Cómo la ciencia de datos está (re)programando la salud

Columna

Innovación

27 de enero de 2026

Cómo la ciencia de datos está (re)programando la salud

La tecnología transforma el diagnóstico, la prevención y la gestión en sistemas de salud pública y privada

La integración entre la ciencia de datos y la salud no es solo una tendencia tecnológica, sino uno de los movimientos más prometedores y complejos de la transformación digital contemporánea. A medida que los sistemas de salud se enfrentan a desafíos como el envejecimiento de la población, el aumento de las enfermedades crónicas y la sobrecarga presupuestaria, crece la necesidad de soluciones basadas en datos para mejorar la eficiencia, la precisión diagnóstica y la personalización de la atención.

La abundancia de datos clínicos, genómicos, ambientales y conductuales exige enfoques capaces de manejar un gran volumen de información, variedad y velocidad — lo que transforma las técnicas de machine learning, redes neuronales, minería de texto y análisis predictivo en herramientas estratégicas. Más que automatizar rutinas, se trata de rediseñar la forma en que se produce el conocimiento médico, se toman las decisiones clínicas y se formulan las políticas públicas.

Grandes revistas científicas como “The Lancet Digital Health”, “Nature Medicine” y “JAMA” vienen señalando, con frecuencia, que la adopción responsable de la ciencia de datos puede generar impactos concretos en la reducción de desigualdades, en la anticipación de brotes y en la optimización de tratamientos — siempre que vaya acompañada de criterios éticos, transparencia algorítmica y validación rigurosa.

Diagnóstico y predicción

Las herramientas de ciencia de datos han ampliado significativamente la capacidad de detectar patrones tempranos en exámenes médicos, posibilitando diagnósticos más rápidos y asertivos. Modelos de aprendizaje profundo, por ejemplo, ya superan a especialistas humanos en tareas como la interpretación de imágenes de retina para la detección de retinopatía diabética o el análisis de tomografías para la identificación de nódulos pulmonares. El poder de estas técnicas reside en la habilidad de correlacionar miles de variables en segundos, revelando señales sutiles que pasarían desapercibidas en métodos tradicionales. Con esto, se crea un nuevo paradigma, en el que la decisión médica pasa a ser asistida por sistemas inteligentes, capaces de combinar precisión estadística con sensibilidad clínica.

Uno de los ejemplos más emblemáticos de este potencial proviene de la investigación publicada en “Nature” (McKinney et al., 2020), en la cual un sistema de inteligencia artificial desarrollado por Google Health fue entrenado con millones de mamografías para identificar cáncer de mama. El modelo obtuvo un rendimiento superior al de los radiólogos en diversos parámetros, reduciendo tanto los falsos negativos como los falsos positivos. La propuesta no es reemplazar al profesional humano, sino proporcionar una segunda opinión algorítmica, con impacto directo en la supervivencia de pacientes y en la asignación de recursos.

Salud pública y epidemiología

En la esfera colectiva, la ciencia de datos ha revolucionado la vigilancia epidemiológica, permitiendo identificar brotes, predecir demandas hospitalarias y orientar estrategias preventivas. El uso de modelos predictivos alimentados por datos en tiempo real —como registros hospitalarios, búsquedas en línea y datos meteorológicos— permite anticipar comportamientos de epidemias con semanas de antelación. Además, la integración de datos sociodemográficos, de movilidad y de redes sociales permite entender cómo factores estructurales afectan la propagación de enfermedades, fortaleciendo políticas públicas más dirigidas.

Durante la pandemia de Covid-19, Cheng (2020) y colaboradores publicaron un artículo que presentaba el desarrollo y la validación de un modelo de machine learning basado en random forest para predecir la transferencia de pacientes hospitalizados con Covid-19 a unidades de cuidados intensivos en un plazo de hasta 24 horas, utilizando datos rutinarios de historias clínicas electrónicas, como signos vitales, pruebas de laboratorio, evaluaciones de enfermería y electrocardiogramas.

A partir de una cohorte retrospectiva de 1.987 pacientes ingresados en unidades no intensivas de un gran sistema hospitalario de Nueva York, entre febrero y abril de 2020, los autores estructuraron series temporales diarias y aplicaron técnicas de balanceo de clases y validación cruzada para lidiar con la baja tasa de eventos y la heterogeneidad de los datos clínicos. El modelo alcanzó un rendimiento consistente como herramienta de cribado, con una sensibilidad de aproximadamente 73%, una especificidad del 76% y un AUC en torno a 0,80 en el conjunto de prueba, destacándose como predictores más relevantes la frecuencia respiratoria, el recuento de leucocitos, la saturación de oxígeno, los marcadores inflamatorios, los parámetros hemodinámicos y los indicadores de función renal (Cheng, 2020).

