IA sanitaria en el Pacífico: cuando el dato que falta crea la desigualdad que prometía eliminar

Por Momentum IA · 28 de junio de 2026.

En el simposio Te Poutoko Ora a Kiwa celebrado el 24 de junio en Auckland, la profesora Robyn Whittaker, codirectora del TRANSFORM Research Centre de la Universidad de Auckland, ofreció una conferencia plenaria sobre inteligencia artificial en salud dirigida a investigadores, clínicos, profesionales sanitarios y miembros de comunidades del Pacífico. El mensaje central fue tan claro como incómodo: la IA sanitaria llega a estas comunidades sin haber sido diseñada ni validada para ellas.

Whittaker organizó su análisis en torno a los tres grandes vectores de la IA en salud: analítica predictiva, visión por computador y IA generativa. Para cada uno expuso tanto el potencial como los límites concretos. En el terreno predictivo, puso el ejemplo de algoritmos usados durante la pandemia de COVID-19 para identificar pacientes pacíficos con mayor riesgo de hospitalización, lo que permitió a centros comunitarios priorizar la atención. Pero advirtió que esa utilidad depende de datos de alta calidad y localmente relevantes, algo que hoy escasea. En visión artificial, señaló herramientas de detección retinal desplegables en entornos comunitarios como un avance prometedor en acceso a la atención, aunque frenado por sistemas obsoletos, dificultades de implementación y la falta de confianza de las comunidades. Y sobre la IA generativa —ChatGPT y sus equivalentes— usó dos metáforas que no se contradicen: 'un cambio de paradigma' y 'el salvaje oeste'. Sistemas entrenados sobre datos masivos de internet, sin regulación, probabilísticos por naturaleza y capaces de producir outputs convincentes pero incorrectos.

El hilo conductor de toda la intervención fue la representación de datos. 'Es muy improbable que estas herramientas hayan sido debidamente probadas en comunidades māori y pacíficas', afirmó Whittaker. No es una denuncia retórica: es una descripción técnica precisa. Los modelos de diagnóstico y predicción aprenden de los datos con los que se entrenan. Si esos datos proceden abrumadoramente de poblaciones europeas o norteamericanas —como ocurre con la mayoría de los grandes conjuntos de datos biomédicos—, el rendimiento del modelo para poblaciones subrepresentadas es estadísticamente inferior. No por mala voluntad, sino por diseño deficiente.

Esta no es una problemática exclusiva del Pacífico. Es el caso general, y el Pacífico lo ilustra de forma especialmente nítida porque la brecha entre promesa tecnológica y realidad local es allí particularmente visible. Whittaker también subrayó la ausencia de marcos regulatorios específicos: ni Nueva Zelanda ni la mayoría de los estados insulares del Pacífico cuentan con legislación que regule el uso de IA en sanidad. Su equipo lidera un grupo asesor multidisciplinar de ámbito nacional para evaluar herramientas de IA con criterios de seguridad, ética, equidad y perspectiva pacífica. Es, a pequeña escala, exactamente el tipo de gobernanza que falta a escala global.

Nuestra lectura es esta: el problema que Whittaker describe no es periférico. Es central. La IA médica solo cumplirá su promesa transformadora —diagnóstico precoz, acceso universal, reducción de carga sobre el personal clínico— si los datos que la alimentan representan a toda la humanidad, no solo a la parte de ella que históricamente ha dominado los sistemas sanitarios y las bases de datos científicas. La trampa de fondo es estructural: los sistemas se construyen con los datos disponibles, y los datos disponibles reflejan décadas de inversión desigual en salud pública. Una IA entrenada sobre esa desigualdad no la corrige; la codifica.

A corto plazo, el riesgo real es que herramientas pensadas para mejorar la salud colectiva se conviertan en mecanismos que amplifican las inequidades existentes, con la legitimidad adicional que da el halo tecnológico. Un algoritmo que infradiagnostica en una comunidad es más difícil de cuestionar que un profesional que infradiagnostica: el sesgo queda oculto en los pesos del modelo. Whittaker y el profesor Sir Collin Tukuitonga, codirector de Te Poutoko Ora a Kiwa, lo plantean en términos de soberanía de datos indígenas y control comunitario, que es exactamente la palanca correcta: antes de que una herramienta se despliegue, la comunidad sobre la que operará debe tener voz en su diseño, acceso a sus resultados y capacidad de rechazarla.

A largo plazo, hay razones para el optimismo que conviene no abandonar. La visión artificial que detecta retinopatía diabética en contextos rurales del Pacífico sin necesidad de un oftalmólogo presente es, en potencia, una de las grandes historias de democratización sanitaria del siglo. Los modelos predictivos bien calibrados pueden salvar vidas precisamente en los sistemas con menos recursos. La IA generativa puede aliviar la carga administrativa que consume horas de clínicos que podrían dedicarse al paciente. Todo eso es real. Pero la condición es que esas herramientas se construyan bien, con datos representativos, con gobernanza local y con mecanismos de rendición de cuentas.

El simposio de Auckland es una señal pequeña pero significativa de que hay comunidades que no esperan pasivamente a que Silicon Valley les entregue soluciones. Están articulando sus propias exigencias epistémicas: que la evidencia sea local, que los datos sean suyos, que el diseño sea participativo. Eso no es un obstáculo para la innovación; es la condición para que la innovación sea legítima y duradera.