IA en salud: sesgos de género podrían ampliar desigualdades, advierte la OMS

La integración de la inteligencia artificial en la práctica clínica promete mejoras en diagnóstico y pronóstico, pero también plantea riesgos si sus algoritmos reproducen sesgos existentes.

La Organización Mundial de la Salud advierte que la IA puede amplificar desigualdades cuando los datos y los equipos de desarrollo no son representativos, lo que convierte este problema en un riesgo emergente para la salud pública.

Un error común en la salud es usar el “varón blanco estándar” como referencia clínica, una práctica que invisibiliza síntomas y particularidades de mujeres y otros grupos.

Cuando los modelos se entrenan con datos no representativos su rendimiento es menor para quienes están infrarrepresentados; investigaciones indican que hasta un 31 % de los estudios sobre IA en salud omiten el género en sus conjuntos de datos.

Estos sesgos no solo afectan la precisión clínica.

Los grandes modelos de lenguaje tienden a reproducir roles de cuidado tradicionales y algunos sistemas de IA muestran peor desempeño en mujeres, especialmente en diagnóstico y detección de enfermedades cardiovasculares.

Además, la representación generada por IA refuerza estereotipos profesionales: en imágenes de médicos especialistas, los hombres aparecen en un 82 % de los casos, cuando en la realidad ocupan alrededor del 47 %, lo que contribuye a un “techo de cristal algorítmico”.

Repercusiones para la salud pública

Desde la epidemiología y la gestión sanitaria, el sesgo de género en la IA puede distorsionar estimaciones de prevalencia e incidencia, subestimar el riesgo de hospitalización en mujeres y fallar en identificar a personas vulnerables en programas de cribado y prevención.

Estas fallas pueden traducirse en asignación inequitativa de recursos, eficacia preventiva reducida y pérdida de confianza de la población en los servicios de salud.

Especialistas coinciden en que el potencial de la IA solo se aprovechará de forma justa si su desarrollo es inclusivo y está guiado por evidencia epidemiológica.

Diseñar algoritmos en equipos diversos, mejorar la representatividad de los datos y auditar sistemas para detectar sesgos son medidas señaladas por expertos para evitar que la tecnología amplifique, en lugar de reducir, las brechas de género en salud.

Nota de Transparencia

Este artículo fue generada con IA, a partir de información del Servicio de Información y Noticias Científicas, SINC.

El contenido final fue revisado por un miembro del equipo de redacción del Diario Occidente.

Comments