- Por: MSP José Noé Rizo Amézquita, Investigador en Salud y Seguridad Social, Conferencia Interamericana de Seguridad Social (CISS). Director de la Sección Técnica de Determinantes Sociales de la Salud, Sociedad Mexicana de Salud Pública (SMSP). Profesor de Salud Pública y Comunidad, Departamento de Salud Pública, Facultad de Medicina de la UNAM.
- Dra. Laura Cortés Sanabria, Directora General de Calidad y Educación en Salud en la Secretaría de Salud. Directora de la Sección Técnica de Calidad de la Atención en la SMSP.
Introducción
El concepto de Inteligencia Artificial (IA) no es nuevo; sus orígenes pueden rastrearse hasta la década de 1950 (Barea et al., 2024). Sin embargo, no fue sino hasta el inicio del siglo XXI que, debido a los avances exponenciales en el campo de la tecnología, las ciencias computacionales y la informática, su utilidad, difusión y accesibilidad experimentaron un crecimiento acelerado. Hoy en día, la IA forma parte de nuestra vida cotidiana en actividades tan sencillas como obtener una sugerencia de una serie o una película a partir de un sistema de recomendación, así como en otras tan complejas como la operación de vehículos autónomos que no requieren un piloto humano.
La IA es parte del área de la informática y su objetivo es desarrollar sistemas capaces de realizar tareas que típicamente requieren inteligencia humana. En este sentido, la IA trata de emular la inteligencia del ser humano. Entre estas tareas se encuentran el reconocimiento de patrones, la toma de decisiones, el aprendizaje a partir de datos y el procesamiento del lenguaje. Como campo de conocimiento, la IA integra otras disciplinas, entre las que se encuentran el aprendizaje de máquina (Machine Learning, ML), el aprendizaje profundo (Deep Learning, DL) y el procesamiento del lenguaje natural (Natural Language Processing o NPL). El ML se basa en el uso de algoritmos para generar modelos matemáticos capaces de resolver eficientemente un problema específico. En este proceso, a partir de un conjunto de datos, se ajustan parámetros e hiperparámetros hasta obtener el modelo más adecuado. Una vez entrenado, el algoritmo aprende los patrones subyacentes y puede procesar nuevos datos para hacer clasificaciones o predicciones, integrar la información en el modelo o ajustar sus parámetros en función de la nueva información.
Adicionalmente, el ML puede clasificarse en modelos de aprendizaje supervisado y no supervisado. En el aprendizaje supervisado, se cuenta con información previa sobre el grupo o la categoría a la que pertenece un evento o variable, lo que permite entrenar el modelo con observaciones etiquetadas; mientras que, en el aprendizaje no supervisado, al no contar con etiquetas previas, el modelo identifica patrones y agrupa eventos o variables según la semejanza o diferencia de sus atributos.
El DL es una rama más avanzada del ML que emplea distintos tipos de redes neuronales artificiales profundas, capaces de identificar estructuras o patrones complejos en grandes volúmenes de datos. Una red neuronal artificial simple tiene una capa de entrada, una o más capas ocultas y un único nodo en problemas de regresión, y múltiples nodos en problemas de clasificación. Las redes neuronales convolucionales tienen una estructura semejante, pero están especializadas para datos visuales, mientras que las recurrentes trabajan con datos secuenciales, lo que las hace adecuadas para problemas de LNP, series temporales o reconocimiento de voz.
A diferencia de los algoritmos de ML, la formulación matemática del DL es considerablemente más compleja, lo que ha llevado a algunos autores a referirse a estos modelos como “cajas negras”, dada la dificultad de interpretar su funcionamiento interno (Castelvecchi, 2016). Finalmente, el LNP permite a los sistemas computacionales comprender, interpretar y generar lenguaje humano, lo que facilita el análisis y la generación de documentos escritos, así como el diseño de asistentes virtuales que, al interactuar con ellos, responden de manera semejante a como lo haría un humano, e incluso actúan como un sistema experto (c.f., Báez et al., 2022). La Figura 1 muestra de forma extremadamente simplificada el campo de la IA.
La aplicación de la IA al campo de la salud tampoco es reciente; en una revisión al respecto, Aung et al. (2021) señalaron el uso, en 1976, de un algoritmo computacional para identificar las posibles causas de dolor abdominal agudo. Sin embargo, el campo de aplicación hoy en día es considerablemente mayor con respecto al último cuarto del siglo XX. Actualmente, el uso de IA en la atención a la salud se ha diversificado y complejizado, participando en al menos aspectos relacionados con imágenes médicas y diagnóstico, atención virtual al paciente, investigación médica y descubrimiento de fármacos, participación del paciente y cumplimiento, rehabilitación, y gestión de los servicios sanitarios (para una revisión, ver: Al Kuwaiti et al., 2023).
