Tema 02 · Docencia

IA para profesionales de la salud

Herramientas capaces de reconocer patrones, generar predicciones o producir contenido a partir de datos, cuyo uso clínico exige validación, supervisión humana y gestión de riesgos.

Definición

¿Qué es?

En salud, el interés no está solo en el algoritmo, sino en cómo se integra al contexto clínico, a las personas y a los procesos.

La inteligencia artificial comprende métodos computacionales que aprenden de datos o utilizan reglas para realizar tareas como clasificación, predicción, reconocimiento de lenguaje, análisis de imágenes o generación de contenido.

Una herramienta de IA para salud debe evaluarse por su utilidad clínica, calidad de datos, desempeño, seguridad, equidad, transparencia, privacidad e impacto en el flujo de trabajo.

Fuente

Concepto basado en las orientaciones de la Organización Mundial de la Salud. Consultar OMS ↗

Conceptos esenciales

Principales enfoques

Aprendizaje automático

Modelos que identifican relaciones en datos para clasificar casos o estimar resultados sin programar cada regla de forma explícita.

Aprendizaje profundo

Redes neuronales con múltiples capas, especialmente útiles para imágenes, señales, audio y grandes volúmenes de datos.

Procesamiento de lenguaje natural

Métodos para analizar, resumir o generar texto clínico, como notas, preguntas, reportes o conversaciones.

IA generativa

Sistemas que producen contenido nuevo. Sus respuestas pueden ser plausibles pero incorrectas, por lo que requieren verificación.

Ejemplos

Aplicaciones clínicas y educativas

Análisis de electrocardiogramas

Un modelo señala patrones compatibles con una urgencia para priorizar revisión, sin sustituir la interpretación clínica.

Detección en imágenes

Una herramienta identifica regiones sospechosas en radiografías o fondo de ojo para apoyar el tamizaje.

Predicción de riesgo

Datos clínicos y antecedentes se combinan para estimar la probabilidad de deterioro, reingreso o complicaciones.

Apoyo educativo

Un modelo generativo crea casos, preguntas o explicaciones que después deben ser revisadas por una persona experta.

Caso

Una predicción no es una orden

Un modelo clasifica a una paciente como de “bajo riesgo”, pero fue entrenado con pocos casos de mujeres. El equipo revisa el contexto, reconoce la posibilidad de sesgo y decide no usar la salida de manera automática. La seguridad depende de la combinación entre evidencia, supervisión y juicio clínico.

Evaluación crítica

Preguntas antes de utilizar una herramienta

¿Cuál es la tarea exacta y qué decisión pretende apoyar?
¿Con qué población y datos fue desarrollada y validada?
¿Qué significan sus métricas para el contexto clínico real?
¿Funciona de manera comparable entre sexos, edades y otros grupos?
¿Cómo se detectan errores y quién conserva la responsabilidad final?
¿Protege datos, documenta limitaciones y permite supervisión humana?

OMSÉtica y gobernanza de la IA para la salud

Principios para proteger autonomía, seguridad, transparencia, responsabilidad y equidad.

Abrir recurso ↗ NISTAI Risk Management Framework

Marco voluntario para identificar y gestionar riesgos durante el ciclo de vida de la IA.

Abrir recurso ↗ OMSInteligencia artificial para la salud

Recursos sobre adopción basada en evidencia, regulación y prácticas confiables.

Abrir recurso ↗