Por Qué los Papás Deben Saber que la IA Ya Está Leyendo las Imágenes Médicas de Sus Hijos

Tu hijo se torció el tobillo jugando fútbol en la escuela. Vas a urgencias del IMSS, le toman una radiografía, y en menos de diez minutos el médico ya tiene un análisis preliminar en pantalla. ¿Lo leyó solo el médico? Posiblemente no. En hospitales con sistemas modernos de imagenología, un algoritmo de inteligencia artificial ya revisó esa imagen antes — o simultáneamente — que cualquier médico humano.

No lo viste. No te avisaron. Y muy probablemente el médico tampoco te dijo nada al respecto.

Eso no es necesariamente malo. Pero sí es algo que los papás deberían entender.

El problema: la IA médica ya está aquí y nadie nos explicó cómo funciona

La imagen de la medicina con IA que tienen la mayoría de las personas es futurista: robots cirujanos, hospitales del siglo 23, algo que todavía no existe. La realidad es más discreta y más inmediata: la IA médica ya está presente en hospitales reales en México, operando en sistemas de imagenología que analizan radiografías, ultrasonidos y tomografías con algoritmos que, en ciertas condiciones específicas, superan en precisión a radiólogos humanos.

La FDA de Estados Unidos ha aprobado más de 800 dispositivos médicos con IA o aprendizaje automático para uso clínico — y ese número crece cada año. Muchos de esos dispositivos se usan en hospitales mexicanos privados y algunos ya llegan al sistema público. La COFEPRIS (Comisión Federal para la Protección contra Riesgos Sanitarios, el equivalente mexicano de la FDA) está desarrollando su propio marco regulatorio para estos dispositivos.

El IMSS — el sistema de seguridad social más grande de México, con más de 80 millones de derechohabientes — ha anunciado proyectos piloto de IA en imagenología como parte de su programa de transformación digital. El ISSSTE también tiene iniciativas similares en marcha. Y los hospitales privados de referencia en México — Médica Sur, Hospital ABC, Centro Médico ABC, Hospital Ángeles — ya tienen algunos de estos sistemas implementados.

Para los papás, esto plantea tres preguntas importantes: ¿qué está haciendo exactamente la IA con las imágenes de sus hijos? ¿Es seguro? ¿Y qué derechos tenemos como pacientes?

Para los niños, especialmente los que están interesados en ciencias o tecnología, plantea una pregunta diferente y más emocionante: ¿cómo funciona esto? ¿Y podría ser mi carrera algún día?

Lo que dice la investigación sobre IA e imagenología médica

Qué puede hacer la IA que el ojo humano no puede

Los modelos de visión computacional aplicados a imágenes médicas no piensan como un médico. Piensan como estadísticos extremadamente rápidos. Cuando un algoritmo de IA analiza una radiografía de tórax, ha sido entrenado con decenas de miles (a veces millones) de radiografías previamente etiquetadas por radiólogos expertos. Aprende patrones de pixel que se correlacionan con hallazgos específicos — una opacidad que indica neumonía, una forma que sugiere fractura, una densidad que puede indicar un problema óseo.

Un estudio publicado en Nature Medicine en 2019 por investigadores de Google Health mostró que un sistema de IA detectó cáncer de mama en mamografías con una tasa de falsos negativos 11% menor y una tasa de falsos positivos 5.7% menor que radiólogos humanos. Ese resultado fue con un conjunto de datos independiente del que se usó para entrenamiento, lo cual es el estándar de validación científica.

Pero hay matices importantes. La investigación de Zech et al., publicada en PLOS Medicine en 2018, demostró que los modelos de IA pueden presentar sesgos inesperados: un modelo entrenado principalmente con radiografías de un tipo de hospital puede tener peor desempeño en hospitales con equipos diferentes, diferentes protocolos de posicionamiento, o diferentes demografías de pacientes. La IA aprende todo lo que está en los datos de entrenamiento — incluyendo patrones irrelevantes que simplemente ocurrieron a ser consistentes en ese dataset.

Esta distinción — IA como herramienta de apoyo con limitaciones específicas, no como sistema infalible — es exactamente lo que los papás necesitan entender para poder tener conversaciones informadas con sus médicos.

México en el contexto global de IA médica

La UNAM Facultad de Medicina tiene proyectos de colaboración con el IPN en aplicación de IA a diagnóstico médico, específicamente en patología digital y análisis de imágenes de retina para detección temprana de diabetes — una enfermedad con prevalencia particularmente alta en México.

CONACYT (hoy CONAHCYT) ha financiado investigación en bioinformática e inteligencia artificial aplicada a salud, con grupos activos en la UNAM, el CINVESTAV, y el INAOE. Uno de los proyectos más destacados es el análisis de imágenes oftalmológicas para detección de retinopatía diabética, relevante dado que México tiene una de las tasas de diabetes más altas del mundo.

