Una herramienta puede reconocer una lesión en una imagen y, aun así, no conseguir que la persona reciba atención a tiempo. Entre ambos resultados hay una cámara, un profesional, una derivación y una cita que debe concretarse. Ese recorrido explica por qué implementar inteligencia artificial en salud exige mucho más que elegir un modelo con buenos resultados.
El 23 de septiembre de 2026, un comentario publicado en Nature Medicine abordó la expansión de una herramienta de aprendizaje profundo desde un hospital hasta más de un millón de pacientes examinados, con experiencias en India, Tailandia y Australia. El aprendizaje profundo es una técnica que permite reconocer patrones a partir de datos, como imágenes médicas.
El hito plantea una pregunta útil para clínicas, hospitales y proveedores: ¿qué debe funcionar alrededor de la IA para que ampliar su uso se traduzca en mejor atención? La respuesta comienza por separar tres cosas que suelen mezclarse: desempeño del algoritmo, funcionamiento del servicio y beneficio para el paciente.
Un millón de personas examinadas no equivale a un millón de resultados clínicos demostrados
La publicación de septiembre es un comentario sobre experiencia de implementación, no un nuevo ensayo clínico que permita atribuir a la herramienta una reducción de ceguera en ese millón de personas. Además, declara financiamiento de Alphabet y la participación de autores vinculados a Google. Es información relevante para valorar el alcance y la independencia de sus conclusiones.
La ficha pública permite confirmar la fecha, el tipo de publicación y los países incluidos. Como el texto completo requiere suscripción, aquí no se le atribuyen procedimientos ni resultados que no puedan comprobarse. Para analizar los problemas operativos recurrimos también a investigaciones primarias abiertas y a orientaciones de la Organización Mundial de la Salud.
El caso se inscribe en el desarrollo de sistemas para examinar imágenes de retina. La retinopatía diabética afecta los vasos sanguíneos de la retina y puede avanzar sin síntomas al comienzo, según el Instituto Nacional del Ojo de Estados Unidos. Por eso resulta valioso detectar señales antes de que la persona perciba pérdida de visión. Una clasificación automatizada, sin embargo, debe conectarse con una ruta de evaluación y atención adecuada.
La clínica cambia las condiciones del problema
Una investigación presentada en 2020 estudió el uso de un sistema de detección de enfermedad ocular diabética mediante observación y entrevistas con enfermeras en once clínicas de Tailandia. La evaluación centrada en las personas identificó tensiones entre los requisitos de calidad de imagen del modelo y los datos que podían obtenerse en entornos con recursos limitados. También examinó efectos sobre el trabajo del personal y la experiencia de los pacientes.
El hallazgo importa porque desplaza la evaluación hacia el lugar donde ocurre la atención. No basta con preguntar cuántas imágenes clasifica correctamente un sistema; hace falta observar qué sucede cuando una imagen no cumple sus requisitos y quién resuelve esa situación.
Pensemos en un ejemplo hipotético. Un centro incorpora una herramienta que entrega resultados rápidamente, pero una parte de las fotografías debe repetirse. Si las personas ya se retiraron, el equipo necesita contactarlas y coordinar otra visita. La velocidad de la respuesta informática puede convivir con un proceso más lento para el paciente.
El indicador útil en ese caso sería el tiempo transcurrido hasta obtener un resultado utilizable, incluyendo repeticiones. Medir solo los segundos de procesamiento dejaría fuera el trabajo que determina si el servicio realmente mejora.
Definir la decisión antes de contratar la herramienta
La Organización Mundial de la Salud (OMS) destaca la importancia de especificar el uso previsto, validar externamente los sistemas, evaluar la calidad de los datos y gestionar sus riesgos durante todo el ciclo de vida. También subraya la protección de información sensible y la colaboración entre desarrolladores, reguladores, profesionales y pacientes.
Para una institución, eso permite convertir una propuesta tecnológica en preguntas verificables: qué población puede utilizar el sistema, con qué equipos, para qué decisión y bajo qué condiciones. Una demostración comercial no responde por sí sola a esas preguntas.
Conviene definir además qué ocurre cuando el sistema no puede emitir un resultado y cómo se revisan las discrepancias. La responsabilidad debe quedar asignada a personas y procedimientos concretos. “Habrá supervisión humana” dice poco si nadie dispone de tiempo, información y autoridad para intervenir.
