Inteligencia artificial en la salud: qué funciona hoy y qué no

Cada vez que doy una conferencia frente a directivos de hospitales o aseguradoras me hacen la misma pregunta: ¿esto ya sirve o todavía es promesa? Mi respuesta corta es que la inteligencia artificial en la salud dejó de ser experimento de laboratorio en unas cuantas áreas concretas y sigue siendo discurso en otras. Distinguir una de otra separa una compra inteligente de un gasto que nadie querrá defender en dos años.

Dónde está realmente la inteligencia artificial en la salud hoy

Llevo más de doce años desarrollando sistemas de IA y he visto repetirse el mismo ciclo: entusiasmo, compra apresurada, decepción. La IA en salud vive hoy en cinco frentes de madurez muy distinta: diagnóstico por imagen, detección temprana y priorización de casos, descubrimiento de fármacos, operación hospitalaria y asistentes que ayudan a documentar. El primero y el cuarto van adelante. El resto va detrás, cada uno por sus razones.

Diagnóstico por imagen y detección temprana

Radiología, el terreno donde más se avanzó

Para un termómetro objetivo revisa la lista pública de dispositivos médicos habilitados con IA autorizados por la FDA. Ahí hay cientos de entradas y algo salta de inmediato: la abrumadora mayoría corresponde a radiología. Nódulos pulmonares, hallazgos en mastografía, cuantificación de estructuras cerebrales, análisis de tomografías.

La razón es poco glamorosa: la radiología ya estaba digitalizada, con imágenes etiquetadas y estandarizadas acumuladas durante décadas. Donde hay datos ordenados, la IA rinde. Donde viven en papel, no hay milagro que valga.

Detección temprana y priorización de casos

El segundo uso maduro no es diagnosticar, es ordenar la fila. Los sistemas de triage marcan qué estudio debe ver primero el especialista. Mover un caso sospechoso del lugar cuarenta al uno cambia el desenlace sin que la máquina haya diagnosticado nada, y es fácil de defender ante un comité clínico porque el humano sigue decidiendo.

Descubrimiento de fármacos

Aquí sí ocurrió un cambio estructural. Predecir cómo se pliega una proteína a partir de su secuencia tomaba años de trabajo experimental por cada estructura. Hoy la base de datos de AlphaFold, alojada junto con el Instituto Europeo de Bioinformática, contiene más de 200 millones de predicciones de estructuras de proteínas y ha sido consultada por más de tres millones de usuarios en más de 190 países.

Conviene ser preciso: acelera una etapa, la de entender la forma de una molécula. No sustituye ensayos clínicos, no elimina años de pruebas de seguridad ni garantiza que un compuesto llegue al mercado.

Gestión hospitalaria y trabajo administrativo

Este es el frente que menos se presume en congresos y el que más pega en el estado de resultados: programación de quirófanos, ocupación de camas, inventarios, inconsistencias en facturación, ruteo de solicitudes en aseguradoras.

Le insisto a los consejos directivos que empiecen por acá: el error no lastima a nadie, el retorno se mide con números que ya existen y la organización aprende a trabajar con IA antes de tocar algo clínico.

Asistentes clínicos y documentación

El uso que más rápido crece en consultorio son los asistentes que escuchan la consulta y redactan la nota médica, o resumen un expediente largo antes de que entre el paciente. La documentación agota al personal de salud, y devolver minutos por consulta es un beneficio tangible.

El matiz importa: producen un borrador que un profesional revisa y firma. En cuanto alguien firma sin leer, el beneficio se vuelve riesgo. La Organización Mundial de la Salud publicó una guía sobre ética y gobernanza de modelos multimodales grandes aplicados a la salud justamente porque este uso se está expandiendo más rápido que las reglas.

Los límites y los riesgos que nadie pone en la presentación de ventas

El sesgo vive en los datos, no en el algoritmo

El caso mejor documentado se publicó en la revista Science en 2019. Un algoritmo que asignaba programas de atención adicional en Estados Unidos identificaba pacientes de raza negra en 17.7% de los casos, cuando el porcentaje correcto era 46.5%. El sistema no era racista por diseño: usó el gasto en salud como sustituto de la gravedad de la enfermedad, y como históricamente se gastaba menos en esos pacientes, concluyó que estaban más sanos. Revisa el resumen del estudio de Obermeyer y colegas.

