Uso de la inteligencia artificial en instituciones sanitarias: oportunidades, riesgos y desafíos para la seguridad social
Palabras clave:
Innovación institucional, Seguridad del paciente, Gobernanza de datos, Aprendizaje automático, Salud digital, Sistemas de salud, Seguridad social, Inteligencia artificialResumen
Introducción: La inteligencia artificial (IA) está transformando los sistemas de salud y las instituciones de seguridad social mediante aplicaciones que abarcan desde la automatización administrativa hasta el apoyo a decisiones clínicas y la analítica predictiva. Sin embargo, su implementación requiere marcos de gobernanza que garanticen seguridad, equidad y transparencia.
Objetivo: Analizar la evidencia disponible sobre las aplicaciones de la inteligencia artificial en instituciones sanitarias, con énfasis en la seguridad social, identificando oportunidades, riesgos, desafíos y condiciones para una implementación responsable.
Metodología: Se realizó una revisión narrativa basada en documentos técnicos, informes institucionales y literatura científica sobre IA en salud y seguridad social. Se incluyeron publicaciones de la Asociación Internacional de la Seguridad Social (AISS), la Organización Panamericana de la Salud (OPS), el Banco Interamericano de Desarrollo (BID), la Organización Mundial de la Salud (OMS), el Índice Latinoamericano de Inteligencia Artificial 2025 (ILIA) y estudios clínicos representativos sobre aplicaciones de IA. El análisis se estructuró en seis ejes: aplicaciones institucionales, casos clínicos, innovación organizacional, gobernanza y regulación, ciberseguridad y condiciones para una implementación segura.
Resultados: La evidencia demuestra que la IA puede mejorar la atención al usuario mediante chatbots, optimizar la gestión administrativa, fortalecer la auditoría y la detección de fraude, apoyar el diagnóstico asistido, el tamizaje, la rehabilitación y la vigilancia clínica. No obstante, su impacto depende de la calidad y representatividad de los datos, la validación local, la integración con los flujos asistenciales, la supervisión humana, la gobernanza de datos, la interoperabilidad y la evaluación continua. Herramientas como AI-GUARD permiten clasificar las aplicaciones según su nivel de riesgo y establecer salvaguardias proporcionales antes de su implementación.
Conclusiones: La inteligencia artificial representa una oportunidad estratégica para fortalecer las instituciones sanitarias y de seguridad social, siempre que su implementación esté orientada por principios de transparencia, equidad, protección de datos, supervisión humana y evaluación permanente. En América Latina, el fortalecimiento de capacidades institucionales, infraestructura digital y gobernanza será determinante para una adopción responsable y sostenible.
Descargas
Referencias
1. International Social Security Association; United Nations University Operating Unit on Policy-Driven Electronic Governance. Artificial intelligence in social security organizations. Geneva: International Social Security Association; 2024.
2. Asociación Internacional de la Seguridad Social. Inteligencia artificial en la seguridad social: antecedentes y experiencias [Internet]. Ginebra: AISS; 2020 [citado 2026 Jun 13]. Disponible en: https://www.issa.int/es/analysis/artificial-intelligence-social-security-background-and-experiences
3. Asociación Internacional de la Seguridad Social. La inteligencia artificial en las instituciones de seguridad social: el caso de los chatbots inteligentes [Internet]. Ginebra: AISS; 2022 [citado 2026 Jun 13]. Disponible en: https://www.issa.int/es/analysis/artificial-intelligence-social-securityinstitutions-case-intelligent-chatbots
4. Park J, Brunois T. Uso de la inteligencia artificial y la big data en la rehabilitación en el marco de la seguridad social. Ginebra: Asociación Internacional de la Seguridad Social; 2025.
5. Asociación Internacional de la Seguridad Social. Desarrollos y tendencias en la seguridad social: Américas 2026. Ginebra: AISS; 2026.
6. Soto Á, Durán R, Moreno A, Adasme S, Rovira S, Jordán V, et al., coordinadores. Índice Latinoamericano de Inteligencia Artificial 2025. Santiago: Comisión Económica para América Latina y el Caribe; Centro Nacional de Inteligencia Artificial; 2025.
