Continuando el Diálogo: La IA y el Envejecimiento – Desafíos de Interacción y Promesas de Empoderamiento – Parte II

Autor: Andrés Rico – Médico Internista, CEO Aipocrates

1. La Imperativa de la Inteligencia Artificial en Salud: Marcos Estratégicos y la Interacción Humano-Algoritmo

La insistencia en la implementación de la inteligencia artificial (IA) en el sector sanitario, a pesar de los desafíos inherentes, se fundamenta en la búsqueda de una mejora continua y la adopción de modelos de atención más eficientes y centrados en el paciente. Conceptos como la medicina basada en el valor, que enfatiza la medición de resultados clínicos relevantes para el paciente en relación con los costos totales del ciclo de atención, y los postulados del Dr. Porter, justifican la superación de la inercia (Porter, como se cita en Kelly et al., 2019). Modelos como la cohorte de Kaiser Permanente (Bodenheimer et al., 2002), que estratifica a la población para optimizar recursos y mejorar la supervivencia, así como la Cuádruple Meta (Berwick et al., 2008; Bodenheimer & Sinsky, 2014) y la política de las 5P (Arch Bronconeumol, n.d.; INSPILIP, n.d.), subrayan la necesidad de sistemas que optimicen la experiencia del paciente, la salud poblacional, la reducción de costos y la calidad de vida de los proveedores.

Sin embargo, la efectividad de estos marcos estratégicos depende intrínsecamente de la capacidad de la IA para interactuar fluidamente con los usuarios. 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 (Kelly et al., 2019). Este desafío se agudiza al considerar la interacción entre la IA y el ser humano, especialmente en poblaciones con baja alfabetización digital.

1.1. Problemas de Accesibilidad a Internet y la Brecha Digital Persistente

Las dificultades de acceso a internet y la baja alfabetización digital, particularmente entre las personas mayores de 65 años, constituyen un obstáculo persistente para la adopción de herramientas tecnológicas avanzadas, incluyendo la IA. A pesar de los esfuerzos por democratizar el acceso, decisiones como la Sentencia C-206 de 2025 de la Corte Constitucional, al abordar la neutralidad de la red, pueden paradójicamente incrementar los costos de conexión para ciertos servicios, exacerbando la brecha digital y limitando la capacidad de los adultos mayores para interactuar con plataformas esenciales para pedir citas, gestionar medicamentos, obtener autorizaciones o descargar resultados. Esta falta de accesibilidad y la baja interoperabilidad entre sistemas siguen siendo barreras significativas.

2. Los Médicos y la Inteligencia Artificial: Ventajas del Entendimiento y Promesa de Valor

La integración efectiva de la IA en la práctica médica requiere que los profesionales de la salud comprendan sus principios fundamentales. La confusión entre la historia clínica electrónica y la IA, así como la percepción de que no toda automatización es inteligencia artificial, han contribuido a una baja adopción tecnológica. Sin embargo, cuando los médicos entienden los principios subyacentes de la IA, pueden discernir cómo estas herramientas pueden complementar su juicio clínico, en lugar de reemplazarlo.

La IA ofrece una promesa de valor sustancial para el médico. Al actuar como un «cerebro periférico» (Lea & Podolsky, 2024), la IA puede proporcionar soporte en la toma de decisiones, especialmente en campos de bajo dominio o en el manejo de enfermedades infrecuentes, donde el conocimiento experto puede no estar inmediatamente disponible. Este apoyo es crucial para mitigar la fatiga por alarmas, un problema conocido cuando los sistemas de soporte presentan advertencias excesivas. La Valoración Geriátrica Integral (VGI), por ejemplo, una herramienta esencial para el abordaje personalizado del adulto mayor (Cárdenas, 2025), puede ser facilitada por la IA, empoderando a médicos no geriatras para manejar con confianza una mayor variedad de enfermedades complejas.

3. La Promesa de Valor para el Paciente de la Tercera Edad: Empoderamiento a Través de Herramientas Fluidas e Intuitivas ¿asistentes cognitivos?

Para el paciente de la tercera edad, que a menudo muestra un bajo interés en capacitarse en nuevas tecnologías complejas, la promesa de la IA reside en la facilidad de herramientas más fluidas e intuitivas. La IA puede transformar la experiencia del paciente al ofrecer interfaces simplificadas que faciliten el acceso a sus datos de salud, información educativa personalizada y servicios de apoyo.

