La Inteligencia Artificial en salud necesita dos pilares: implementación responsable y datos de calidad
La Inteligencia Artificial ya está transformando la salud, pero el verdadero desafío no es adoptar nuevas herramientas, sino implementarlas de forma responsable. A partir de las reflexiones compartidas durante el LII Congreso Nacional de Cirugía de Guatemala, exploramos los dos pilares que toda organización necesita para generar valor con la IA: una implementación estratégica y una infraestructura sólida de datos clínicos.
Reflexiones desde el LII Congreso Nacional de Cirugía de Guatemala
La Inteligencia Artificial (IA) está transformando la forma en que se investiga, se diagnostica, se toman decisiones clínicas y se gestionan los servicios de salud. Sin embargo, mientras la tecnología evoluciona a una velocidad sin precedentes, muchas organizaciones continúan enfrentando una pregunta mucho más compleja que elegir un algoritmo o una plataforma tecnológica:
¿Cómo implementar la Inteligencia Artificial de manera responsable para generar valor real en pacientes, profesionales e instituciones?
Esta fue la pregunta que orientó nuestra participación como invitados internacionales en el LII Congreso Nacional de Cirugía de Guatemala, un encuentro que reunió a cirujanos, médicos especialistas, residentes, líderes clínicos, tomadores de decisiones, ingenieros, representantes del sector público, universidades y organizaciones privadas para reflexionar sobre el presente y el futuro de la salud en América Latina.
Compartimos seis conferencias que abordaron diferentes aplicaciones de la Inteligencia Artificial. Sin embargo, todas convergieron en una misma conclusión: el éxito de la IA no dependerá únicamente del avance de los algoritmos, sino de la capacidad de las organizaciones para implementarla de forma responsable y construir la infraestructura de datos necesaria para sostenerla.
En un momento en el que la conversación suele centrarse en nuevas herramientas, quisimos llevar el debate hacia una pregunta diferente: ¿están realmente preparadas nuestras instituciones para incorporar la Inteligencia Artificial de manera segura, ética y sostenible?
Creemos que esa es la conversación que hoy necesita América Latina.
Primer desafío: implementar la Inteligencia Artificial con propósito
Durante años, la conversación sobre IA estuvo dominada por una pregunta: ¿qué puede hacer esta tecnología?
Hoy conocemos buena parte de la respuesta. La IA puede apoyar el diagnóstico, analizar imágenes médicas, optimizar procesos hospitalarios, facilitar la investigación y automatizar múltiples tareas administrativas.
Sin embargo, disponer de tecnologías cada vez más sofisticadas no garantiza mejores resultados.
La experiencia internacional demuestra que muchos proyectos fracasan no por limitaciones técnicas, sino porque la organización no estaba preparada para incorporarlos. Procesos poco definidos, datos fragmentados, ausencia de liderazgo, baja interoperabilidad, resistencia al cambio o expectativas poco realistas suelen convertirse en obstáculos mucho más importantes que la propia tecnología.
El verdadero desafío ya no consiste en demostrar el potencial de la Inteligencia Artificial. Consiste en desarrollar las capacidades organizacionales necesarias para implementarla con éxito.
Este fue el eje central de la conferencia "De la promesa a la implementación: Cómo integrar la IA en hospitales de Guatemala".
El mensaje fue sencillo, pero contundente:
La IA no debe ser el punto de partida de la transformación digital; debe ser una consecuencia de ella.
Antes de evaluar una herramienta, las instituciones necesitan comprender sus procesos, identificar oportunidades reales de mejora, analizar el recorrido del paciente y definir con claridad qué problema desean resolver.
La pregunta inicial no debería ser:
"¿Qué solución de IA deberíamos adquirir?"
La pregunta correcta es:
¿Qué problema vale la pena resolver y cómo puede la Inteligencia Artificial ayudarnos a resolverlo mejor?
