Modorandom.com.ar

En 1982, Blade Runner, el clásico de Ridley Scott, presentó un mundo donde la Corporación Tyrell creaba seres artificiales con una misión inquietante: ser más humanos que los humanos. Ese era su eslogan corporativo, un lema que en la película servía tanto de promesa de venta como de advertencia sobre el futuro. Los replicantes, creados con ingeniería biológica avanzada, superaban a los humanos en fuerza, en velocidad y también en inteligencia. Pero lo que realmente los diferenciaba era su relación con la humanidad: a pesar de ser diseñados como esclavos, anhelaban libertad, temían a la muerte y, en algunos casos, demostraban una compasión que muchos humanos parecían haber perdido. La pregunta que dejaba la película era clara: si un ser artificial puede sentir y actuar con más empatía que nosotros, ¿qué es lo que realmente nos hace humanos? Recuerdo esto porque la ciencia ficción era entonces para mí mucho más que una forma de entretenerse durante las eternas tardes de verano en los ochenta y sigue siendo más que un consumo cultural.

La ciencia ficción fue mi puerta de entrada a la tecnología desde que tengo uso de razón y, seguramente, lo que hizo que me dedicara a la inteligencia artificial (IA). Cuatro décadas después del estreno de Blade Runner, el mundo real no está poblado de replicantes, pero la pregunta sobre la humanidad que nos hacíamos más arriba está más vigente que nunca.

Las inteligencias artificiales que diseñamos están alcanzando un nivel de sofisticación que nos obliga a replantearnos muchas ideas que dábamos por sentadas. Nos acompañan en nuestros trabajos, nos ayudan a tomar decisiones y hasta crean contenido con una calidad que desdibuja los límites entre lo humano y lo sintético. Y aquí es donde volvemos a la frase de Corporación Tyrell: en un mundo donde la inteligencia artificial podría ser más creativa, más eficiente e incluso más empática en ciertas interacciones, ¿somos contemporáneos del nacimiento de algo más humano que los humanos?

Todo esto me llevó a pensar si estamos comunicando correctamente la inteligencia artificial y cómo podríamos hacerlo mejor. Estoy casi seguro de que lo estamos haciendo mal por dos motivos principales. Primero, porque la opinión pública la reduce a un solo producto: ChatGPT, o —como mucho—a todo lo que implique hablar en lenguaje natural y recibir una respuesta sintética. En los últimos años, cada avance tecnológico parece resumirse en esas herramientas generativas, como si la IA fuera sinónimo de un único chatbot conversacional. Segundo, porque la conversación pública está dominada por el miedo: por escenarios distópicos, por el temor a perder el trabajo, por usos malintencionados, por lo que podría salir mal. (…)

Ese marco antagónico no es nuevo: venimos oponiendo lo digital a lo físico, lo tecnológico a lo humano, lo artificial a lo natural. Esa mirada binaria nos impide ver el panorama completo y nos hace ignorar que la inteligencia artificial ya está transformando la agricultura, la medicina, la industria, el deporte, la accesibilidad. (…)

