Niño recibe una inyección. Imagen de Kwameghana vía Wikimedia Commons (CC BY-SA 4.0 Deed).

Por Chukwudi Anthony Okolue

En 2024, un agricultor de maíz del condado de Siaya, en el oeste de Kenia, entró en una pequeña clínica pública quejándose de fiebre. Hace diez años, habría esperado días, a veces semanas, para recibir un diagnóstico de malaria, fiebre tifoidea o dengue. En 2024, recibió una respuesta en 90 segundos. Un trabajador comunitario de salud tomó la foto de una muestra de sangre espesa con un teléfono inteligente común conectado a un microscopio portátil de 50 dólares. Un algoritmo de inteligencia artificial analizó la imagen y sugirió que tenía “Plasmodium falciparum ++” con una precisión del 98,5% — mejor que la mayoría de los técnicos de laboratorio no especializados del país. El agricultor se fue con el medicamento antipalúdico correcto esa misma tarde.

Este proyecto piloto, dirigido por el Ministerio de Salud de Kenia con el apoyo técnico de la empresa Ubenytics, ya está en marcha en más de 420 centros de ocho condados. Los primeros resultados del estudio piloto, publicados en The Lancet Digital Health en marzo de 2025, muestran que la prescripción inadecuada de antibióticos se ha reducido un 31% y las complicaciones graves de la malaria han disminuido un 19% en en las zonas de intervención.

Es importante aclarar la terminología. Si bien el término inteligencia artificial se utiliza comúnmente en el discurso académico y en el popular, los sistemas que este artículo analiza se describen con mayor precisión como grandes modelos de lenguaje. Estos modelos no muestran una inteligencia general, hacen un rápido reconocimiento de patrones estadísticos y una generación probabilística de textos basados en grandes cantidades de datos de entrenamiento. Cuando corresponde, este articulo utiliza el termino macromodelo lingüístico para reflejar esta distinción, al tiempo que reconoce que la IA sigue siendo el término general bajo el cual se clasifican a menudo dichas tecnologías.

Kenia no es un caso atípico

En toda África Occidental, la empresa emergente ghanesa Chestify AI, fundada en 2020, está utilizando algoritmos de inteligencia artificial para ayudar a los médicos a interpretar radiografías de tórax y otras imágenes en centros de salud con pocos recursos. Generan mapas térmicos visuales y puntuaciones de anomalías que ayudan a detectar enfermedades, como tuberculosis y neumonía, lo que acelera el diagnóstico en lugares donde hay pocos radiólogos. Tras implementar el sistema en 25 centros de salud, Chestify informó que los tiempos de respuesta de diagnóstico se redujeron en aproximadamente un 40%, y que los informes de imágenes  se entregaron en tres horas y no en días.

Estudios previos de validación supervisados por la OMS sobre detección asistida por computadora de la tuberculosis con radiografías de tórax han demostrado un rendimiento consistentemente alto en entornos de bajos recursos, con una sensibilidad combinada de alrededor del 94,7%, que a menudo iguala o supera la precisión diagnóstica promedio disponible en lugares donde la capacidad de radiología especializada es limitada.

El programa de distribución de sangre con drones de Ruanda ahora utiliza algoritmos de enrutamiento, lo que reduce el tiempo promedio de entrega de 42 minutos a 18 minutos en distritos de difícil acceso.

Estas no son promesas futuras; son implementaciones documentadas y revisadas por pares que hay ahora.

Las cifras que explican la urgencia son bien conocidas, pero merece la pena repetirlas: el África subsahariana tiene el 11% de la población mundial y el 24% de la carga mundial de morbilidad, pero solo el 3% de los trabajadores de salud del mundo y menos del 1% del gasto de salud mundial. La brecha de especialistas es aún mas marcada: por ejemplo, Nigeria tiene aproximadamente un patólogo por cada 500,000 personas, en comparación con un promedio mundial de uno por cada 25,000.

La inteligencia artificial no atraerá mágicamente a más médicos, pero ya está teniendo un impacto en zonas con sistemas médicos con pocos recursos.

Mejora la precisión de los trabajadores no especializados. En Uganda, el Laboratorio de Salud de IA de la Universidad de Makerere y sus socios, incluido el Instituto de Enfermedades Infecciosas y NAAMII, están utilizando herramientas de ultrasonido obstétrico guiadas por IA que permiten que no especialistas, incluidos trabajadores de salud comunitarios, capturen e interpreten imágenes fetales básicas.

