Por qué se requiere una IA mexicana para salud

El tema admite al menos tres enfoques analíticos. El primero entiende “IA mexicana” como soberanía tecnológica y de datos; el segundo la concibe como adaptación clínica y lingüística al contexto mexicano; el tercero la ubica en la adopción real por profesionales, pacientes e instituciones. ^[2]

Este artículo adopta un enfoque integrador, pero prioriza el segundo y el tercero, porque son los más directamente vinculados con el trabajo público de FUNSALUD en salud digital, formación de profesionales, estudios sobre hábitos digitales en salud y desarrollo de proyectos de IA aplicada. ^[2]

Esta elección es consistente con la misión institucional de FUNSALUD de identificar problemas de salud en México, generar modelos de solución, promover investigación y fortalecer capacidades científicas y tecnológicas. ^[2]

La pregunta de fondo no es únicamente si México puede usar IA desarrollada en otros países, sino bajo qué condiciones esa IA resulta clínicamente pertinente, organizacionalmente integrable y jurídicamente viable en el Sistema Nacional de Salud. ^[2]

En salud, el valor de los modelos depende menos del “brillo” tecnológico general y más de su ajuste a procesos asistenciales, terminología local, expedientes clínicos, regulación, patrones epidemiológicos, disponibilidad de especialistas y condiciones de conectividad. Por ello, el debate sobre “IA mexicana” es, en rigor, un debate sobre localización, gobernanza y validez contextual. ^[3]

La literatura reciente coincide en que la IA en salud atraviesa una transición desde modelos especializados y predictivos hacia modelos fundacionales y generativos, incluidos los grandes modelos multimodales. La Organización Mundial para la Salud (OMS) ha señalado que estos sistemas pueden apoyar en diagnóstico, atención clínica, aplicaciones centradas en pacientes, investigación y funciones administrativas, pero también introducen riesgos en privacidad, seguridad, transparencia, sesgos y gobernanza. ^[4]

En paralelo, una revisión sistemática de Lancet Regional Health – Europe concluyó que, pese al avance técnico de los sistemas algorítmicos, el efecto sobre resultados relevantes para pacientes sigue siendo incierto en gran parte de las aplicaciones evaluadas. ^[4]

Otra revisión metodológica en BMJ Quality & Safety subraya que exactitud técnica, usabilidad clínica y efecto en resultados deben evaluarse secuencialmente, porque un buen desempeño en benchmarks (pruebas de rendimiento) no garantiza utilidad en la práctica real. ^[4]

La adopción profesional, entretanto, crece con rapidez, aunque de forma desigual y concentrada en tareas de menor riesgo clínico directo. En Estados Unidos, un estudio en JAMA Network Open estimó que, en 2024, cerca de un tercio de los hospitales de agudos no federales (aquellos que atienden emergencias) ya usaban IA generativa integrada al expediente clínico electrónico y otro cuarto planeaba hacerlo en 2025. ^[5]

En los sondeos longitudinales de la American Medical Association, la proporción de médicos que reportó usar algún tipo de IA en la práctica pasó de 38% en 2023 a 66% en 2024, y en 2026 más de 80% reportó uso profesional; además, más de tres cuartas partes afirmaron que la IA mejoraba su capacidad de atención al paciente. ^[5]

La evidencia observacional más sólida se concentra en documentación clínica: estudios multicéntricos sobre “ambient AI scribes” reportaron reducciones en carga administrativa, menor tiempo de documentación fuera de horario y disminuciones en burnout autorreportado. ^[5]

Sin embargo, el entusiasmo no ha eliminado las barreras de implementación. Revisiones sistemáticas recientes también muestran que los profesionales de la salud asocian la adopción de IA con dudas sobre calidad, seguridad, sesgo, explicabilidad, responsabilidad legal, privacidad de datos, costo, usabilidad y necesidad de capacitación. ^[6]

El marco FUTURE-AI, elaborado por un consorcio internacional de 117 especialistas de 50 países, sintetiza ese problema en términos de confiabilidad, equidad, validación, monitoreo y adaptación al flujo clínico.^[6]

