EE. UU. paga el software diagnóstico antes de saber medirlo, y retira la transparencia que exigía a los algoritmos

Por JD Supra (análisis de BakerHostetler) · 10 de noviembre de 2026.

La política federal de EE. UU. empieza a adaptarse a la IA clínica, y lo hace en dos direcciones a la vez. Según el análisis de los abogados Justin Chavez y Vimala Devassy, de BakerHostetler, Medicare abre vías de pago para el software de diagnóstico mientras otro organismo retira exigencias de transparencia sobre los algoritmos.

Lo primero, el dinero. En la norma final de 2027 para pagos hospitalarios ambulatorios (OPPS), los Centros de Servicios de Medicare y Medicaid (CMS) acuñan el término «Software as a Medical Service» (SaMS). Designa el software que apoya decisiones clínicas mediante análisis algorítmico: ayuda a la decisión clínica, modelos de riesgo y detección asistida por ordenador en imágenes diagnósticas. Con ello se distingue del software como servicio genérico en la nube.

CMS asigna estos servicios, de forma interina, a las «New Technology APC», categorías de pago temporales para servicios sin datos de coste suficientes. También crea un indicador de estado, O1, para los SaMS con derecho a pago separado. Según el propio texto, esto no garantiza pago a cualquier herramienta de IA: depende del servicio y de su codificación.

Hay además una vía específica para análisis algorítmicos sobre resultados de laboratorio ya realizados, incluidos los secundarios de secuenciación genómica. Se pagarán como «otras pruebas diagnósticas», con tarifas alineadas con las de laboratorio de 2026. Es relevante para las empresas de analítica genómica: reconoce que el valor diagnóstico puede estar en el análisis posterior de datos que ya existen.

En la norma de honorarios médicos (MPFS), CMS no crea un pago específico para IA, pero abre una petición de información sobre atención primaria asistida por tecnología. Aporta datos de adopción: según CMS, los escribas ambientales (herramientas que documentan la consulta) alcanzan cerca del 25% de los médicos estadounidenses, y OpenEvidence, que responde preguntas clínicas con base en literatura revisada, lo habría usado más del 40% según el propio autodeclarado de los médicos. CMS estima que los agentes asistenciales aún no están extendidos. Muchos comentaristas pidieron que cualquier IA pagada demuestre valor clínico.

Sobre la visita anual de bienestar, CMS admite que la IA puede administrar cuestionarios, conciliar medicación o redactar un plan preventivo, siempre con revisión del profesional. Dice no saber cómo usarla para la evaluación cognitiva.

También se crea una actividad de mejora en el sistema MIPS (programa de incentivos por calidad): da crédito a quienes mantengan políticas internas para evaluar, desplegar y monitorizar herramientas de IA, incluyendo equidad, validez y escalado de riesgos. No obliga a usar IA.

Aquí aparece la contradicción. La norma HTI-5 de la Oficina del Coordinador Nacional de TI Sanitaria (ONC) elimina requisitos de certificación que obligaban a los desarrolladores a ofrecer «fichas de modelo» estandarizadas: desarrollo, uso previsto, limitaciones, datos de entrenamiento y rendimiento. También reduce los de análisis y mitigación de riesgos. Según el artículo, una gran mayoría de comentarios se opuso. ONC respondió que la mayoría de los usuarios clínicos carece de tiempo y capacidad técnica para usar esa información y que no halló publicaciones que demostraran que se apoyaran en ella.

Nuestra lectura. El patrón es coherente, aunque incómodo: el Estado financia la entrada de la IA y delega en cada hospital la tarea de vigilarla. El argumento de ONC tiene algo de verdad (una ficha que nadie lee no protege a nadie), pero la conclusión no se sigue: si el médico no puede auditar el modelo, el remedio es mejor transparencia, no menos. Retirarla trasladará la carga a los departamentos de compras y de asuntos jurídicos de los sistemas de salud, y los grandes centros podrán permitírselo mejor que los pequeños. Ganan las organizaciones con capacidad de gobernanza; pierden las rurales y las pequeñas clínicas.

Esto conecta con una tendencia que vemos en otros sectores: se despliega mucho más rápido de lo que se aprende a gobernar. En sanidad el coste de equivocarse se mide en pacientes, no en clics.

El artículo añade que el marco de responsabilidad de la Asociación Médica Estadounidense (AMA) repartiría la culpa entre clínicos, desarrolladores y organizaciones según su capacidad de controlar el riesgo, y rechaza que dejar a un médico «en el circuito» traslade automáticamente la responsabilidad. Es la parte más prometedora: si prospera, obligará a desarrolladores y hospitales a documentar lo que hoy se deja a la buena fe. También menciona proyectos legislativos pendientes (PATIENT AI Act y Doctors Not AI Act), sin que el extracto detalle su contenido.

El corto plazo será de fricción: contratos más complejos, incertidumbre sobre quién responde y pagos provisionales. Pero a largo plazo, que la IA diagnóstica tenga una vía de reembolso es condición necesaria para que llegue a todos los pacientes y no solo a quienes la pagan de su bolsillo. Detectar antes, y con análisis de genomas y de imágenes, es el camino hacia una medicina que prevenga más que repare. Para llegar bien hace falta lo que ahora se recorta: evidencia y transparencia. El extracto disponible se interrumpe antes de terminar la sección sobre ciberseguridad de la OCR, por lo que no la valoramos.