Inteligencia artificial en salud: avances que ayudan

La inteligencia artificial en salud ya no es una promesa de laboratorio: hay un antibiótico descubierto con aprendizaje profundo, un fármaco reposicionado a tiempo para la COVID-19, cribados de tuberculosis que llegan donde no hay radiólogos y algoritmos que ordenan listas de espera. La posición de este análisis es que esos avances son reales, ayudan de formas medibles y merecen contarse con precisión. El contrapunto no los anula: los delimita. Casi todos ocurren donde comprobar un acierto es barato, rápido y objetivo. Leerlos como prueba de que la medicina entera cambió es un error; descartarlos para no parecer ingenuo es el error opuesto.

Los avances que ya están sobre la mesa

El inventario conviene hacerlo sin adornos, con lo que las fuentes sostienen:

• Antibióticos. En 2020, investigadores del MIT usaron aprendizaje profundo para identificar halicin, una molécula eficaz frente a un rango amplio de bacterias, incluidas cepas resistentes (Anablock).
• Reposicionamiento. BenevolentAI identificó baricitinib como candidato para tratar la COVID-19, uno de los casos más citados al hablar del potencial de la IA en el desarrollo de medicamentos (Allied Academies).
• Revisión de literatura. IBM Watson empleó procesamiento de lenguaje natural —la rama de la IA que trabaja con texto— para revisar millones de artículos e identificar seis moléculas prometedoras contra el cáncer en cuestión de semanas, una tarea que a equipos humanos les habría tomado meses o años (Allied Academies).
• Candidatos en ensayo. Exscientia y Bristol Myers Squibb reportaron compuestos diseñados con IA que entraron en fases de ensayo clínico (Anablock).
• Diagnóstico por imagen. StateViewer analiza estudios FDG-PET —que muestran el consumo de glucosa del cerebro— y propone el patrón neurodegenerativo más compatible, señalando qué zonas influyeron en el resultado; la mamografía asistida mejora la detección precoz y la precisión del radiólogo (UNIA, APD).
• Acceso. Unidades de rayos X ultraportátiles con el software CAD4TB ampliaron el cribado de tuberculosis en zonas remotas de Turkmenistán con apoyo del Fondo Mundial (PNUD).

Seis frentes, un mismo patrón. La pregunta útil no es si impresionan, sino cómo ayudan.

Cómo ayuda, frente por frente

Que la inteligencia artificial en salud ayude más en unos frentes que en otros no es un accidente: es un patrón con causas identificables.

Descubrimiento: comprimir la etapa donde equivocarse es más barato

Un compuesto candidato no es un medicamento, y ninguna de las fuentes sugiere lo contrario. Pero la generación de hipótesis es la etapa donde el costo de equivocarse es menor y el número de intentos posibles es mayor. En el descubrimiento de fármacos con IA, la ganancia es de tiempo y cobertura, no de certeza: explora espacios químicos y bibliográficos que ningún equipo humano alcanza a recorrer en una carrera. Watson revisando millones de artículos en semanas no cura a nadie por sí solo; le ahorra meses a quien sí puede hacerlo.

Diagnóstico: una segunda lectura que no se cansa

En imagen médica la verdad de referencia es relativamente estable y el papel del modelo puede acotarse al apoyo de un especialista humano. Esa es la razón por la que el diagnóstico asistido por IA es el terreno más maduro de la IA en medicina. Ayuda como segunda lectura, no como veredicto: señala zonas, ordena prioridades y reduce omisiones. La mamografía asistida mejora la detección precoz y la precisión del radiólogo (APD); la ganancia es del profesional, no del algoritmo.

Acceso: llevar criterio experto donde no lo hay

El caso de Turkmenistán es el más elocuente porque el beneficio no es científico sino distributivo: rayos X ultraportátiles con CAD4TB extienden un cribado de nivel especializado a lugares donde antes no existía (PNUD). En Chile, el Centro de Modelamiento Matemático de la Universidad de Chile usa algoritmos para clasificar pacientes y optimizar la atención, con el respaldo de una política nacional de IA, el centro CENIA, un doctorado dedicado y el proyecto Algoritmos Éticos (Noa). Aquí la IA ayuda a asignar atención escasa, un problema de gestión tanto como de medicina.

