La inteligencia artificial no corrige por sí sola los problemas de los datos en salud: puede reproducirlos y amplificarlos.

La inteligencia artificial comienza a instalarse en la salud con una promesa poderosa: apoyar diagnósticos, anticipar riesgos, reducir tareas administrativas y ayudar a que las decisiones se tomen con mayor oportunidad. Esa promesa es real. Sin embargo, antes de preguntarnos qué tan sofisticado es un modelo, conviene hacer una pregunta más básica: ¿qué tan confiables son los datos con los que aprende y trabaja?

Entre sus principios, la Ley N° 21.719 de protección de los datos personales establece que los datos deben ser exactos, completos, actuales y pertinentes. Puede parecer una exigencia administrativa, pero en salud es mucho más que eso. Un dato incorrecto, desactualizado o sin contexto puede cambiar una decisión clínica. Cuando además se utiliza para entrenar o alimentar un sistema de inteligencia artificial, ese error puede reproducirse a una escala mucho mayor.

Cada atención deja una huella de información: diagnósticos, medicamentos, alergias, exámenes, imágenes, procedimientos, interconsultas y notas clínicas. El problema es que esa historia suele quedar repartida entre establecimientos y plataformas que no siempre conversan entre sí. Un mismo antecedente puede aparecer escrito de distintas formas, duplicado, incompleto o almacenado como texto libre. También puede faltar no porque el evento no haya ocurrido, sino porque sucedió fuera de la red, porque no se registró oportunamente o porque el sistema no permitió integrarlo.

Para una persona, esas diferencias pueden ser evidentes. Para un algoritmo, no necesariamente. Un modelo no observa al paciente ni comprende por sí solo el funcionamiento del sistema sanitario: identifica patrones en los datos disponibles. Si en una base falta el resultado de un examen, puede interpretarlo como ausencia de enfermedad. Si ciertos grupos acceden con menos frecuencia a especialistas o pruebas diagnósticas, el modelo puede aprender que presentan menos riesgo, cuando en realidad han tenido menos oportunidades de ser estudiados. La inteligencia artificial no elimina esas desigualdades; puede convertirlas en una recomendación aparentemente objetiva.

Por eso, calidad de datos no significa solamente corregir errores en una planilla. Implica conocer de dónde proviene cada dato, para qué fue registrado, cuándo se actualizó, qué población representa y qué limitaciones tiene. Un registro construido para facturación puede ser adecuado para cobrar una prestación y, al mismo tiempo, insuficiente para predecir una complicación clínica. Una nota útil para atender a una persona puede no estar estructurada para investigación. El cambio de propósito exige volver a evaluar la información, no asumir que por estar disponible ya es apropiada.

La Organización Mundial de la Salud ha advertido que utilizar datos limitados, de baja calidad o poco representativos puede producir daños no intencionados en sistemas de inteligencia artificial para salud. Aun así, es frecuente que los proyectos comiencen escogiendo una herramienta y dejen para después las preguntas sobre los datos. Se anuncia un piloto, se contrata una solución y recién entonces se descubre que los códigos no son consistentes, que faltan variables esenciales o que nadie puede explicar con precisión cómo se construyó la base.

La respuesta no es frenar la innovación ni esperar datos perfectos, porque probablemente nunca existirán. La respuesta es gobernarlos. Eso supone definir responsables, reglas de acceso y uso, mecanismos de corrección, trazabilidad, estándares comunes y criterios de calidad que puedan medirse. También requiere integrar a quienes conocen el contexto clínico, tecnológico, jurídico y organizacional. La calidad no puede quedar únicamente en manos del equipo que desarrolla el modelo ni ser una limpieza puntual antes de cada proyecto.

Hay acciones concretas que las instituciones pueden comenzar hoy. Primero, identificar los datos críticos para la atención y asignar responsables claros por su definición y calidad. Segundo, medir de manera sistemática completitud, consistencia, oportunidad y representatividad. Tercero, registrar el origen y las transformaciones de la información para que una recomendación pueda ser auditada. Cuarto, avanzar en interoperabilidad semántica, de modo que el mismo concepto clínico conserve su significado al moverse entre sistemas. Y quinto, establecer mecanismos para detectar y corregir los efectos que los errores de datos puedan tener sobre distintos grupos de pacientes.

La nueva legislación ofrece una oportunidad para superar una mirada reducida de la protección de datos, centrada únicamente en evitar filtraciones. Proteger también significa asegurar que la información sea correcta, que se utilice para fines legítimos y que las personas puedan comprender y cuestionar decisiones automatizadas que las afecten. En salud, privacidad, calidad y seguridad no compiten entre sí: son dimensiones de una misma responsabilidad.

La inteligencia artificial puede ayudarnos a utilizar mejor la enorme cantidad de información que produce el sistema sanitario. Pero no puede convertir automáticamente registros fragmentados en conocimiento confiable, ni corregir por sí sola los sesgos que encuentra. Si incorporamos estas herramientas sin fortalecer la calidad y la gobernanza, correremos el riesgo de automatizar nuestros problemas en lugar de resolverlos.

Por Eric Rojas Córdoba. Líder del Área de Calidad del Centro Nacional en Sistemas de Información en Salud (CENS) y académico de la Pontificia Universidad Católica de Chile.