Los resultados sugieren que enfoques predictivos basados en machine learning pueden apoyar la priorización clínica y la planificación operativa hospitalaria en contextos de crisis sanitaria, al permitir la identificación temprana de pacientes con mayor riesgo de deterioro, aunque los autores resaltan limitaciones relacionadas con el bajo valor predictivo positivo, el uso de datos de un único centro y la necesidad de refinamiento del modelo para ampliar precisión y generalización (Cheng, 2020).

Medicina individualizada

Otra frontera prometedora es la llamada medicina personalizada, que utiliza ciencia de datos para integrar información genética, clínica y ambiental con el fin de ofrecer tratamientos a medida. En lugar de terapias estandarizadas, los algoritmos identifican qué grupos de pacientes responden mejor a determinados medicamentos, qué mutaciones genéticas están ligadas a la progresión de la enfermedad y qué interacciones medicamentosas deben evitarse. Con ello, la práctica médica se vuelve más precisa, reduciendo el desperdicio y aumentando las posibilidades de éxito terapéutico.

Un estudio publicado en la “Cell” (Khera et al., 2018) ejemplifica este potencial al proponer una puntuación poligénica — calculada a partir de millones de variantes genéticas — capaz de estimar el riesgo de tener un infarto de miocardio o desarrollar enfermedades como diabetes tipo 2 y cáncer de próstata.

El artículo demuestra que las puntuaciones genómicas poligénicas a gran escala pueden identificar individuos con riesgo elevado para enfermedades comunes a niveles comparables a los conferidos por mutaciones monogénicas raras, superando una limitación histórica de la genética clínica. Utilizando datos de grandes estudios de asociación genómica amplia y validación en más de 400 mil participantes del UK Biobank, los autores desarrollaron y probaron puntuaciones de riesgo poligénico para cinco enfermedades de gran impacto en salud pública: enfermedad arterial coronaria, fibrilación auricular, diabetes tipo 2, enfermedad inflamatoria intestinal y cáncer de mama (Khera et al., 2018).

Los resultados muestran que una fracción sustancial de la población — por ejemplo, alrededor del 8% en el caso de la enfermedad arterial coronaria — presenta un riesgo tres veces mayor o más, una proporción mucho mayor que la de portadores de mutaciones monogénicas clásicas asociadas al mismo nivel de riesgo. Los autores evidencian que el riesgo aumenta de forma acentuada en la cola superior de la distribución de las puntuaciones y que estos predictores tienen un rendimiento discriminatorio consistente, con AUCs que varían aproximadamente entre 0,63 y 0,81, dependiendo de la enfermedad. El estudio argumenta que la estratificación poligénica puede viabilizar estrategias más precisas de prevención, rastreo y asignación de recursos en salud, al mismo tiempo que destaca desafíos, como la comunicación del riesgo, la integración con factores clínicos y ambientales y la limitación actual de aplicabilidad en poblaciones no europeas (Khera et al., 2018).

Esta convergencia entre ciencia de datos y salud no representa solo una innovacion tecnologica, sino un cambio paradigmatico en la forma en que se comprende, administra y promueve el cuidado de la salud. Al transformar datos brutos en conocimiento, los sistemas inteligentes permiten anticipar agravios, personalizar terapias y optimizar recursos a niveles hasta entonces inalcanzables por enfoques tradicionales.

Sin embargo, el entusiasmo ante estas innovaciones debe ir acompañado de una postura crítica y ética, especialmente ante riesgos como sesgo algorítmico, exclusión digital, opacidad en los criterios decisorios y uso inadecuado de información sensible. La validación científica rigurosa, el control social, la gobernanza de datos y el desarrollo de marcos regulatorios son condiciones indispensables para que los beneficios de la ciencia de datos se conviertan en ganancias reales para la colectividad.

La salud, como derecho social y campo de alta complejidad, exige que cada avance tecnológico vaya acompañado de responsabilidad, transparencia y compromiso con el bien común. Así, más que algoritmos sofisticados, es la inteligencia humana — colectiva, empática y ética — la que debe guiar el uso de estas herramientas hacia un sistema de salud más justo, eficiente y centrado en las personas.

Para tener acceso a las referencias de este texto haga clic aquí

Quién publicó esta columna

Renato Máximo Sátiro

Doutor em Administração pela UFG, professor e orientador no curso de Data Science, Inteligência Artificial e Analytics, do MBA USP/Esalq. Administrador de Empresas na Saneago e pesquisador em grupos de pesquisa da UFG e da UnB, com foco em IA, políticas públicas e acesso à Justiça. Desenvolve projetos em machine learning, deep learning, modelos estatísticos, algoritmos e ética na IA, domínio de ferramentas R, Python, Gretl, SPSS e Stata.

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.