El contrapunto: la ayuda se detiene donde la verificación se vuelve lenta

Conviene mirar el otro lado del patrón. Todos los avances sólidos comparten un rasgo: existe una forma barata, rápida y objetiva de comprobar si la máquina acertó —un ensayo de unión, una estructura de proteína, una imagen etiquetada, un texto clasificado—. Sin esa señal de retorno inmediata, la iteración se detiene y la ventaja se diluye.

Los resultados clínicos a largo plazo, las afirmaciones causales sobre poblaciones enteras y la economía de los ensayos no se puntúan en horas. Por eso la mayoría de los subcampos de la IA aplicada a la medicina siguen en fase de investigación, con numerosos estudios y ensayos que todavía buscan pruebas de utilidad (PMC). Y por eso la IA se presenta, en las propias fuentes, como herramienta de apoyo que procesa datos clínicos y devuelve una ayuda concreta, cuyo desempeño depende del caso de uso, del tipo de dato y del contexto (UNIA).

A esto se suman bloqueos que no se resuelven con un modelo mejor: calidad de datos, aprobación regulatoria y consideraciones éticas (Allied Academies, Anablock). Son las restricciones que no desaparecen cuando el algoritmo mejora, y explican por qué la regulación de la IA en salud avanza más despacio que los anuncios.

La objeción más fuerte: la evidencia es retrospectiva y autoinformada

El cuestionamiento serio no es que la IA no sirva, sino que la evidencia disponible es débil. Los casos corporativos y los anuncios de alianzas son la forma más frágil de prueba: describen un candidato o un cribado, rara vez un desenlace en pacientes, y los publica la parte que gana si se le cree. Varios ejemplos emblemáticos son retrospectivos por construcción —reposicionar un fármaco existente, volver a cribar compuestos conocidos—, lo que demuestra capacidad para encontrar patrones en datos que ya existen, no poder predictivo prospectivo.

La respuesta es que ese reparo reubica los casos, no los borra. Halicin y baricitinib siguen siendo progresos verificables; lo que no pueden sostener es la frase «la IA está cambiando la medicina». Cambian el frente inicial de la investigación, la parte donde se generan hipótesis. La evidencia clínica disponible respalda una contribución real y limitada a la vez, y conviene decir con claridad cuál de las dos mitades se está afirmando.

Quién gana y quién espera

Los modelos aprenden de los datos que existen, y los datos abundan donde abunda la financiación de la investigación. Esa asimetría decide qué enfermedades y qué poblaciones se estudian primero, y deja a los sistemas de salud sin infraestructura de datos ni acceso a supercomputación en la posición de heredar herramientas que no pueden auditar. La política pública aparece como uno de los pocos contrapesos visibles: Chile ocupa el primer lugar del Índice Latinoamericano de IA y su estrategia nacional muestra que un país de renta media puede construir capacidad creíble y fijar límites éticos (Noa).

En el corto plazo ganan los proveedores de cómputo, las instituciones que ya poseen datos y las farmacéuticas asociadas. Esperan los centros de investigación sin infraestructura y los servicios de salud que reciben tecnología sin personal capacitado para auditarla.

Conclusión: los avances ayudan, y saber dónde ayudan los protege

La evidencia sostiene una conclusión específica: la inteligencia artificial en salud ya cambió la investigación y ya mejora el diagnóstico y el acceso en casos concretos, pero no ha cambiado el embudo que decide si un tratamiento llega al paciente, formado por validación, regulación, datos y personal capacitado.

De ahí las consecuencias prácticas. Ante el próximo anuncio, conviene preguntar dónde está la ayuda, es decir, en qué cuello de botella; exigir un desenlace clínico y no solo un candidato; distinguir validación prospectiva de demostración retrospectiva; e identificar quién publica y quién gana si se le cree. La modestia no resta: los avances que se pueden auditar son los que sobreviven al escrutinio, y esos son los que hay que defender.