IA y medicalización: ¿quién define la enfermedad?

Cuando la IA define qué cuenta como enfermedad: diagnóstico, riesgo y nueva medicalización

¿Puede un algoritmo modificar la frontera entre estar sano, estar enfermo y encontrarse en riesgo? La inteligencia artificial no redacta las clasificaciones médicas ni establece de manera autónoma los criterios clínicos. Sin embargo, cuando analiza grandes cantidades de datos, identifica desviaciones mínimas, calcula probabilidades y activa alertas, empieza a influir en la manera práctica en que se reconoce la enfermedad.

Esta transformación puede permitir diagnósticos más oportunos y una mejor distribución de los recursos. También puede ampliar el número de personas sometidas a vigilancia, pruebas e intervenciones, incluso cuando nunca llegarían a presentar síntomas o daños relevantes. La cuestión, por tanto, no es solamente si la inteligencia artificial diagnostica con exactitud. También debemos preguntar qué considera anormal, qué consecuencias produce esa clasificación y quién responde cuando una probabilidad termina convirtiéndose en una identidad clínica.

Idea central: la IA no necesita declarar formalmente una nueva enfermedad para ampliar la medicalización. Basta con que detecte más desviaciones, reduzca los umbrales de alerta o convierta probabilidades inciertas en recomendaciones de intervención.

La enfermedad no es solamente un dato

Muchas variables biológicas son continuas. La presión arterial, la glucosa, la densidad mineral ósea, la frecuencia cardiaca o el tamaño de una lesión no se dividen naturalmente en dos grupos perfectamente separados. Son las comunidades científicas y las instituciones sanitarias las que establecen umbrales para decidir cuándo una variación requiere observación, diagnóstico o tratamiento.

Esos límites pueden ser indispensables. Permiten organizar el conocimiento, comparar resultados y tomar decisiones. Pero no son equivalentes a una frontera natural completamente objetiva. Dependen de la evidencia disponible, del balance entre beneficios y daños, de la prevalencia de la enfermedad, de los recursos y de los valores que orientan la práctica.

La inteligencia artificial introduce una nueva capacidad dentro de este proceso: puede encontrar patrones demasiado complejos o sutiles para ser reconocidos mediante reglas clínicas convencionales. En lugar de afirmar simplemente que una persona tiene o no tiene una enfermedad, puede estimar que posee una probabilidad del 8 %, 27 % o 76 % de presentar un desenlace determinado.

Sin embargo, el sistema sanitario necesita actuar. Para ello debe convertir la probabilidad en una categoría: bajo riesgo, riesgo intermedio, alto riesgo; observar, repetir la prueba, derivar, biopsiar o tratar. En ese paso, una predicción matemática adquiere consecuencias clínicas y sociales.

¿Cómo puede la IA ampliar la medicalización?

La medicalización ocurre cuando situaciones, experiencias o variaciones humanas pasan a ser interpretadas principalmente como problemas médicos. La IA puede participar en este proceso mediante varios mecanismos.

1. Detectar alteraciones antes invisibles
Un modelo puede reconocer patrones mínimos en imágenes, señales fisiológicas, lenguaje o comportamiento. Detectar más no significa necesariamente prevenir más daño: algunas alteraciones podrían permanecer estables, desaparecer o no producir síntomas.
2. Reducir el umbral para activar una alerta
Un umbral orientado a maximizar la sensibilidad encontrará más casos potenciales, pero también puede generar más falsos positivos, pruebas confirmatorias y ansiedad.
3. Convertir el riesgo en una condición permanente
Una persona sin síntomas puede quedar incorporada de forma prolongada a programas de vigilancia porque el sistema la considera susceptible, preclínica o de alto riesgo.
4. Extender la observación a la vida cotidiana
Relojes, aplicaciones y sensores pueden transformar el sueño, el movimiento, el ritmo cardiaco, el estado de ánimo y otras experiencias diarias en datos sometidos a interpretación sanitaria continua.
5. Automatizar la prioridad institucional
Una clasificación algorítmica puede determinar quién recibe una cita, una prueba adicional o una intervención, incluso cuando formalmente la decisión final conserva una firma humana.