Nuevas formas de cuidar: la IA que transforma la medicina

En los hospitales del Reino Unido, los médicos enfrentaban un dilema cotidiano: cómo decidir, de manera rápida y segura, si un paciente con sospecha de enfermedad coronaria necesitaba una angiografía invasiva o si bastaba con un seguimiento menos agresivo. La decisión podía implicar horas de análisis, pruebas adicionales y, en algunos casos, procedimientos que finalmente resultaban innecesarios. Para abordar esa situación, se introdujo FFR-CT, una herramienta de inteligencia artificial desarrollada por la empresa HeartFlow Inc., capaz de evaluar la gravedad de las estenosis coronarias a partir de una tomografía computarizada (CCTA, por sus siglas en inglés), sin necesidad de cateterismo invasivo. La tecnología procesa las imágenes, integra simulaciones de flujo sanguíneo y entrega al médico una predicción precisa: dónde el corazón necesita atención inmediata y dónde es posible esperar. La IA se convierte así en un aliado silencioso que permite a los médicos tomar decisiones más informadas, rápidas y seguras. El impacto fue notable. En un estudio observacional llevado a cabo en veintisiete hospitales del National Health Service (NHS) con más de 90.500 pacientes que se sometieron a una tomografía, de los cuales 7.863 fueron analizados con FFR-CT, la introducción de la herramienta se asoció con una reducción del 7% en las angiografías coronarias invasivas (ICA, por sus siglas en inglés) y una caída del 16% en las ICA que no derivaron en intervención, es decir, pruebas invasivas que al final no aportaron tratamiento. Además, el uso de pruebas cardiovasculares complementarias no invasivas disminuyó en aproximadamente un 12%. Y, aún más, la implementación fue segura: no se observaron diferencias significativas en la mortalidad por todas las causas ni en la mortalidad cardiovascular entre los grupos analizados. Estos resultados muestran que la IA no solo optimizó recursos, sino que mantuvo la seguridad del paciente frente al camino tradicional. Pero, más allá de la eficiencia y la seguridad en términos técnicos, FFR-CT impactó en la equidad en materia de salud: la tecnología fue desplegada en veintisiete centros que representaban diversas regiones urbanas y rurales, académicas y no académicas,—y el estudio reportó que no hubo diferencias significativas en su uso según el nivel de privación social de las poblaciones atendidas. En términos prácticos, esto denota que la IA se transformó en un soporte más accesible para distintos entornos clínicos, no únicamente para centros de élite. La inteligencia artificial, convertida en un orquestador que organiza datos, patrones y riesgos, ayuda a modificar la práctica clínica y libera a los profesionales de tareas repetitivas para permitirles concentrarse en lo que solo un humano puede aportar: decidir frente a la incertidumbre, interpretar los datos con la experiencia y transmitir al paciente, con empatía, el sentido humano de cada decisión.

Algoritmos que aprenden de los médicos, gemelos digitales y visión computarizada

El pulso de la medicina ya no se mide solo en los latidos del corazón o en los monitores de signos vitales, sino también en otros flujos: los datos que circulan en los sistemas hospitalarios. Cada estudio, cada muestra, cada registro electrónico de salud alimenta una red de algoritmos que aprenden a reconocer patrones invisibles para el ojo humano. El aprendizaje automático machine learning—es hoy una de las herramientas más poderosas de esta transformación. ¿Cómo funciona? A grandes rasgos, en lugar de seguir reglas predefinidas, estos modelos aprenden de la experiencia: analizan miles de historias clínicas, resultados de laboratorio e imágenes médicas para anticipar complicaciones, predecir la evolución de enfermedades y ayudar a los médicos a tomar decisiones con un grado de precisión que, hace apenas una década, era tan solo una aspiración fantasiosa de los médicos. Uno de los avances más significativos ha ocurrido en el terreno de la predicción clínica. Los modelos de machine learning pueden estimar el riesgo de sufrir un infarto, una sepsis o una recaída oncológica a partir de combinaciones complejas de variables: edad, presión arterial, marcadores bioquímicos, patrones de sueño, registros de actividad física o incluso factores ambientales. En los sistemas de salud más avanzados, estos algoritmos funcionan como una alarma temprana: detectan señales débiles que un profesional podría pasar por alto en medio de la sobrecarga asistencial.

El Hospital Mount Sinai y el Mayo Clinic, ambos situados en Estados Unidos, ya utilizan sistemas de IA para identificar riesgo de arritmias o insuficiencia cardíaca antes de que los síntomas sean evidentes en los pacientes. En Europa, proyectos como AI4HealthSec, que funcionó como piloto entre 2020 y 2023, financiado por la Unión Europea, buscan integrar estos modelos en redes hospitalarias seguras, donde los datos se analizan sin salir del entorno clínico, lo que garantiza la privacidad de los pacientes. El otro frente de cambio en los sistemas hospitalarios es el uso de gemelos digitales en réplicas virtuales de órganos, sistemas biológicos o incluso de personas enteras, que permiten simular el comportamiento del cuerpo ante distintas intervenciones. En la medicina cardiovascular, por ejemplo, se están utilizando para anticipar cómo respondería un paciente a una cirugía o a la colocación de un stent; en oncología, para probar virtualmente tratamientos y evaluar efectos secundarios antes de aplicarlos. El proyecto europeo CompBioMed2, impulsado por el University College London, creó modelos digitales del corazón y cerebro humanos, capaces de incorporar datos anatómicos, fisiológicos y genéticos en tiempo real. En el futuro, estos gemelos digitales podrían funcionar como un espejo biológico de cada persona: un modelo dinámico que aprende con nosotros y permite ensayar la medicina de precisión de manera personalizada. También la visión computarizada cambió radicalmente la práctica médica. Las redes neuronales profundas entrenadas con millones de imágenes permiten detectar con alta precisión signos tempranos de cáncer, enfermedades pulmonares o patologías oftalmológicas. En la India y en el Reino Unido, sistemas de IA ya diagnostican retinopatía diabética a partir de una simple fotografía ocular, sin intervención directa de un especialista.

