"No temo a los computadores; lo que temo es quedarme sin ellos." Isaac Asimov
Por Éctor Jaime Ramírez Barba
México está a tiempo de aprovechar la inteligencia artificial (IA) en los laboratorios clínicos, pero si no actuamos desde la política pública, la regulación y la educación, perderemos una oportunidad histórica y ampliaremos las brechas de desigualdad en salud. Nuestra investigación nacional, con 362 profesionales de laboratorios clínicos y de investigación en todo el país, ofrece una fotografía clara de este momento de transición: la IA ya está presente en su vida cotidiana y en muchos procesos de trabajo, pero sin un marco de comprensión suficiente ni una arquitectura institucional que oriente su uso ético, seguro y equitativo.
Uno de los hallazgos más reveladores es la contradicción entre el uso intensivo de herramientas basadas en IA y la baja autopercepción del propio conocimiento. La mayoría de los encuestados utiliza a diario asistentes conversacionales, aplicaciones integradas en mensajería instantánea y sistemas de reconocimiento de imágenes, pero muy pocos se consideran expertos o muy familiarizados con la IA, y son aún menos quienes identifican con precisión cuáles de estas herramientas incorporan algoritmos inteligentes. Esta “familiaridad superficial” resulta suficiente para intuir el potencial de la tecnología, pero claramente insuficiente para liderar una integración responsable en la práctica diagnóstica y administrativa de los laboratorios clínicos.
Cuando se les pregunta a estos profesionales en qué ámbitos de su trabajo consideran que la IA puede aportar más beneficios, las respuestas son consistentes: visualizan un enorme potencial en el análisis de datos, la detección de errores, la verificación de resultados y la automatización de tareas administrativas y repetitivas. Señalan reiteradamente el deseo de reducir los errores en la fase preanalítica, de ahorrar tiempo y mejorar la eficiencia del flujo de trabajo. No se trata, por tanto, de un rechazo a la tecnología, sino de una expectativa concreta: quieren que la IA sirva para mejorar la calidad, la seguridad y la oportunidad del diagnóstico. De hecho, tres de cada cuatro profesionales apoyan expresamente la incorporación de herramientas de IA en su laboratorio, y más de la mitad considera que esta implementación debería ocurrir en el corto plazo.
Sin embargo, este entusiasmo convive con un triángulo de preocupaciones que no puede ignorarse: el miedo, el desconocimiento y los dilemas éticos. Una amplia mayoría manifiesta preocupación por su propia falta de conocimientos y de capacitación en IA. Dos de cada tres temen perder su empleo si ciertas pruebas se automatizan y una proporción similar percibe poca disposición de las direcciones de laboratorio para invertir en tecnologías inteligentes y en la formación asociada.
En el terreno ético, predominan las inquietudes por la seguridad de los datos, la privacidad y el manejo de información sensible. A ello se suman preguntas de enorme trascendencia jurídica, hoy sin respuesta satisfactoria: si un algoritmo contribuye a un error diagnóstico, ¿quién asume la responsabilidad?, ¿el desarrollador del software, el fabricante del equipo, el laboratorio que lo adopta o el profesional que valida el resultado? Estas dudas no son solo filosóficas; son el tipo de preguntas que, en ausencia de regulación, terminarán dirimiéndose caso por caso, a menudo después de que el daño esté hecho.
El dato que condensa esta tensión es el de la formación: apenas una pequeña fracción de los encuestados ha recibido educación formal en IA, pero una abrumadora mayoría declara estar dispuesta a capacitarse, aunque ello suponga enfrentar una curva de aprendizaje pronunciada.
Es decir, el obstáculo principal no es la resistencia del personal, sino la ausencia de una oferta estructurada de formación y de un marco normativo que la exija, la oriente y la certifique. En un país donde las mujeres constituyen más de la mitad de la fuerza laboral en laboratorios clínicos y donde una proporción significativa ya cuenta con estudios de posgrado, desperdiciar esta disposición a aprender sería un error estratégico.
Nuestra investigación también se distingue por su alcance. Hasta donde se tiene registro, es el primer estudio que analiza de manera sistemática en América Latina la conceptualización de la IA entre profesionales de laboratorios clínicos y de investigación, tanto en instituciones públicas como privadas, considerando además el tamaño del laboratorio y su distribución geográfica. A diferencia de encuestas realizadas en Europa, Estados Unidos y Asia, este trabajo incorpora variables sociodemográficas y contextuales propias de México, lo que permite comprender cómo factores culturales, educativos y estructurales influyen en la percepción y la disposición hacia la IA. El resultado es una fotografía de un sistema en transición: por un lado, laboratorios privados que parecen avanzar más rápido en la adopción de estas tecnologías; por otro, instituciones públicas que enfrentan rezagos en infraestructura, digitalización y estrategias de capacitación.
