Elaborado por: Luis Jorge Hernández F, Ana Isabel Castrillón C., Sergio Moreno López
¿Qué es la salud pública?
La salud pública promueve el bienestar poblacional a diferencia de la atención individual. Integra medicina, epidemiología, sociología, economía y políticas públicas para estudiar determinantes sociales y patrones de salud comunitarios. Mediante vigilancia epidemiológica, monitoreo de datos, intervenciones para hábitos saludables, gestión de emergencias sanitarias e investigación educativa, fortalece decisiones basadas en evidencia y sistemas de salud. Esto permite diagnósticos colectivos, detección temprana de condiciones de alto impacto y formulación de políticas que reducen inequidades y mejoran el bienestar social.
La Salud Pública como una disciplina científica construida históricamente y que refleja en su teoría y métodos unos contextos epistemológicos y metodológicos, es un discurso de poder y busca mejorar al máximo la salud de las poblaciones y los colectivos.
Las competencias generales de un salubrista susceptibles a ser complementadas por asistentes de IA se dan en los siguientes procesos propios de la salud pública:
- Problematización en salud: Comparar e identificar los abordajes del Modelo de Determinantes Sociales de la Salud Canadiense, OMS y de Determinación del Proceso Salud Enfermedad entre otros.
- Formular intervenciones de Salud Pública: Promoción de la Salud; Prevención de la Enfermedad: primaria, Secundaria, Intervenciones Curativas y Rehabilitación.
- Hacer intervenciones de gestión de Riesgo: Gestión de Riesgo Individual Colectivo; Gestión de la Salud Pública.
- Formular el Ciclo o Momentos de las Políticas públicas en salud: Diseño de la política, Ejecución, Evaluación y Reformulación.
- Hacer Planeación en Salud: Incluye Análisis de situación de salud; identificación de objetivos; Definición de Metas, formulación de intervenciones, responsable, cronograma y presupuesto.
- Hacer Gestión del Conocimiento: Investigación, innovación
- Realizar las Consideraciones éticas de la Salud Pública
- Hacer Monitoreo y Seguimiento de intervenciones en salud pública.
El propósito de esta guía es identificar herramientas y complementos de Inteligencia Artificial (IA) aplicables a los principales procesos de la salud pública, para fortalecer la capacidad analítica, la problematización, la formulación de intervenciones y la gestión del conocimiento.
Procesos de la Salud Pública y Ayudas desde la IA
Los procesos fundamentales de la salud pública desde la problematización hasta la evaluación de intervenciones pueden fortalecerse con herramientas de Inteligencia Artificial que apoyan la búsqueda de evidencia, la formulación de políticas, la gestión del conocimiento y la comunicación de resultados.
La gestión de la salud poblacional enfrenta el desafío de recursos finitos ante necesidades crecientes. Los sistemas de salud son sistemas adaptativos complejos que requieren comprender sus variables, comportamientos e interacciones [Pino]. La evolución de la gestión sanitaria se fundamenta en la convergencia de ciencia de datos y tecnologías de la información, generando sistemas analíticos avanzados: Observatorios, Torres de Control y Plataformas Cognoscitivas. Transforman grandes volúmenes de datos en inteligencia sanitaria aplicable, constituyendo un pilar de los nuevos Modelos Envolventes o Ecosistemas de Salud. [Pino; Brango].
Integración de Herramientas de IA y Analítica
La potencia de estos sistemas radica en la Integración de Herramientas Basadas en Modelos de IA [Vargas/Ortiz]:
- Aprendizaje Automático (ML): Esencial para la predicción de desenlaces y la clasificación de eventos (supervisado), búsqueda de patrones oculto, reducción de la dimensionalidad (no supervisado).
- NLP y LLM (Modelos de Lenguaje Extensos): Facilitan el análisis de datos no estructurados (registros clínicos en texto) y la generación automática de informes ejecutivos (policy briefs) [Vargas/Ortiz].