En todos estos casos, el algoritmo no crea la realidad biológica. Lo que hace es seleccionar señales, asignarles significado y conectarlas con una respuesta institucional. Por eso su papel debe analizarse como parte del circuito regulador de la medicina y no solamente como una herramienta de cálculo. Esta idea continúa lo planteado en la inteligencia artificial como nuevo elemento regulador.

Detectar más no siempre significa cuidar mejor

En medicina, una mayor sensibilidad diagnóstica puede ser beneficiosa cuando permite identificar una enfermedad tratable antes de que produzca daño. Pero también puede revelar alteraciones que nunca habrían afectado la salud de la persona. Esta última situación contribuye al sobrediagnóstico: el diagnóstico correcto de una anormalidad real que no habría causado síntomas ni muerte durante la vida del individuo.

El sobrediagnóstico no es lo mismo que un falso positivo. En el falso positivo, la sospecha inicial resulta equivocada. En el sobrediagnóstico, la alteración existe, pero su identificación no ofrece necesariamente un beneficio y puede conducir a vigilancia, procedimientos o tratamientos innecesarios.

Este problema resulta especialmente visible en programas de cribado. Una revisión sistemática publicada en BMJ Open señaló que las aparentes mejoras en detección mediante IA en mamografía podrían aumentar el sobrediagnóstico bajo determinados umbrales diagnósticos y terapéuticos. Los autores también advirtieron que la evidencia disponible no siempre permite medir directamente este desenlace. Por tanto, no puede suponerse que todo incremento en detección represente automáticamente un mejor resultado para las pacientes.

La pregunta correcta no es únicamente: “¿Cuántos casos adicionales encuentra el algoritmo?”. También debemos preguntar:

  • ¿Cuántas personas viven más o mejor gracias a esa detección?
  • ¿Cuántas reciben pruebas o tratamientos que no necesitaban?
  • ¿Qué efectos psicológicos produce ser clasificado como enfermo o de alto riesgo?
  • ¿Cómo se distribuyen los beneficios y daños entre distintos grupos?
  • ¿Qué ocurre cuando el sistema se utiliza en una población diferente de aquella con la que fue desarrollado?

El umbral algorítmico también contiene valores

Un modelo puede producir una probabilidad, pero alguien debe decidir a partir de qué valor se activa una intervención. Esa decisión expresa un balance entre dos tipos de error.

Si el umbral se reduce, probablemente se detectarán más casos verdaderos, pero también más personas sin enfermedad relevante serán clasificadas como sospechosas. Si el umbral se eleva, disminuirán las pruebas innecesarias, aunque podrían perderse casos que requerían atención.

No existe una solución puramente matemática para este conflicto. El balance depende de la gravedad de la enfermedad, la seguridad del tratamiento, la posibilidad de confirmar el resultado, las preferencias del paciente y los recursos disponibles. También depende de quién soporta las consecuencias del error.

Un algoritmo no elige solo entre exactitud e inexactitud.

Al fijar un umbral, el sistema distribuye falsos positivos, falsos negativos, ansiedad, retrasos, costos y oportunidades de tratamiento. Por eso el umbral es simultáneamente técnico, clínico y ético.

Además, los errores pueden distribuirse de manera desigual. Una revisión en npj Digital Medicine muestra que los sesgos pueden aparecer en la selección de datos, la representación de grupos, las etiquetas diagnósticas y la implementación local. Un algoritmo con buen rendimiento promedio puede funcionar peor en poblaciones poco representadas y profundizar desigualdades existentes.

De la predicción a la identidad clínica

El lenguaje del riesgo permite actuar antes de que aparezca una enfermedad. Esa capacidad constituye uno de los grandes avances de la prevención. Pero también modifica la experiencia de estar sano.