En el caso de IA generativa, BMJ ha argumentado que la integración segura en la atención clínica exige nuevas competencias profesionales, no solo acceso a herramientas. En otras palabras: la difusión tecnológica es más rápida que la maduración institucional que la haría clínicamente rutinaria.^[6]

El contexto mexicano vuelve especialmente visible la distancia entre potencial técnico y factibilidad operativa. De acuerdo con la Organización para la Cooperación y el Desarrollo Económicos (OCDE), México presenta 75.5 años de esperanza de vida, 243 muertes prevenibles por 100,000 habitantes y 175 muertes tratables por 100,000; además, gasta 1,588 dólares PPC per cápita en salud y 5.9% del PIB, muy por debajo del promedio OCDE. ^[7]

También dispone de menos recursos físicos y humanos que la media del organismo: 2.7 médicos y 3.0 enfermeras por 1,000 habitantes, así como 1.0 cama hospitalaria por 1,000 habitantes. En este marco, cualquier tecnología que pretenda insertarse en la práctica asistencial debe operar en un sistema con presión simultánea sobre acceso, continuidad, capacidad resolutiva y coordinación entre niveles.^[7]

A esa presión estructural se suma una modernización digital todavía incompleta. La Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares 2024 (ENDUTIH), del Instituto Nacional de Estadística y Geografía (INEGI), registró que 83.1% de las personas usó Internet y 73.6% de los hogares contó con acceso; pero el uso siguió mostrando una brecha marcada entre zonas urbanas y rurales, con 86.9% frente a 68.5%.^[8]

En salud, la propia Secretaría de Salud reconoce que México opera con arreglos híbridos y fragmentados: su propuesta de expediente clínico electrónico de 2025 afirma que distintas instituciones mantienen expedientes propios, físicos y electrónicos, lo que fragmenta la información, incrementa duplicidades y errores, y afecta la continuidad en la atención. El mismo documento subraya que para capturar beneficios clínicos y epidemiológicos no basta digitalizar; se requiere interoperabilidad semántica, estándares nacionales e internacionales, trazabilidad, cifrado, control de acceso y auditoría.^[8]

Por ello, la necesidad de una IA local en México no parte solo del idioma, sino de la estructura del sistema. Un modelo entrenado o ajustado para contextos con expedientes longitudinales homogéneos, fuerte interoperabilidad y abundancia de especialistas puede rendir peor cuando se enfrenta a derivaciones tardías, registros heterogéneos, disponibilidad intermitente de datos y variación sustantiva en insumos diagnósticos. Esta inferencia es consistente con la literatura internacional en contextos de bajos recursos: un estudio de Nature Health sobre preguntas clínicas aportadas por trabajadores comunitarios en Ruanda argumentó que los benchmarks habituales no reflejan la complejidad de sistemas escalonados con menor disponibilidad diagnóstica y recursos escasos, y que las diferencias geográficas de desempeño probablemente reflejan variaciones en carga de enfermedad, presentación clínica e infraestructura sanitaria.^[9]

La dimensión lingüística refuerza ese argumento. La evidencia de Nature Communications muestra que los modelos médicos multilingües suelen mantener alta precisión en inglés, pero su desempeño cae de forma significativa en otros idiomas, en parte por la subrepresentación de contenido médico no inglés en los corpus de entrenamiento.^[9]

En paralelo, un análisis comparativo en JAMIA sobre modelos clínicos en español identificó una brecha crítica de recursos de procesamiento de lenguaje clínico para el español y subrayó la urgencia de desarrollar modelos especializados para esta lengua.

El mismo cuerpo de trabajo indica además que el ajuste adicional con corpus médicos específicos mejora sustantivamente el rendimiento multilingüe. Para México esto importa porque “español” no es una categoría suficiente: la práctica clínica mexicana incorpora terminología, abreviaturas, hábitos de redacción, abreviaciones farmacológicas, referencias regulatorias y usos comunicativos que no necesariamente coinciden con España ni con otros países latinoamericanos. La necesidad de “IA mexicana” puede entenderse, por tanto, como necesidad de español clínico-mexicano, no solo de español general. ^[10]

