.

6. NaNose Medical (Israel)

• Sensores de nanopartículas de oro con reconocimiento mediante IA.
• 85–90% de exactitud en cáncer de pulmón.
• Financiación de Google y Horizon 2020.

7. Fenom Pro (EE. UU.)

• Sensor electroquímico para FeNO (óxido nítrico exhalado).
• Marcado CE (2016).
• Aplicado al diagnóstico y seguimiento del asma.

Retos actuales

Pese al potencial, existen obstáculos antes de su adopción generalizada:

• Estandarización de métodos: falta un protocolo universal de recogida y análisis del aliento.
• Validación clínica: se necesitan ensayos multicéntricos a gran escala.
• Coste y mantenimiento: los sensores de alta sensibilidad siguen siendo caros y delicados.
• Factores externos: dieta, tabaco, medicación o entorno pueden alterar el perfil VOC.

Tendencias emergentes

• IA + nube: sistemas capaces de aprender de miles de perfiles de aliento y ofrecer diagnósticos instantáneos.
• Probes activas (EVOC): compuestos que interactúan con el metabolismo para hacer visibles biomarcadores latentes.
• Miniaturización: dispositivos portátiles o wearables para uso doméstico.
• Regulatory Science Tools: nuevas vías de validación acelerada gracias a colaboraciones FDA–industria.

Oportunidades para el sistema sanitario

• Cribado masivo no invasivo: útil para detección precoz de cánceres o infecciones.
• Monitorización remota: seguimiento de enfermedades crónicas o postquirúrgicas.
• Eficiencia económica: reducción drástica de pruebas invasivas y de laboratorio.
• Medicina preventiva: posibilidad de actuar antes de la aparición de síntomas clínicos.

Conclusión

La inteligencia artificial ya puede ver, escuchar y hablar. Ahora comienza a oler.
Si los LLM transformaron la comunicación, los SLM pueden revolucionar la medicina.
Esta nueva frontera del diagnóstico no solo replica la naturaleza —la supera en precisión, escalabilidad y velocidad.
Un futuro donde detectar una enfermedad sea tan sencillo como respirar ante un sensor está cada vez más cerca. 

Aprende a investigar con IA 

En transForma Partnering ayudamos a equipos de dirección, I+D y transformación a identificar oportunidades reales mediante la IA. 

• 📊 Deep Research: aplicamos IA para explorar mercados, tecnologías y tendencias emergentes. 

• 🧠 Formación aplicada: enseñamos a diseñar y ejecutar investigaciones con IA. 

• 🤝 Acompañamiento estratégico: desde la idea hasta el plan de adopción y retorno. 

🚀 ¿Quieres aprender a investigar con IA y convertirla en una herramienta de innovación real? 
Contáctame en obes@transformapartnering.com y descubre cómo integrar la IA en tus procesos de investigación, desarrollo y decisión estratégica. 

Si quieres la conversación que ha servido para crear este post, con mucho más detalle y enlaces, pídemela.