¿Qué está cambiando la inteligencia artificial en la prestación de los servicios de salud?
JUAN CENDALES (J. C.): La IA está transformando la prestación de servicios de salud en cuatro frentes principales. En diagnóstico y estratificación de riesgo, algoritmos de aprendizaje automático analizan imágenes, señales fisiológicas y datos clínicos para detectar patrones que anticipan diagnósticos.
Por ejemplo, en electrocardiogramas e imágenes cardiovasculares, con mayor rapidez y precisión. Otro frente es la optimización operativa: modelos predictivos apoyan la gestión de camas, listas de espera quirúrgicas y flujos de pacientes, mejorando la asignación de recursos.
También apoyan la decisión clínica: sistemas de IA generativa apoyan la síntesis de historias clínicas, las alertas tempranas de deterioro y la generación de notas médicas, liberando tiempo para la relación médico-paciente. A futuro integrarán datos genómicos, biomarcadores e historia clínica electrónica en modelos predictivos individualizados para avanzar hacia una medicina más personalizada.
El reto de fondo no es tecnológico, sino de gobernanza: validación clínica rigurosa, trazabilidad, gestión del sesgo algorítmico y protección de datos sensibles son condiciones previas, no opcionales, para una adopción responsable en instituciones de alta complejidad como LaCardio.
¿Qué condiciones debe cumplir una institución de salud antes de adoptar IA?
J. C.: Antes de adoptar IA, una institución debe recorrer una secuencia en la que cada etapa condiciona la siguiente. Todo comienza con un filtro formal que evalúa si la idea responde a una prioridad clínico-estratégica real y no a tecnología en busca de un problema; verifica la calidad de los datos y clasifica el riesgo según su impacto sobre la decisión médica. De ahí surge un inventario de iniciativas, que el Blueprint de Coalition for Health AI (2023) identifica como base de una gobernanza seria.
Solo las ideas que superan ese filtro avanzan a un sandbox: un entorno segregado de los sistemas de producción, con datos desidentificados y métricas predefinidas, donde el modelo se prueba antes de tocar un flujo asistencial real.
Sostener ese ciclo exige gobernanza: la institución conserva la propiedad del dato incluso ante desarrolladores externos, exige validación clínica independiente y define umbrales explícitos para adoptar o retirar un modelo, en línea con los principios de transparencia y rendición de cuentas de la OMS (2021).
También exige sostenibilidad financiera para el desarrollo, monitoreo y reentrenamiento, con indicadores de retorno que justifiquen mantener o descontinuar la herramienta. Sin esta secuencia (filtro, sandbox, gobernanza y sostenibilidad) la adopción queda expuesta a riesgo clínico no probado o a proyectos de vida corta.
¿Qué oportunidades ofrece la IA para enfrentar problemas estructurales del sistema de salud?
J. C.: La IA puede ayudar frente a problemas estructurales como la escasez de especialistas, apoyando el diagnóstico en zonas con poco personal calificado; la fragmentación de la información, integrando historias clínicas dispersas; y la ineficiencia en camas y listas de espera, con modelos que predicen demanda y optimizan recursos.
Además, abre la puerta a la prevención temprana: identificar pacientes en riesgo antes de que la enfermedad avance es clave para reducir la carga de enfermedades crónicas como las cardiovasculares. Estas oportunidades exigen validación clínica rigurosa; no son automáticas.
¿Qué principios de gobernanza deberían orientar su uso?
J. C.: Son seis: autonomía humana, el profesional conserva la decisión final; bienestar y seguridad del paciente; transparencia y explicabilidad del modelo; responsabilidad y rendición de cuentas sobre quién responde si algo falla; inclusión y equidad para evitar sesgos contra poblaciones vulnerables; y sostenibilidad ambiental y tecnológica.
A esto se suma un principio institucional: conservar el control sobre los datos y los criterios de validación clínica, sin delegar esa responsabilidad al proveedor tecnológico.