La inteligencia artificial (IA) tiene el potencial de transformar la atención médica al apoyar diagnósticos más precisos y tratamientos personalizados. Sin embargo, su adopción en la práctica sigue estando limitada por fuentes de datos fragmentadas, estrictas normas de privacidad y la complejidad técnica de construir sistemas clínicos confiables. Para abordar estos desafíos, presentamos un marco de ingeniería impulsada por modelos (MDE) diseñado específicamente para la IA en salud. El marco se basa en metamodelos formales, lenguajes específicos de dominio (DSL) y transformaciones automatizadas para pasar de especificaciones de alto nivel a software en funcionamiento. En su núcleo se encuentra el Lenguaje de Interoperabilidad Médica (MILA), un DSL gráfico que permite a los clínicos y científicos de datos definir consultas y flujos de trabajo de aprendizaje automático utilizando ontologías compartidas. Cuando se combina con una arquitectura de aprendizaje federado, MILA permite a las instituciones colaborar sin intercambiar datos brutos de pacientes, asegurando la consistencia semántica entre sitios mientras se preserva la privacidad. Evaluamos este enfoque en un estudio de inmunoterapia contra el cáncer en múltiples centros. Los flujos de trabajo generados ofrecieron un fuerte rendimiento predictivo, con los modelos de mejor rendimiento alcanzando hasta un 98.5% de precisión en tareas de predicción seleccionadas, al tiempo que se redujo sustancialmente el esfuerzo de codificación manual. Estos hallazgos sugieren que los principios de MDE-metamodelado, integración semántica y generación automatizada de código-pueden proporcionar un camino práctico hacia plataformas de salud digital interoperables, reproducibles y confiables.