AI en la atención médica: aplicaciones y mejores prácticas

AI en el sector de la salud se refiere a la aplicación de la inteligencia artificial, incluyendo machine learning, deep learning y AI generativa, a los flujos de trabajo clínicos, administrativos y de investigación en todos los sistemas de salud. Los sistemas de AI para el sector de la salud ingieren datos de pacientes, EHR (electronic health records), imágenes médicas y documentación clínica para dar soporte al diagnóstico, la planificación del tratamiento y la eficiencia operativa. Esta guía está escrita para profesionales de la salud, líderes de IT del sector sanitario y equipos de informática clínica que evalúan soluciones de AI, priorizando los casos de uso clínicos, las prácticas de datos y las obligaciones regulatorias por encima de las comparaciones de proveedores.

La AI en el sector de la salud tiene una historia más larga de lo que la mayoría de los equipos clínicos suponen. La AI comenzó a integrarse en la atención médica en la década de 1970, cuando los primeros sistemas expertos basados en reglas intentaron replicar la toma de decisiones de los médicos para tareas de diagnóstico específicas. Los modelos de AI modernos se parecen poco a aquellos primeros sistemas, pero el objetivo principal sigue siendo el mismo: utilizar patrones en los datos para apoyar, no reemplazar, el criterio clínico. Las siguientes secciones detallan dónde se utilizan las herramientas de AI hoy en día, cómo las organizaciones gestionan los datos de entrenamiento que las impulsan y qué marcos regulatorios rigen su uso clínico.

Alcance y definiciones: inteligencia artificial, modelos de AI y algoritmos de AI

La inteligencia artificial es el amplio campo de la informática centrado en la creación de sistemas que realizan tareas que normalmente requieren inteligencia humana, como el reconocimiento de patrones, la comprensión del lenguaje y la predicción. Dentro de la AI en el sector de la salud, con frecuencia se utilizan tres términos de manera intercambiable, pero describen capas distintas de la pila tecnológica.

Los modelos de AI son los artefactos entrenados que mapean datos de entrada, como datos de pacientes o imágenes médicas, a una salida, como una puntuación de riesgo o una clasificación. Los algoritmos de AI son los procedimientos matemáticos, incluidos los algoritmos de machine learning y las técnicas de deep learning, utilizados para entrenar esos modelos. La AI generativa es una categoría específica de modelos de AI capaces de producir contenido nuevo, como borradores de documentación clínica o resúmenes de historial médico, en lugar de solo clasificar o predecir datos existentes.

Las organizaciones de salud suelen implementar varios tipos de modelos de forma conjunta: modelos de clasificación supervisada para el soporte de diagnóstico, modelos de series temporales para el monitoreo de pacientes, modelos de procesamiento de lenguaje natural para la documentación clínica y modelos de visión por computadora para analizar imágenes médicas. Comprender qué tipo de modelo sustenta una herramienta de AI determinada ayuda a los equipos clínicos a evaluar sus resultados de manera adecuada, ya que el texto fluido de un modelo generativo ofrece garantías de confiabilidad diferentes a las del resultado de un clasificador de diagnóstico validado.

Dónde se utiliza la AI: aplicaciones y herramientas de AI en el sector de la salud

Las herramientas de AI ahora abarcan casi todas las etapas de la medicina clínica, desde el ingreso hasta el monitoreo posterior al alta. En las organizaciones de ciencias de la vida y salud, las aplicaciones más maduras se agrupan en torno a cuatro categorías: soporte de diagnóstico, automatización administrativa, descubrimiento de fármacos e interacción con el paciente.

Los sistemas de soporte para la toma de decisiones clínicas identifican a los pacientes de alto riesgo, muestran protocolos de tratamiento relevantes y resumen el historial médico en el punto de atención. Los algoritmos de AI pueden identificar a los pacientes de alto riesgo en los departamentos de emergencias, lo que brinda al personal de triaje una visibilidad más temprana del riesgo de deterioro de lo que permite la revisión manual de la historia clínica. Las herramientas de AI de imagenología ayudan a los radiólogos y patólogos al preseleccionar escaneos y resaltar regiones de interés. Las soluciones de AI administrativa se encargan de la codificación médica, el procesamiento de reclamaciones y la autorización previa, lo que reduce la carga manual de los proveedores de atención médica.