Con la gran cantidad de datos que pueden actualmente obtenerse, la IA se ha convertido en una herramienta indispensable para los profesionales de la salud, ayudando en la identificación de patrones complejos, la automatización de procesos y el procesamiento de la información, ya sea con fines predictivos o de gestión hospitalaria. En esta breve revisión, describiremos la participación de la IA en el diagnóstico, tratamiento, administración, monitoreo y algunas formas de aplicación del procesamiento del lenguaje natural en la atención a la salud (Figura 2)..
Diagnóstico asistido por inteligencia artificial
El diagnóstico médico ha sido una de las áreas donde la IA ha tenido mayor impulso y alcance en cuanto a las ventajas obtenidas. Aunque no son sus únicas funciones, el uso de la IA ha resultado ampliamente útil para el procesamiento e interpretación de imágenes y textos médicos, así como el análisis de biomarcadores. Esto implica una mejora sustantiva en la precisión, rapidez y eficiencia con que los profesionales de la atención a la salud pueden prevenir y/o detectar enfermedades, comenzar los tratamientos de forma oportuna y maximizar la tasa de éxito.
En el caso de las imágenes médicas y el diagnóstico a través de estas, el uso de ML y DL puede ser de gran utilidad para el análisis e interpretación de patrones visuales complejos en radiografías, imágenes de resonancia magnética y tomografías computarizadas, que fácilmente podrían pasar desapercibidos incluso por radiólogos experimentados. Por ejemplo, Chan et al. (2020) y Zhou et al. (2021) han revisado la utilidad del DL mediante algoritmos de redes neuronales convolucionales en el diagnóstico asistido por computadora (CAD) para la detección de cáncer de pulmón, de anormalidades en los pulmones por infección de COVID-19, segmentación y clasificación de tejido neuronal, clasificación de la esquizofrenia y evolución de la enfermedad de Alzheimer.
Los biomarcadores, señales genéticas, metabólicas e inflamatorias, juegan un papel igualmente importante en la temprana detección de múltiples enfermedades o riesgos asociados a estas. La capacidad de la IA de manejar grandes volúmenes de datos le permite estimar modelos eficientes para identificar biomarcadores (e.g., mutaciones genéticas) que sean predictores de cáncer, enfermedades cardiovasculares y trastornos neurológicos, logrando así diagnósticos tempranos y personalizados. Adicionalmente, los biomarcadores metabólicos e inflamatorios son también útiles para monitorizar y diagnosticar enfermedades crónicas, como la diabetes y enfermedades autoinmunes, como el lupus (Flynn et al., 2024).
En la era de la digitalización, la globalización y la hiperconectividad, el NLP se ha convertido en una herramienta fundamental para auxiliar a los sistemas sanitarios en tareas como el procesamiento de textos médicos, el análisis de historias clínicas y notas médicas electrónicas. Los modelos de NLP, así como las redes neuronales recurrentes, permiten extraer información relevante no estructurada que proporcione al personal de atención a la salud información clave, de manera rápida, para tomar decisiones clínicas basadas en datos, tanto recientes como históricos (c.f., Báez et al., 2022). También pueden ser útiles en la clasificación de textos, por ejemplo, los certificados de defunción para detectar causas de muerte o reportes radiológicos para detectar patologías; mediante el análisis de voz, es también posible detectar biomarcadores de voz para la enfermedad de Parkinson (Aracena et al., 2022).
Inteligencia artificial para el tratamiento médico
En el caso del tratamiento, las tres áreas con mayor potencial y desarrollo en las que la IA puede ser auxiliar son el tratamiento personalizado, el tratamiento robótico y el tratamiento farmacológico. En el primer caso, el tratamiento personalizado, mediante la IA se pueden identificar características particulares de un paciente, que lo integren en un subgrupo conocido de pacientes con características semejantes, como perfiles genéticos, respuesta a tratamientos previos, sexo, edad y otras condiciones, para elegir el tratamiento con mayor probabilidad de éxito. Esto puede ser referido como medicina de precisión y requiere grandes volúmenes de información sobre aspectos genéticos y clínicos para hacer predicciones cada vez más acertadas. Esto puede tener un gran impacto en campos como la oncología (Collins & Varmus, 2015).
La cirugía asistida por robots es ya una realidad alcanzada gracias a la IA y los desarrollos tecnológicos que convergen en ella. Uno de estos sistemas robóticos es el Sistema Da Vinci (Figura 3; Solo Robótica, 2011), desarrollado desde el año 2000 y continuamente actualizado para su mejora. Este sistema permite a un cirujano realizar una operación a distancia; esto es, el Sistema Da Vinci no es autómata, sino que requiere la intervención de un humano que guíe las acciones a realizar. Sin embargo, su operación puede ser remota y su aplicación se encuentra en el campo de la cirugía general, ginecológica y urológica, por mencionar algunas. Adicionalmente, el desarrollo de prótesis y exoesqueletos inteligentes ha permitido a las personas que padecen alguna discapacidad recuperar cierto grado de funcionalidad de la parte afectada. Su campo de acción no se reduce al movimiento de extremidades o músculos, sino también a la neurorrehabilitación, que implica la recuperación, al menos parcial, de funciones sensoriales y cognitivas (Oña et al., 2018).
