La brecha clínica en IA en cardiología: el desafío para América Latina

La aprobación acelerada del algoritmo Queen of Hearts por parte de la FDA en 2025 pareció cerrar una discusión: la inteligencia artificial puede leer un electrocardiograma y detectar un infarto con obstrucción total de una arteria. Lo que esa decisión no resolvió es bastante más incómodo: que un sistema sea preciso en condiciones controladas no significa que mejore la salud de los pacientes en el mundo real. En paralelo, la Unión Europea presentó su plan Safe Hearts, que convierte a la IA en el centro de su estrategia contra las enfermedades cardiovasculares, la principal causa de muerte global. Hay, entonces, dos velocidades: la del entusiasmo regulatorio y la de la evidencia clínica que todavía no termina de llegar.

Hannah van Kolfschout, investigadora, definió con claridad el problema en el Lancet Regional Health – Europe: lo que ella llama "brecha de beneficio". Un modelo algorítmico puede señalar con altísima precisión a la persona que está a punto de sufrir un infarto; pero si el sistema sanitario no traduce esa advertencia en una consulta de seguimiento, en una medicación oportuna o en un cambio de conducta, la predicción perfecta se queda en el papel. La lógica es dura: los cardiólogos no necesitan solo diagnósticos más finos; necesitan menos muertes y menos hospitalizaciones. Y eso depende de una cadena de decisiones que ocurre después del algoritmo.

Cuando la práctica va por delante de la teoría

Mientras se discute la brecha, la integración clínica avanza. En el congreso SEC-25, la Sociedad Española de Cardiología presentó la IA como "una realidad" en la práctica diaria, con experiencias concretas en ecocardiografía y electrocardiografía: reducción de tiempos de lectura, detección de arritmias, apoyo en la interpretación de imágenes cardíacas. Pero el entusiasmo español viene con advertencias. Los propios cardiólogos señalan que los datos clínicos no están estandarizados, que los flujos de trabajo exigen rediseños y que hay que demostrar que la herramienta no introduce errores o sesgos que un especialista humano detectaría. Dicho de otro modo: la tecnología funciona; la organización que la rodea, todavía no.

Lo que América Latina debería hacer distinto

Desde una posición más frágil, la región observa este escenario. No existe una FDA o una EMA latinoamericana que fije estándares; en la mayoría de los países, los algoritmos clínicos entran por la vía del software de diagnóstico, con una regulación sanitaria que corre mucho más lenta que el desarrollo tecnológico. Esa asimetría produce una tentación peligrosa: menos exigencias de validación, presión por modernizar y sistemas de salud con recursos escasos que ven en la IA una promesa de eficiencia rápida.

Los números ayudan a dimensionar el punto de partida. Un análisis bibliométrico contabilizó apenas 152 documentos científicos sobre IA y cardiología producidos en América Latina y el Caribe entre 2018 y 2023, con un promedio de 6,9 citas por documento. Colombia, Argentina y México encabezan la producción; el 63,8% de los trabajos se hizo en colaboración internacional. No es un problema de talento, sino de masa crítica: la evidencia local es escasa y la mayor parte depende de centros del norte global.

Ahí está el nudo. Un algoritmo entrenado con datos de una población europea o estadounidense puede perder rendimiento al aplicarse en un contexto con diferente demografía, prevalencia de enfermedades, infraestructura tecnológica y acceso a la atención. Entrenar y validar con datos locales no es un requisito burocrático: es la diferencia entre una herramienta útil y un experimento costoso.

Existe la respuesta pragmática. En lugar de montarse en la ola de todos los usos posibles de IA, las instituciones latinoamericanas deberían priorizar los casos con evidencia más madura, como la electrocardiografía y la ecocardiografía, donde las herramientas ya circulan en la práctica clínica real. Pueden exigir estudios de validación con datos propios antes de generalizar su uso y crear comités clínicos que supervisen la implementación. La gobernanza del dato no es un asunto lejano de privacidad: es el primer obstáculo operativo para cualquier despliegue.

Da una lección contundente la historia reciente de la tecnología médica: el entusiasmo regulatorio sin evidencia clínica sólida termina en costos, retrasos y desconfianza. La FDA, de hecho, ya empezó a mover sus piezas con una consulta pública para regular la IA generativa en dispositivos médicos, a partir de una evaluación de competencias clínicas y vigilancia posterior al lanzamiento. Los estándares del mundo desarrollado se están reescribiendo; la región debería estar leyéndolos con atención antes de copiarlos o ignorarlos.

¿Puede América Latina construir una cultura de validación local que le permita adoptar la IA con la misma seriedad con la que la inventa? Esa es la única pregunta que debería importar en las salas de decisión.