Los asistentes de salud virtuales y los dispositivos portátiles extienden la atención médica impulsada por AI más allá del hospital, lo que permite un monitoreo continuo de los pacientes con enfermedades crónicas. Las plataformas de telemedicina integran cada vez más modelos de AI directamente en el flujo de trabajo de la consulta, utilizando el procesamiento de lenguaje natural para generar resúmenes de visitas en tiempo real. En todas estas aplicaciones, el hilo conductor es que las herramientas de AI están diseñadas para aumentar la práctica clínica, mostrando información precisa más rápido que la revisión manual, mientras dejan las decisiones de diagnóstico y tratamiento en manos de los profesionales de la salud.

EHR y entrenamiento de modelos de AI

Los EHR (electronic health records) son la fuente de datos principal para la mayoría de los sistemas de AI en el sector de la salud. Los datos de EHR incluyen campos estructurados como resultados de laboratorio y listas de medicamentos, junto con notas clínicas no estructuradas, lo que los convierte en una fuente de datos de entrenamiento rica pero heterogénea. La AI puede analizar los EHR para predecir riesgos de enfermedades, identificar brechas en la atención y señalar a los pacientes que podrían beneficiarse de una intervención más temprana.

El entrenamiento eficaz de modelos de AI con datos de EHR requiere prácticas de recopilación de datos disciplinadas. Los sistemas de salud necesitan modelos de datos estandarizados, prácticas de codificación consistentes y formatos interoperables antes de que los algoritmos de AI puedan aprender de manera confiable a partir de los registros históricos. Las organizaciones que centralizan los datos de EHR, la documentación clínica y los datos de imágenes en una arquitectura de data lakehouse unificada evitan los silos de datos que históricamente limitaban los proyectos de AI en el sector de la salud a pilotos de un solo departamento.

La interoperabilidad es un segundo requisito. Los sistemas de salud que intercambian datos a través de API modernas y estándares basados en FHIR pueden entrenar modelos de AI en poblaciones de pacientes más grandes y representativas, lo que mejora la generalización. La AI puede predecir los resultados de los pacientes con una precisión del 70-72% utilizando datos de EHR cuando los modelos se entrenan en conjuntos de datos suficientemente grandes y diversos, aunque la precisión varía significativamente según la afección, la calidad de los datos y la población representada en los datos de entrenamiento.

Documentación clínica y AI generativa

La documentación clínica es uno de los casos de uso de mayor crecimiento para la AI generativa en el sector de la salud. Las herramientas de escucha ambiental capturan los encuentros con los pacientes y redactan notas clínicas estructuradas, lo que reduce el tiempo que los médicos dedican al registro manual. La AI puede reducir las tareas administrativas, mejorando la eficiencia de los médicos y brindando a los proveedores de atención médica más tiempo directo con los pacientes.

Un flujo de trabajo típico de documentación clínica comienza con la transcripción de audio del encuentro con el paciente, seguida de un modelo de AI generativa que estructura la transcripción en una nota formateada utilizando plantillas estándar. Los modelos de lenguaje grande impulsan la mayoría de las herramientas modernas de transcripción y resumen, y muchas implementaciones también incorporan RAG (Retrieval-Augmented Generation), una técnica que fundamenta la salida de un modelo en una base de conocimientos verificada en lugar de depender únicamente del entrenamiento interno del modelo. Fundamentar las notas generadas en una base de conocimientos RAG verificada reduce el riesgo de que aparezcan detalles clínicos inventados en el registro.

La validación clínica sigue siendo innegociable. Cada nota redactada por AI requiere un punto de control de revisión por parte de un médico antes de pasar a formar parte de la historia clínica permanente. Este paso de supervisión humana no es una solución temporal; es una característica permanente de una AI de documentación clínica responsable, ya que los modelos generativos pueden producir texto fluido pero fácticamente incorrecto, un modo de fallo que tiene implicaciones directas para la seguridad del paciente en un registro clínico.