En los laboratorios de patología, los algoritmos clasifican tejidos y reconocen patrones celulares en segundos, lo que libera a los médicos de tareas repetitivas y aumenta la capacidad de detección de enfermedades raras. Lo interesante no es solo la velocidad, sino la capacidad de la máquina para identificar correlaciones que aún no figuran en los manuales clínicos. Estas tecnologías no funcionan de manera aislada. Se retroalimentan, se combinan y aprenden unas de otras. Los modelos predictivos se apoyan en la visión computarizada para analizar imágenes, los gemelos digitales integran datos de sensores y registros electrónicos, y los algoritmos de machine learning procesan todo ese caudal de información para ofrecer una mirada más amplia sobre la salud.

El lado incierto de los datos

Aunque la IA ha demostrado ser una herramienta poderosa para mejorar la detección de enfermedades, personalizar tratamientos, optimizar ensayos clínicos y acelerar la investigación farmacológica, su adopción en el consultorio plantea dilemas éticos y prácticos que no tienen soluciones simples. La posibilidad de que un algoritmo identifique de forma temprana un riesgo vital en un paciente, sugiera un tratamiento personalizado o detecte un patrón que un profesional podría pasar por alto genera una tensión: ¿hasta qué punto la automatización de decisiones médicas potencia la autonomía del profesional y en qué momento lo convierte en un receptor pasivo de recomendaciones algorítmicas? El aprendizaje por experiencia, el ensayo y error que forma parte de la práctica clínica, podría verse reducido. Cuando un sistema de IA supervisa las constantes vitales de un paciente crítico, predice complicaciones y alerta automáticamente al médico, algunas decisiones se toman antes de que el profesional haya podido observar y razonar por sí mismo. Esto no solo plantea interrogantes sobre la formación de las nuevas generaciones de médicos, sino también sobre la responsabilidad y la confianza en la toma de decisiones: ¿quién responde si la recomendación automática falla?, ¿cómo se asegura que los residentes o el personal más joven desarrollen criterio propio, sin volverse dependientes de la herramienta? Y, más allá de la formación profesional, surge la pregunta sobre la equidad y la presión laboral: ¿la democratización del conocimiento médico a través de la IA nivela oportunidades para todos o amplifica la exigencia de rendir desde el primer momento en situaciones clínicas complejas? Estas preguntas alrededor de los principiantes en medicina, como veremos en el próximo capítulo, son extensivas a los juniors de muchas otras profesiones.

Los algoritmos que detectan sepsis en neonatos con un 75% de precisión, los sistemas que clasifican imágenes de resonancias para identificar signos de cáncer de mama y los modelos predictivos que sugieren ajustes en ensayos clínicos o nuevas combinaciones de fármacos potencian la práctica médica, pero también redefinen la relación entre conocimiento, experiencia y responsabilidad ética. Cada decisión asistida por IA obliga al médico a preguntarse cómo equilibrar eficiencia, seguridad, autonomía humana y confianza profesional.

Cuando volví de Singularity University, en 2017, después de hacer el Global Solutions Program en el campus de la NASA, en California, empecé a conectar con otros exalumnos que habían pasado por distintos programas. Entre ellos estaba Diego Rodrigo Pereyra, médico especialista en medicina crítica y terapia intensiva, apasionado por la tecnología y su aplicación en la atención de emergencias. Diego había participado de Exponential Medicine, uno de los programas más reconocidos de Singularity, dedicado exclusivamente a explorar cómo las tecnologías exponenciales como la inteligencia artificial, la robótica, la biología sintética o la salud digital—podían transformar la medicina.

