La incorporación de inteligencia artificial y tecnologías digitales promete aliviar la presión sobre sistemas de salud saturados, reducir costos y mejorar el manejo de enfermedades crónicas. Sin embargo, tal como advierte un artículo reciente de Healthcare Transformers basado en un informe del London School of Economics (LSE), la adopción real sigue muy por detrás del potencial.
La razón es estructural: las herramientas de evaluación tecnológica en salud (HTA) fueron diseñadas para medicamentos y dispositivos estáticos, pero resultan insuficientes para evaluar software clínico que cambia, se actualiza y evoluciona.
Un modelo pensado para fármacos, no para algoritmos
El análisis del LSE señala que el marco de evaluación actual está desalineado con la naturaleza dinámica de la IA.
Un medicamento mantiene su composición y su comportamiento a lo largo del tiempo; un algoritmo, en cambio, puede modificarse con nuevos datos, parches, reentrenamientos o cambios en las poblaciones donde se implementa.
Esta discrepancia crea un vacío regulatorio que dificulta tanto la aprobación como la adopción clínica.
Otro obstáculo es que los sistemas de HTA siguen valorando mayormente resultados centrados en el paciente, dejando de lado aspectos clave como impacto en flujos de trabajo, usabilidad o carga operativa para el profesional.
A esto se suma la dificultad de evaluar tecnologías basadas en respuestas probabilísticas con metodologías diseñadas para intervenciones binarias, como los ensayos clínicos tradicionales.
La confianza médica, condición indispensable
Sin aceptación clínica, ninguna herramienta de IA podrá escalar. Investigadores europeos señalan que muchos profesionales todavía tienen dificultades para confiar en algoritmos que entregan probabilidades en lugar de resultados categóricos.
Esta incertidumbre, sumada a la falta de formación formal en IA y a la heterogeneidad en los procesos de validación, genera escepticismo.
En este contexto, los modelos bayesianos emergen como un enfoque metodológico más adecuado. Permiten expresar la incertidumbre de manera explícita y se alinean con el modo en que los médicos integran conocimiento previo y nueva información para tomar decisiones.
Las consecuencias de no actualizar el sistema
Expertos del Foro Económico Mundial advierten que, si reguladores, sistemas de salud e industria no avanzan hacia un enfoque común, el panorama será complejo.
La fragmentación regulatoria entre países, la duplicación de esfuerzos y la posibilidad de regulaciones demasiado restrictivas o demasiado laxas podrían comprometer la competitividad global.
El riesgo más serio es que los sistemas sanitarios no puedan aprovechar tecnologías que serían esenciales para enfrentar el envejecimiento poblacional, el aumento de la demanda y la escasez de profesionales.
Hacia una evidencia continua y pragmática
Desde la industria, la postura es clara: los ensayos clínicos aleatorizados no pueden capturar el comportamiento real de tecnologías que aprenden con el tiempo.
Se necesita un cambio hacia enfoques flexibles que integren datos del mundo real, estudios pragmáticos, simulaciones clínicas y ciclos de validación regular. Esto implica integrar:
- estudios pragmáticos y evaluaciones en contexto real,
- integración de evidencia proveniente de wearables e historias clínicas electrónicas,
- monitoreo continuo de desempeño,
- validación posterior a la implementación,
- simulaciones clínicas para anticipar riesgos y beneficios.
Esta transición permitiría evaluar de manera más consistente tecnologías que no son estáticas y que requieren vigilancia permanente.
Un vacío de evidencia que preocupa
Especialistas en HTA advierten que solo una pequeña proporción de herramientas de IA con marcado CE cuenta con suficiente evidencia para una evaluación económica y de seguridad completa.
Esta falta de datos genera incertidumbre para los clínicos, riesgo de errores en escenarios reales y un entorno de innovación que muchos describen como “ruleta rusa”, debido a la falta de claridad sobre los requisitos para obtener validación y reembolso.
Lo que el sistema necesita para avanzar
Los expertos coinciden en que la solución no pasa por ajustes incrementales, sino por transformar la estructura de evaluación. Se requiere una taxonomía común, criterios compartidos entre reguladores y agencias de HTA, y un compromiso explícito con la evidencia continua.
Sin un marco flexible y coordinado, la brecha entre innovación y adopción seguirá ampliándose.
La IA promete transformar la atención sanitaria, pero solo podrá hacerlo si la evaluación tecnológica deja de mirar algoritmos con lentes diseñadas para fármacos. La urgencia no es tecnológica: es estructural.
Para más información puede visitar Healthcare Transformers.
0 comentarios