Este cambio de perspectiva transforma por completo la manera de abordar la innovación. La tecnología deja de ser un objetivo y se convierte en una herramienta para mejorar la atención, optimizar procesos y apoyar la toma de decisiones.
Implementar IA responsablemente implica fortalecer aspectos que muchas veces pasan desapercibidos: liderazgo, gobernanza, transformación digital, gestión del cambio, evaluación de tecnologías y seguridad de la información.
En otras palabras, la Inteligencia Artificial no reemplaza una estrategia institucional; depende de ella.
Comprender la IA para tomar mejores decisiones
La velocidad con la que evoluciona la Inteligencia Artificial hace que constantemente aparezcan nuevos conceptos y aplicaciones.
IA Generativa.
Machine Learning.
Deep Learning.
Modelos fundacionales.
IA Agéntica.
Comprender estas tecnologías no significa que todos los profesionales deban convertirse en científicos de datos. Significa desarrollar un lenguaje común que permita a clínicos, ingenieros, investigadores y directivos tomar decisiones informadas.
Ese fue el propósito de la conferencia "Fundamentos de la Inteligencia Artificial para aplicaciones en salud".
La alfabetización en IA se ha convertido en una competencia estratégica para quienes lideran organizaciones de salud. Comprender qué puede hacer la tecnología —y también cuáles son sus limitaciones— permite evaluar soluciones con mayor criterio, formular mejores preguntas y evitar expectativas poco realistas.
La adopción responsable comienza con el conocimiento.
Una organización difícilmente podrá implementar Inteligencia Artificial con éxito si sus equipos no comparten una comprensión básica sobre sus principios, aplicaciones y riesgos.
Innovar también significa reconocer los riesgos
Toda decisión apoyada por Inteligencia Artificial depende de los datos con los que un modelo fue desarrollado y validado.
Por ello, la conversación sobre IA responsable no puede limitarse al desempeño técnico de un algoritmo.
La conferencia "Sesgos algorítmicos en Inteligencia Artificial aplicada a cirugía" abordó uno de los temas más relevantes para el futuro de la medicina: los sesgos.
Cuando los datos son incompletos, poco representativos o reflejan desigualdades existentes, los modelos pueden reproducir e incluso amplificar esas mismas diferencias.
Por esta razón, implementar IA responsablemente implica preguntarse:
¿Con qué datos fue entrenado el modelo?
¿Representan a la población donde será utilizado?
¿Ha sido validado clínicamente?
¿Existe supervisión humana durante su utilización?
La confianza en la Inteligencia Artificial no depende únicamente del algoritmo.
Depende también de la calidad de los datos, de la transparencia, de la validación clínica y de una gobernanza que garantice un uso seguro y centrado en las personas.
Hablar de sesgos no significa frenar la innovación.
Significa fortalecerla.
Porque solo una Inteligencia Artificial implementada de manera responsable podrá generar la confianza necesaria para integrarse de forma sostenible en la práctica clínica.
Implementar Inteligencia Artificial no consiste en incorporar una nueva tecnología. Consiste en desarrollar las capacidades organizacionales necesarias para utilizarla de manera responsable y resolver problemas reales.
La implementación responsable constituye el primer gran pilar para aprovechar el potencial de la Inteligencia Artificial. Sin embargo, existe un segundo elemento, menos visible pero igualmente determinante.
Sin datos clínicos confiables, interoperables y bien gobernados, incluso los algoritmos más avanzados tendrán un impacto limitado.
Y esa fue precisamente la segunda gran conversación que compartimos durante el Congreso.
Los datos clínicos: un activo estratégico para la transformación
La conferencia "Datos clínicos como infraestructura: El primer paso para una IA útil en salud" propuso cambiar la manera en que entendemos la transformación digital.
Cuando una institución decide explorar proyectos de IA, la conversación suele empezar preguntando qué herramienta implementar o qué proveedor elegir.
