La Tercera Edad en Pacientes y Médicos: La Brecha Digital y la Resistencia al Cambio en la Atención Sanitaria parte 1

Andres Rico. MD internista. CEO Aipocrates.

1. Demografía de la Población Mayor de 65 Años: Pacientes Crónicos Complejos, una Población en Aumento

En el ámbito del sistema de salud colombiano, particularmente en el nivel de atención primaria, se observa un crecimiento demográfico acelerado y significativo en el segmento poblacional de individuos mayores de 65 años. Una proporción considerable de estos sujetos, frecuentemente clasificados como «pacientes crónicos complejos», coexisten con múltiples patologías y requieren la administración concomitante de diversos fármacos. Este incremento demográfico ha generado un aumento sustancial en la demanda de servicios sanitarios, abarcando consultas médicas, hospitalizaciones y prescripciones farmacológicas.

2. Los Pacientes de la Tercera Edad y la Brecha Digital

La progresiva digitalización de los procesos asistenciales, lejos de constituir una solución universal, ha emergido como una barrera significativa para la población mayor de 65 años. Las modificaciones en las metodologías de interacción con el usuario plantean un desafío considerable para los adultos mayores, evidenciando una limitada alfabetización digital en este grupo etario. Actividades cotidianas como la solicitud de citas médicas a través de plataformas web, la interacción con asistentes virtuales (chatbots) en aplicaciones de mensajería o sitios web, o la descarga de resultados de pruebas diagnósticas y copias de expedientes clínicos hospitalarios o de consultas ambulatorias, resultan complejas y se han transformado en un obstáculo para el acceso a la atención. Incluso los informes de epicrisis, concebidos primordialmente para justificar erogaciones y el uso de insumos, más que para facilitar el seguimiento ambulatorio, complican la continuidad asistencial tanto para los pacientes como para los profesionales clínicos, en parte debido a deficiencias en la interoperabilidad de los sistemas.

Adicionalmente a la complejidad inherente al manejo de estas plataformas, la gestión del correo electrónico, un medio fundamental para numerosas comunicaciones, persiste como una dificultad. Los costos asociados al acceso a internet también contribuyen a la profundización de esta brecha, una problemática exacerbada por decisiones judiciales como la Sentencia C-206 de 2025. Esta resolución judicial, adoptada tras la revisión de una demanda contra el numeral 1 del artículo 56 de la ley que estructuró el Plan Nacional de Desarrollo 2010-2014, dictaminó que dicha disposición contravenía el principio de neutralidad de la red. En consecuencia, se estableció que los proveedores de servicios de internet móvil no podrán ofrecer aplicaciones específicas «sin el descuento de datos utilizados por ellas de su plan». Lo que para ciertos sectores se percibe como una «liberación», para otros se traduce en un incremento de la brecha digital al elevar los costos de acceso.

3. Modelo 5P, la Cuádruple Meta, los Principios de Porter y el Sistema de Atención: Diseño Basado en el Paciente (Design Thinking)

La imperativa necesidad de implementar la inteligencia artificial y la informática en el sector salud se fundamenta en la búsqueda de una mejora continua y la adopción de modelos de atención más eficientes y centrados en el paciente. Recientemente, ha cobrado relevancia el concepto de medicina basada en el valor, que enfatiza la mejora continua y donde los postulados del Dr. Porter adquieren particular pertinencia, justificando la superación de la inercia:

1. Principio del Valor en Salud: La valoración de la salud debe fundamentarse en los resultados clínicos relevantes para el paciente, en relación con los costos totales del ciclo de atención, transitando de un enfoque de «volumen de servicios» a uno de «valor entregado al paciente».
2. Organización en Ciclos de Atención Integral: Implica el diseño, organización e implementación de procesos y flujos de trabajo en torno a las necesidades del paciente, promoviendo la continuidad asistencial, en contraposición a una atención fragmentada por especialidades y ubicaciones geográficas dispares que impliquen desplazamientos y carezcan de una red interoperable.
3. Medición de Resultados: Consiste en la evaluación de resultados tangibles, tanto clínicos como sociales, y no meramente indicadores de procesos, mediante el uso de formatos o registros estandarizados.
4. Pago por Valor (Value-Based Payment): Sustituye el modelo de pago por servicio (fee-for-service) por esquemas basados en una atención integral, como los Episodios de atención (evento completo, ej.: cirugía + recuperación) o resultados a largo plazo. En este contexto, son relevantes las contribuciones de la fenotipificación de pacientes crónicos, como las mencionadas en la cohorte de Kaiser Permanente (Bodenheimer et al., 2002). Este enfoque ha demostrado que la agrupación basada en el riesgo permite optimizar recursos, reducir hospitalizaciones evitables y mejorar la supervivencia a 5 años en pacientes complejos. El modelo estratifica a la población en cuatro categorías con intervenciones específicas:
   • Pacientes de alto riesgo con multimorbilidad y fragilidad clínica (5% de los crónicos).
   • Pacientes con enfermedades crónicas controladas pero con riesgo de descompensación (15% de los crónicos).
   • Pacientes estables con enfermedades en fases iniciales (80% de los crónicos).
   • Prevención (población general).
5. Competencia Basada en Valor: Los proveedores deben competir ofreciendo resultados superiores a un costo menor, lo que incentiva la innovación y la eficiencia.
6. Tecnología y Datos Transparentes: Requiere sistemas de información interoperables que permitan comparar resultados y costos, empoderando así a pacientes y pagadores para tomar decisiones informadas.

