La inteligencia artificial (IA) promete transformar la medicina, pero ¿reemplazará a la Medicina Basada en la Evidencia (MBE) o la potenciará? Según una reciente revisión publicada en The Lancet Regional Health – Americas, en la que participó uno de los investigadores del Centro de Inteligencia Artificial y Salud para América, la IA no es una ruptura, sino una extensión necesaria del razonamiento epidemiológico clásico.
El problema que la MBE ya no puede resolver sola
Durante tres décadas, la MBE ha integrado experiencia clínica, valores del paciente y la mejor evidencia disponible. Sin embargo, enfrenta limitaciones crecientes, los ensayos controlados aleatorizados (ECA) son costosos, lentos y a menudo poco generalizables. La dependencia de valores “p” sobre la relevancia clínica real, junto con sesgos de publicación y financiamiento, ha dejado muchas preguntas clínicamente apremiantes sin respuesta. La explosión de datos biomédicos (registros electrónicos, dispositivos wearables, ómicas) ha expuesto estas brechas. Ahí es donde la IA entra en escena.
Del ensayo clínico a la simulación digital
La revisión identifica tres contribuciones clave de la IA:
1) Emulación de ensayos clínicos: Algoritmos que reproducen ECA dentro de grandes conjuntos de datos del mundo real (ej. registros de salud). El proyecto RCT-DUPLICATE logró que 8 de cada 10 emulaciones coincidieran con ensayos originales, abriendo la puerta a evaluar intervenciones en poblaciones previamente excluidas.
2) Gemelos digitales: Réplicas virtuales dinámicas de pacientes que integran datos multimodales para simular trayectorias de enfermedad y respuestas terapéuticas. Permiten experimentar sin riesgos, pero su validez depende críticamente de la calidad y representatividad de los datos. La mayoría de los conjuntos de datos clínicos no capturan variables clave como determinantes sociales o adherencia real al tratamiento. Dos pacientes pueden ser ‘digitalmente idénticos’ y clínicamente muy diferentes.
3) Modelos predictivos profundos: Desde la detección temprana de sepsis en unidades de cuidados intensivos hasta el diagnóstico prodrómico de Alzheimer mediante resonancias, la IA captura interacciones no lineales que los modelos estadísticos tradicionales pasan por alto. La ventaja del deep learning es que aprende patrones que nosotros ni siquiera sabemos buscar. Pero cuidado, también aprende ruido, sesgos del hospital y prácticas de codificación locales.
Predicción no es causalidad
El artículo advierte que el alto rendimiento predictivo no garantiza beneficio clínico ni validez causal. Los datos del mundo real (especialmente registros electrónicos) arrastran sesgos sistémicos, falta de datos y artefactos de documentación. Una IA entrenada en poblaciones no representativas amplificará inequidades en lugar de corregirlas.
Por eso, los autores insisten en que la IA debe integrarse dentro de diseños epidemiológicos rigurosos, con validación externa, monitoreo post-despliegue y supervisión humana. La explicabilidad por sí sola (mapas de calor, valores SHapley Additive exPlanations) es insuficiente; se necesitan auditorías de error y análisis continuo de equidad.
Cambio estructural, no solo algorítmico
El mensaje final es contundente: la IA no transformará la MBE por sí sola. Su contribución constructiva requiere reformas en la gobernanza de datos, incentivos académicos y coordinación regulatoria. Sin cambios estructurales, la IA optimizará jerarquías existentes en lugar de construir sistemas más justos. La invisibilidad algorítmica de poblaciones en América Latina no se resuelve con tecnología, sino con estándares de representatividad y soberanía comunitaria sobre los datos.
El futuro no está en reemplazar al epidemiólogo, sino en proporcionar herramientas computacionales que respeten los principios de causalidad, transparencia y equidad. La medicina híbrida (humano + máquina) ya está aquí; ahora falta diseñar la infraestructura ética y operativa para que funcione para todos.
Por Cender Quispe
Link a artículo de referencia: https://www.sciencedirect.com/science/article/pii/S2667193X2600102X