Sin embargo, pocas veces se plantea la pregunta más importante:
¿Nuestros datos están preparados para soportar un proyecto de Inteligencia Artificial?
Responderla implica revisar aspectos que van mucho más allá de la tecnología:
¿La información clínica se registra de manera estructurada?
¿Los datos son completos y consistentes?
¿Existen estándares para documentarlos?
¿Pueden compartirse entre diferentes sistemas?
¿La organización cuenta con mecanismos de gobernanza que garanticen su calidad, seguridad y uso responsable?
La respuesta a estas preguntas determina, en gran medida, la viabilidad de cualquier iniciativa basada en IA.
Las organizaciones que fortalecen la calidad de sus datos no solo estarán mejor preparadas para implementar Inteligencia Artificial. También mejorarán su capacidad para gestionar la calidad, evaluar resultados clínicos, impulsar la investigación y apoyar la toma de decisiones.
En este sentido, los datos dejan de ser un subproducto de la atención para convertirse en un activo estratégico de la organización.
Interoperabilidad: la capacidad de conectar información para generar valor
Hablar de datos también significa hablar de interoperabilidad.
Uno de los principales desafíos de los sistemas de salud latinoamericanos sigue siendo la fragmentación de la información.
Historias clínicas que no se comunican entre sí.
Resultados diagnósticos almacenados en plataformas independientes.
Sistemas administrativos y asistenciales desconectados.
Información duplicada o difícil de reutilizar.
Esta realidad afecta la continuidad de la atención y limita el potencial de la Inteligencia Artificial.
Cuando los datos permanecen aislados, la capacidad de analizarlos, compararlos y convertirlos en conocimiento disminuye considerablemente.
Por eso, la interoperabilidad debe entenderse como una capacidad estratégica y no únicamente como un reto tecnológico.
Estándares como HL7 FHIR facilitan el intercambio de información clínica entre aplicaciones; DICOM permite gestionar imágenes médicas de forma estandarizada; y terminologías como SNOMED CT hacen posible que la información clínica sea interpretada de manera consistente entre diferentes instituciones y sistemas.
Estos estándares suelen permanecer invisibles para los usuarios, pero son fundamentales para construir ecosistemas digitales donde los datos puedan reutilizarse de forma segura para la atención, la investigación y el desarrollo de soluciones basadas en Inteligencia Artificial.
Machine Learning: cuando los datos comienzan a generar conocimiento
Una vez existe una infraestructura sólida de datos, tecnologías como el Machine Learning pueden aportar un valor significativo a la práctica clínica.
En la conferencia "Machine Learning aplicado a la cirugía y la medicina" se presentaron ejemplos de cómo estos modelos pueden apoyar la identificación temprana de riesgos, contribuir al análisis de imágenes médicas, optimizar procesos hospitalarios o facilitar la toma de decisiones clínicas.
Pero el mensaje principal fue otro.
El rendimiento de un modelo nunca será mejor que la calidad de los datos con los que fue entrenado.
Un algoritmo desarrollado con información incompleta, sesgada o poco representativa difícilmente ofrecerá resultados confiables cuando se utilice en pacientes reales.
Por el contrario, organizaciones que invierten en mejorar la calidad, la estandarización y la gobernanza de sus datos crean las condiciones para desarrollar soluciones más seguras, precisas y sostenibles.
En otras palabras, el verdadero diferencial no será quién tenga acceso al algoritmo más avanzado.
Será quién logre construir la mejor infraestructura de datos.
La Inteligencia Artificial no reemplaza el criterio clínico
Pocas preguntas generan tanto interés como esta:
¿La Inteligencia Artificial reemplazará a los médicos?
La respuesta no depende únicamente de la evolución de la tecnología.
Depende de cómo decidamos integrarla en la práctica clínica.
La conferencia "¿La Inteligencia Artificial reemplazará a los médicos? Impacto en las decisiones" propuso cambiar el enfoque del debate.
El futuro no consiste en elegir entre médicos o algoritmos.