Mientras que mi programa era generalista y abarcaba un amplio espectro de temas, el suyo se enfocaba al cien por ciento en el futuro de la salud, con médicos y tecnólogos que trabajaban codo a codo para imaginar nuevas formas de diagnóstico, prevención y cuidado. Desde entonces, Diego se convirtió en un referente de lo que hoy llamamos healthtech. Siempre me impresionó su mirada: decía que, en el fondo, se había equivocado de carrera, que tendría que haber estudiado Ingeniería. Yo le respondía que no, que estaba exactamente donde debía estar, y que su valor estaba en poder llevar el conocimiento tecnológico hacia adentro del sistema de salud. Porque no se trata solo de que ingenieros o expertos en inteligencia artificial se acerquen al mundo médico, sino también de que médicos como él se conviertan en puentes, capaces de traducir los lenguajes de ambos mundos. El debate sobre healthtech no termina en la implementación de una tecnología, sino que recién ahí comienza. La inteligencia artificial no sustituye la incertidumbre que acompaña toda decisión médica, apenas la ilumina desde otro ángulo. Y frente a cada nuevo algoritmo, los profesionales siguen enfrentando la misma pregunta esencial: cómo cuidar mejor, con qué medios y hasta dónde confiar.

Cómo trabajan los datos: tecnologías que amplifican la mirada del médico

En los próximos años, el día a día en los hospitales se transformará de manera profunda. Un radiólogo ya no revisará únicamente una resonancia tras otra: utilizará herramientas de computer vision que destacan posibles lesiones, calculan volúmenes de tumores y comparan hallazgos con millones de casos previos, lo que acelerará la detección temprana de enfermedades como el cáncer de mama. Estas redes neuronales pueden señalar anomalías que un ojo humano podría pasar por alto, reducir errores y permitir intervenciones más rápidas y precisas. Paralelamente, los algoritmos de apoyo a la toma de decisiones clínicas analizan grandes cantidades de datos provenientes de historias médicas, constantes vitales y literatura científica reciente. Así, un médico puede recibir alertas sobre posibles interacciones de medicamentos, recomendaciones de tratamiento personalizado y predicciones sobre la evolución de un paciente, todo mientras este se encuentra en la habitación. Detrás de esto hay sistemas que aprenden de cada interacción, reteniendo preferencias y respuestas individuales para ofrecer asesoramiento en tiempo real, transformando la atención en una dinámica adaptada a cada paciente. Los ensayos clínicos, antes lentos y burocráticos, se aceleran gracias a plataformas que filtran y seleccionan pacientes automáticamente según criterios complejos, desde marcadores genéticos hasta historial de tratamientos previos. Herramientas como Deep 6.AI permiten identificar candidatos para estudios en cuestión de minutos, mientras algoritmos predictivos advierten sobre riesgos antes de que ocurran, lo que aumenta la seguridad de los participantes y libera a los investigadores de tareas repetitivas de codificación y clasificación de datos. En hospitales que utilizan IBM Watson Health, por ejemplo, la codificación de resultados clínicos se redujo más de un 70%, lo que optimiza el flujo de trabajo y permite que los equipos se concentren en analizar hallazgos relevantes.

La IA también acelera el desarrollo de fármacos, fases que tradicionalmente consumían años. Compañías como BenevolentAI y Exscientia aplican aprendizaje automático para diseñar nuevas moléculas, predecir interacciones químicas complejas y sugerir combinaciones prometedoras. Durante la pandemia de covid-19, estas tecnologías permitieron identificar medicamentos existentes susceptibles de ser reposicionados, reducir tiempos de experimentación y costos.

Además, la farmacogenómica apoyada en IA correlaciona perfiles genéticos con respuestas a tratamientos, lo que abre la puerta a terapias personalizadas que responden a la historia clínica y estado de cada paciente.