Este marco estratégico se complementa con la Cuádruple Meta, cuyo objetivo es (Berwick et al., 2008; Bodenheimer & Sinsky, 2014):

• Optimizar la experiencia del paciente.
• Mejorar la salud poblacional.
• Reducir los costos.
• Incrementar la calidad de vida de los proveedores de atención sanitaria.

A su vez, esta iniciativa se interseca con la política de las 5P, un modelo fundamentado en cinco pilares esenciales para la transformación de la salud poblacional (Arch Bronconeumol, n.d.; INSPILIP, n.d.):

• Personalizada: La atención se adapta a las particularidades genéticas, ambientales y de estilo de vida de cada individuo.
• Predictiva: Se utilizan herramientas y datos para anticipar riesgos de enfermedades antes de su manifestación.
• Preventiva: El enfoque principal radica en evitar la aparición de enfermedades mediante estrategias proactivas.
• Participativa: Se empodera al paciente, involucrándolo activamente en las decisiones sobre su salud y promoviendo su compromiso con el autocuidado.
• Poblacional: Se considera la salud de comunidades enteras, abordando los determinantes sociales y ambientales que influyen en el bienestar colectivo.

4. Los Médicos y la Baja Adopción de la Tecnología

La digitalización, concebida como un logro trascendental en la atención sanitaria, se ha transformado en una fuente de alertas que inducen sobrecarga cognitiva, listas de verificación extensas que ralentizan el flujo clínico y una estandarización local sin interoperabilidad. La evolución del software ha propiciado la confusión entre la historia clínica electrónica y la inteligencia artificial en salud, como ha señalado Luis Pino en diversas ocasiones. Esta aversión al desarrollo de la historia clínica se ha extendido a los avances tecnológicos más recientes.

Dicha aversión, ya sea consciente o inconsciente, se ha erigido como una de las principales barreras para la aceptación e implementación de nuevas herramientas. A su vez, esta resistencia se ve reforzada por el diseño de los desarrollos, que con frecuencia resultan poco intuitivos y están orientados más a la auditoría que a la asistencia clínica directa. La frustración de los profesionales se manifiesta en interrogantes como «¿ahora qué hago con ese algoritmo?», aludiendo a sistemas que predicen riesgos pero no ofrecen una guía clara para la acción inmediata. Los médicos se ven abrumados por una plétora de herramientas y algoritmos, sin que se considere adecuadamente el «peopleware» o el «human in the loop».

La reticencia al cambio no se circunscribe únicamente a la adopción de nuevas herramientas clínicas. Los médicos, independientemente de su talento, perciben la modificación de las claves de acceso a los sistemas informáticos como una pérdida de tiempo, lo que conduce a la adopción de prácticas de ciberseguridad consideradas «ridículas» (e.g., «123456», nombres de hijos). Asimismo, son susceptibles a estratagemas de ingeniería social, a pesar de la notoriedad de ciberataques a instituciones gubernamentales como el INVIMA.

Esta vulnerabilidad humana plantea una cuestión fundamental: ¿Puede la inteligencia artificial confiar en los humanos? Los Grandes Modelos de Lenguaje (LLM) han evidenciado la propensión humana a eludir los mecanismos de control para obtener respuestas inapropiadas, como ilustra el caso del chatbot Tay de Microsoft en 2017. Esta situación subraya la relevancia de «enamorarse del problema y no de la solución», una frase popularizada por Uri Levine, cofundador de Waze, en su libro homónimo. Adherirse ciegamente a una solución puede conducir a la desestimación de alternativas y al sesgo de los datos (sesgo de confirmación). Actualmente, los profesionales médicos deben considerar el axioma de Yuval Noah Harari: el verdadero desafío no reside únicamente en la creación de nuevos empleos, sino en «crear trabajos que los humanos realicen mejor que los algoritmos».

