Modelos inclusivos: tecnologías adaptadas a contextos vulnerables

En el imaginario común, la inteligencia artificial (IA) en salud está asociada con tecnología de punta: resonancias magnéticas analizadas por algoritmos, robots quirúrgicos, big data, hospitales inteligentes. Pero esa imagen excluye a millones de personas que viven en zonas rurales, barrios periféricos, o comunidades sin infraestructura tecnológica.

¿Es posible diseñar modelos de IA para contextos con bajo nivel de alfabetización digital, escasa conectividad o infraestructura precaria? La respuesta es sí. De hecho, los modelos más transformadores no siempre son los más sofisticados, sino los más adecuados al contexto.

¿Qué entendemos por “modelos inclusivos”?

En el contexto de la inteligencia artificial en salud, un modelo inclusivo es aquel que:

• Está diseñado para adaptarse a entornos con limitaciones técnicas (por ejemplo, sin internet, sin electricidad constante).

• Considera las capacidades tecnológicas y culturales de sus usuarios, evitando exigir altos niveles de alfabetización digital.

• Respeta y valora la diversidad lingüística y cultural de las comunidades.

• Se co-crea con actores locales, integrando sus conocimientos y prioridades en el proceso.

• Es escalable sin requerir grandes inversiones o tecnologías inalcanzables.

En resumen: no se trata solo de hacer IA “más barata”, sino más justa, contextualizada y útil para quienes más la necesitan.

¿Por qué necesitamos modelos adaptados?

Porque las soluciones globales rara vez sirven para problemas locales. Un algoritmo desarrollado para hospitales urbanos de alta complejidad difícilmente funcionará en un puesto de salud sin electricidad, personal capacitado o insumos básicos.

En muchos países del Sur Global:

• Más del 30% de la población vive en zonas rurales con limitada conectividad.

• Existen múltiples lenguas y tradiciones culturales que influyen en el acceso a la salud.

• El personal de salud de primer contacto carece de formación específica en tecnologías digitales.

• Las prioridades sanitarias están marcadas por enfermedades desatendidas o condiciones crónicas sin tratamiento.

La IA que ignora estos contextos solo profundiza las desigualdades.

Ejemplos de tecnologías adaptadas a contextos vulnerables

1. mIRA (Kenya) – Diagnóstico de cáncer cervical mediante smartphone y IA

Una solución basada en imágenes tomadas con un teléfono móvil conectado a un algoritmo que detecta lesiones sospechosas. Requiere solo un smartphone y un espéculo, y puede ser operado por personal de enfermería entrenado en áreas rurales.

• Impacto: Reducción del tiempo diagnóstico en más del 60%.

• Ventaja: No requiere infraestructura hospitalaria ni especialistas en sitio.

2. Babyl Rwanda – Consultas médicas vía mensajes de texto potenciados con IA

Plataforma implementada en colaboración con el sistema de salud pública. A través de un sistema automatizado, los usuarios acceden a orientaciones médicas y derivaciones, usando SMS, sin necesidad de Internet ni smartphones.

• Impacto: Más de 2 millones de consultas realizadas.

• Ventaja: Utiliza el canal más común y accesible: el mensaje de texto.

3. Ubenwa (Nigeria) – Diagnóstico de asfixia neonatal con IA a partir del llanto

Modelo de IA que analiza patrones de llanto del recién nacido para identificar signos de asfixia. Se ejecuta en un teléfono básico sin necesidad de Internet.

• Impacto: Detección temprana en regiones sin acceso inmediato a neonatólogos.

• Ventaja: No requiere pruebas invasivas ni personal especializado.

4. Diagnóstico de malaria con microscopía portátil + IA (Brasil y Mozambique)

Uso de un dispositivo portátil acoplado a teléfonos móviles que analiza imágenes de sangre con algoritmos de visión computarizada. Reduce errores humanos en zonas sin laboratorios certificados.

• Impacto: Mayor precisión en áreas con alta carga de malaria.

• Ventaja: Se usa en zonas con electricidad intermitente y sin red de datos.

Principios clave para desarrollar IA inclusiva

1. Simplicidad tecnológica

   • Menos es más. Modelos que funcionan offline, que requieren hardware básico, y con interfaces simples (voz, íconos, botones grandes) tienen mayor impacto.

2. Adaptación cultural y lingüística

   • Las tecnologías deben hablar el idioma local, tanto literal como simbólicamente. Esto incluye adaptar mensajes de salud, visuales y funcionalidades a la comunidad.

3. Participación local

   • El diseño no puede hacerse desde una oficina lejana. Se requiere colaboración activa de líderes comunitarios, promotores de salud y usuarios finales.

4. Escalabilidad desde lo pequeño

   • Iniciar en piloto, evaluar impacto, ajustar, y escalar gradualmente. No todas las soluciones necesitan ir a escala nacional para ser transformadoras.

5. Interoperabilidad con sistemas existentes

   • Aunque muchos entornos son precarios, las soluciones deben integrarse con estructuras de salud ya en funcionamiento (por ejemplo, referir casos al hospital más cercano).

Retos para sostener modelos inclusivos

• Financiamiento inestable: Muchas iniciativas mueren al agotarse los fondos de cooperación internacional.

• Falta de integración formal: Los sistemas de salud tardan en adoptar soluciones creadas desde fuera de su estructura.

• Capacitación continua: El personal de salud necesita formación constante, especialmente cuando la tecnología evoluciona.

• Evaluación rigurosa: Pocos modelos son sometidos a ensayos clínicos o estudios comparativos sólidos.

Conclusión

El futuro de la inteligencia artificial en salud no está solo en los grandes centros médicos, sino también en los rincones donde nadie creía que la tecnología podía llegar. Modelos inclusivos no son una excepción, sino una necesidad ética, técnica y social.

Si aspiramos a un sistema de salud más justo, debemos promover tecnologías que no repliquen el elitismo digital, sino que empoderen a quienes históricamente han sido marginados.

¿Conoces o trabajas con soluciones de IA adaptadas a comunidades vulnerables?
Queremos contar tu historia. Escríbenos en iamedica.org y construyamos juntos un modelo más equitativo.