Herramientas de AI para imágenes médicas y diagnóstico

La imagenología médica es el dominio clínico con la trayectoria más sólida de herramientas de AI aprobadas por organismos reguladores. Para 2025, el 77% de los dispositivos médicos de AI aprobados por la FDA corresponderán a la radiología, lo que refleja tanto el volumen de datos de imágenes disponibles para el entrenamiento como la naturaleza relativamente bien definida de las tareas de clasificación de imágenes en comparación con un razonamiento clínico más abierto.

Los sistemas de AI ahora analizan imágenes médicas a través de múltiples modalidades. Los modelos de deep learning entrenados en tomografías computarizadas (CT) pueden identificar signos tempranos de cáncer de pulmón, a menudo detectando nódulos más pequeños o más tenues que los que se detectan de manera confiable en una revisión manual. Arquitecturas convolucionales similares respaldan la detección de retinopatía diabética a partir de fotografías de retina y la detección de cáncer de mama a partir de mamografías, dos de los casos de uso de AI de imágenes más ampliamente validados en la medicina clínica.

Al evaluar las herramientas de AI de imágenes, las organizaciones de salud deben confirmar el estado de la aprobación de la FDA o del marcado CE, solicitar datos publicados de sensibilidad y especificidad en poblaciones comparables a su propia base de pacientes, y establecer un flujo de trabajo donde el resultado de la AI sirva como un segundo lector en lugar de una determinación final. Este enfoque preserva los beneficios de la detección temprana al tiempo que mantiene la responsabilidad en el radiólogo o patólogo a cargo.

Descubrimiento de fármacos e interacciones farmacológicas

La investigación y el desarrollo farmacéutico representan una de las aplicaciones de mayor valor de la AI en el sector de la salud, dado el costo y los plazos de varios años del desarrollo de fármacos tradicional. La AI puede mejorar los procesos de descubrimiento de fármacos, acelerando la disponibilidad de tratamientos al reducir el espacio de búsqueda de candidatos a fármacos viables antes de que comience la costosa validación en el laboratorio.

Modelos de AI en el descubrimiento de fármacos

Los modelos de predicción de la estructura de las proteínas, sobre todo AlphaFold y sus sucesores, han cambiado la forma en que los equipos de investigación abordan la identificación de objetivos. En lugar de depender únicamente de la cristalografía experimental, los investigadores pueden generar predicciones estructurales de alta confianza de forma computacional y luego priorizar la validación en laboratorio húmedo para los objetivos más prometedores. Esto cambia el flujo de trabajo del descubrimiento de fármacos: la identificación de objetivos comienza cada vez más con un modelo computacional antes de avanzar a la confirmación biológica o bioquímica. La AI puede reducir significativamente el tiempo de descubrimiento de fármacos durante los ensayos clínicos, en particular en las fases iniciales de cribado, donde los modelos de AI filtran miles de compuestos candidatos para obtener una lista corta que valga la pena investigar experimentalmente.

Detección de interacciones farmacológicas con AI

Los algoritmos de minería de literatura analizan investigaciones clínicas publicadas, informes de eventos adversos y bases de datos de farmacovigilancia para identificar interacciones farmacológicas no documentadas previamente. Estos algoritmos de AI procesan volúmenes de texto de investigación médica no estructurado que superan con creces lo que los equipos de revisión manual de literatura pueden abarcar. La integración de modelos de detección de interacciones farmacológicas con sistemas de vigilancia de eventos adversos permite a las organizaciones de salud identificar señales de seguridad emergentes antes, lo que respalda tanto la seguridad del paciente individual como el monitoreo de la salud pública en general.

Soluciones de AI operativas: tareas administrativas y flujos de trabajo

Los proveedores de salud suelen citar la carga administrativa como uno de los principales factores del agotamiento de los profesionales clínicos, y las soluciones de AI dirigidas a tareas rutinarias abordan esto directamente. La AI puede reducir las cargas administrativas de los proveedores de salud al automatizar la codificación médica, las verificaciones de elegibilidad de seguros, la documentación de autorización previa y el procesamiento de reclamaciones.

Un despliegue típico de AI operativa mapea las tareas administrativas por volumen y complejidad, y luego secuencia la automatización comenzando con los procesos de mayor volumen y basados en reglas, como la codificación de visitas de rutina, antes de avanzar a escenarios de reclamaciones más complejos. Los diagramas de flujo de trabajo que rastrean una reclamación desde su presentación hasta su adjudicación ayudan a los equipos operativos a identificar dónde la revisión asistida por AI reduce las tasas de rechazo y el trabajo repetitivo.

