El cementerio de los pilotos: por qué la IA en salud no logra convertirse en política pública

Llevo años viendo el mismo ciclo. Un hospital anuncia un proyecto piloto de inteligencia artificial para detectar tuberculosis o monitorear embarazos de alto riesgo. Los resultados preliminares son favorables. Hay una nota de prensa, quizá una presentación en un congreso. Un año después, cuando pregunto qué ocurrió con el proyecto, la respuesta suele ser un encogimiento de hombros: se agotó el financiamiento, la persona que lo coordinaba cambió de puesto o el servidor continúa instalado, pero nadie lo utiliza.

Jeena Joseph, investigadora del Marian College Kuttikkanam de India, dio nombre a este fenómeno en un artículo de opinión publicado este año en Frontiers in Digital Health: pilotitis. El término describe una situación reconocible para quienes trabajan en salud digital en países en desarrollo: existe una actividad piloto abundante, pero pocos proyectos llegan a integrarse en las políticas públicas. Las intervenciones se multiplican durante un periodo breve y desaparecen cuando deja de existir el entorno que las sostenía.

El artículo no presenta datos primarios. Se trata de un análisis crítico de casos de Brasil, India y varios países del África subsahariana, entre ellos Kenia, Sudáfrica y Ruanda. Su propósito es identificar qué distingue a los proyectos que lograron escalar de aquellos que permanecieron en la fase experimental. Joseph sitúa el principal obstáculo en la capacidad del sistema de salud para incorporar y sostener la tecnología, más que en el desempeño del algoritmo.

La autora identifica seis obstáculos recurrentes. El primero es la fragmentación digital. En Brasil, el Sistema Único de Salud operó durante años con múltiples plataformas de historia clínica que no se comunicaban entre sí, lo que dificultaba que una herramienta de inteligencia artificial funcionara de manera homogénea entre municipios. En el África subsahariana ocurre algo parecido, aunque con otra lógica: los programas verticales de VIH, tuberculosis y salud materna suelen construir infraestructuras digitales propias, aisladas de la arquitectura nacional. Una herramienta que funciona dentro de uno de estos programas difícilmente puede trasladarse al resto del sistema sin modificaciones sustanciales.

El segundo obstáculo es la dependencia del financiamiento externo. Este punto resulta especialmente relevante porque explica por qué tantos proyectos técnicamente exitosos desaparecen sin dejar continuidad institucional. Algunas herramientas para el diagnóstico de tuberculosis en Kenia y Ruanda mostraron resultados sólidos durante la fase piloto. Cuando los donantes se retiraron, los hospitales no contaban con presupuesto propio para cubrir las suscripciones del software ni el almacenamiento en la nube.

En estos casos, el desempeño técnico de la herramienta no era el problema. La dificultad estaba en financiar su operación después del periodo inicial. Esta distinción suele perderse en las discusiones sobre inteligencia artificial en salud, donde el éxito se mide mediante indicadores de desempeño estadístico y rara vez mediante la capacidad del proyecto para sobrevivir al término del subsidio que hizo posible su implementación.

El artículo también examina cómo la identidad de quien financia e inicia un proyecto influye en los problemas que reciben atención. Los pilotos impulsados por agendas de donantes del norte global pueden priorizar tecnologías que no coinciden con las necesidades sanitarias locales. Los proyectos financiados y dirigidos por gobiernos nacionales o subnacionales tienden a alinearse mejor con prioridades como la cobertura universal o las enfermedades tropicales desatendidas. La fuente de financiamiento, por tanto, no solo afecta la continuidad del proyecto; también puede modificar el diseño de la intervención y el problema que pretende resolver.

Los otros obstáculos descritos por Joseph son familiares para quienes enseñamos o practicamos medicina en contextos con recursos limitados. Los marcos regulatorios todavía no resuelven preguntas básicas sobre responsabilidad legal cuando un sistema de inteligencia artificial se equivoca. La confianza de clínicos y pacientes continúa siendo baja, en parte porque muchos algoritmos fueron entrenados con datos de poblaciones distintas de aquellas en las que después se utilizan. A esto se suma la falta de infraestructura básica, como conectividad estable y suministro confiable de electricidad, en una proporción importante de los hospitales rurales de estas regiones.

A partir de este diagnóstico, Joseph propone una hoja de ruta de cinco pilares para llevar un proyecto de la fase piloto a la política pública: alineación con las estrategias nacionales de salud digital; inversión en infraestructura e interoperabilidad; mecanismos de financiamiento sostenible que no dependan de subvenciones temporales; formación de la fuerza laboral clínica; y construcción deliberada de confianza mediante explicabilidad y codiseño con pacientes y profesionales de la salud.

Ninguno de estos pilares es nuevo por separado. El valor del artículo está en presentarlos como condiciones interdependientes. Una regulación adecuada pierde eficacia si no existe financiamiento recurrente. El presupuesto tampoco garantiza la adopción cuando los profesionales no confían en la herramienta o no pueden integrarla en sus flujos de trabajo. El escalamiento depende de la combinación de estas condiciones y de su continuidad en el tiempo.

El artículo me deja una pregunta relevante para la educación médica y el desarrollo de tecnología clínica: ¿estamos evaluando estos proyectos con las métricas adecuadas? Si medimos únicamente sensibilidad, especificidad y AUROC, un piloto puede parecer exitoso y aun así desaparecer cuando concluye el financiamiento que lo sostiene.

Quizá debamos incorporar otros indicadores: continuidad presupuestaria, integración con los sistemas existentes, adopción clínica, disponibilidad de personal capacitado y permanencia del servicio después de la fase experimental. La capacidad de un sistema de salud para conservar y ampliar una intervención que funciona debería formar parte de la definición misma de éxito. De otro modo, seguiremos celebrando nuevos pilotos sin aprender por qué tantos de los anteriores nunca llegaron a convertirse en política pública.

Referencia:

Joseph J. From pilot to policy: why AI health interventions fail to scale in developing countries. Front Digit Health. 2026;8:1699005. doi:10.3389/fdgth.2026.1699005.