- Dashboards Dinámicos e IA Generativa: Democratizan la evidencia, ofreciendo visualizaciones personalizables y narrativas de datos automáticas [Vargas/Ortiz].
Sistemas Analíticos Clave
El ecosistema analítico se construye sobre tres pilares interconectados, diseñados para generar eficiencias y mejorar la toma de decisiones:
- Observatorio de Salud: es una plataforma técnico-científica que realiza monitoreo continuo mediante Vigilancia Inteligente de salud pública. Recopila, analiza e interpreta datos, genera alertas tempranas y apoya la formulación de políticas basadas en evidencia sobre estado de salud y determinantes. Su implementación utiliza infraestructura de tecnologías de información y gobernanza de datos para armonizar fuentes heterogéneas [Vargas/Ortiz].
- Torre de Control de Datos en Salud: Es un sistema de gestión que proporciona acceso en tiempo real a datos integrados (clínicos, administrativos y financieros) desde diversas fuentes. Su objetivo es mejorar la calidad de la atención y la eficiencia mediante la toma de decisiones informadas en tiempo real. La torre aloja Sistemas de Soporte a la Decisión (CADSS) y utiliza Tableros de Visualización de Datos para presentar métricas clave (KPI) de forma interactiva y customizable [Pino].
- Plataforma Cognoscitiva: Es un sistema avanzado de Inteligencia Artificial (IA) que combina Procesamiento del Lenguaje Natural (NLP) y el análisis de datos a través de Aprendizaje Automático (ML). Busca interpretar, aprender y tomar decisiones basadas en datos y conocimiento médico. Su valor reside en proporcionar recomendaciones personalizadas en tiempo real a los profesionales de la salud [Brango].
El Modelo Envolvente y la Sostenibilidad
Los modelos y arquitecturas de IA permiten evolucionar a la analítica avanzada, pasar del análisis descriptivo al análisis predictivo y prescriptivo, sustentando Modelos Envolventes con un enfoque guiado por datos. Esto facilita la planificación organizada de acciones para mantener el bienestar, prevenir la enfermedad e invertir los recursos eficientemente [Pino].
Las organizaciones deben priorizar las decisiones a sustentar, asegurar la gobernanza de datos y establecer métricas y prácticas consistentes para que la información generada mejore los desenlaces en salud y la sostenibilidad del sistema al generar eficiencias de los recursos [Pino].
El fracaso de los procesos ocurre cuando las organizaciones cometen errores fundamentales como: recopilar datos por el simple hecho de tenerlos; desarrollar análisis sin pensar en cómo se utilizarán para sustentar decisiones de negocio; y permitir una desconexión entre la tecnología y las necesidades y decisiones. Esto genera datos en silos o en formatos no interoperables, incapaces de transformarse en información útil o conocimiento técnico, impidiendo que la estructura analítica se convierta en una fuente generadora de mejores decisiones [Pino].
Inteligencia artificial generativa aplicada
En IA generativa, el prompt es la interfaz principal entre usuario y modelo. Dominar su formulación es crítico: la ingeniería de prompts mejora sustancialmente el desempeño cuando orienta al modelo con claridad metodológica.
Una formulación adecuada define el pipeline: establece alcance, supuestos, estructura esperada y criterios de calidad, garantizando respuestas precisas, reproducibles y alineadas con objetivos analíticos. Evita respuestas superficiales o alucinadas, maximizando el valor en actividades de salud pública como boletines epidemiológicos, síntesis de literatura, análisis de datos, traducción técnica y campañas de promoción.
Las plantillas de prompting estandarizadas reducen la variabilidad de modelos generativos. Formatos reutilizables para árboles de decisión, reportes de vigilancia o guías de intervención incrementan consistencia, acortan tiempos de producción, favorecen coherencia institucional y mejoran la calidad en salud pública.