Consiste en construir modelos de colaboración donde cada uno aporte aquello que hace mejor.
La Inteligencia Artificial puede analizar millones de datos, identificar patrones complejos y apoyar determinadas decisiones con una velocidad imposible para cualquier ser humano.
Los profesionales de la salud aportan algo igualmente indispensable: razonamiento clínico, comprensión del contexto, comunicación, empatía, pensamiento crítico y responsabilidad ética.
La mejor atención no surgirá de reemplazar personas por tecnología.
Surgirá de integrar ambas capacidades de manera inteligente.
Y esa integración solo será posible cuando las organizaciones desarrollen confianza en sus datos, fortalezcan sus procesos y establezcan modelos de gobernanza que respalden el uso responsable de estas herramientas
La calidad de una solución de Inteligencia Artificial nunca será superior a la calidad de los datos sobre los que fue construida. Invertir en gobernanza, interoperabilidad y calidad de la información no retrasa la innovación; la hace posible.
Hasta aquí, las conferencias compartidas durante el Congreso dejaron una idea clara: la adopción de Inteligencia Artificial requiere dos pilares inseparables. El primero es una implementación responsable; el segundo, una infraestructura sólida de datos.
Sin embargo, el mayor aprendizaje no surgió únicamente de las presentaciones.
También nació de las conversaciones con cirujanos, residentes, líderes clínicos, ingenieros y directivos de diferentes instituciones de la región.
Esas conversaciones dejaron varias reflexiones que pueden orientar a cualquier organización que esté pensando en iniciar este camino.
Segundo desafío: construir la infraestructura de datos que hace posible la Inteligencia Artificial
Si implementar la Inteligencia Artificial de manera responsable constituye el primer gran desafío para las organizaciones, el segundo responde a una pregunta aún más fundamental:
¿Sobre qué se construye una IA realmente útil?
La respuesta es clara: sobre datos clínicos de calidad.
Con frecuencia, cuando se habla de Inteligencia Artificial, la atención se centra en los algoritmos, los modelos de lenguaje o las aplicaciones más recientes. Sin embargo, detrás de cualquier solución existe un elemento mucho menos visible, pero mucho más determinante: la calidad de los datos con los que esa solución fue desarrollada y será utilizada.
En salud, los datos clínicos son mucho más que registros administrativos o asistenciales. Constituyen la base para comprender el estado de los pacientes, medir resultados, generar evidencia, apoyar la investigación y entrenar modelos de Inteligencia Artificial.
Por eso, uno de los mensajes centrales de nuestras conferencias fue el siguiente:
La Inteligencia Artificial no comienza con un algoritmo. Comienza con los datos.
Lo que aprendimos en Guatemala: cinco reflexiones para avanzar como región
Más allá de las conferencias, uno de los mayores aprendizajes del LII Congreso Nacional de Cirugía de Guatemala surgió en las conversaciones con los asistentes. Las experiencias compartidas confirmaron que, aunque los sistemas de salud de América Latina tienen diferentes niveles de desarrollo, las preguntas son sorprendentemente similares.
¿Cómo empezar un proyecto de Inteligencia Artificial?
¿Cómo priorizar las oportunidades?
¿Cómo preparar a los equipos?
¿Cómo garantizar un uso seguro y ético?
¿Cómo convertir la tecnología en mejores resultados para los pacientes?
No existen respuestas universales, pero sí principios que pueden orientar a cualquier institución que quiera avanzar de manera responsable.
El rol de la Asociación de Cirujanos de Guatemala: abrir la conversación regional
Un elemento especialmente valioso de este encuentro fue el papel de la Asociación de Cirujanos de Guatemala, que no solo organizó un congreso científico de alto nivel, sino que también abrió un espacio deliberado para la conversación sobre Inteligencia Artificial en salud.
