En el panel “Del algoritmo al paciente: IA transformando la salud“, celebrado durante la Semana de la Innovación 2025 (AMIIF), expertos de FUNSALUD, la UNAM, el Senado y AMITI coincidieron en que la inteligencia artificialLa inteligencia artificial (IA) se refiere a la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana. Es un campo fascinante que busca imitar las capacidades humanas para resolver problemas y... Más (IA) dejó de ser promesa y ya impulsa mejoras en diagnósticos, tratamientos y gestión sanitaria en México. Advirtieron, sin embargo, que para escalar beneficios se necesitan reglas claras, formación masiva de talento y coordinación multisectorial.
Panel “Del algoritmo al paciente: IA transformando la salud”
El panel fue moderado por el Mtro. Héctor Valle, presidente ejecutivo de FUNSALUD, y contó con la participación de la Dra. Patricia Parra (UNAM, Universidad Nacional Autónoma de México), el senador Rolando Zapata (presidente de la Comisión de Inteligencia Artificial del Senado) y Sofía Pérez Gazque (directora general de AMITI, Asociación Mexicana de la Industria de Tecnologías de Información).
Puntos clave
La inteligencia artificialLa inteligencia artificial (IA) se refiere a la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana. Es un campo fascinante que busca imitar las capacidades humanas para resolver problemas y... Más impulsa el talento clínico: como señaló la Dra. Patricia Parra, “la IA permite analizar millones de datos clínicos en segundos, algo imposible para el ser humano”, lo que facilita la toma de decisiones y puede elevar la calidad del servicio.
Al mismo tiempo, existe una urgencia regulatoria, advertida por el senador Rolando Zapata, quien pidió un marco legal que permita la innovación sin perder de vista la equidad ni permitir sesgos tecnológicos; y para que estas soluciones dejen de ser prototipos y alcancen impacto nacional es indispensable la colaboración.
Sofía Pérez Gazque subrayó que México “tiene el talento”, pero necesita coordinar con mayor fuerza a gobierno, industria y academia para escalar proyectos y convertirlos en beneficios reales para la población.
Propuestas prácticas y pasos a seguir
Las propuestas prácticas y pasos a seguir incluyen una agenda nacional colaborativa que reúna al poder legislativo, instituciones académicas y sector privado para impulsar proyectos piloto de IA en hospitales públicos y generar evidencia sobre su impacto; además, se plantea:
- Formación y alfabetización digital en salud: Incluir salud digital y tecnologías emergentes en los programas de estudio de medicina, ingeniería y ciencias sociales; capacitar a médicos, enfermeras, programadores y científicos de datos.
- Pilotos y evidencia: Poner en primer lugar proyectos piloto en entornos públicos para evaluar beneficio real, identificar riesgos y construir protocolos replicables.
Ejemplos internacionales y adaptación al contexto mexicano
Durante el panel se presentaron casos de éxito internacionales -como algoritmos para detección temprana de cáncer o asistentes virtuales para pacientes crónicos- que muestran mejoras en tiempo de diagnóstico y manejo de enfermedades. Los panelistas coincidieron en que estas soluciones son referentes útiles, pero deben adaptarse al contexto local con criterios de equidad y protección de datos.
Riesgos y consideraciones éticas
Entre los riesgos identificados figuran los sesgos algorítmicos, la vulneración de la privacidad y la posibilidad de desigualdad en el acceso a las tecnologías. Por ello, los expertos insistieron en principios éticos sólidos, transparencia en el desarrollo de modelos y mecanismos de supervisión que incluyan a la sociedad civil.
Tecnología al servicio del paciente
Los panelistas propusieron que el éxito de la IA en salud se mida por su impacto en el bienestar de las personas y la reducción de brechas en atención. Deberían ser métricas centrales:
- Indicadores tecnológicos.
- Confianza pública.
- Accesibilidad
- Resultados clínicos reales.
Conclusión
El panel demostro que la IA ya está transformando aspectos clave de la atención sanitaria en México, pero su implementación responsable y equitativa exige políticas públicas, formación especializada y colaboración estrecha entre todos los sectores. Implementada con criterios éticos y evidencia robusta, la IA tiene potencial para mejorar diagnósticos, personalizar tratamientos y ampliar el acceso a la salud en todo el país.
Pero también queda pendiente profundizar varios elementos clave que son decisivos para una implementación segura y equitativa de la IA en salud:
- Gobernanza de datos: Propuestas técnicas y regulatorias específicas sobre quién controla los datos clínicos, cómo se accede a ellos, protocolos de anonimización y estándares mínimos de seguridad. Sin esas pautas, cualquier iniciativa corre riesgo de vulnerar derechos o generar desconfianza.
- Interoperabilidad y estándares técnicos: Discutiron sobre estándares y protocolos para que distintos sistemas hospitalarios se comuniquen. Sin interoperabilidad, los pilotos quedarán aislados y será difícil escalar soluciones.
- Evaluación independiente y certificación: Detallar cómo se validarán y certificarán los algoritmos (entidades responsables, métricas de desempeño, procesos de auditoría externa). Esto es esencial para evitar la entrada al mercado de herramientas inadecuadas o dañinas.
- Financiamiento y sostenibilidad: Debatir respecto a la fuentes de financiación sostenible (fondos públicos, incentivos fiscales, alianzas público-privadas) y modelos para mantener tecnologías después de la fase piloto.
- Inclusión territorial y lingüística: Abordar a fondo cómo llegar a zonas rurales, comunidades indígenas o grupos con barreras lingüísticas. Implementar IA solo en grandes hospitales urbanos podría ampliar brechas en lugar de cerrarlas.
- Responsabilidad legal y procesos de reparación: Determinar quién será responsable en caso de errores clínicos relacionados con IA y los mecanismos para que los pacientes obtengan reparación o apelación.
- Participación ciudadana y transparencia: Trabajar en el desarrollo de mecanismos concretos para incluir a pacientes y sociedad civil en el diseño, evaluación y gobernanza de proyectos de IA.
Glosario
- Algoritmo: Conjunto de instrucciones que una computadora sigue para resolver un problema o tomar una decisión; en salud, un algoritmo puede analizar datos para ayudar a detectar enfermedades.
- Alfabetización digital en salud: Habilidad para entender y usar herramientas digitales relacionadas con la salud (apps, registros electrónicos, telemedicina) de forma segura y efectiva.
- Datos clínicos: Información sobre la salud de una persona (diagnósticos, resultados de laboratorio, imágenes médicas, tratamientos) que se usa para cuidar y estudiar pacientes.
- Modelos predictivos: Programas que utilizan datos del pasado para estimar la probabilidad de que ocurra un evento futuro, por ejemplo el riesgo de desarrollar una enfermedad.
- Piloto (proyecto piloto): Prueba a pequeña escala de una tecnología o programa en condiciones reales para evaluar su eficacia y detectar problemas antes de extenderla.
- Sesgo algorítmico: Cuando un algoritmo produce resultados injustos porque los datos con que fue entrenado o su diseño favorecen a unos grupos sobre otros.
- Transparencia (en IA): Que se explique cómo funciona una herramienta de IA —qué datos usa y por qué toma decisiones— para que médicos, pacientes y reguladores puedan entender y confiar en ella.