La IA generativa potenciando la salud pública
El trabajo con datos poblacionales (vigilancia epidemiológica, análisis de determinantes sociales, estratificación de riesgo, comunicación de resultados) exige prompts que prioricen precisión, trazabilidad de fuentes, contextualización, definición explícita de población objetivo y consideración de incertidumbre. Sin estas instrucciones, la IA genera análisis incompletos o sesgados.
En salud pública, los modelos de IA deben adaptarse a contextos diversos: lineamientos técnicos, síntesis de evidencia, resúmenes ejecutivos, mensajes para poblaciones específicas o planificación de intervenciones. Cada uso demanda prompts diferenciados que guíen razonamiento, formato y profundidad esperada.
La IA en salud pública conlleva riesgos de reproducir sesgos estructurales. Técnicas de mitigación incluyen role prompting, verificación cruzada, segmentación por subpoblaciones y análisis explícito de equidad, fortaleciendo validez ética y técnica.
La gobernanza de datos y la IA en salud pública garantiza procesos transparentes y reproducibles mediante el diseño riguroso de prompts, facilitando la documentación de decisiones metodológicas, la estandarización de enfoques y la trazabilidad de resultados. Esta disciplina fortalece la confiabilidad del contenido producido, especialmente cuando las decisiones impactan poblaciones completas.
Herramientas y complementos de IA generativa y modelos de razonamiento
La siguiente tabla presenta una síntesis de herramientas y complementos de IA alineados con cada proceso de la salud pública, destacando su utilidad práctica y los GPTs que pueden emplearse como asistentes especializados.
| Proceso de la Salud Pública | Tipo de herramienta o función de IA | Ejemplo accesible | Aplicación práctica en salud pública | GPTs o extensiones recomendadas |
|---|---|---|---|---|
| Problematización en salud | Modelos generativos de texto | ChatGPT / Gemini / Claude | Redactar narrativas problematizadoras, priorizar determinantes sociales y formular preguntas orientadoras para un Análisis de Situación de Salud-ASIS. | Public Health Analyzer GPT / Critical Thinking Coach (para estructurar análisis causales o debates). |
| Modelos de Determinantes Sociales | Herramientas gráficas con IA o asistentes visuales | Canva / Draw.io / Whimsical (gratuitas) | Crear diagramas de influencia y dependencia o mapas conceptuales de determinantes. | Diagram Creator GPT / Mind Map Generator GPT (genera mapas de determinantes con jerarquías). |
| Formulación de intervenciones | Buscadores de evidencia y síntesis con IA | Perplexity / Elicit / Consensus | Localizar evidencia de intervenciones costo-efectivas y resumir hallazgos clave. | Scholar GPT / Consensus Summary GPT / Research Assistant GPT (búsqueda y resumen de artículos). |
| Gestión del Riesgo | Analítica predictiva y tableros simples | Google Sheets con Gemini / Flourish | Identificar patrones de riesgo o vulnerabilidad poblacional con datos abiertos. | Data Analyst GPT / Epidemiology Assistant GPT (permite subir CSVs y obtener análisis descriptivos y predictivos). |
| Políticas públicas | Modelos de lenguaje con capacidad analítica | ChatGPT Advanced Data / Perplexity | Redactar briefs o resúmenes técnicos para decisiones basadas en datos. | Policy Brief GPT / Decision Support GPT (estructura documentos de política y resúmenes ejecutivos). |
| Planeación en salud | Asistentes organizativos y de seguimiento | Notion AI / Google Tasks + Gemini | Crear cronogramas automáticos, alertas y matrices de avance. | Project Planner GPT / Health Program Manager GPT (genera planes de trabajo, cronogramas e indicadores SMART). |
| Gestión del conocimiento | Motores de descubrimiento científico | ResearchRabbit / Scite.ai / Connected Papers | Mapear literatura relevante para revisiones rápidas. | Academic Research GPT / Connected Papers GPT (busca y conecta literatura científica). |
| Ética en salud pública | IA explicable y reflexión asistida | Elicit / ChatGPT con prompts éticos | Analizar dilemas de consentimiento, privacidad y sesgos algorítmicos. | Bioethics GPT / AI Ethics Assistant GPT (evalúa dilemas éticos, privacidad y sesgos). |
