La narrativa de que la inteligencia artificial transformará la medicina en el futuro ignora lo que ya está sucediendo ahora. En las especialidades más intensivas en imagen –radiología, patología, oftalmología– las herramientas con aprobación regulatoria de la FDA norteamericana ya detectan nódulos pulmonares, retinopatía diabética, accidentes cerebrovasculares y lesiones sospechosas en mamografía con un rendimiento clínico comparable al del especialista. IDx-DR, aprobado en 2018, diagnostica la retinopatía diabética sin necesidad de interpretación médica en persona. Viz.ai detecta grandes oclusiones arteriales en tomografías computarizadas de la cabeza y se comunica directamente con el equipo de neurología intervencionista. El cuello de botella actual no es la capacidad de las herramientas, sino la capacidad de los sistemas de salud para integrarlas de manera operativamente coherente.
Lo que la evidencia clínica ya ha confirmado
La curva de aprobaciones regulatorias en el área de imágenes médicas se aceleró significativamente entre 2020 y 2025. La FDA autorizó más de 700 dispositivos de inteligencia artificial y aprendizaje automático para uso clínico a mediados de esta década, y la radiología representa la mayoría absoluta de estas autorizaciones. Los estudios publicados en The Lancet, NEJM y Radiology demuestran que los algoritmos de detección del cáncer de mama en mamografía reducen los falsos negativos y alivian la carga de la doble lectura, una práctica obligatoria en varios sistemas europeos. En patología digital, los modelos entrenados para identificar subtipos de tumores en portaobjetos histológicos ya han superado el acuerdo interobservador entre patólogos experimentados en algunas categorías específicas de cáncer.
Esto no significa que la IA sustituya al radiólogo o al patólogo. Lo que la evidencia muestra consistentemente es que la combinación de algoritmo humano funciona mejor que cualquiera de los dos por separado, especialmente en tareas de detección de gran volumen, donde la fatiga y la capacidad de atención introducen errores sistemáticos. El caso de uso más sólido no es el de sustitución: es la ampliación de la capacidad de diagnóstico sin ampliar proporcionalmente el número de especialistas.
¿Qué está pasando en Brasil con la regulación y la adopción?
En los últimos años, la ANVISA ha creado un marco regulatorio específico para el software como dispositivo médico, el llamado SaMD (Software as a Medical Device), siguiendo la clasificación internacional ISO 13485 y alineado con las directrices del IMDRF. Las herramientas de diagnóstico de IA entran en esta categoría y requieren registro o notificación según el riesgo asociado. El desafío en Brasil no es la ausencia de regulación: es la velocidad de procesamiento y la capacidad técnica de los fabricantes nacionales para preparar expedientes clínicos sólidos.
Algunas startups brasileñas de tecnología de la salud ya tienen productos aprobados o en fase de notificación avanzada ante la ANVISA, especialmente en las áreas de radiografías de tórax para detección de tuberculosis y neumonía, y en exámenes de fondo de ojo. Las redes hospitalarias y los operadores de planes de salud comenzaron a ponerlos a prueba de manera ocasional, pero la transición de la implementación piloto a la sistémica aún enfrenta problemas que no son ni regulatorios ni técnicos: son cuestiones de infraestructura y de procesos.
Integración con PACS, registros médicos y el problema real de implementación
Cualquier algoritmo de IA en imágenes médicas debe conectarse a PACS (el sistema de comunicación y almacenamiento de imágenes) e, idealmente, al historial médico electrónico del paciente para acceder al contexto clínico. Este punto de integración es donde tropiezan la mayoría de los proyectos. Los PACS instalados en los hospitales brasileños varían mucho en versión, protocolo DICOM compatible y apertura a API externas. Muchos sistemas heredados no tienen interfaces estandarizadas para recibir o exportar datos de una manera que las herramientas modernas de inteligencia artificial puedan consumir con poca fricción.
El resultado práctico es que la implementación, que debería llevar semanas, a menudo lleva meses, y no por la IA en sí, sino por la arquitectura de datos del hospital. Los equipos de TI de los hospitales rara vez están familiarizados con los estándares de integración requeridos y los proveedores de IA a menudo subestiman el esfuerzo para adaptarse al entorno real del cliente. Los proyectos que no mapean este costo de integración oculto antes de la contratación tienden a consumir presupuesto y energía política sin generar resultados clínicos mensurables.
Responsabilidad civil y diseño de flujos de trabajo
La cuestión de la responsabilidad legal en el diagnóstico asistido por IA aún está lejos de ser pacificada en Brasil. El CFM (Consejo Federal de Medicina) ya ha afirmado que la responsabilidad final del acto diagnóstico recae en el médico, lo cual es clínicamente sensato, pero crea tensión operativa cuando el algoritmo detecta algo que el radiólogo no ha priorizado o descartado. Este escenario no es hipotético: surge de forma natural cuando la IA se utiliza como herramienta de detección, preseleccionando casos críticos en las colas de informes.
El diseño del flujo de trabajo debe responder a esta tensión antes de que se vuelva polémica. ¿Cómo aparece la alerta de IA en la interfaz del radiólogo? ¿El informe final registra que hubo asistencia algorítmica? ¿Existe una pista de auditoría que documente lo que marcó el sistema versus lo que concluyó el médico? Estas preguntas no tienen una respuesta única, pero es necesario responderlas antes del despliegue, no después del primer incidente.
Lo que los líderes de los sistemas de salud deben comprender antes de realizar una prueba piloto
Elegir una herramienta de diagnóstico de IA basada en el punto de referencia de precisión publicado en el artículo equivale a contratar a un empleado basándose únicamente en su currículum sin verificar las referencias. El rendimiento informado en conjuntos de datos de validación rara vez se replica sin degradación en un entorno de producción hospitalario con equipos más antiguos, protocolos de adquisición variables y una población diferente a la utilizada en la capacitación. El proceso de selección debe incluir una fase de validación local (preferiblemente con datos retrospectivos del propio hospital) antes de cualquier compromiso de escala.
Además, el patrocinador interno del proyecto es tan importante como la tecnología. Las implementaciones de IA en radiología que no cuentan con un radiólogo experimentado como defensor activo dentro del equipo clínico a menudo mueren por desuso: la herramienta existe, pero nadie la usa sistemáticamente porque no fue diseñada para el flujo de trabajo real. La aceptación clínica no se puede lograr con una demostración en una conferencia; se logra con la participación activa de los médicos en la fase de configuración y con evidencia generada a partir de los propios datos del hospital.
Finalmente, mide lo que importa. La mayoría de los pilotos definen el éxito por la precisión del diagnóstico. Pero lo que impacta los resultados financieros y clínicos de un sistema de salud es el tiempo de presentación de informes, la tasa de hallazgos incidentales reportados, la reducción de solicitudes de pruebas duplicadas y, eventualmente, el impacto en los resultados clínicos. Estos indicadores son más difíciles de recopilar, pero son los que justifican –o niegan– la expansión.
Lea también
- El mercado de la longevidad y lo que revela sobre el futuro de los planes de salud
- Cómo construir un caso de negocio para la IA en operaciones industriales
- Chips de inferencia y ASIC: cuando lo especializado gana a lo genérico
- Chips especializados y el fin de la era de las CPU genéricas
- Computación neuromórfica y bioinspirada: cuando el chip empieza a aprender del cerebro
- AI Energía y soberanía: lo que los gobiernos necesitan planificar ahora