Este gesto es relevante porque marca un cambio importante en la región: las sociedades científicas ya no se limitan únicamente a la actualización clínica tradicional, sino que comienzan a integrar activamente temas de innovación, datos y transformación digital dentro de sus agendas académicas.
Al incluir la Inteligencia Artificial en el programa del congreso, la Asociación facilitó algo más profundo que la exposición de tecnologías: habilitó el diálogo entre disciplinas, generaciones y países de la región.
Cirujanos, residentes, líderes hospitalarios, académicos e innovadores pudieron compartir experiencias, dudas y aprendizajes en un mismo espacio, reconociendo que los desafíos de la región son comunes y que las soluciones también pueden construirse de manera colaborativa.
Este tipo de iniciativas son fundamentales para América Latina, porque permiten:
Conectar experiencias entre países con distintos niveles de madurez digital.
Acelerar el aprendizaje colectivo.
Reducir la brecha entre la innovación tecnológica y la práctica clínica.
Fortalecer redes regionales de colaboración en salud digital e Inteligencia Artificial.
En este sentido, el Congreso no solo fue un evento académico, sino un punto de encuentro regional que impulsa una conversación que apenas comienza.
1. La conversación ya no es tecnológica; es estratégica
Hace algunos años, la Inteligencia Artificial parecía un tema reservado para ingenieros o departamentos de tecnología.
Hoy esa realidad cambió.
Durante el Congreso participaron cirujanos, residentes, líderes clínicos, directivos hospitalarios, docentes, ingenieros, representantes del sector público, universidades y organizaciones privadas.
Todos compartían una misma inquietud: cómo preparar sus organizaciones para incorporar la Inteligencia Artificial con impacto real.
Esto confirma que la IA dejó de ser un proyecto tecnológico para convertirse en una decisión estratégica que involucra liderazgo, gestión clínica, calidad, innovación, formación del talento humano y gobernanza.
2. La tecnología avanza más rápido que las organizaciones
Nunca había sido tan fácil acceder a herramientas de Inteligencia Artificial.
Cada semana aparecen nuevos modelos, nuevas aplicaciones y nuevas soluciones.
Sin embargo, la principal barrera ya no es tecnológica.
Es organizacional.
Muchas instituciones todavía enfrentan desafíos relacionados con interoperabilidad, calidad de datos, gestión del cambio, talento humano y gobernanza.
Por ello, antes de preguntarse qué herramienta implementar, vale la pena responder otra pregunta:
¿Está preparada nuestra organización para utilizarla?
3. Los datos siguen siendo el mayor reto... y la mayor oportunidad
En prácticamente todas las conversaciones apareció un tema recurrente.
Los datos.
Historias clínicas incompletas.
Información dispersa.
Registros heterogéneos.
Procesos manuales.
Baja interoperabilidad.
Aunque estos desafíos son comunes en muchos sistemas de salud latinoamericanos, también representan una enorme oportunidad.
Cada mejora en la calidad de los datos fortalece la atención clínica, la investigación, la evaluación de resultados, la seguridad del paciente y, por supuesto, la capacidad de desarrollar soluciones basadas en Inteligencia Artificial.
Invertir en datos nunca beneficia únicamente a la IA.
Beneficia a toda la organización.
4. La implementación requiere equipos multidisciplinarios
Una de las ideas más repetidas durante el Congreso fue que la Inteligencia Artificial no puede desarrollarse desde un único departamento.
Su implementación requiere la participación de múltiples disciplinas.
Profesionales clínicos.
Ingenieros.
Especialistas en datos.
Equipos de calidad.
Expertos en ética.
Responsables de aspectos legales y regulatorios.
Líderes institucionales.
Cada uno aporta una perspectiva diferente para garantizar que la tecnología responda a necesidades reales, cumpla con los marcos regulatorios y genere confianza entre quienes la utilizan.
La Inteligencia Artificial no es un proyecto del área de tecnología.
Es un proyecto de transformación organizacional.