Los modelos de simulación computacional igualmente han permitido un gran avance en el desarrollo de nuevos fármacos, prediciendo los efectos de sustancias, interacciones entre ellas y perfiles moleculares, efectos adversos y/o secundarios. Todo ello prescindiendo de estudios de laboratorio que pueden atravesar largas y costosas fases de desarrollo. Con ello es posible identificar nuevos candidatos a fármacos, optimizar los existentes y aumentar la seguridad de los pacientes durante los ensayos clínicos (Vamathevan, 2019).
Gestión hospitalaria y de la salud mediante Inteligencia Artificial
La IA ha demostrado ser eficiente para la administración de la atención sanitaria al optimizar los procesos, mejorar la eficiencia y reducir los costos. Relacionado con el apartado anterior, la era digital ha permitido la transición del historial clínico en papel y pluma a las historias clínicas electrónicas (HCE). Las HCE permiten un acceso rápido, seguro e incluso remoto a la información del paciente, mejorando la gestión de su información y la interoperabilidad entre diferentes centros o sistemas hospitalarios. Esto último permite compartir información de manera eficiente. También, la IA puede alertar sobre posibles errores u omisiones en la captura de datos, garantizando una información precisa y completa (Medinaceli & Díaz, 2021).
Otro caso representativo del uso de la IA en la gestión hospitalaria es su capacidad para predecir la demanda de servicios médicos, gestionar los recursos de manera óptima y reducir los tiempos de espera. Estos aspectos mejoran la calidad de la atención al paciente y disminuyen costos operativos. La planificación de la cantidad de personal requerido por servicio en función de fluctuaciones en las necesidades de atención puede ser también gestionada a partir de la IA, lo que permite a la administración una mejor distribución de equipo, tanto humano como tecnológico (Bhagat & Kanyal, 2024). Todos estos aspectos son útiles para la toma de decisiones basadas en datos que permitan manejar presupuestos y costos económicos de manera óptima (Khanna et al., 2022).
IA en la Promoción de la Salud y la Prevención de Enfermedades
Uno de los mayores beneficios de la IA está en la promoción de la salud y la prevención de enfermedades. En el primer caso, la promoción de la salud, los modelos de IA pueden analizar datos específicos como genéticos, hábitos alimentarios, niveles de actividad física, consumo de sustancias y la historia clínica, a fin de predecir riesgos específicos para cada individuo. Una vez hecho esto, son capaces de elaborar una intervención propia al individuo en cuestión para reducir los riesgos y maximizar los beneficios a su salud. Además, a través de dispositivos inteligentes, es posible monitorear las actividades de los usuarios de servicios de salud, para hacer seguimiento de sus rutinas, enviar recordatorios o recomendaciones que se ajusten a sus necesidades. Esto tiene ventajas a nivel personal, por atender necesidades específicas del usuario, pero también en una esfera macro, ya que permite mejorar la salud pública, delinear políticas en esta materia y aumentar la accesibilidad de atención a la salud (Nurani et al., 2025; Refin, 2024).
Una de las lecciones aprendidas de la reciente pandemia por COVID-19 es que, en el futuro, habrá más pandemias semejantes o incluso más letales. Mediante el uso de la IA, se puede hacer un análisis retrospectivo del inicio del brote y su expansión global, valorar las acciones de contención y prevención, así como la distribución de recursos, para elaborar modelos predictivos de futuras pandemias y cómo actuar frente a estos riesgos potenciales (Ankolekar, 2024).
Conclusiones
La IA ha revolucionado la forma de interactuar con el mundo real y con el ahora llamado mundo virtual. Actualmente, la IA se ha integrado en nuestra vida cotidiana, desde la recomendación de una serie o película, hasta la posibilidad de tener asistentes personales virtuales integrados en el teléfono celular. En este contexto, el uso de la IA en aspectos relacionados con la atención a la salud se ha ido abriendo camino desde finales del siglo pasado, y en el siglo XXI ha alcanzado un gran número de aspectos en los que puede ser integrada. Desde ser un auxiliar para los profesionales de la salud y los usuarios de sus servicios, hasta ser una piedra angular en la mejora de la gestión y el funcionamiento de los sistemas hospitalarios, incluso como parte esencial de las políticas públicas en materia de salud.