Estos programas permiten que los trabajadores de la salud detecten enfermedades antes, cuando son más baratas y fáciles de tratar. En 2019, The Lancet publicó un estudio de validación clínica de un modelo de aprendizaje profundo en un programa de detección de retina en Zambia, que mostró un rendimiento diagnóstico excelente y más temprano para la retinopatía diabética referible, la retinopatía diabética que amenaza la visión y el edema macular diabético en comparación con los graduadores humanos.

Nada de esto es teórico. Las curvas de costos se están derrumbando más rápido de lo que la mayoría de los responsables políticos creen. En 2022, la capacitación y el funcionamiento de un macromodelo lingüístico de alto rendimiento en microscopia de malaria costaron aproximadamente 180,000 dólares. Para fines de 2025, el costo marginal por prueba en implementaciones a gran escala será inferior a 0,30 dólares, más barato que la prueba de diagnóstico rápido actual en muchos lugares una vez incluidos los costos de distribución y cadena de frío.

Consecuencias de salud para África

En primer lugar, la normativa debe seguir el ritmo. La Junta de Farmacia y Toxicología de Kenia y la Agencia Nacional para la Administración y el Control de Alimentos y Medicamentos de Nigeria han publicado directrices pragmáticas para la IA como dispositivo médico en los últimos 18 meses, un paso silencioso pero crucial con el que muchas economías más grandes aún luchan.

En segundo lugar, los datos locales deben permanecer locales cuando sea necesario. Los algoritmos más precisos para detectar la enfermedad de células falciformes, diagnóstico previo del cáncer de cuello uterino o la neumonía pediátrica en niños africanos, se están entrenando con conjuntos de datos africanos. Los fundadores y Gobiernos que insisten en la residencia de datos y la propiedad del modelo local están construyendo activos estratégicos, no solo herramientas de salud.

En tercer lugar, los modelos de financiación deben pasar de proyectos pilotos perpetuos de los donantes a una integración sostenible. Ruanda y Ghana ya están incorporando diagnósticos de IA en sus planes nacionales de seguro médico. Cuando un servicio se reembolsa a razón de uno o dos dólares por prueba en lugar de depender de una subvención, la escala se produce de la noche a la mañana.

Riesgos y limitaciones del macromodelo lingüístico

A pesar del potencial transformador de los grandes modelos lingüísticos en la atención de salud, su implementación tiene riesgos y limitaciones importantes. Uno de los problemas más discutidos es la alucinación, donde los modelos generan resultados confiables pero incorrectos o inventados. En entornos clínicos o relacionados con la atención médica, estos errores pueden tener consecuencias graves, como una interpretación errónea de la información médica, recomendaciones inadecuadas o erosión de la confianza en los procesos de toma de decisiones clínicas.

Los macromodelos lingüísticos también dependen en gran medida de la calidad, el alcance y la representatividad de sus datos de entrenamiento. Estos sistemas pueden aprender y amplificar los prejuicios arraigados en los datos de salud históricos, como la subrepresentación de determinados grupos de población, lo que puede conducir a resultados desiguales. Además, los macromodelos lingüísticos no tiene una verdadera comprensión contextual y razonamiento clínico; no tienen intención, conciencia ni responsabilidad y, por lo tanto, no se debe confiar en ellos como tomadores de decisiones autónomos.

Si bien aún están surgiendo evidencias a gran escala y revisadas por pares sobre daños generalizados, el consenso en la literatura enfatiza la necesidad de supervisión humana, validación rigurosa y salvaguardas específicas para cada dominio. Los macromodelos lingüísticos están mejor posicionados como herramientas de apoyo al tomar decisiones y no como reemplazos de la experiencia clínica.

Además, los problemas relacionados con la privacidad de los datos, la seguridad y el cumplimiento normativo siguen sin resolverse en muchas implementaciones. Sin marcos gubernamentales sólidos, integrar los macromodelos lingüísticos en los sistemas de salud corre el riesgo de violar la confidencialidad de los pacientes y las normas éticas existentes.

Sin embargo, estos avances significan que para 2030, un niño nacido en una aldea a las afueras de Kisumu o Kumasi no necesitará recorrer 200 kilómetros (124 millas) para saber si una lesión cutánea es cancerosa o si una tos es tuberculosis. Un trabajador de salud comunitario capacitado, un teléfono inteligente de 120 dólares y un modelo de macromodelo lingüístico actualizado continuamente a través de 5G darán una respuesta en minutos, no en meses.

No estamos esperando una singularidad lejana. En algunas partes de África, el futuro de la atención de salud ya ha comenzado, de manera silenciosa, gradual y a una velocidad que la mayoría de los observadores mundiales aún subestiman.