Es imperativo reconocer que no todo el personal de salud requiere el mismo nivel de soporte en la toma de decisiones. Profesionales con elevada capacitación y experiencia en un área específica del conocimiento pueden no necesitar apoyo constante para resolver dudas o cubrir «brechas» en la evidencia. No obstante, para situaciones que exceden su ámbito de experticia o en el caso de enfermedades infrecuentes con diagnósticos o tratamientos poco conocidos, el apoyo en la toma de decisiones puede ser crucial. Históricamente, esta asistencia se buscaba en los denominados «cerebros periféricos» (herramientas de referencia médica) (Lea & Podolsky, 2024); en la actualidad, los sistemas de soporte al razonamiento médico, potenciados por la IA, poseen el potencial de asumir este rol.

Adicionalmente, la fatiga por alarmas constituye un problema reconocido cuando los sistemas de soporte emiten advertencias y alertas excesivas, lo que puede derivar en la desatención de información relevante.

Un ejemplo paradigmático de la necesidad de asistencia es la valoración integral del paciente mayor de 65 años. La Valoración Geriátrica Integral (VGI) ha sido destacada en diversos congresos médicos como una herramienta esencial para un abordaje personalizado del adulto mayor (Cárdenas, 2025). Sin embargo, ante el aumento de la población geriátrica y la escasez de profesionales geriatras para satisfacer la demanda, la geriatría se torna fundamental para los médicos no especialistas en atención primaria. Esto implica que dichos profesionales deben manejar una herramienta «multiescala» con la cual no están familiarizados, requiriendo soporte para el enfoque y la toma de decisiones.

5. La Bioinformática y la Inteligencia Artificial en la Vida Cotidiana: Casi Invisible

A pesar de las dificultades inherentes, la inteligencia artificial ejercerá un impacto positivo en múltiples facetas de la medicina, manifestándose con frecuencia de manera casi imperceptible en la vida diaria:

• Imágenes: Detección de tumores, diferenciación entre neoplasias malignas y benignas, predicción del desarrollo de la enfermedad de Alzheimer, patología, identificación de anomalías cutáneas, interpretación de imágenes retinianas, y análisis de colonoscopias y gastroscopias.
• Señales: Interpretación de electrocardiogramas, detección de arritmias e insuficiencia cardíaca.
• Interpretación genómica.
• Análisis biométrico y análisis gestual.
• Análisis de emociones en redes sociales.
• Análisis de datos de Historias Clínicas Electrónicas (HCE): Promete la extracción de información clínicamente relevante y la realización de evaluaciones diagnósticas.
• Puntuaciones de riesgo en tiempo real: Para el traslado a unidades de cuidados intensivos, predicción de la mortalidad hospitalaria, riesgo de reingreso, duración prolongada de la estancia y diagnósticos de alta.
• Predicción del deterioro futuro: Incluyendo la lesión renal aguda.
• Optimización de estrategias de toma de decisiones: Incluyendo el destete de la ventilación mecánica y el tratamiento de la sepsis.
• Mejora del flujo de trabajo clínico: Incluyendo la automatización.
• Reconocimiento de voz: En conversaciones médico-paciente, resumiendo consultas y extrayendo información semántica de las transcripciones. La IA posee la capacidad de extraer información novedosa a partir de datos existentes.
• Predicción del riesgo de inasistencia a citas hospitalarias («no show»).
• Reducción de la variación injustificada en la práctica clínica.
• Optimización de la eficiencia y prevención de errores médicos evitables.
• Soporte a pacientes: Las herramientas de IA podrían empoderar a los pacientes para asumir un rol más activo en la gestión de su propia salud.
• Asistencia a médicos de atención primaria: Facilitándoles el manejo confiado de una mayor diversidad de enfermedades complejas.
• Apoyo a especialistas: Ofreciendo un rendimiento diagnóstico y un manejo de enfermedades que puede superar las capacidades humanas.
• Medicina personalizada y de precisión: La IA representa un avance fundamental hacia la medicina personalizada y de precisión, donde, de manera integrativa, a través de la elaboración de perfiles individuales, se puede lograr el diagnóstico correcto en el momento preciso y prescribir la medicación adecuada, en la dosis óptima y en el momento oportuno, considerando el vasto volumen de información disponible.
• Automatización: Para la aplicación de escalas mediante Procesamiento de Lenguaje Natural (NLP) a partir de notas clínicas, redes neuronales convolucionales o VLM para la interpretación de imágenes, o LLM multimodales.
• Procesamiento de datos: Predicción, clasificación, clusterización y procesamiento de datos (reducción de dimensionalidad, reducción de características, normalización), así como el análisis de grandes volúmenes de datos.