Traducido a México: si tu modelo aprende de una población urbana con seguro privado y lo aplicas en una comunidad rural, no estás midiendo salud, estás midiendo acceso. Escribí a fondo sobre esto en mi texto de ética en la inteligencia artificial y el mito de la neutralidad de los algoritmos.

La caja negra

Muchos modelos de alto desempeño no pueden explicar por qué llegaron a una conclusión. En una recomendación de contenido da igual. En una decisión clínica el médico necesita cuestionar el razonamiento y el paciente tiene derecho a una explicación. Quien te diga que su modelo es tan bueno que no necesita explicarse te pide fe, no evidencia.

Responsabilidad cuando el sistema se equivoca

Casi nunca aparece en el contrato. ¿Quién responde si el sistema no marcó un hallazgo: el médico que confió, el hospital que compró, el proveedor que vendió? Mi postura es la que repito en cada conferencia: los humanos dirigen, la IA amplifica. La responsabilidad clínica no se subcontrata a un software.

Privacidad de datos sensibles

Antes de conectar cualquier sistema hay que saber dónde se almacena la información, si sale del país, si se usa para reentrenar modelos de terceros y qué pasa el día que termine el contrato. Un expediente clínico filtrado no se puede desfiltrar.

Qué debería preguntar un directivo antes de comprar

Estas son las preguntas que uso yo. Ninguna es técnica y todas son incómodas para un mal proveedor.

Primero, ¿con qué población se entrenó y validó el modelo, y en qué se parece a la mía? Segundo, ¿hay validación externa hecha por alguien distinto del fabricante? Tercero, ¿cuál es el desempeño desglosado por edad, sexo y tipo de institución, no solo el promedio? Cuarto, ¿qué autorización regulatoria tiene y para qué uso exacto, porque una de apoyo diagnóstico no habilita un uso autónomo? Quinto, ¿quién monitorea el desempeño ya instalado y avisa si se degrada? Sexto, ¿dónde viven los datos y quién más los ve? Séptimo, ¿quién responde legalmente ante un error? Octavo, ¿en qué formato me llevo mis datos si mañana quiero salirme?

Si contesta las ocho con documentos, siéntate a negociar. Si contesta con una demostración impresionante y ninguna cifra, ya tienes tu respuesta. Si quieres aterrizar esta conversación con tu equipo directivo, ese es mi trabajo como conferencista de inteligencia artificial. Puedes escribirme desde mi página de contacto.

Preguntas frecuentes

¿Qué es la inteligencia artificial en la salud?

Es el uso de sistemas que aprenden de datos médicos para apoyar tareas del sector salud: analizar imágenes de radiología, priorizar casos urgentes, acelerar la investigación de fármacos, optimizar la operación de un hospital o redactar borradores de notas clínicas. Es apoyo a los profesionales de la salud, no un sustituto de ellos.

¿La inteligencia artificial puede reemplazar a un médico?

No. Los sistemas actuales resuelven tareas acotadas, como detectar un patrón en una imagen o resumir un expediente. No integran el contexto completo del paciente, no asumen responsabilidad legal y no sostienen la relación clínica. Lo que hacen es liberar tiempo del profesional.

¿En qué área de la salud se usa más la inteligencia artificial?

En diagnóstico por imagen. La lista pública de dispositivos habilitados con IA autorizados por la FDA muestra que la gran mayoría corresponde a radiología, porque es la especialidad que llevaba más tiempo digitalizada y con imágenes etiquetadas disponibles para entrenar modelos.

¿Cuáles son los principales riesgos de la IA en salud?

Cuatro: el sesgo heredado de datos poco representativos, la falta de explicabilidad de los modelos complejos, la ambigüedad sobre quién responde ante un error y el manejo de datos personales sensibles. Ninguno se resuelve con tecnología sola, todos requieren gobernanza y supervisión humana.

¿Por dónde debe empezar un hospital que quiere usar inteligencia artificial?

Por procesos administrativos y operativos antes que por decisiones clínicas: programación de quirófanos, ocupación de camas, inventarios, dudas administrativas. Ahí el error no daña a un paciente, el retorno se mide con datos que ya existen y la organización desarrolla criterio antes de tocar lo clínico.

Sobre mí

Soy Wario Duckerman, conferencista de inteligencia artificial y CEO de Brita Inteligencia Artificial. Llevo más de doce años desarrollando IA y he dado más de 150 conferencias en México y América Latina. Fui miembro del Comité de Regulación de IA de la Industria Audiovisual de México. Mi frase resume cómo entiendo esto: los humanos dirigen, la IA amplifica.