Más allá de las reclamaciones, las herramientas de asignación de recursos impulsadas por AI ayudan a los sistemas de salud a distribuir recursos como el personal, la capacidad de camas y el equipamiento en función del volumen de pacientes previsto. Estimar el ROI operativo de estos despliegues suele implicar la comparación del tiempo de procesamiento y las tasas de error antes de la automatización con las métricas posteriores al despliegue durante un período piloto definido, lo que proporciona a los sistemas de salud una base sólida para escalar los pilotos exitosos.

Soporte para la toma de decisiones clínicas y algoritmos de AI

Los sistemas de soporte para la toma de decisiones clínicas aplican algoritmos de AI para sintetizar datos de pacientes, guías clínicas y protocolos de tratamiento en recomendaciones prácticas en el punto de atención. Los tipos de algoritmos varían desde sistemas basados en reglas, que aplican una lógica clínica explícita, hasta algoritmos de machine learning entrenados con resultados históricos, pasando por modelos de deep learning más complejos capaces de identificar patrones sutiles en datos de alta dimensión, como flujos continuos de signos vitales.

La explicabilidad es un requisito crítico para el soporte de decisiones clínicas, a diferencia de muchas otras aplicaciones de AI. Los profesionales de la salud necesitan comprender por qué un algoritmo señaló a un paciente en particular o recomendó un protocolo de tratamiento específico, no solo recibir el resultado en sí. Informar sobre las métricas de explicabilidad, como qué variables de entrada influyeron más en una recomendación determinada, respalda la confianza de los médicos y cumple con las expectativas regulatorias emergentes para los sistemas de AI de alto riesgo.

Los protocolos de validación antes del despliegue deben incluir pruebas retrospectivas frente a resultados históricos de pacientes, pruebas prospectivas en modo sombra (shadow-mode) donde el algoritmo se ejecuta junto con la atención estándar sin influir en las decisiones, y un monitoreo continuo del rendimiento después de la puesta en marcha. Este enfoque de validación por etapas detecta la degradación del rendimiento o el sesgo antes de que afecte la atención al paciente.

Prácticas de datos: recopilación de datos, privacidad y uso de EHR

Los sistemas de AI requieren datos de alta calidad para garantizar la precisión y la equidad, lo que hace que los estándares de recopilación de datos sean fundamentales para cualquier programa de AI en el sector de la salud. Los estándares de recopilación de datos clínicos deben especificar las fuentes de datos aceptables, los tamaños mínimos de muestra para los datos de entrenamiento y los requisitos de documentación sobre cómo se recopiló y etiquetó cada conjunto de datos.

La desidentificación y la seudonimización son prácticas estándar antes de que los datos de salud ingresen a un pipeline de entrenamiento de modelos. Las técnicas varían desde la simple eliminación de campos hasta enfoques más sofisticados que preservan la utilidad analítica al tiempo que reducen el riesgo de reidentificación. Las organizaciones que operan en la Unión Europea también deben tener en cuenta el Espacio Europeo de Datos de Salud, un marco que permite el uso secundario de datos de salud para la investigación e innovación en AI bajo salvaguardas definidas, a diferencia del uso primario de esos datos en la atención directa al paciente.

Las consideraciones de datos transfronterizos añaden una mayor complejidad para los consorcios de investigación multinacionales. Centralizar los datos de los pacientes en un marco de gobernanza de datos gobernado, con un linaje claro desde las fuentes de datos propias hasta el entrenamiento del modelo, proporciona a los equipos de cumplimiento el registro de auditoría que los reguladores exigen cada vez más.

Regulación y responsabilidad: la AI Act y el cumplimiento

El panorama regulatorio para la AI en el sector de la salud ha pasado de directrices voluntarias a obligaciones legales vinculantes. La AI Act europea será totalmente aplicable para 2026 y establece un marco regulatorio clasificado por niveles de riesgo en el que la mayoría de los sistemas de AI clínica, incluidas las herramientas de diagnóstico y recomendación de tratamientos, se clasifican como de alto riesgo. La AI Act exige que los sistemas de AI de alto riesgo cumplan con estrictos estándares de seguridad, que incluyen la gestión de riesgos documentada, la gobernanza de datos, la documentación técnica y la supervisión humana a lo largo de todo el ciclo de vida del sistema.

