Más precisión no es más equidad: la IA sanitaria necesita medir a quién sirve, no solo cuánto acierta

Por Beinsure · 3 de noviembre de 2026.

Solo 22 de los 166 artículos revisados por investigadores de la Universidad de Georgetown sobre IA y equidad en salud definen de forma explícita qué entienden por «equidad sanitaria», según la propia revisión. El análisis cubre publicaciones de 2018 a principios de 2025. Además, el 70% de los primeros autores (116 artículos) trabaja en instituciones de EE. UU., y ninguno en Sudamérica.

El 68% de los textos habla de equidad en general, sin centrarse en una enfermedad concreta. El 64% son comentarios, editoriales o artículos de opinión. Según la autora principal, Caroline R. Efird, una definición difusa de equidad aumenta el riesgo de que los recursos acaben en el grupo más aventajado y no en el que más los necesita.

El artículo recuerda casos documentados en los que la precisión no basta. En un estudio de Science de 2019, un algoritmo estadounidense de gestión de pacientes asignaba la misma puntuación de riesgo a pacientes negros que estaban sustancialmente más enfermos que los blancos. El motivo: predecía gasto médico, no necesidad clínica, y el gasto refleja también el acceso desigual a la atención.

Otro ejemplo es un experimento de Nature Medicine de 2024 con 389 dermatólogos y 459 médicos de atención primaria de 39 países. La ayuda de la IA mejoró la precisión diagnóstica global, pero amplió la brecha entre piel clara y oscura entre los médicos generalistas. Ojo: se hizo con imágenes y contexto clínico limitado en un entorno simulado, no con resultados reales de pacientes.

El artículo añade el ángulo de la discapacidad. Los sistemas entrenados con datos que representan sobre todo a personas sin discapacidad pueden rendir peor con quien habla, se mueve o se comunica de forma distinta. También cita la investigación de STAT «Denied by AI», que según el medio vinculó predicciones algorítmicas con recortes de cobertura de rehabilitación en Medicare Advantage. Esa investigación también informó de presiones de UnitedHealth al personal médico; son afirmaciones de STAT que aquí se recogen como tales, no como hechos probados.

En el plano regulatorio, el texto contrasta la AI Act europea, de 2024, que exige gestión de riesgos, calidad de datos y supervisión humana en usos de alto riesgo, con un giro estadounidense hacia la desregulación desde 2025, según los investigadores. En EE. UU. hay más de 1.600 dispositivos médicos con IA autorizados por la FDA. John Whyte, consejero delegado de la Asociación Médica Estadounidense, advirtió de que los modelos médicos autónomos «no están listos» y de que gran parte de la evidencia procede de simulaciones.

**Nuestra lectura.** La tesis que sostenemos es sencilla: en medicina, la métrica que elegimos es una decisión de valores disfrazada de decisión técnica. El caso del gasto como sustituto de la enfermedad lo ilustra bien. El modelo «acertaba» en su propio objetivo, pero el objetivo estaba mal elegido. Que menos de uno de cada seis estudios defina equidad indica que el campo aún discute los fines antes que los medios.

El experimento dermatológico apunta a algo más incómodo: la unidad de evaluación debe ser el binomio médico más algoritmo, no el modelo aislado. Un sistema puede ser excelente en un banco de pruebas y empeorar las desigualdades en consulta. En general, esto encaja con lo que vemos en otros marcos regulatorios de IA clínica: el valor defendible está en la verificación, la trazabilidad y la validación externa, no solo en el porcentaje de acierto.

También conviene matizar. La revisión es de literatura, mayoritariamente de opinión, y no mide daños reales por sí misma. Y el artículo procede de un medio de seguros, que mira el asunto desde el riesgo y la responsabilidad. Aun así, los casos que cita son verificables y apuntan en la misma dirección.

A corto plazo, la transición será desigual: quien tenga datos mejor representados se beneficiará antes, y quien no, quedará atrás o recibirá una atención de menor calidad. Es un riesgo real, que se gobierna con datos representativos, especialistas clínicos en el diseño, auditorías por subgrupos y supervisión humana. A largo plazo, la misma tecnología puede ampliar el acceso a diagnósticos para poblaciones desatendidas y acercarnos a erradicar enfermedades. Pero esa promesa solo será de todos si la equidad se define y se mide desde el principio, y no se añade como un parche después.