Si este proceso continúa sin dirección, la adopción de la IA será profundamente desigual. Algunos laboratorios acreditados en grandes ciudades incorporarán herramientas de aprendizaje automático, reconocimiento avanzado de imágenes y sistemas de apoyo a la toma de decisiones clínicas, mientras que otros seguirán operando con infraestructura limitada, sin capacidad de aprovechar estas innovaciones. El riesgo es evidente: que la IA, lejos de cerrar brechas, consolide una medicina de “dos velocidades”, donde solo ciertos segmentos de la población accedan a diagnósticos de precisión, tiempos de respuesta más cortos y mejores resultados clínicos.
Frente a este escenario, la evidencia que aporta nuestra investigación debe traducirse en una agenda clara de política pública. En primer lugar, es imprescindible integrar la IA en los planes de estudio de las carreras químico‑biológicas, biomédicas y afines, así como en la educación profesional continua del personal de laboratorio y del personal médico queinterpreta sus resultados.
No se trata de convertir a todos en programadores, sino de asegurar competencias mínimas para comprender cómo se entrenan los algoritmos, cuáles son sus sesgos potenciales, cómo se validan y bajo qué criterios se integran en el proceso diagnóstico. Esta formación debe alinearse con estándares internacionales como ISO 15189, que establece los requisitos de calidad y competencia para laboratorios médicos, incorporando ahora los desafíos específicos de la IA.
En segundo término, es urgente desarrollar un marco jurídico específico para la IA en laboratorios clínicos. La regulación sanitaria debe contemplar la validación de algoritmos, la transparencia en los criterios de toma de decisiones automatizadas, la gestión de sesgos y la distribución de responsabilidades ante eventos adversos. De la misma forma que la farmacovigilancia obliga a reportar reacciones adversas a medicamentos, deberían existir mecanismos de vigilancia y reporte de incidentes vinculados al uso de IA en procesos diagnósticos. Sin esta “vigilancia ex post” será difícil corregir errores, identificar patrones de riesgo y ajustar la regulación conforme evoluciona la tecnología.
Un tercer elemento clave es la acreditación. Los esquemas actuales de evaluación y acreditación de laboratorios deben incorporar criterios específicos para los que integren IA en sus procesos. No basta con afirmar que se usan herramientas inteligentes; habrá que demostrar que se utilizan de manera segura, ética y equitativa, que se respetan los principios de privacidad y anonimización de datos, que existe una supervisión humana significativa y que se cuenta con protocolos claros para la actualización, auditoría y posible retiro de sistemas que no cumplan con los estándares esperados.
Finalmente, cualquier política de IA en salud en México debe tener la equidad como eje rector. En un país marcado por desigualdades regionales y socioeconómicas, la IA tiene el potencial de llevar diagnósticos de alta complejidad a regiones donde hoy no existen suficientes especialistas, por ejemplo, mediante telepatología o análisis automatizado de imágenes. Pero si la adopción se deja exclusivamente a la lógica del mercado y a la capacidad financiera de cada institución, la IA terminará concentrándose en donde ya existen ventajas, reforzando las brechas existentes. Diseñar esquemas de financiamiento, compras consolidadas, acompañamiento técnico y cooperación entre instituciones públicas, privadas y académicas será esencial para que esta tecnología contribuya a cerrar, y no a abrir, la brecha diagnóstica.
Tal vez la lección más poderosa que deja este estudio es que el problema no es la IA, sino dejar al personal de salud solo frente a ella. El miedo a ser reemplazados se alimenta del vacío de políticas, de la falta de capacitación y de la ausencia de reglas claras sobre para qué, cómo y bajo qué principios se utilizará esta tecnología. Si asumimos que la IA no viene a sustituir al profesional, sino a potenciar su capacidad para ofrecer diagnósticos más precisos, oportunos y seguros, entonces la prioridad no es frenar la innovación, sino gobernarla.
Quien se forme en el uso de una IA regulada, estandarizada y sometida a un escrutinio ético no será prescindible: será indispensable. La verdadera disyuntiva para el sistema de salud y para los tomadores de decisiones es si queremos que la IA en los laboratorios clínicos sea una moda tecnológica más o el detonante de una política de calidad y equidad diagnóstica a la altura de los retos de México.
Referencias
[1] Sánchez-González, J. M., Morán-Moguel, M. C., Rivera-Cisneros, A. E., Ramírez-Barba, É. J., Sierra-
Amor, R. I., Portillo-Gallo, J. H., & López-Rodríguez, M. (2025). Conceptualization of the use of artificial
intelligence by clinical or research laboratory professionals: Challenges for its implementation in Mexico.
*eJIFCC, 36*(3), 366–377. https://pmc.ncbi.nlm.nih.gov/articles/PMC12519616/pdf/ejifcc-36-03-366.pdf
Éctor Jaime Ramírez Barba (www.ectorjaime.mx) es médico especialista en cirugía
general, certificado en salud pública, con doctorado en ciencias de la salud y en
administración pública. Es legislador y defensor de la salud pública de México, diputado
reelecto del grupo parlamentario del PAN en la LXVI Legislatura y presidente del Capítulo
de América Latina y el Caribe de UNITE Parliamentarians Network for Global Health.