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