Con todo, la evidencia no apoya una lectura maximalista según la cual los modelos globales serían intrínsecamente inservibles para el mundo hispanohablante. Existen resultados contradictorios o, al menos, matizados. ^[11]

Un estudio reciente reportó desempeño “excelente” de GPT-4o y OpenAI o1 en el examen MIR 2024 en España. Otro trabajo encontró que GPT-4o produjo traducciones al español de instrucciones pediátricas comparables a traducciones humanas en condiciones controladas, y un tercer estudio reportó resúmenes de egreso clínicamente correctos y lingüísticamente fluidos en español. La interpretación más rigurosa de este conjunto de evidencia es que el problema no es binario. ^[11]

Los modelos generales pueden resolver algunas tareas en español con alto nivel, pero eso no elimina la necesidad de validación mexicana, adaptación al flujo clínico nacional, integración con expedientes e instituciones locales y gobernanza sobre datos sensibles. ^[11]

Desde la perspectiva institucional, FUNSALUD no aparece solo como una entidad que “promueve tecnología”, sino como un intermediario entre evidencia, política pública, academia y práctica clínica. ^[12]

Su misión y objeto estatutario incluyen apoyar investigación en salud, desarrollar capacidades científicas y tecnológicas, identificar problemas de salud en México y generar proyectos específicos tendientes a su solución.

Esa combinación de funciones es especialmente relevante en IA para salud, porque el principal cuello de botella no es únicamente técnico: es de articulación entre datos, regulación, talento clínico, evaluación y adopción.^[12]

La actividad pública reciente de FUNSALUD sugiere que la institución ha intentado intervenir precisamente en esos cuellos de botella. En salud digital, coordinó un grupo de trabajo con 64 instituciones —incluyendo academia, asociaciones médicas, dependencias federales, sector privado y organizaciones de pacientes— para analizar el marco jurídico mexicano y construir una propuesta en materia de salud digital. ^[13]

En su informe de actividades 2024–2025 reportó haber vuelto a someter iniciativas legislativas en salud digital y en IA aplicada a la salud, además de impulsar la interoperabilidad y el expediente clínico electrónico como parte de la agenda. En otras palabras, FUNSALUD no trabaja solo en herramientas, sino en las condiciones de posibilidad de esas herramientas. ^[13]

En formación profesional, FUNSALUD lanzó, junto con la Facultad de Medicina de la UNAM y posteriormente con certificación también de la Academia Nacional de Medicina, un diplomado en inteligencia artificial en salud orientado a cerrar la brecha entre tecnología y práctica clínica. El temario del programa incluye telemedicina, apoyo a la decisión, procesamiento de lenguaje natural, sesgos, métricas, interoperabilidad, estándares, ética y regulación. ^[14]

Ese enfoque curricular es congruente con la evidencia internacional que identifica alfabetización en IA, evaluación crítica y comprensión de límites como condiciones para una adopción segura. Desde un punto de vista analítico, la formación no es un complemento secundario del desarrollo de modelos: es una capa central para la adopción institucional.^[14]

En investigación aplicada, FUNSALUD también exhibe una lógica de localización progresiva. Su proyecto de derivación y validación de un modelo basado en aprendizaje de máquina para detectar trombosis coronaria total en síndrome coronario agudo sin elevación persistente del ST, desarrollado con el Instituto Nacional de Cardiología, ITAM y EYEX Vision, se plantea explícitamente en términos de validación clínica, integración con una aplicación existente y reducción de dependencia de especialistas en México. Este tipo de proyecto es ilustrativo porque desplaza la discusión desde la IA genérica hacia un caso de uso concreto, clínicamente delimitado y con socios nacionales de implementación.^[15]

Finalmente, FUNSALUD está generando una base empírica propia sobre adopción. En 2024, su estudio Médic@ Digital en México amplió la muestra a más de 2,000 profesionales de la salud de todo el país y examinó factores de adopción como costos, seguridad, usabilidad, capacitación, HealthTech e IA.^[16]

En los resultados públicos del estudio se observa que 45% de los médicos reportó realizar consulta virtual, mientras que el uso de expediente clínico electrónico especializado seguía rezagado frente a expedientes físicos u otros formatos digitales; además, las herramientas de IA aún estaban por detrás de revistas médicas, catálogos de medicamentos y recursos académicos como fuentes de apoyo profesional.^[16]