Las obligaciones difieren para los modelos de AI de propósito general, como los grandes modelos de lenguaje que las organizaciones de salud ajustan (fine-tune) o despliegan para un uso clínico específico, en comparación con los sistemas de AI creados para un único propósito definido. Los proveedores de modelos de propósito general se enfrentan a requisitos de transparencia y documentación a nivel de modelo, mientras que las organizaciones de salud que despliegan esos modelos para un uso clínico de alto riesgo adquieren obligaciones adicionales como implementadores bajo el marco regulatorio.

En los Estados Unidos, la FDA de EE. UU. está desarrollando marcos para dispositivos médicos de AI que contemplan modelos capaces de un aprendizaje continuo después de la autorización inicial, lo que representa un cambio respecto al modelo tradicional de aprobación de dispositivos basado en un producto fijo e inalterable. Cualquier despliegue de AI en el sector de la salud que maneje datos de pacientes también debe cumplir con las regulaciones de HIPAA para proteger los datos de los pacientes, independientemente de la vía regulatoria clínica que se aplique. Una lista de verificación de cumplimiento práctica para los despliegues de AI en el sector de la salud debe confirmar las salvaguardas de cumplimiento de HIPAA, la clasificación de riesgo aplicable de la AI Act, el estado de autorización de la FDA cuando corresponda y los procedimientos documentados de supervisión humana antes de la puesta en marcha.

Marco de implementación para el despliegue de soluciones de AI

Las organizaciones de salud que tienen éxito con las soluciones de AI suelen seguir una hoja de ruta de piloto a escala en lugar de un despliegue en toda la empresa desde el primer día. Una fase piloto, limitada a una sola línea de servicio clínico o flujo de trabajo administrativo, permite detectar problemas de calidad de datos, fricciones en el flujo de trabajo y barreras para la adopción por parte de los médicos antes de realizar una inversión más amplia.

El despliegue en modo sombra (shadow-mode), donde el sistema de AI se ejecuta en paralelo con los flujos de trabajo clínicos existentes sin influir en las decisiones en tiempo real, es el paso recomendado entre el piloto y la producción para cualquier herramienta de AI que afecte directamente la atención al paciente. Este período permite a los sistemas de salud comparar los resultados generados por la AI con los resultados clínicos reales y la revisión manual, cuantificando la precisión antes de que los médicos confíen en las recomendaciones del sistema.

La participación de las partes interesadas debe extenderse más allá del equipo de informática para incluir a médicos en ejercicio, oficiales de cumplimiento y defensores de los pacientes desde las primeras etapas de planificación. Una frecuencia de monitoreo trimestral garantiza que una herramienta de AI validada en su lanzamiento continúe funcionando de manera confiable a medida que las poblaciones de pacientes y las distribuciones de datos subyacentes cambian con el tiempo.

Ética, sesgo y seguridad del paciente en la atención médica impulsada por AI

La integración de la AI se enfrenta a desafíos como la privacidad de los datos y el sesgo algorítmico, y abordar ambos es un requisito previo para un despliegue responsable, en lugar de un complemento opcional. Las estrategias de mitigación de sesgos deben incluir la auditoría de los datos de entrenamiento para garantizar la representatividad entre los grupos demográficos, la evaluación del rendimiento del modelo por separado dentro de las subpoblaciones en lugar de confiar únicamente en la precisión agregada, y el establecimiento de un proceso para reentrenar o retirar los modelos que muestren una brecha de rendimiento en cualquier grupo de pacientes.

La supervisión humana es un requisito, no una recomendación, para los casos de uso clínico de alto riesgo. Cada recomendación generada por AI que influya en el diagnóstico o el tratamiento debe pasar por un profesional de la salud antes de que afecte la atención al paciente, y ese revisor debe tener la autoridad y la capacitación para anular el resultado del sistema. Las prácticas de transparencia y consentimiento son igualmente importantes: se debe informar a los pacientes cuando las herramientas de AI contribuyen a su atención, en un lenguaje que explique el papel del sistema de AI sin requerir conocimientos técnicos para comprenderlo.

