Tecnología con sesgos: una mirada crítica a la ia en el sistema de salud
Palabras clave:
inteligencia artificial, equidad, salud digital, accesoResumen
La integración de la inteligencia artificial (IA) en la medicina representa una transformación profunda en la forma de diagnosticar, tratar y monitorear enfermedades, con el potencial de optimizar la atención sanitaria en términos de precisión, rapidez y personalización. Sin embargo, esta innovación también ha puesto en evidencia profundas desigualdades sociales y económicas que limitan su acceso, especialmente en comunidades rurales o de bajos recursos. A pesar de sus múltiples beneficios, como la mejora del diagnóstico por imágenes, la automatización de procesos clínicos y la personalización de tratamientos mediante algoritmos avanzados, existen barreras significativas vinculadas a la falta de infraestructura, la escasa formación digital del personal médico, los altos costos de implementación y los sesgos presentes en los datos de entrenamiento que alimentan los sistemas. Estas condiciones afectan de manera desproporcionada a las poblaciones vulnerables, ampliando la brecha entre quienes pueden beneficiarse de estas herramientas y quienes quedan excluidos de sus ventajas. Además, la percepción social de la IA en medicina es ambivalente: mientras algunos la ven como una aliada poderosa, otros desconfían de la automatización del juicio clínico. Por otro lado, la sinergia entre IA y telemedicina abre nuevas oportunidades para ampliar el acceso y reducir costos, siempre que se garantice una implementación equitativa y ética. Este estudio evidencia la necesidad de adoptar un enfoque crítico e inclusivo que asegure el acceso universal a los avances tecnológicos en salud, priorizando la equidad y la sostenibilidad como pilares del desarrollo digital.
Referencias
Alami, H., Lehoux, P., Gagnon, M. P., & Fortin, J. P. (2020). Artificial intelligence and health inequities in Latin America. Journal of Global Health, 10(2), 020310.
Braun, V., & Clarke, V. (2013). Successful qualitative research: A practical guide for beginners. Sage. https://www.scirp.org/reference/ReferencesPapers?ReferenceID=1623262
Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 1–15.
Cobo Cano, A., & Lloret, E. (2020). Impactos sociales y éticos de la inteligencia artificial en salud. Editorial Médica.https://www.buscalibre.ec/libro-inteligencia-artificial-y-medicina/9788400111496/p/55007557
Esteva, A., Kuprel, B., Novoa, R.A., et al. (2017) Clasificación a nivel de dermatólogo del cáncer de piel con redes neuronales profundas. Naturaleza, 542, 115-118.https://doi.org/10.1038/nature21056
García, M., & López, A. (2022). Retos y oportunidades en la implementación de IA en sistemas de salud en países en desarrollo. Salud Pública y Tecnología, 8(3), 23-34.
Jiménez, L., González, M., & Ramírez, P. (2019). Envejecimiento poblacional y carga de enfermedades crónicas: desafíos para los sistemas de salud. Revista Panamericana de Salud Pública, 43, e34. https://doi.org/10.22185/24487147.2017.93.022
Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., & Kitai, T. (2020). Artificial intelligence in precision cardiovascular medicine. Journal of the American College of Cardiology, 76(10), 1307-1318.
Lakhani, P., & Sundaram, B. (2017). Deep learning at chest radiography: Automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology, 284(2), 574-582.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.
Martínez, D., Vargas, S., & Castillo, J. (2023). Capacitación y desarrollo tecnológico en salud pública: el reto de la inteligencia artificial. Revista de Innovación en Salud, 11(2), 112-126.
Maxwell, J. A. (2013). Qualitative research design: An interactive approach. Sage.
McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., ... & Suleyman, M. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89-94.
Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future — big data, machine learning, and clinical medicine. The New England Journal of Medicine, 375(13), 1216-1219.
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453.
Pérez, R., & Torres, F. (2021). Desafíos y oportunidades del envejecimiento poblacional en América Latina. Revista de Gerontología, 33(1), 15-28.
Pérez, S., Martínez, L., & Gómez, A. (2023). La telemedicina como herramienta para mejorar el acceso en zonas rurales. Revista de Salud Pública y Tecnología, 10(4), 56-69.
Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., ... & Ng, A. Y. (2018). CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning. arXiv preprint arXiv:1711.05225.
Rodríguez, M., & Sánchez, J. (2020). Desigualdad en el acceso a la atención médica en zonas rurales latinoamericanas. Salud Global, 14(2), 99-110.
Smith, A. C., & Magnani, J. W. (2019). New technologies and health inequities. Annual Review of Public Health, 40, 303-316.
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.
Wang, F., & Smith, H. (2022). Artificial intelligence and the future of personalized medicine. Trends in Pharmacological Sciences, 43(4), 299-311.
WHO (2021). Global strategy on digital health 2020. World Health Organization. Ávila-Tomás, JF, Mayer-Pujadas, MA y Quesada-Varela,. Inteligencia artificial y robótica en la atención sanitaria: aplicaciones actuales y futuras. https://europepmc.org/article/pmc/pmc7752970
Avila-Tomás, J. F., Mayer-Pujadas, M. A., & Quesada-Varela, V. J. (2022). La inteligencia artificial y sus aplicaciones en medicina I: Introducción antecedentes a la IA y robótica. https://www.sciencedirect.com/science/article/pii/S0212656720301451
Burela, A. (2022). La inteligencia artificial en la medicina: Beneficios y desafíos. Gaceta Médica de México, 158(11), 548-558. Recuperado de https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0016-38132022001100017
Organización Mundial de la Salud. (2021, 28 de junio). La OMS publica el primer informe mundial sobre inteligencia artificial (IA) aplicada a la salud seis principios rectores relativos a su concepción y utilización. OMS. https://www.who.int/es/news/item/28-06-2021-who-issues-first-global-report-on-ai-in-health-and-six-guiding-principles-for-its-design-and-use
Alami, H., Rivard, L., Lehoux, P., Hoffman, S. J., Cadeddu, S. B., Savoldelli, M., Samri, M. A., Ag Ahmed, M. A., Fleet, R., & Fortin, J. P. (2020). Artificial intelligence in health care: laying the Foundation for Responsible, sustainable, and inclusive innovation in low- and middle-income countries. Globalization and Health, 16(52), 1-6. https://doi.org/10.1186/s12992-020-00584-1
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Joel David Bastidas Jimbo (Author)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