En el frente de demanda, El Paciente Digital Mexicano documentó, con más de 3,000 internautas mexicanos en 2023, que 57% usaba mensajería instantánea para consultas de salud, 49% videos en línea para informarse y 42% redes sociales como fuente de información médica. Para fines analíticos, esto es crucial: el paciente mexicano ya es digital y el profesional mexicano está transitando a un entorno digital híbrido, pero la incorporación de IA todavía no parece madura ni homogénea.^[16]

Visto así, la razón por la que FUNSALUD está trabajando en los primeros modelos y herramientas mexicanas enfocados en salud no parece ser un nacionalismo tecnológico abstracto, sino la combinación de cuatro necesidades verificables: producir evidencia sobre adopción local, formar usuarios clínicos capaces de usar críticamente estas herramientas, construir condiciones regulatorias e interoperables para su despliegue y desarrollar casos de uso validados en problemas prioritarios del sistema.^[17]

En términos de sistema de salud, esta agenda es coherente con los marcos de la OMS y la OPS (Organización Panamericana de la Salud), que insisten en que la integración de IA debe evaluarse país por país en función de necesidades sanitarias, infraestructura digital, calidad de datos, preparación de la fuerza laboral, marcos regulatorios y consideraciones éticas.^[17]

La evidencia disponible tiene límites importantes. Primero, gran parte de los estudios sobre adopción clínica y beneficio operativo proviene de sistemas de altos ingresos, especialmente de Estados Unidos y Europa, por lo que su transferibilidad a México es incompleta.

Segundo, muchas mediciones de adopción dependen de encuestas autorreportadas o de estudios observacionales de corta duración; son útiles para detectar tendencias, pero no equivalen a evaluaciones de seguridad ni a mejoras sostenidas en resultados de salud.^[18]

Tercero, varios benchmarks utilizados para comparar modelos —incluidos exámenes médicos o vignettes estructurados— miden conocimiento o razonamiento en entornos artificiales, no desempeño en hospitales fragmentados, con documentos heterogéneos o con disponibilidad parcial de información. Cuarto, la evidencia sobre reducción de burnout o ahorro de tiempo es más robusta en documentación que en diagnóstico o tratamiento.^[18]

También hay límites específicos para México. En esta revisión, la evidencia públicamente verificable sobre iniciativas mexicanas de IA en salud fue más abundante en documentos institucionales y páginas de proyecto que en evaluaciones clínicas peer reviewed de modelos fundacionales específicamente mexicanos. Esto no invalida el trabajo institucional; simplemente indica que la base pública de validación todavía es incipiente.^[19]

En el mismo sentido, la necesidad de una “IA mexicana” es más sólida cuando se formula como localización y validación contextual que cuando se formula como obligación de desarrollar todos los componentes tecnológicos desde cero. La literatura comparativa sugiere que adaptación, ajuste con datos de dominio, despliegue local y gobernanza sobre datos pueden ser tan importantes como el entrenamiento total del modelo. [19]

La investigación revisada permite sostener, con base empírica, que la necesidad de una IA mexicana en salud surge de la convergencia entre tres fenómenos. El primero es la acelerada incorporación internacional de IA por parte de profesionales de la salud, especialmente en tareas documentales, informativas y administrativas. ^[20]

El segundo es la persistencia de límites demostrados en seguridad, explicabilidad, sesgo, entrenamiento profesional y evaluación de resultados clínicos. El tercero es la especificidad del contexto mexicano: un sistema de salud comparativamente más restringido en recursos, con fuerte fragmentación de información, digitalización heterogénea, brechas territoriales de conectividad y exigencias claras de protección de datos. ^[20]

En dicho escenario, la “IA mexicana” debe entenderse menos como etiqueta geográfica y más como una infraestructura de modelos, herramientas, capacidades y reglas adaptadas a la realidad clínica mexicana. El portafolio público de FUNSALUD —regulación, estudios de adopción, formación y proyectos aplicados— se alinea con esa lógica de localización.  ^[20]