Las protecciones de la privacidad del paciente se extienden más allá del cumplimiento regulatorio a la práctica diaria, incluidos los controles de acceso sobre quién puede consultar los datos del paciente y el registro de auditoría para cada evento de acceso. Estas prácticas protegen a los pacientes individuales al tiempo que preservan la confianza de la que depende la atención médica impulsada por AI a escala poblacional.

Evaluación, monitoreo y métricas de rendimiento para sistemas de AI

Las métricas de rendimiento clínico para la AI en el sector de la salud van más allá de las cifras de precisión que se suelen reportar en la industria de la AI. La sensibilidad, la especificidad, el valor predictivo positivo y la calibración en los subgrupos de pacientes son más importantes en un entorno clínico que una única puntuación de precisión agregada. La AI puede predecir enfermedades con una precisión del 70-72 % en varios casos de uso validados, pero esa cifra significa poco sin los datos correspondientes de subgrupos y calibración específicos para la población del despliegue.

Los planes de recopilación de evidencia del mundo real deben especificar cómo se realizará el seguimiento de los resultados posteriores al despliegue en comparación con el rendimiento de validación previo al despliegue del modelo. Las herramientas de AI que predicen la sepsis horas antes de que aparezcan los síntomas, por ejemplo, requieren un monitoreo no solo de la precisión de la predicción, sino también del tiempo de respuesta clínica posterior y de los resultados de los pacientes después de cada alerta.

La frecuencia de monitoreo posterior al despliegue depende del nivel de riesgo clínico: las herramientas de soporte a la toma de decisiones de alto riesgo requieren un monitoreo continuo, mientras que las soluciones de AI administrativas de menor riesgo pueden seguir un ciclo de revisión trimestral. El seguimiento de los datos y de las versiones de los modelos a través de MLflow ofrece a los equipos clínicos y de cumplimiento un registro reproducible de qué versión del modelo generó una recomendación específica.

Fuerza laboral, capacitación y oportunidades profesionales en AI para el sector salud

La atención médica impulsada por AI está transformando las habilidades que necesitan los profesionales de la salud, sin eliminar el juicio clínico que es el núcleo de la atención al paciente. Los médicos necesitan cada vez más una comprensión práctica de cómo los modelos de AI generan sus resultados, qué limitaciones en la recopilación de datos y en los datos de entrenamiento podrían afectar la confiabilidad, y cómo reportar una situación cuando la recomendación de una herramienta de AI entra en conflicto con el juicio clínico.

Los módulos de capacitación para el personal clínico deben cubrir una alfabetización práctica en AI: interpretar las puntuaciones de confianza del modelo, reconocer modos de falla como el sesgo demográfico y comprender los límites de lo que una herramienta de AI específica fue validada para hacer. Están surgiendo roles interdisciplinarios en la intersección de la medicina clínica y la ciencia de datos, incluidos informáticos clínicos, especialistas en gobernanza de datos de salud y líderes de implementación de AI responsables del proceso de piloto a escala descrito anteriormente. Los sistemas de salud que invierten en esta capacidad ahora están mejor posicionados para evaluar críticamente las nuevas herramientas de AI a medida que se acelera la innovación de la AI en el sector salud.

Tendencias futuras: AI generativa y modelos avanzados de AI en el sector salud

Se espera que la AI mejore la medicina personalizada para 2025, adaptando los protocolos de tratamiento a cada paciente en función de datos genómicos, clínicos y de estilo de vida, en lugar de promedios poblacionales. La AI permitirá una medicina de precisión adaptada a pacientes individuales a medida que los modelos de AI multimodales maduren lo suficiente como para razonar de manera conjunta a través de imágenes médicas, datos estructurados de EHR y datos genómicos dentro de un solo sistema, en lugar de requerir modelos separados para cada tipo de datos.

También se espera que el rol de la AI generativa en los flujos de trabajo clínicos se expanda más allá de la documentación hacia áreas como la generación de datos de entrenamiento sintéticos, lo que puede ayudar a abordar la escasez de datos para la investigación de enfermedades raras mientras se preserva la privacidad del paciente. Se prevé que la AI genere entre 60 y 110 mil millones de dólares en valor anual para el sector salud, una cifra impulsada por las ganancias combinadas en eficiencia administrativa, soporte a la toma de decisiones clínicas y el descubrimiento acelerado de fármacos, en lugar de una sola aplicación.

