○ planned · proyecto
Otorga nivel a: Fairness in ML · Bias Mitigation · Algorithmic Auditing
Usa: Fairness in ML · Bias Mitigation · Algorithmic Auditing · Model Evaluation · Model Cards · AI Security Governance
Charla inaugural de la colaboración entre The Data Pub y Hacking Health México sobre el estado de la inteligencia artificial en salud. Plantea la “medicina 5P” (personalizada, predictiva, preventiva, participativa y poblacional) como horizonte, y sostiene que la IA en el ámbito clínico debe ser siempre un soporte de decisión humano, no un sustituto, con la ética como condición indispensable de diseño. La tesis central es que la transformación digital en salud es inevitable pero exige formación, explicabilidad y control humano para no perder agencia ni responsabilidad.
Hallazgos clave
- Los sistemas de IA clínica deben ser explicables y funcionar como soporte, no como autoridad: la doctora Martínez documenta el riesgo real de “pérdida de agencia” en residentes que asumen el diagnóstico de la máquina como dogma, y exige que la responsabilidad final siempre recaiga en una persona.
- Solo el 27% de las 167 escuelas de medicina registradas en México incluyen informática biomédica o salud digital en su currícula, y otras áreas (enfermería, nutrición, trabajo social) ni lo contemplan; el 85% de la atención se resuelve en el primer nivel, donde apenas hay una computadora.
- La ética en IA de salud se articula en 8 principios interrelacionados (privacidad, responsabilidad profesional, accountability, justicia/no discriminación, transparencia/explicabilidad, seguridad, control humano y promoción de valores); en salud no se puede excluir ninguno.
- El fallo de Google Health y Microsoft HealthVault demuestra que sin regulación, respaldo gubernamental y confianza de la población (como en Dinamarca), ni las grandes tecnológicas logran imponer el expediente clínico electrónico.
- Los sistemas de IA actuales son “monodiagnósticos”, incapaces de manejar la clínica real: un paciente llega con multiplicidad de síntomas, comorbilidades y contexto, mientras la máquina optimiza un solo diagnóstico; por eso la clínica (tocar, palpar, interrogar) sigue siendo insustituible.
Módulos
- El ecosistema salud-tech en México — Actores, comunidades (Hacking Health), el concepto de medicina 5P y el rol del científico de datos frente al personal clínico.
- Aplicaciones reales de IA en salud — IoMT (Internet de las Cosas Médicas), monitoreo remoto de pacientes (RPM), detección de caídas, telemedicina y soporte a la decisión clínica.
- Los 8 principios éticos de la IA en salud — Privacidad, accountability, justicia, transparencia, seguridad y control humano, con casos reales (contact tracing de COVID, abusos en Singapur y Filipinas).
- Explicabilidad e interpretabilidad — Por qué un modelo clínico debe poder explicar “por qué” (toolbox de diagnóstico explicable en DMAE y preeclampsia) y cómo validar explicaciones con médicos.
- Razonamiento clínico vs. monodiagnóstico — Cómo piensa un médico, el papel de la clínica y la medicina basada en evidencia, y por qué la IA no sustituye al personal de salud.
- Enseñanza y regulación de la informática biomédica — Informática biomédica I y II, normas oficiales mexicanas (NOM), interoperabilidad, expediente clínico electrónico y propuesta de salud digital obligatoria.
Fuente: https://www.youtube.com/watch?v=6Mr2r4mVx10 · Transcript local: data/cursos/datapub-hacking-health-ia-en-salud/hacking-health-ia-en-salud.srt
Enlaces
Otorga nivel a: Fairness in ML · Bias Mitigation · Algorithmic Auditing Usa: Fairness in ML · Bias Mitigation · Algorithmic Auditing · Model Evaluation · Model Cards · AI Security Governance