| Monitoreo y evaluación | Visualización accesible de datos | Power BI (free) / Datawrapper / Flourish | Seguimiento en tiempo real de indicadores y brechas en salud. | Data Visualization GPT / Impact Evaluation GPT (genera gráficos y dashboards básicos en texto o código). |
| Comunicación y movilización social | Generadores de contenido visual y audiovisual | Canva / D-ID / Synthesia | Diseñar materiales educativos y campañas digitales con apoyo de IA. | Canva GPT / Content Creator GPT / Video Storyteller GPT (creación de materiales visuales e infográficos). |
Aplicaciones integradas por fases de la gestión en salud pública
La gestión en salud pública implica un ciclo continuo de análisis, formulación, implementación, evaluación y aprendizaje. En cada una de estas fases, la Inteligencia Artificial ofrece herramientas que amplían la capacidad analítica, optimizan los procesos de decisión y facilitan la comunicación de resultados. La siguiente tabla presenta ejemplos de aplicaciones de IA, organizadas según las fases clásicas de la gestión en salud pública, con indicaciones sobre su tipo, nivel de accesibilidad y posibles integraciones con GPTs especializados.
| Fase de la gestión en salud pública | Tipo de IA | Ejemplo accesible / gratuito (con nivel de acceso) | Aplicación práctica en salud pública | GPTs o extensiones recomendadas |
|---|---|---|---|---|
| 1. Análisis de situación de salud (ASIS) | Generativa + Analítica | 🟢 ChatGPT / 🟢 Google Sheets con Gemini / 🟡 Power BI / 🔴 Tableau | Redactar diagnósticos narrativos, integrar datos de vigilancia y generar visualizaciones básicas o avanzadas. | Data Analyst GPT / Public Health Insight GPT |
| 2. Identificación y priorización de problemas | Explicable + Visual | 🟢 Draw.io / 🟢 Canva / 🟡 Miro / 🔴 Lucidchart | Elaborar mapas de determinantes, árboles causales y jerarquías de influencia–dependencia. | Mind Map Generator GPT / Causal Analysis GPT |
| 3. Formulación de políticas o planes de acción | Generativa + Predictiva | 🟢 ChatGPT / 🟢 Perplexity / 🟡 Gemini Pro / 🟡 Notion AI | Redactar narrativas técnicas, objetivos SMART y estructuras de políticas basadas en evidencia. | Policy Writer GPT / Public Health Planner GPT |
| 4. Ejecución / Implementación de intervenciones | Analítica + Organizativa | 🟢 Google Looker Studio / 🟡 Microsoft Copilot / 🟡 Power BI / 🔴 Tableau | Automatizar tableros de seguimiento, consolidar avances y detectar desviaciones en tiempo real. | Project Manager GPT / Implementation Tracker GPT |
| 5. Monitoreo y seguimiento | Analítica + Explicable | 🟢 Datawrapper / 🟡 Flourish / 🟡 Power BI / 🔴 Python + Tableau | Analizar cobertura, brechas e inequidades territoriales. Visualizar progresos e indicadores. | Impact Evaluation GPT / Data Visualization GPT |
| 6. Evaluación de resultados | Analítica + Generativa | 🟢 Elicit / 🟡 ChatGPT Advanced Data / 🟡 Gemini / 🔴 R Studio | Identificar correlaciones, patrones y resultados. Generar reportes o análisis multivariados. | Evaluation Assistant GPT / Meta-Analysis GPT |
| 7. Reformulación / Aprendizaje institucional | Generativa + Explicable | 🟢 ChatGPT / 🟢 Perplexity / 🟡 Notion AI | Formular nuevas hipótesis, actualizar planes de mejora y documentar lecciones aprendidas. | Learning Report GPT / Reflective Practice GPT |
| 8. Comunicación y transferencia del conocimiento | Generativa + Visual | 🟢 Canva / 🟡 D-ID / 🟡 Synthesia / 🔴 Adobe Illustrator | Diseñar infografías, videos educativos y materiales para divulgación de resultados. | Canva GPT / Health Communicator GPT |
| 9. Ética transversal en todo el ciclo | Explicable + Crítica | 🟢 ChatGPT con prompts éticos / 🟢 Elicit / 🟡 Copilot | Evaluar dilemas éticos, sesgos algorítmicos, privacidad y uso responsable de datos. | Bioethics GPT / AI Ethics Assistant GPT |
Interpretación de etiquetas:
🟢 Herramientas gratuitas o con versión freemium accesible, ideales para uso académico, comunitario o institucional básico.
