Una escala de fragilidad hecha para quien vive sin hogar: la IA útil es la que mide a quien los modelos no ven

Por Western News (Western University) · 30 de octubre de 2026.

Un equipo del London Health Sciences Centre Research Institute (LHSCRI) e ICES Western, en Canadá, desarrollará una escala de fragilidad con IA pensada para personas que han vivido sin hogar. La dirige Stephanie Dixon, profesora de medicina y de epidemiología y bioestadística en la Schulich School of Medicine & Dentistry. Según la universidad, usará datos anonimizados de más de 35.000 habitantes de Ontario con historial de sinhogarismo.

Una escala de fragilidad es una herramienta que estima el estado general de salud de una persona y su riesgo de complicaciones, hospitalización o enfermedad grave. El problema, según los investigadores, es que las existentes se diseñaron sobre todo para personas mayores con vivienda estable. Pesan mucho la edad y poco el trauma, el estrés crónico, el consumo de sustancias, los problemas de salud mental o las barreras de acceso a la atención.

El proyecto parte de un hallazgo que la propia universidad cita: la investigación sugiere que quienes viven sin hogar pueden sufrir los efectos de la fragilidad años antes que la población general. Si es así, una escala calibrada por edad deja fuera justo a quien más la necesita.

El objetivo a largo plazo, según Western, es que médicos y personal sanitario de albergues detecten antes a las personas con más riesgo de malos resultados y actúen de forma proactiva. El trabajo también documentará las lagunas en la recogida de datos sanitarios, es decir, dónde estas poblaciones son menos visibles para el sistema.

El diseño es «codiseñado»: participan socios comunitarios, profesionales sanitarios y personas con experiencia directa de sinhogarismo. Dixon, que lleva casi 15 años en ICES Western, menciona factores que suelen pasarse por alto, como los efectos acumulados de las experiencias adversas en la infancia, el consumo de sustancias, el historial de enfermedades infecciosas y la salud mental. El estudio cuenta con el apoyo de la beca AMS Healthcare de Liderazgo en Compasión e Inteligencia Artificial. La nota no ofrece métricas de rendimiento del modelo, porque el proyecto está en fase inicial.

**Nuestra lectura.** La tesis: el sesgo más habitual de la IA sanitaria no es un fallo del algoritmo, sino de a quién incluyen los datos de entrenamiento. Un modelo bien calibrado para una población estable y envejecida puede ser sistemáticamente ciego para otra. Aquí la IA no sirve para sustituir al clínico, sino para corregir un punto ciego que ya existe en las herramientas tradicionales.

Hay motivos de cautela, y conviene decirlos. Hoy no hay resultados que evaluar, solo un plan. Una escala de riesgo solo vale si se valida con datos externos y si cambia decisiones reales. Si no hay camas, atención primaria ni apoyo detrás de la alerta, detectar antes no mejora nada. Además, los datos administrativos solo recogen a quien ya contactó con el sistema, y la propia nota admite esas lagunas. Es honesto que el proyecto las convierta en objeto de estudio.

En general, la medicina del futuro que prometemos en Zendoric, con enfermedades erradicadas y salud prolongada, solo será abundancia si llega también a quienes hoy están en los márgenes. Ese horizonte no se alcanza solo con modelos más potentes. Exige datos más representativos y diseño con las personas afectadas. Este proyecto, modesto y en fase temprana, apunta en esa dirección: antes de repartir los frutos de la IA médica, hay que asegurarse de que el sistema sabe que esas personas existen.