Una persona puede sentirse saludable y, al mismo tiempo, ser definida como portadora de un riesgo elevado calculado por un modelo. Desde ese momento puede comenzar una trayectoria de controles, restricciones, preocupación y decisiones preventivas. La probabilidad se incorpora a su biografía.

El riesgo no es una enfermedad presente. Tampoco es irrelevante. Es una estimación condicionada por los datos, la población de referencia, el horizonte temporal y el funcionamiento del modelo. Presentarlo como un destino individual puede generar una falsa certeza.

Este desplazamiento resulta especialmente importante cuando los sistemas analizan información obtenida fuera de la consulta: actividad física, sueño, búsquedas, escritura, voz o interacción con dispositivos. La vigilancia puede extenderse desde el hospital hacia la vida cotidiana, haciendo que cada variación se convierta potencialmente en un signo.

La consecuencia no debe describirse como inevitable. Depende de cómo diseñemos los sistemas, de qué datos aceptemos utilizar y de las respuestas que asociemos con sus resultados. El problema no es medir, sino convertir toda diferencia medible en desviación clínicamente relevante.

La supervisión humana no puede ser una formalidad

Decir que un profesional conserva la decisión final no garantiza un control humano efectivo. La recomendación algorítmica puede adquirir una autoridad difícil de cuestionar, especialmente cuando el médico dispone de poco tiempo, desconoce cómo se desarrolló el modelo o teme apartarse de la conducta sugerida.

La evidencia experimental indica que los médicos pueden modificar decisiones después de recibir recomendaciones generadas por IA. Esto puede mejorar algunos resultados, pero confirma que el sistema influye activamente en el razonamiento. Por tanto, la supervisión humana exige algo más que aceptar o rechazar una alerta.

Para que sea significativa, la persona responsable necesita:

  • conocer la finalidad y las limitaciones del sistema;
  • entender qué población se utilizó para validarlo;
  • disponer de información sobre falsos positivos y falsos negativos;
  • poder identificar situaciones en las que el modelo no debe aplicarse;
  • tener tiempo y autoridad para apartarse de la recomendación;
  • documentar y revisar los desacuerdos;
  • explicar al paciente cómo influyó la IA en la decisión.

La Organización Mundial de la Salud recomienda evaluaciones de impacto algorítmico antes de la implementación, verificación humana de la evidencia y supervisión multidisciplinaria durante el uso. Aunque su documento de 2026 se concentra en políticas sanitarias, el principio es igualmente relevante para la clínica: la IA debe ampliar la deliberación humana, no reemplazarla.

IA

La inteligencia artificial se convierte en un elemento regulador cuando sus predicciones comienzan a modificar decisiones, prioridades y respuestas dentro del sistema sanitario.

¿Quién debe decidir qué cuenta como enfermedad?

La definición práctica de enfermedad nunca ha dependido de un solo actor. Participan investigadores, sociedades científicas, profesionales, autoridades regulatorias, sistemas sanitarios, empresas y pacientes. La IA añade desarrolladores, proveedores de datos y diseñadores de modelos a esa red.

Esto puede volver menos visible la responsabilidad. El médico puede atribuir la clasificación al sistema; la institución, al proveedor; y el proveedor, a los datos o a la evidencia existente. El resultado es una decisión con efectos reales pero sin un responsable claramente identificable.

Para evitarlo, toda herramienta que pueda modificar categorías clínicas o umbrales de intervención debería responder, al menos, estas preguntas:

  1. ¿Qué problema clínico intenta resolver?
  2. ¿Qué desenlace relevante para el paciente pretende mejorar?
  3. ¿Quién definió las etiquetas utilizadas para entrenarla?
  4. ¿En qué población fue validada?
  5. ¿Qué umbral activa una respuesta y por qué se eligió?
  6. ¿Qué daños puede producir una clasificación errónea o innecesaria?
  7. ¿Quién vigila su funcionamiento después de implementarla?
  8. ¿Puede el paciente conocer, cuestionar o rechazar su utilización?