La cobertura de la investigación en curso debe hacer un seguimiento de los modelos de AI emergentes capaces de procesar múltiples modalidades de datos simultáneamente, las guías regulatorias actualizadas a medida que las disposiciones de la AI Act adquieran plena aplicabilidad, y la evolución de la evidencia sobre dónde la atención médica impulsada por AI mejora de manera medible los resultados de los pacientes a escala frente a dónde aún se necesita una mayor validación.

Preguntas frecuentes

¿Cómo se utiliza la AI en el sector salud hoy en día?

La AI en el sector salud apoya la toma de decisiones clínicas, el análisis de imágenes médicas, la documentación clínica, la automatización administrativa y el descubrimiento de fármacos. Los proveedores de atención médica utilizan herramientas de AI para identificar pacientes de alto riesgo, redactar notas clínicas a partir de consultas con pacientes y examinar imágenes médicas en busca de signos tempranos de enfermedades, siempre con supervisión humana antes de que los hallazgos afecten la atención al paciente.

¿Qué tan precisa es la AI para predecir los resultados de los pacientes?

La AI puede predecir los resultados de los pacientes con una precisión del 70-72% utilizando registros de salud electrónicos, aunque la precisión varía según la afección, la calidad de los datos y la diversidad de los datos de entrenamiento. Las organizaciones de salud deben solicitar datos de rendimiento a nivel de subgrupos, y no solo una cifra de precisión agregada, antes de confiar en cualquier modelo predictivo en la práctica clínica.

¿Cuál es el impacto de la AI Act europea en la AI para el sector salud?

La AI Act europea clasifica a la mayoría de los sistemas de AI clínicos como de alto riesgo y será plenamente aplicable para 2026. Exige que las organizaciones de salud que implementen sistemas de AI de alto riesgo mantengan una gestión de riesgos documentada, gobernanza de datos, documentación técnica y supervisión humana a lo largo del ciclo de vida de cada sistema.

¿Reemplaza la AI a los profesionales de la salud?

No. Los sistemas de AI están diseñados para apoyar, no para reemplazar, el juicio clínico. Se requiere supervisión humana para los casos de uso clínico de alto riesgo, lo que significa que un profesional de la salud revisa las recomendaciones generadas por AI antes de que influyan en las decisiones de diagnóstico o tratamiento de pacientes individuales.

¿Cómo protege la AI la privacidad del paciente en entornos de atención médica?

Los sistemas de AI que manejan datos de pacientes deben cumplir con las regulaciones de HIPAA en los Estados Unidos y marcos equivalentes como el Espacio Europeo de Datos de Salud en otros lugares. Las organizaciones de salud aplican desidentificación, seudonimización y controles de acceso a los datos de los pacientes antes de que ingresen a los pipelines de entrenamiento de modelos de AI.

¿Qué datos necesitan los modelos de AI para las aplicaciones de atención médica?

Los modelos de AI para el sector salud se entrenan con registros de salud electrónicos, imágenes médicas, documentación clínica y, cada vez más, datos de dispositivos portátiles (wearables). Los sistemas de AI requieren datos de entrenamiento representativos y de alta calidad para garantizar la precisión y la equidad en las poblaciones de pacientes a las que el modelo finalmente servirá.

Recursos, referencias y lecturas adicionales

Las organizaciones de salud que desarrollan o evalúan capacidades de AI deben hacer un seguimiento de las guías regulatorias del marco en evolución para dispositivos médicos de AI de la FDA y del cronograma de implementación de la AI Act de la Comisión Europea, junto con los conjuntos de datos de referencia (benchmarks) comúnmente utilizados para evaluar el rendimiento de los modelos en radiología, NLP clínico y analítica predictiva. Databricks apoya a las organizaciones del sector salud a construir sistemas de AI gobernados a escala de producción en una arquitectura unificada de data lakehouse, con Unity Catalog proporcionando la capa de gobernanza que sustenta el entrenamiento de modelos de AI en cumplimiento normativo a través de datos clínicos y de investigación.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original