¿Cómo pasar de un sistema sanitario reactivo a uno predictivo, inclusivo y capaz de anticipar riesgos a escala poblacional? Ese fue el eje del panel “AI for Global Health: Unlocking the Transformative Power of Artificial Intelligence”, donde la estratega de IA Dr. Eva-Marie Muller-Stuler (The Hummingbird Group), John Martino (Synseer) y Ann Aerts (Novartis Foundation) coincidieron en dos ideas fuerza: sin datos diversos no hay IA justa, y las alianzas público-privadas son el acelerador indispensable.
Equidad por diseño, no como parche
Muller-Stuler fue tajante: la equidad debe estar “diseñada de origen”. Si se entrena un algoritmo con los conjuntos de datos más abundantes —que suelen representar a hombres blancos del Norte Global—, el sistema funcionará “barato y muy bien” para ese grupo y mal para el resto. El problema no es solo técnico: faltan datos de mujeres, de personas mayores, de comunidades rurales del Sur Global. “Si el equipo que diseña la solución no es diverso, nadie dentro levanta la mano para decir: ‘esto no funciona para personas como yo’”. La recomendación: equipos diversos, métricas de desempeño que incluyan brechas de cobertura y no solo precisión promedio, e incentivos que premien la reducción de sesgos.
La brecha también es infraestructural: el 97 % del poder de cómputo en centros de datos está en el Norte Global. Producir y curar datos en el Sur es caro y difícil; en muchos países, hasta el 90 % de la población rara vez ve a un médico, y cuando lo hace no quedan registros reutilizables. Sin datos, no hay IA inclusiva.
Del silo al ecosistema conectado
Para Muller-Stuler, lo más transformador no es un modelo específico, sino la capacidad de conectar ecosistemas de datos y romper silos entre salud, vivienda, transporte, alimentos o seguridad. Ese enfoque permite pasar de la reacción a la predicción: anticipar brotes, detectar “hotspots” de la próxima pandemia, orientar recursos antes del daño y gastar mejor.
Recomendados de Econews
Martino coincidió y añadió dos condiciones de factibilidad: financiar la adopción en el Sur Global (incluidos Estados insulares) y bajar el costo total de propiedad con interoperabilidad entre organizaciones. Sin intercambio de datos —ético y seguro— no habrá escalabilidad ni precios de acceso sostenibles.
Predicción con determinantes sociales: de Nueva York a São Paulo
Aerts mostró el potencial cuando la IA integra determinantes sociales. Con la iniciativa AI for Healthy Cities (Nueva York, Singapur, Helsinki, Basilea) combinaron datos sanitarios con factores que influyen en la salud (acceso a alimentos, internet, transporte, vivienda). Resultado: mapas por tramo censal que identifican el factor dominante por barrio. En algunos sectores de Nueva York, por ejemplo, los largos tiempos de viaje aparecieron como el principal disparador de hipertensión; en otros, la falta de acceso a comida saludable o a internet.
Ese análisis sirve para gobernar: en lugar de políticas “manta” costosas e ineficientes, se asignan recursos donde maximizan impacto. A nivel individual, ya es factible estimar riesgo cardiovascular a futuro sin exámenes clínicos, solo con los determinantes sociales prioritarios. A escala de ciudad, la analítica predictiva permite simular escenarios y elegir intervenciones de mayor impacto y menor costo.
El caso de São Paulo es ilustrativo: con un enfoque basado en datos y alianzas intersectoriales, en un año se triplicó la tasa de control de la presión arterial y cayeron 12 % los ACV y 13 % los infartos. “Lo que cambia es la mentalidad: pasar del ‘hacer lo de siempre’ a gestionar con evidencia mes a mes”, resumió Aerts. Ese modelo —Cardio4Cities— ya se implementa en 40 ciudades y apunta a 150 millones de personas para 2027, apoyado por acuerdos como el recién anunciado con Bayer Consumer Health.
Escalar con propósito: financiamiento, soberanía de datos y casos de uso
¿Cómo llevar estas soluciones a sistemas que atienden a millones? Martino apostó por asociaciones y joint ventures que distribuyan tecnología de punta con IA embebida desde el día uno, y por estándares abiertos que aceleren adopción y pruebas de esfuerzo. Dio un ejemplo concreto de IA con propósito: un dispositivo de tamizaje auditivo neonatal que cuesta < US$100 y rinde ≈ 95,7 % de un equipo de US$ 8.000 usado en países desarrollados. “Nos interesa distribuirlo sin ánimo de lucro para que todo bebé del mundo pueda ser testeado”. Detrás hay un objetivo sanitario y de datos: comenzar a construir historias clínicas desde la infancia en contextos donde hoy no existen.
También contó una experiencia post-terremoto en Haití: un sistema de pulseras para que niños llevaran su información clínica y facilitaran su atención en hospitales y clínicas. Es una vía práctica hacia la soberanía de datos de pacientes en entornos con infraestructura frágil.
Gobernanza y confianza: compartir datos para compartir beneficios
Las tres voces coincidieron en el cuello de botella político-institucional: los datos no fluyen. Aerts narró cómo centros hospitalarios en Europa se negaron a compartir imágenes cerebrales por disputas de autoría y reconocimiento académico, limitando el tamaño del dataset y, por tanto, la calidad del modelo. La salida: marcos de intercambio confiables, privacidad por diseño, participación comunitaria y métodos mixtos (analítica cuantitativa + investigación cualitativa/etnográfica) para no invisibilizar poblaciones.
Muller-Stuler sintetizó la hoja de ruta: reglas claras para compartir, incentivos a la diversidad en datos y equipos, y métricas de equidad junto a las de precisión. Martino completó el círculo con un llamado a financiar la inclusión (Global South) y a exigir interoperabilidad en todo nuevo proyecto de IA en salud.
El horizonte
El cierre dejó una provocación que, hace poco, sonaba ciencia ficción: si convergen IA, datos y ciencia aplicada, una generación podría crecer sin infartos evitables. No será automático: exige equidad por diseño, datos representativos, gobernanza que habilite compartir, y alianzas que reduzcan costos y aceleren la adopción. Pero el panel demostró que ya está ocurriendo: cuando la IA se alimenta de datos diversos y relevantes, y se implementa con propósito público, salva vidas hoy y previene enfermedades mañana.