6. Dificultades en la Implementación de la IA por el Riesgo de Desenlaces Adversos ante Sesgos y Metodologías de Entrenamiento, Evaluación y Pruebas Inadecuadas

La implementación de algoritmos de aprendizaje automático en la práctica clínica real es aún infrecuente, y el potencial de la IA en la atención sanitaria no ha sido explotado en su totalidad. El desafío de la traslación a la práctica clínica es considerable, y la literatura reporta beneficios clínicos y económicos limitados derivados del uso de algoritmos de IA en el entorno clínico real.

Retos en la Traslación a la Práctica Clínica:

• Estudios Retrospectivos versus Prospectivos: La mayoría de las investigaciones existentes han sido de naturaleza retrospectiva, empleando datos históricos etiquetados para el entrenamiento y la validación de algoritmos. Sin embargo, la verdadera utilidad de los sistemas de IA solo podrá ser dilucidada mediante estudios prospectivos, dado que el rendimiento puede deteriorarse cuando los datos del mundo real difieren de los datos de entrenamiento. El número de estudios prospectivos es limitado. Las investigaciones en aprendizaje automático deben adherirse a las recomendaciones de mejores prácticas, como la presentación de informes transparentes de modelos de predicción multivariable (TRIPOD).
• Rendimiento y Explicabilidad: Se dispone de un número muy reducido de ensayos controlados aleatorizados (ECA) de sistemas de IA. Actualmente, existe una tensión entre el rendimiento y la explicabilidad: los modelos con un rendimiento superior suelen ser los menos explicables, mientras que aquellos con menor rendimiento son los más interpretables. Los modelos de aprendizaje profundo carecen de una representación explícita del conocimiento declarativo, lo que dificulta considerablemente la generación de explicaciones.
• Métricas y Aplicabilidad Clínica: El concepto de «abismo de la IA» refleja que la precisión no necesariamente se correlaciona con la eficacia clínica. Las métricas comúnmente reportadas, como el área bajo la curva de la característica operativa del receptor (AUC-ROC), no siempre reflejan lo más crucial para los pacientes: si el uso del modelo se traduce en un beneficio tangible en la atención. Es fundamental incluir información sobre los valores predictivos positivos y negativos.
• Dificultad para Comparar Algoritmos: La comparación objetiva entre algoritmos provenientes de diferentes estudios representa un desafío debido a la variabilidad en las metodologías, poblaciones y características de la muestra. Los algoritmos deben ser sometidos a comparaciones en el mismo conjunto de pruebas independiente y representativo de la población objetivo.
• Falta de Generalización: Los algoritmos de IA pueden presentar deficiencias como la inaplicabilidad fuera del dominio de entrenamiento, la presencia de sesgos y la fragilidad (propensión a ser fácilmente engañados). Factores críticos a considerar incluyen el cambio del conjunto de datos, el ajuste inadvertido de factores de confusión en lugar de la señal verdadera, la propagación de sesgos no intencionales, la provisión de interpretabilidad y la capacidad de generalización a diversas poblaciones.
  • Cambio del Conjunto de Datos (Data Shift): Particularmente relevante para los algoritmos basados en HCE, los datos de entrada se generan en un entorno dinámico, con poblaciones de pacientes cambiantes y prácticas clínicas en constante evolución. Se requieren métodos para identificar estos cambios y actualizar los modelos en respuesta a la disminución del rendimiento.
  • Ajuste Accidental de Factores de Confusión: Los algoritmos pueden explotar factores de confusión desconocidos que carecen de fiabilidad, lo que compromete la capacidad de generalización a nuevos conjuntos de datos.
  • Desafíos en la Generalización a Nuevas Poblaciones y Entornos: La generalización resulta compleja debido a diferencias técnicas entre centros (equipo humano, capacidad computacional, ancho de banda de internet, métodos de recolección de datos, sistemas de HCE), así como variaciones en la práctica clínica y administrativa local, sin mencionar los diversos tipos de datos médicos y la metodología para la curación de conjuntos de datos grandes, heterogéneos y multicéntricos. Un modelo frágil puede manifestar puntos ciegos y errores que, en el ámbito de la prestación de servicios sanitarios, pueden conducir a decisiones particularmente desfavorables.
• Sesgo Algorítmico: Existe el riesgo de imprecisiones no intencionadas o desconocidas en subgrupos minoritarios, lo que puede amplificar los sesgos presentes en los datos de entrenamiento. La injusticia algorítmica se desglosa en tres componentes: sesgo del modelo (modelos seleccionados para representar mejor a la mayoría), varianza del modelo (debido a datos inadecuados de las minorías) y ruido de resultado. Los algoritmos deben ser diseñados considerando a la comunidad global y validados con una población representativa de la implementación prevista.
• Susceptibilidad al Ataque o Manipulación de Adversarios: Los algoritmos son vulnerables a ciberataques, tales como los ataques adversariales, que buscan manipular los resultados mediante entradas explícitamente diseñadas para engañarlos.
• Dificultades Logísticas en la Implementación: Uno de los desafíos para trasladar los algoritmos de IA a la práctica clínica radica en que la mayoría de los datos de atención médica no están disponibles para el entrenamiento de los modelos de aprendizaje automático. Los datos suelen estar aislados en múltiples sistemas de archivo de imágenes médicas, sistemas de patología, HCE, herramientas de prescripción electrónica y bases de datos de seguros, lo que dificulta su consolidación. La adopción de formatos de datos unificados, como Fast Healthcare Interoperability Resources (FHIR), ofrece potencial para una mejor agregación de datos, aunque la interoperabilidad no resuelve el problema de la codificación semántica inconsistente en los datos de HCE.
• Regulación Sólida y Control de Calidad: El desarrollo de marcos regulatorios constituye un componente fundamental para lograr un despliegue seguro y eficaz de los algoritmos de IA, lo que plantea un desafío único dada la velocidad actual de la innovación. Los sistemas de IA se diseñarán para mejorar con el tiempo, lo que representa un reto para los procesos de evaluación tradicionales. Se requiere una regulación local proactiva y un comité de gobernanza de datos. La legislación establece el «derecho a la explicación» de las predicciones generadas algorítmicamente para los usuarios que puedan «verse afectados significativamente».
• Barreras Humanas para la Adopción: Incluso con un algoritmo de alta eficacia, la efectividad en la implementación se ve limitada por su incapacidad para «explicar» la toma de decisiones de manera comprensible a los profesionales médicos y a los sistemas sanitarios. Si bien la interpretabilidad algorítmica se encuentra en una fase incipiente, los métodos avanzan rápidamente, lo que contribuirá a una mejor comprensión de las interacciones humano-computadora. La investigación sobre IA explicable es crucial para fomentar la transparencia y la confianza vital con sus usuarios.