7. Organización Panamericana de la Salud; Banco Interamericano de Desarrollo. Herramienta AI-GUARD: inteligencia artificial. Evaluación de la gobernanza y el uso para un despliegue responsable. Washington, D.C.: OPS; 2026.
8. Organización Médica Colegial de España. Manual de buenas prácticas para la inteligencia artificial en medicina. Madrid: Organización Médica Colegial de España; 2026.
9. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: World Health Organization; 2021.
10. World Health Organization. Ethics and governance of artificial intelligence for health: guidance on large multimodal models. Geneva: World Health Organization; 2024.
11. European Parliament; Council of the European Union. Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence. Official Journal of the European Union. 2024 L 1689.
12. Organisation for Economic Co-operation and Development. OECD AI principles. Paris: OECD; 2024.
13. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.
14. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-1358. doi:10.1056/NEJMra1814259.
15. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. doi:10.1038/s41746-018-0040-6.
16. Lång K, Josefsson V, Larsson AM, Larsson S, Högberg C, Sartor H, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial: a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023;24(8):936-944. doi:10.1016/S1470-2045(23)00298-X.
17. Liu J, Zhou R, Liu C, Liu H, Cui Z, Guo Z, et al. Automatic quality control system and adenoma detection rates during routine colonoscopy: a randomized clinical trial. JAMA Netw Open. 2025;8(1):e2457241. doi:10.1001/jamanetworkopen.2024.57241.
18. Noseworthy PA, Attia ZI, Behnken EM, Giblon RE, Bews KA, Liu S, et al. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet. 2022;400(10359):1206-1212. doi:10.1016/S0140-6736(22)01637-3.
19. Henry KE, Hager DN, Pronovost PJ, Saria S. A targeted real-time early warning score (TREWScore) for septic shock. Sci Transl Med. 2015;7(299):299ra122. doi:10.1126/scitranslmed.aab3719.
20. Adams R, Henry KE, Sridharan A, Soleimani H, Zhan A, Rawat N, et al. Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis. Nat Med. 2022;28(7):1455-1460. doi:10.1038/s41591-022-01894-0.
21. Curioso WH, Brunette MJ. Inteligencia artificial e innovación para optimizar el proceso de diagnóstico de la tuberculosis. Rev Peru Med Exp Salud Publica. 2020;37(3):554-558. doi:10.17843/rpmesp.2020.373.5585.
22. Alcantara MF, Cao Y, Liu B, Liu C, Zhang N, Zhang P, et al. eRx: a technological advance to speed-up TB diagnostics. Smart Health. 2020;16:100117. doi:10.1016/j.smhl.2020.100117.
23. Scott N, Frota L. Innovation on purpose: leadership and the art of world building. Geneva: International Social Security Association; 2026.
24. Char DS, Shah NH, Magnus D. Implementing machine learning in health care: addressing ethical challenges. N Engl J Med. 2018;378(11):981-983. doi:10.1056/NEJMp1714229.
25. Wiens J, Saria S, Sendak M, Ghassemi M, Liu VX, Doshi-Velez F, et al. Do no harm: a roadmap for responsible machine learning for health care. Nat Med. 2019;25(9):1337-1340. doi:10.1038/s41591-019-0548-6.
26. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17(1):195. doi:10.1186/s12916-019-1426-2.
27. Youssef A, Pencina M, Thakur A, Zhu T, Clifton D, Shah NH. External validation of AI models in health should be replaced with recurring local validation. Nat Med. 2023;29(11):2686-2687. doi:10.1038/s41591-023-02540-z.
28. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378.
29. Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, et al.; DECIDE-AI expert group. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nat Med. 2022;28(5):924-933. doi:10.1038/s41591-022-01772-9.
30. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020;26(9):1351-1363. doi:10.1038/s41591-020-1037-7.
31. Veeam. Data trust and resilience report 2026. Veeam Insights; 2026.