Una evaluación que siga el recorrido completo
El Ciclo propone la siguiente pauta operativa para organizar un piloto. No es un protocolo clínico ni reproduce las métricas del comentario de septiembre: es una forma de conectar decisiones de implementación con evidencia que la institución debería reunir.
| Etapa | Qué conviene comprobar | Señal que merece revisión |
|---|---|---|
| Captura de datos | Proporción de estudios utilizables y necesidad de repetirlos. | Aumentan las repeticiones o algunos centros quedan fuera del circuito. |
| Evaluación del sistema | Desempeño con pacientes, equipos y condiciones del entorno de uso. | El promedio oculta diferencias relevantes entre grupos o establecimientos. |
| Entrega del resultado | Tiempo total hasta que el profesional recibe información accionable. | La respuesta llega rápido, pero exige transcripción o revisión duplicada. |
| Derivación | Personas derivadas que consiguen completar la evaluación siguiente. | Se generan más alertas sin capacidad suficiente para atenderlas. |
| Continuidad | Incidentes, cambios de versión y disponibilidad de una alternativa. | Una interrupción deja al equipo sin un procedimiento acordado. |
Antes de ampliar el piloto, la dirección clínica debería acordar los criterios de continuidad y suspensión con el equipo responsable. Los umbrales dependen del uso, la población y los riesgos; no existe un porcentaje universal que permita decidir cualquier despliegue.
También hace falta una comparación con la situación anterior. Si el servicio ya tenía dificultades de seguimiento, incorporar IA no permite atribuirle automáticamente todos los cambios posteriores. Registrar el punto de partida ayuda a distinguir mejoras del sistema, variaciones en la demanda y modificaciones organizativas.
Escalar también significa sostener el servicio
El presupuesto de implementación debería contemplar el trabajo que acompaña al software: formación, soporte, integración, mantenimiento de equipos y resolución de incidencias. Como criterio de gestión, resulta más informativo estimar el costo por recorrido asistencial completado que quedarse únicamente con el precio por imagen procesada.
El mismo razonamiento se aplica al crecimiento. Un centro puede resolver excepciones gracias a una persona especialmente experimentada. Replicar ese servicio en otras sedes exige que el conocimiento sea transmisible, que las responsabilidades estén documentadas y que las incidencias puedan escalarse. De otro modo, se replica la instalación, pero no necesariamente su capacidad de funcionamiento.
Para el paciente, la diferencia aparece al final de la cadena: recibir una explicación comprensible y saber cuál es el siguiente paso. La distinción entre detectar una señal y demostrar utilidad también atraviesa nuestro análisis sobre IA y detección de cáncer mediante tomografías. Cada uso requiere evidencia propia; un resultado en retina no valida otro sistema, enfermedad o población.
Preguntas frecuentes
¿Qué hace falta para implementar IA en una clínica?
Definir su uso, comprobar el desempeño en el entorno previsto, integrarla al trabajo del equipo y establecer responsables, seguimiento y procedimientos ante fallos. La evaluación debe abarcar el recorrido asistencial completo.
¿Examinar a un millón de pacientes demuestra que la IA mejora su salud?
El volumen acredita alcance, pero por sí solo no demuestra beneficio clínico. Para establecerlo se necesitan resultados pertinentes, seguimiento y un diseño de evaluación que permita interpretar los cambios observados.
¿Por qué importa la calidad de las imágenes?
Porque el sistema necesita datos adecuados para realizar su tarea. Las imágenes no utilizables pueden exigir repeticiones o evaluación por otra vía, con consecuencias para el personal y para el tiempo del paciente.
¿Se puede trasladar un sistema validado a cualquier hospital?
No debe darse por supuesto. Es necesario comprobar que la población, los equipos, el uso previsto y las condiciones operativas sean compatibles con la evidencia disponible y con los requisitos aplicables.
La Tesis de El Ciclo
Nuestra interpretación es que la capacidad de organizar atención alrededor de la IA puede convertirse en una ventaja tan decisiva como el modelo utilizado. Dos instituciones con acceso a una misma tecnología podrían obtener resultados distintos si una resuelve las excepciones y completa las derivaciones mientras la otra solo acumula clasificaciones.
Eso cambia el foco de la inversión: además de adquirir capacidad de análisis, hay que construir capacidad de respuesta. El salto relevante ocurre cuando una señal que antes pasaba inadvertida encuentra un equipo y un servicio capaces de actuar sobre ella. Contar imágenes es sencillo; demostrar que ese recorrido funciona es el trabajo que queda por hacer.
Editor | El Ciclo Tomás Carmona es especialista en crecimiento de negocios, transformación digital y sistemas CRM. En El Ciclo investiga y explica cómo los cambios en tecnología, inteligencia artificial, negocios, finanzas y salud impactan la vida de las personas y las empresas. Su trabajo combina análisis, investigación y experiencia práctica para transformar noticias, estudios y tendencias en contenido claro, basado en evidencia y orientado a la toma de mejores decisiones. Su objetivo es ayudar a los lectores a comprender qué está cambiando, por qué es relevante y cómo esos cambios pueden influir en su trabajo, sus finanzas, su salud o su vida cotidiana.