La IA se convierte así en una herramienta de empoderamiento del paciente con su enfermedad. Al proporcionar un acceso más sencillo y comprensible a sus registros médicos, resultados de pruebas y recursos educativos adaptados, los adultos mayores pueden desempeñar un papel más activo en la gestión de su propia salud. Esta accesibilidad fomenta una mayor autonomía y participación en las decisiones sobre su cuidado, superando las barreras de la alfabetización digital mediante el diseño de sistemas que priorizan la usabilidad y la intuición.

4. La Bioinformática y la Inteligencia Artificial en la Vida Cotidiana: Aplicaciones y Nuevos Horizontes

La inteligencia artificial, impulsada por la bioinformática, ejercerá un impacto positivo en múltiples facetas de la medicina, manifestándose con frecuencia de manera casi imperceptible en la vida diaria. Sus aplicaciones abarcan desde el análisis avanzado de imágenes (detección de tumores, predicción del Alzheimer) y señales (interpretación de electrocardiogramas), hasta la interpretación genómica y el análisis de datos de historias clínicas electrónicas (HCE) para predicciones de riesgo (mortalidad hospitalaria, reingreso). La IA optimiza el flujo de trabajo clínico, automatiza procesos y facilita el procesamiento de lenguaje natural para resumir consultas médico-paciente. Su capacidad para extraer información novedosa a partir de datos existentes y reducir la variación injustificada en la práctica clínica augura una mejora significativa en la eficiencia y la prevención de errores médicos.

4.1. Cuidados Paliativos y Fin de Vida: Un Campo de Implementación de la IA

Un campo emergente y de profunda relevancia para la implementación de la IA es el de los cuidados paliativos y de fin de vida. La IA puede facilitar la vida de los pacientes y sus familias al optimizar la gestión del dolor, predecir necesidades de soporte y personalizar planes de atención.

Adicionalmente, la IA abre la posibilidad de integrar «multiagentes» como participantes objetivos en los comités de «morir dignamente». Estos sistemas podrían asesorar y evaluar el cumplimiento de los requisitos legales, como los estipulados en la Ley 1733 de 2014 en Colombia, garantizando un proceso ético y legalmente sólido en decisiones complejas de fin de vida. Un soporte objetivo para evitar el “encarnizamiento terapéutico”, las medidas fútiles, pero a la vez da la opción desde un punto de vista objetivo, evitar “abandonar la lucha demasiado temprano” o favorecer una adecuada implementación de sentencias de la Corte Constitucional y las reglamentaciones del ministerio de Salud de Colombia.

La inteligencia artificial (IA) puede ser un aliado útil para el cumplimiento legal del derecho a morir dignamente. En Colombia, este derecho ha sido respaldado por un marco jurídico progresivo: la Sentencia C-239 de 1997 reconoció el derecho fundamental a morir dignamente; la C-233 de 2021 amplió su alcance a personas con enfermedades graves o lesiones incurables que generen sufrimiento físico o psíquico intenso; la Resolución 971 de 2021 reglamentó el procedimiento clínico y administrativo; la C-164 de 2022 precisó los requisitos clínicos y reafirmó la autonomía del paciente; y las sentencias T-445 y T-544 de 2024 ordenaron eliminar barreras y actualizar la regulación vigente.

Generando fluidez en el cumplimiento ético, legal y clínico en el marco de la práctica médica individual, comunitaria y pública, ¿Cómo?

En términos de optimización de procesos, puede apoyar la verificación automática de requisitos como el consentimiento libre e informado, el diagnóstico médico y la presencia de sufrimiento intenso, así como asistir a los comités interdisciplinarios en la evaluación de solicitudes. Además, puede facilitar la documentación del acompañamiento médico, la transcripción de actas, la programación de comités y la generación automática de alertas ante nuevas solicitudes, así como preparar soportes requeridos por aseguradores y entes reguladores.

Desde una perspectiva poblacional, la IA puede detectar barreras de acceso, analizar inequidades regionales y emitir alertas tempranas que permitan a los organismos de control tomar decisiones informadas. En el plano ético, su uso puede fortalecer la trazabilidad de los procesos, mejorar la redacción de conceptos clínicos mediante lenguaje natural y asegurar la claridad de las solicitudes y actas.

Finalmente, la IA a través de sistemas híbridos (DL/sistemas expertos basados en reglas, agentes o multiagentes) puede contribuir al monitoreo del cumplimiento de la Resolución 971 de 2021 y apoyar su actualización, en respuesta a lo exigido por la T-544 de 2024, fortaleciendo así la ruta clínica para la eutanasia en Colombia.

5. Dificultades en la Implementación de la IA: Riesgos de Sesgos y Metodologías Inadecuadas

A pesar de su promesa, la implementación de algoritmos de aprendizaje automático en la práctica clínica real es aún infrecuente. El desafío de la traslación a la práctica clínica es considerable, y existen informes limitados sobre los beneficios clínicos y económicos que han surgido del uso de algoritmos de IA en el entorno clínico real (Kelly et al., 2019).