Aun así, incluso los avances más prometedores plantean dilemas complejos. La IA puede identificar riesgos vitales o sugerir tratamientos personalizados, pero también altera la dinámica de aprendizaje clínico: la supervisión constante de un algoritmo puede reducir el ensayo y error que es parte de la formación profesional, y la automatización plantea preguntas sobre responsabilidad, confianza y equidad. La dimensión que toma esta dinámica de contrapesos entre máquinas y humanos se hace evidente, por ejemplo, en el uso de programas de cribado de cáncer de pulmón: las técnicas de imagen más sensibles permiten detectar lesiones diminutas antes que radiografías tradicionales, pero esa misma sensibilidad puede generar sobrediagnóstico y tratamientos innecesarios, lo que en grandes poblaciones puede causar más daño que beneficio.

Es importante comprender que los datos que procesan los algoritmos no son números abstractos, sino que son la base sobre la que será una nueva práctica clínica. La IA, desde la visión por computadora que detecta lesiones mínimas hasta los modelos predictivos que anticipan complicaciones o los ensayos clínicos automatizados, transforma la atención médica cotidiana. Cada herramienta refleja patrones, extrae conocimiento de millones de casos previos y ayuda a tomar decisiones más rápidas y seguras, sin reemplazar el juicio humano. De esta forma, también comienza a redefinirse el rol de los profesionales de la salud: los médicos, los radiólogos y los investigadores dejarán de ser recolectores de información y se convertirán en intérpretes de datos complejos, responsables de equilibrar una ecuación sofisticada entre precisión, seguridad y humanidad.

La máquina amplifica su mirada, pero es la experiencia humana la que decide qué hacer con esa información, cómo priorizar, cómo explicar y cómo acompañar al paciente. En un evento sobre inteligencia artificial en Madrid, en 2024, me quedé conversando con un médico investigador. Su equipo trabajaba en el desarrollo de tratamientos para enfermedades que hoy todavía no tienen cura, y estaba formado por científicos de datos, especialistas en sistemas, expertos en procesamiento de imágenes y en computer vision. Después de una hora de charla sobre los avances y límites de la tecnología, me dijo algo que se me quedó grabado: tenía una expectativa enorme respecto de lo que estas herramientas podían hacer por la salud, por la posibilidad de detectar a tiempo una enfermedad o incluso salvar vidas. Como muchos en su campo, no veía la inteligencia artificial como una amenaza ni como una competencia, sino como una forma de amplificar su trabajo, de llegar más lejos de lo que podría hacer solo. También reconocía los desafíos. Uno de los más complejos, me comentó, era el de la explicabilidad: los modelos de deep learning, basados en redes neuronales artificiales, muchas veces ofrecen resultados precisos, pero sin poder explicar cómo llegaron a ellos. Esa opacidad, —ese “pensamiento” que no se puede rastrear,— limita su aplicación en medicina, donde la confianza en el diagnóstico y la transparencia del proceso son esenciales. Resolver ese dilema, decía, será una de las claves del futuro de la inteligencia artificial en el mundo de la salud.

Este nuevo mapa de la medicina nos enfrenta a una paradoja: cuanto más poderosa y omnipresente es la IA en medicina, más imprescindible se vuelve la comprensión profunda de los datos y la capacidad de tomar decisiones éticas y empáticas. Los algoritmos aceleran, sugieren, advierten y codifican, pero solo un humano puede otorgar sentido a cada recomendación y convertir la tecnología en un espejo que refleja no solo riesgos y patrones, sino también la responsabilidad, intuición y empatía que definen (desde siempre) la práctica médica.

☛ Título: Generación IA

☛ Autor: Fredi Vivas

☛ Editorial: Sudamericana

☛ Edición: Marzo de 2026

☛ Páginas: 240

Datos del autor

Fredi Vivas nació en 1980, es ingeniero en Sistemas Informáticos, graduado de la Universidad Abierta Interamericana (UAI), y especialista en inteligencia artificial, machine learning y big data analytics.

Es cofundador y CEO de RockingData, una de las startups referentes en América Latina en el uso de datos e inteligencia artificial para la toma de decisiones estratégicas.

Como becario y alumno de Singularity University (NASA + Google), realizó posgrados en inteligencia artificial, robótica, big data y machine learning.

Actualmente se desempeña como profesor y coordinador académico de los programas de Data & AI Strategy y MAD Camp en la Universidad de San Andrés (UdeSA). Conduce el podcast El Algoritmo de Fredi.