Una revisión reciente revela que la implementación de aplicaciones de inteligencia artificial (IA) en el sector salud genera tanto entusiasmo como escepticismo entre los profesionales sanitarios. Hay barreras y facilitadores clave que van desde el impacto personal y organizacional hasta los efectos en la atención al paciente.

A medida que las herramientas de IA ganan terreno en la medicina, el panorama de su aceptación por parte de los profesionales de la salud se vuelve más complejo. Un grupo de investigadores rastreó en la literatura cómo los factores individuales, organizacionales y sistémicos influyen en la disposición o resistencia hacia la adopción de la IA. En total, lograron analizar 34 estudios; la mayoría, publicados a partir de 2022.

Sin embargo, aún falta investigación comparativa sobre diferentes tipos de aplicaciones de IA, dado que pocos estudios las clasifican adecuadamente según sus funcionalidades diversas.

Las respuestas y perspectivas de los profesionales de la salud se organizaron con base en 3 áreas principales: cómo impacta la IA al profesional, el rol que juegan las instituciones y el impacto percibido sobre los pacientes.

En términos individuales, uno de los facilitadores más mencionados en los estudios fue la eficiencia que aporta la IA a las tareas laborales. Las aplicaciones que automatizan actividades repetitivas, como la programación de citas, el envío de recordatorios o la gestión de recetas, liberan tiempo valioso para el personal. Además, las herramientas de modelos de lenguaje natural, incluidos sistemas como ChatGPT, permiten resumir información clínica o asistir en la documentación.

No obstante, también emergen preocupaciones significativas. Muchos profesionales temen que una dependencia excesiva en la IA pueda erosionar sus propias habilidades clínicas, una inquietud similar a la surgida con la adopción de los registros médicos electrónicos. También existe la percepción de que el uso de estas tecnologías podría reducir el “lado humano” de la medicina, al complicar la comunicación con los pacientes. No es menor la incertidumbre en temas como la responsabilidad legal y la privacidad de los datos.

Una limitación crítica señalada en varios estudios es la falta de formación y conocimiento sobre IA. Para mitigar esta barrera, los expertos sugieren integrar contenidos sobre inteligencia artificial en los planes de estudio médicos, así como establecer programas de educación continua para el personal en ejercicio.

Desde la perspectiva institucional, la IA es vista como una solución potencial para mejorar la eficiencia hospitalaria, particularmente en un contexto de escasez de personal sanitario. Aplicaciones que mejoran la precisión diagnóstica, detectan interacciones farmacológicas u ofrecen recomendaciones personalizadas representan avances valiosos en la atención médica.

Sin embargo, estas promesas dependen de que las organizaciones estén preparadas para integrar nuevas tecnologías. Entre los principales obstáculos organizacionales se encuentran la falta de infraestructura técnica, de modelos de financiación sostenibles y de liderazgo interno especializado para dirigir la implementación de la IA.

Se destaca el rol de los "champions tecnológicos” —profesionales clínicos influyentes que abogan por el uso de nuevas herramientas— como factores facilitadores. También se remarca la necesidad de establecer departamentos especializados en estrategia e implementación de IA dentro de las instituciones de salud, bajo una gobernanza clara.

Respecto a los pacientes, los profesionales ven la IA como una vía para mejorar los resultados clínicos, aumentar la seguridad del paciente y asegurar una atención más homogénea e independiente de factores humanos, como el cansancio o el estrés.

No obstante, esta percepción positiva convive con múltiples preocupaciones éticas y clínicas. Los profesionales temen que la IA no pueda captar adecuadamente la diversidad de los pacientes, los casos clínicos complejos o los matices contextuales que surgen de la relación médico-paciente.

La incertidumbre en torno a los posibles errores diagnósticos, la validez de los algoritmos en diferentes poblaciones y la falta de supervisión humana efectiva son factores que generan resistencia.

Además, se señala que muchos modelos de IA actuales carecen de representatividad en sus datos de entrenamiento, lo cual podría traducirse en riesgos clínicos para poblaciones minoritarias. Para contrarrestar esto, se recomienda que los desarrollos tecnológicos se basen en datos diversos y se validen regionalmente. También se sugiere que el uso clínico de IA esté precedido por ensayos clínicos aleatorizados que respalden su eficacia y seguridad.