Los principales retos incluyen:

• Metodologías de Entrenamiento y Evaluación: La mayoría de las investigaciones son retrospectivas, y la verdadera utilidad solo se dilucidará con estudios prospectivos. La falta de ensayos controlados aleatorizados (ECA) y el desequilibrio entre rendimiento y explicabilidad (modelos «caja negra») complican la validación. Las métricas actuales no siempre reflejan la aplicabilidad clínica real («abismo de la IA»).
• Generalización y Sesgos: Los algoritmos pueden sufrir de inaplicabilidad fuera del dominio de entrenamiento y la presencia de sesgos. El «cambio del conjunto de datos» (data shift) y el ajuste inadvertido de factores de confusión comprometen la generalización a nuevas poblaciones y entornos. El sesgo algorítmico es una preocupación crítica, ya que puede amplificar imprecisiones en subgrupos minoritarios, afectando la equidad en la atención.
• Vulnerabilidad y Logística: Los algoritmos son susceptibles a ataques o manipulación de adversarios. Logísticamente, la consolidación de datos aislados en múltiples sistemas (HCE, imágenes, patología) sigue siendo un desafío, a pesar de formatos como FHIR.
• Regulación y Control de Calidad: El desarrollo de marcos regulatorios sólidos y adaptativos es fundamental para un despliegue seguro y eficaz, especialmente dado el ritmo de la innovación. La legislación que establece el «derecho a la explicación» de las predicciones algorítmicas subraya la necesidad de transparencia.

Conclusión

La inteligencia artificial representa una herramienta transformadora con un potencial inmenso para revolucionar la atención sanitaria, particularmente para la población de la tercera edad y para la optimización de la práctica médica. A pesar de los significativos desafíos técnicos, regulatorios y humanos que persisten en su implementación, los beneficios proyectados en términos de eficiencia, precisión diagnóstica, personalización de tratamientos y mejora de la calidad de vida para pacientes y proveedores de salud justifican una inversión continua en su desarrollo y adopción.

La superación de estas barreras, mediante una investigación rigurosa, marcos regulatorios adaptativos y un enfoque centrado en la interacción humano-algoritmo, permitirá que la IA se integre de manera efectiva, consolidando su rol como un pilar fundamental en la medicina del futuro.

Sin embargo, la reflexión más profunda sobre la capacidad de razonamiento de las máquinas hoy, en una exposición magistral esta en el vídeo del Dr. Fernando Suárez (QEPD): «¿La IA hoy piensa?» [https://youtu.be/DtEjxlsPCE4?si=JpU8VQZYHGIfLjuU].

Bonus track.

TAG: Creación de Aplicaciones Sin Código con LLM para la Gestión de Citas y la Privacidad de Datos

La evolución de los Grandes Modelos de Lenguaje (LLM) ha democratizado el desarrollo de aplicaciones, permitiendo la creación de soluciones funcionales sin necesidad de conocimientos de programación. Este anexo detalla un enfoque general para desarrollar aplicaciones sin código, enfocadas en la gestión de citas (asignación y reprogramación), con especial atención a la privacidad de los datos.

Paso a Paso General para Crear Apps Sin Código con LLM para Gestión de Citas:

1. Definición del Problema y Requisitos:
   • Identificar las necesidades específicas: ¿Quién utilizará la aplicación (pacientes, personal médico)? ¿Qué funcionalidades son esenciales (asignar, cancelar, reprogramar, recordatorios)?
   • Clarificar el flujo de trabajo: ¿Cómo interactuará el usuario con la aplicación? ¿Qué información se requiere en cada etapa?
2. Selección de una Plataforma No-Code/Low-Code con Integración LLM:
   • Investigar plataformas que permitan la integración con LLM o que incorporen capacidades de IA conversacional (ej., Bubble, Adalo, Glide, o plataformas especializadas en chatbots con integraciones API).
   • Verificar la facilidad de uso de la interfaz visual para construir la lógica y la interfaz de usuario.
3. Diseño de la Interfaz de Usuario (UI) y Experiencia de Usuario (UX):
   • Crear pantallas intuitivas para la asignación de citas (selección de fecha/hora, médico, especialidad).
   • Diseñar flujos claros para la reprogramación o cancelación, incluyendo confirmaciones explícitas.
   • Considerar la accesibilidad para usuarios con baja alfabetización digital (botones amplios, texto legible, navegación simplificada).
4. Configuración de la Base de Datos:
   • Establecer una base de datos para almacenar la información de citas, pacientes, médicos y disponibilidad. Las plataformas no-code suelen ofrecer bases de datos integradas o facilitan la conexión con servicios externos (ej., Airtable, Google Sheets).
   • Definir los campos necesarios (ID de cita, fecha, hora, ID_paciente, ID_médico, estado, etc.).
5. Integración del LLM para la Lógica Conversacional:
   • Para la asignación: El LLM puede interpretar el lenguaje natural del usuario («Deseo una cita con el Dr. Smith para mañana a las 10 AM») y extraer las entidades relevantes (nombre del médico, fecha, hora).
   • Para la reprogramación/cancelación: El LLM puede comprender solicitudes como «Necesito modificar mi cita del martes con la Dra. García» y guiar al usuario a través del proceso.
   • Configurar las «acciones» que el LLM debe activar (ej., buscar disponibilidad en la base de datos, crear/actualizar un registro de cita). Esto se realiza mediante la configuración de la plataforma no-code y las interfaces de programación de aplicaciones (APIs) del LLM.
6. Implementación de Reglas de Negocio y Lógica:
   • Establecer la lógica condicional (ej., si el horario está ocupado, sugerir alternativas; si el paciente no está registrado, solicitar el registro).
   • Configurar notificaciones automáticas (SMS, correo electrónico) para confirmaciones, recordatorios o cambios.
7. Pruebas y Refinamiento:
   • Realizar pruebas exhaustivas con usuarios reales para identificar fricciones, errores o malentendidos.
   • Iterar en el diseño de la interfaz y la configuración del LLM para optimizar la experiencia del usuario.

Modelos de LLM y Recolección de Datos con Enfoque en la Privacidad:

La preocupación por la privacidad de los datos es fundamental, especialmente en el sector salud. Al utilizar LLM, es crucial comprender cómo se gestionan los datos enviados al modelo para su procesamiento. Existen diferentes enfoques:

• Modelos de IA Autohospedados (On-Premise) o en Nube Privada:
  • Descripción: Estos modelos se implementan directamente en la infraestructura del usuario o en una nube privada dedicada. Esto implica que los datos de entrada y salida nunca abandonan el entorno controlado de la organización.
  • Ventaja: Máximo control sobre los datos y cumplimiento normativo (ej., HIPAA, GDPR, Ley 1581 de 2012 en Colombia). Los datos no se utilizan para el entrenamiento de los modelos por parte del proveedor del LLM.
  • Ejemplos: Modelos de código abierto como Llama 2 (Meta), Mixtral (Mistral AI) o Falcon (TII), que pueden ser ajustados y ejecutados en servidores propios. Proveedores de nube que ofrecen instancias dedicadas o modelos de IA con garantías de no uso de datos para entrenamiento (ej., algunos servicios de Azure AI, Google Cloud Vertex AI con configuraciones específicas de privacidad).
• APIs de LLM con Políticas de No Retención o No Entrenamiento de Datos:
  • Descripción: Algunos proveedores de LLM ofrecen APIs donde se comprometen contractualmente a no retener los datos enviados para inferencia ni a utilizarlos para el entrenamiento de sus modelos.
  • Ventaja: Facilidad de integración con servicios en la nube sin la complejidad de la infraestructura local, manteniendo un nivel de privacidad elevado.
  • Ejemplos: OpenAI (con sus políticas de «API data usage policy» para clientes empresariales que no usan los datos para entrenamiento por defecto), Google Cloud Vertex AI (con modelos como Gemini, donde los datos de cliente no se usan para mejorar el modelo base sin consentimiento explícito), y otros proveedores de API que especifican claramente sus políticas de uso de datos.

Es vital que, al seleccionar un proveedor o modelo de LLM, se revise detenidamente su política de privacidad y los acuerdos de procesamiento de datos (DPA) para asegurar que se alinean con las regulaciones de protección de datos aplicables. La implementación de medidas de seguridad adicionales, como la anonimización o seudonimización de datos sensibles antes de enviarlos a cualquier servicio externo, también es una práctica recomendada.

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
• Ley 1733 de 2014. Por medio de la cual se regulan los servicios de cuidados paliativos para el manejo integral de pacientes con enfermedades terminales, crónicas, degenerativas e irreversibles en cualquier fase de la enfermedad, de alto impacto en la calidad de vida. 1 de septiembre de 2014. D.O. No. 49.266.
• Suárez, F. (n.d.). ¿La IA hoy piensa? [Video]. YouTube. Recuperado de https://youtu.be/DtEjxlsPCE4?si=JpU8VQZYHGIfLjuU