5. El mejor momento para empezar es ahora
Quizá la reflexión más importante que dejó Guatemala fue esta.
Muchas organizaciones continúan esperando el momento perfecto.
Esperan tener mejores sistemas.
Más recursos.
Más presupuesto.
Más talento especializado.
Más evidencia.
Sin embargo, las instituciones que hoy lideran procesos de transformación comenzaron exactamente igual que todas las demás.
Con incertidumbre.
Con preguntas.
Y con proyectos pequeños.
La diferencia fue que decidieron empezar.
No intentando transformar toda la organización al mismo tiempo.
Sino seleccionando un problema concreto, formando un equipo interdisciplinario y desarrollando un primer caso de uso que les permitiera aprender antes de escalar.
Ese aprendizaje progresivo es una de las características más importantes de las organizaciones que implementan Inteligencia Artificial con éxito.
¿Por dónde empezar?
Esta fue, probablemente, la pregunta que más escuchamos durante el Congreso.
Y también la más importante.
No existe una única ruta para implementar Inteligencia Artificial en salud. Cada organización tiene un contexto diferente, prioridades distintas y niveles de madurez propios.
Sin embargo, sí existe una forma inteligente de comenzar.
1. Evalúe el punto de partida.
Comprenda el nivel de madurez digital de la institución, la calidad de sus datos, la capacidad de sus procesos para incorporar nuevas tecnologías, así como el patient journey y el clinical flow para identificar oportunidades reales de intervención y mejora.
2. Defina el problema antes que la herramienta.
La IA no debe buscar un problema que resolver. Es la organización la que debe identificar un desafío clínico, operativo o administrativo donde la tecnología pueda generar valor.
3. Priorice un primer caso de uso.
Empiece con un proyecto alcanzable, que tenga objetivos claros, datos disponibles y resultados medibles. Un caso de uso exitoso genera aprendizaje, confianza y facilita la adopción de iniciativas posteriores.
4. Forme un equipo multidisciplinario.
La Inteligencia Artificial necesita liderazgo clínico, capacidades técnicas, conocimiento del negocio, experiencia en calidad, gestión del cambio, aspectos regulatorios y ética.
5. Mida, aprenda y escale.
La implementación no termina cuando una solución entra en funcionamiento. Es necesario evaluar su impacto, aprender de los resultados y mejorar continuamente antes de extenderla a otras áreas.
Más que un proyecto tecnológico, la Inteligencia Artificial representa un proceso de aprendizaje organizacional.
Conclusión
La Inteligencia Artificial tiene el potencial de transformar profundamente los sistemas de salud.
Pero esa transformación no dependerá únicamente del desarrollo de nuevos algoritmos.
Dependerá de la capacidad de las organizaciones para fortalecer sus datos, preparar a sus equipos, comprender sus procesos y construir modelos de gobernanza que permitan implementar estas tecnologías de manera segura, ética y sostenible.
Las conversaciones compartidas durante el LII Congreso Nacional de Cirugía de Guatemala reforzaron una convicción que guía el trabajo de IASaludLovers:
La Inteligencia Artificial genera valor cuando convergen dos pilares: una implementación responsable y una infraestructura sólida de datos clínicos.
América Latina cuenta con profesionales altamente capacitados, instituciones comprometidas y un creciente interés por incorporar estas tecnologías.
El siguiente paso consiste en convertir ese interés en acción.
No es necesario comenzar con el algoritmo más sofisticado ni con la plataforma más costosa.
Lo importante es comenzar con una visión clara.
Con un problema prioritario.
Con un primer caso de uso.
Con un equipo multidisciplinario.
Y con la decisión de aprender en cada etapa del proceso.
Porque la transformación digital no ocurre cuando una organización incorpora Inteligencia Artificial.
Ocurre cuando desarrolla las capacidades necesarias para utilizarla con propósito y convertir la innovación en mejores resultados para los pacientes, los profesionales y el sistema de salud.