Estas preguntas conectan con una premisa desarrollada en Magnifica Humanitas y la regulación de la persona: una medicina centrada en la persona no rechaza los perfiles estadísticos, pero impide que ocupen el lugar de la persona representada.

Hacia una regulación centrada en la persona

La respuesta no consiste en detener el uso de inteligencia artificial. Algunos modelos pueden mejorar la detección, reducir demoras, apoyar a profesionales y ampliar el acceso a conocimiento especializado. El reto es evaluar el beneficio clínico sin confundir rendimiento técnico con valor humano.

Una regulación centrada en la persona debería distinguir cuatro niveles:

Validez técnica: comprobar discriminación, calibración, calidad de datos y estabilidad del modelo.
Utilidad clínica: demostrar que su uso mejora decisiones o desenlaces relevantes, no solamente que aumenta la detección.
Impacto social: evaluar sobrediagnóstico, desigualdad, acceso, costos y efectos sobre la experiencia de salud y enfermedad.
Legitimidad ética: garantizar explicabilidad suficiente, participación, responsabilidad, posibilidad de revisión y respeto por la autonomía.

Este marco permite reconocer que un algoritmo puede ser técnicamente preciso y, aun así, resultar clínicamente poco útil o socialmente perjudicial. También puede suceder lo contrario: una herramienta imperfecta podría aportar valor limitado y bien definido si se utiliza dentro de un proceso prudente, verificable y reversible.

Conclusión

La inteligencia artificial no posee autoridad natural para decidir qué es una enfermedad. Sus resultados dependen de categorías, datos, objetivos y umbrales definidos por seres humanos. Sin embargo, cuando esos resultados organizan pruebas, derivaciones y tratamientos, la IA participa de hecho en la construcción práctica de la normalidad y la patología.

La nueva medicalización algorítmica no se produce necesariamente mediante la invención explícita de diagnósticos. Puede avanzar de forma más silenciosa: detectando anomalías cada vez menores, ampliando poblaciones de riesgo y convirtiendo la vigilancia permanente en una condición normal de la vida.

La tarea de la medicina no es elegir entre cálculo y humanidad. Es situar el cálculo dentro de una relación responsable, capaz de distinguir una señal de una enfermedad, una probabilidad de un destino y un perfil de la persona concreta que solicita cuidado.

Preguntas frecuentes

¿La inteligencia artificial puede crear nuevas enfermedades?

No crea por sí sola enfermedades biológicas ni categorías diagnósticas oficiales. Sin embargo, puede influir en qué alteraciones se detectan, qué riesgos se consideran relevantes y qué umbrales activan intervenciones.

¿Qué diferencia existe entre falso positivo y sobrediagnóstico?

Un falso positivo es una sospecha que finalmente no corresponde a la enfermedad buscada. En el sobrediagnóstico, la alteración existe, pero nunca habría causado síntomas o daño relevante durante la vida de la persona.

¿Mayor sensibilidad diagnóstica siempre es mejor?

No. Puede ser beneficiosa en enfermedades graves y tratables, pero también puede aumentar falsos positivos, pruebas innecesarias y sobrediagnóstico. Debe evaluarse el balance completo entre beneficios y daños.

¿Es suficiente que un médico revise la recomendación de la IA?

No necesariamente. La supervisión requiere conocimiento del sistema, tiempo, capacidad para cuestionarlo, acceso a alternativas y responsabilidad clara sobre la decisión final.

¿Cómo puede reducirse la medicalización algorítmica?

Validando los modelos en la población local, justificando los umbrales, midiendo daños además de exactitud, vigilando el rendimiento después de la implementación e incorporando a profesionales y pacientes en las decisiones de diseño y uso.

Este contenido tiene fines educativos y de divulgación. No sustituye una valoración médica individual ni constituye una recomendación diagnóstica o terapéutica.

Fuentes y lecturas recomendadas