🟡 Herramientas de pago o con versiones limitadas que pueden requerir una cuenta institucional o suscripción para acceder a todas sus funciones.
🔴 Herramientas que requieren un nivel técnico medio o alto, recomendadas para equipos analíticos o unidades de planeación con personal especializado.
Expectativas de la evolución de los modelos de lenguaje a modelos de razonamiento desde el punto de vista de la salud pública
La evolución de los Modelos de Lenguaje Extensos (LLM) hacia Modelos de Razonamiento y autoaprendizaje, como el Nested Learning, representa un avance significativo para la salud pública que trasciende la generación de texto y resúmenes. Estos modelos integran datos y estructuran conocimiento aplicando lógica inductiva, deductiva e inferencias abductivas sobre datos, transformando las Plataformas Cognoscitivas en asistentes conversacionales multifuncionales con sistemas de soporte a la decisión clínica y administrativa (CADSS). Esta evolución permitirá realizar análisis prescriptivos, avanzando de la simple identificación de patrones de riesgo hacia la sugerencia de acciones contextualizadas y optimizadas para la gestión de recursos limitados. Así, los Observatorios de Salud se convertirán en laboratorios de aplicación de IA para generar intervenciones costoefectivas que mejoren el bienestar poblacional de manera sostenible y basada en evidencia [Vargas/Ortiz; Pino].
Recursos adicionales
- OPS/OMS: Guía para el uso ético de la IA en salud pública (2023) – https://iris.paho.org/handle/10665.2/57454
- UNESCO: Recomendación sobre la Ética de la IA (2022) – https://unesdoc.unesco.org/ark:/48223/pf0000381137
- OpenWHO: Curso ‘Artificial Intelligence for Public Health’ – https://openwho.org/courses/artificial-intelligence-public-health
- PAHO Innovation Network – https://www.paho.org/es/temas/transformacion-digital-salud
- [Vargas/Ortiz]: Vargas, Leslie & Ortiz, Rafael (2025). Observatorios de salud: Inteligencia para la acción en el ecosistema sanitario. https://aipocrates.blog/2025/07/27/observatorios-de-salud-inteligencia-para-la-accion-en-el-ecosistema-sanitario/
- [Brango]: Brango, Rafael (2024). La inteligencia artificial analítica, las plataformas cognoscitivas y los tableros de control son el fin de la historia clínica electrónica como la conocemos (Parte 2). https://aipocrates.blog/2024/05/05/la-inteligencia-artificial-analitica-las-plataformas-cognoscitivas-y-los-tableros-de-control-son-el-fin-de-la-historia-clinica-electronica-como-la-conocemos-parte-2/
[Pino]: Pino, Luis (2023). Torres de control de datos para el sector salud y Más allá de un sistema de salud predictivo. https://aipocrates.blog/2023/01/29/torres-de-control-de-datos-para-el-sector-salud/
aipocrates.blog 