Continuará …

Referencias Bibliográficas

• Arch Bronconeumol. (n.d.). En medicina P4: el futuro. Recuperado de https://www.archbronconeumol.org/en-medicina-p4-el-futuro-vuelta-articulo-S0300289610002887
• Berwick, D. M., Nolan, T. W., & Whittington, J. (2008). The Triple Aim: Care, Health, And Cost. Health Affairs, 27(3), 759–769.
• Bodenheimer, T., & Sinsky, C. (2014). From Triple to Quadruple Aim: Care of the Patient Requires Care of the Provider. Annals of Family Medicine, 12(6), 573–576.
• Bodenheimer, T., Wagner, E. H., & Grumbach, K. (2002). Improving primary care for patients with chronic illness. JAMA, 288(14), 1775–1779. https://doi.org/10.1001/jama.288.14.1775
• Cárdenas, M. (2025, 23 de mayo). Valoración geriátrica integral en Mieloma Múltiple. Conferencia presentada en el VI Congreso Internacional de Oncología, Hematología y Enfermería Oncológica, Salón de Hematología, [Cali, Colombia].
• INSPILIP. (n.d.). Modelo 5P. Recuperado de https://www.inspilip.gob.ec/index.php/inspi/article/view/497
• Kelly, C. J., Karthikesalingam, A., Suleyman, M., Corrado, G., & King, D. (2019). Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17(1), 195. https://doi.org/10.1186/s12916-019-1426-2
• Lea, A. S., & Podolsky, S. H. (2024). Centering the Peripheral Brain – The History of Reference Tools in Medicine. New England Journal of Medicine, 391(10), 878–880. https://doi.org/10.1056/NEJMp2404690