El incipiente uso de la IA a finales del siglo XX presenta ahora un crecimiento exponencial que, en combinación con los cada vez mayores avances científicos y tecnológicos, permite esperar los próximos beneficios ya no en décadas o lustros, sino en años e incluso, posiblemente, en meses. La IA está disponible; ahora es responsabilidad de las autoridades competentes hacer un uso óptimo de ella en beneficio de la población.
Referencias
– Aung, Y. Y. M., Wong, D. C. S., & Ting, D. S. W. (2021). The promise of artificial intelligence: A review of the opportunities and challenges of artificial intelligence in healthcare. British Medical Bulletin, 139(4), 4–15. https://doi.org/10.1093/bmb/ldab016
– Al Kuwaiti, A., Nazer, K., Al-Reedy, A., Al-Shehri, S., Al-Muhanna, A., Subbarayalu, A. V., Al Muhanna, D., & Al-Muhanna, F. A. (2023). A review of the role of artificial intelligence in healthcare. Journal of Personalized Medicine, 13(6), 951. https://doi.org/10.3390/jpm13060951
– Zhou, S. K., Greenspan, H., Davatzikos, C., Duncan, J. S., van Ginneken, B., Madabhushi, A., Prince, J. L., Rueckert, D., & Summers, R. M. (2021). A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises. Proceedings of the IEEE, 109(5), 820–838. https://doi.org/10.1109/JPROC.2021.3054390
– Chan, H.-P., Samala, R. K., Hadjiiski, L. M., & Zhou, C. (2020). Deep learning in medical image analysis. Advances in Experimental Medicine and Biology, 1213, 3–21. https://doi.org/10.1007/978-3-030-33128-3_1
– Barea, M. J. A., Valiente, F. M., Pardo, F. A., & Gómez, A. J. (2024). Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente crítico. Medicina Intensiva. https://doi.org/10.1016/j.medin.2024.03.007
– Castelvecchi, D. (2016). Can we open the black box of AI? Nature, 538(7623), 20-23. https://doi.org/10.1038/538020a
– Flynn, C. D., & Chang, D. (2024). Artificial intelligence in point-of-care biosensing: Challenges and opportunities. Diagnostics, 14(1100). https://doi.org/10.3390/diagnostics1411110
– Aracena, C., Villena, F., Arias, F., & Dunstan, J. (2022). Aplicaciones de aprendizaje automático en salud. Revista Médica Clínica Las Condes, 33(6), 568–575. https://doi.org/10.1016/j.rmclc.2022.10.001
– Collins, F. S., & Varmus, H. (2015). A new initiative on precision medicine. New England Journal of Medicine, 372(9), 793-795. https://doi.org/10.1056/NEJMp1500523
– Solo Robótica. (2011, diciembre). Sistema quirúrgico da Vinci SI HD. Solo Robótica. http://solorobotica.blogspot.com/2011/12/sistema-quirurgico-da-vinci-si-hd.html
– Oña, E., Cano-de la Cuerda, R., Sánchez-Herrera, P., Balaguer, C., & Jardón, A. (2018). A review of robotics in neurorehabilitation: Towards an automated process for upper limb. Journal of Healthcare Engineering, 2018, 9758939. https://doi.org/10.1155/2018/9758939
– Vamathevan, J., Clark, D., Czodrowski, P., et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(7), 463–477. https://doi.org/10.1038/s41573-019-0024-5
– Medinaceli, D. K. I., & Díaz, S. C. M. M. (2021). Impacto y regulación de la inteligencia artificial en el ámbito sanitario. Revista IUS, 15(48), 77-113. https://doi.org/10.35487/rius.v15i48.2021.745
– Bhagat, S. V., & Kanyal, D. (2024). Navigating the future: The transformative impact of artificial intelligence on hospital management—A comprehensive review. Cureus, 16(2), e54518. https://doi.org/10.7759/cureus.54518
– Khanna, N. N., Maindarkar, M. A., Viswanathan, V., Fernandes, J. F. E., Paul, S., Bhagawati, M., Ahluwalia, P., Ruzsa, Z., Sharma, A., Kolluri, R., et al. (2022). Economics of artificial intelligence in healthcare: Diagnosis vs. treatment. Healthcare, 10(2493). https://doi.org/10.3390/healthcare10122493
– Ankolekar, A., Eppings, L., Bottari, F., Pinho, I. F., Howard, K., Baker, R., … & Lambin, P. (2024). Using artificial intelligence and predictive modelling to enable learning healthcare systems (LHS) for pandemic preparedness. Computational and Structural Biotechnology Journal, 24, 412-419. https://doi.org/10.1016/j.csbj.2024.05.014
Este y otros artículos de interés, así como reportajes y entrevistas exclusivas, los podrás encontrar en nuestra próxima edición especial: Enfermedades Raras 2025 de la Revista LaSalud.mx