La pandemia de COVID-19 aceleró dramáticamente la adopción de IA en hospitales mexicanos. La necesidad de analizar miles de tomografías de tórax para detectar daño pulmonar por COVID-19 empujó a varios centros hospitalarios a implementar sistemas de IA que antes estaban en fase de evaluación. Lo que era un plan a cinco años se convirtió en realidad operacional en meses.

El proceso regulatorio: COFEPRIS vs. FDA

La FDA en Estados Unidos usa un proceso llamado 510(k) o De Novo para aprobar dispositivos médicos con IA. Para mediados de 2024, había aprobado más de 800 de estos dispositivos, la mayoría en radología, cardiología y patología. El proceso requiere que el fabricante demuestre que el dispositivo es al menos tan seguro y eficaz como un dispositivo predecesario ya aprobado.

La COFEPRIS en México todavía está desarrollando su marco regulatorio específico para dispositivos médicos con IA. Actualmente, muchos de estos dispositivos se usan bajo el marco general de dispositivos médicos de clase II o III, pero no existe aún una categoría específica que aborde los retos únicos de los sistemas de IA: ¿qué pasa cuando el modelo se actualiza y cambia su comportamiento? ¿Quién es responsable si el diagnóstico asistido por IA contribuye a un error clínico?

Tipo de imagen médica	Qué hace la IA	Estado en México	Hospitales que lo usan	Precisión documentada
Radiografía de tórax	Detecta neumonía, fractura, nódulos pulmonares	Implementado en hospitales privados, piloto en IMSS	Médica Sur, Hospital ABC, Ángeles	~90-94% en detección de neumonía (vs. ~87% radiólogo solo)
Mamografía	Detecta masas y calcificaciones sospechosas	Disponible en centros privados especializados	Centros de diagnóstico privados en CDMX, GDL, MTY	~88-92% sensibilidad en estudios validados
Tomografía computarizada (TC)	Análisis de nódulos pulmonares, hemorragias cerebrales	Hospitales de alta complejidad, privados y algunos IMSS	HIGA, Médica Sur, Hospital General de México	Variable según indicación, alta especificidad
Ultrasonido	Análisis cardiaco, detección de anomalías fetales	En desarrollo e implementación temprana	Centros especializados en cardiol. pediátrica	Promisorio, menos maduro que TC/Rx
Resonancia magnética	Detección de tumores, análisis de tejido cerebral	Hospitales terciarios privados	Clínicas de neurología de alta especialidad	Alta en tareas específicas (ej. glioma vs. tejido sano)
Fondo de ojo (retina)	Detección de retinopatía diabética, glaucoma	Programas piloto en clínicas del IMSS	IMSS, ISSSTE (proyectos piloto)	~87-95% según sistema y condición

Qué hacer concretamente: ser un paciente informado en la era de la IA médica

Pregunta directamente a tu médico

La siguiente vez que a tu hijo le ordenen un estudio de imagen — una radiografía dental, un ultrasonido de crecimiento, una tomografía por un golpe en la cabeza — tienes todo el derecho de preguntar: “¿Este hospital usa sistemas de IA para el análisis de imágenes?” No es una pregunta extraña. Es una pregunta de paciente informado.

Si la respuesta es sí, puedes preguntar: “¿El diagnóstico final lo da el médico radiólogo o el sistema de IA?” La respuesta correcta siempre debería ser: el médico humano es el responsable final del diagnóstico. La IA es una herramienta de apoyo. Si un médico te dice que “el sistema de IA confirmó el diagnóstico” sin mencionar su propio análisis, eso es una señal de alerta.

Entiende tus derechos bajo la ley mexicana

La LFPDPPP (Ley Federal de Protección de Datos Personales en Posesión de Particulares) te da derechos sobre tus datos personales, incluyendo los datos de salud — que son una categoría especialmente protegida. Los datos médicos de tus hijos son datos sensibles con protección reforzada.

El INAI (Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales) tiene recursos y mecanismos para que los ciudadanos ejerzan sus derechos ARCO (Acceso, Rectificación, Cancelación y Oposición) sobre sus datos. Si un hospital usa tus datos de imagen para entrenar modelos de IA, debería informarte y, en muchos casos, requerir tu consentimiento explícito.

En la práctica, muchos hospitales incluyen estas autorizaciones en los formatos genéricos de consentimiento informado que firmas al llegar — sin explicarlas claramente. Vale la pena leer lo que firmas.

Convierte el tema en una conversación educativa con tus hijos

Para niños de 10-15 años, la medicina con IA es un contexto extraordinariamente rico para hablar de ingeniería. Puedes explicar el proceso de entrenamiento de un modelo de diagnóstico de manera muy accesible:

“Imagínate que le enseñas a tu hermano menor a reconocer una fractura en un hueso. Le muestras mil fotos de huesos rotos y le dices ‘esto es una fractura’. Le muestras otras mil de huesos sanos y le dices ‘esto no lo es’. Después de ver tantos ejemplos, aprende a reconocer el patrón. Eso es básicamente lo que hace la IA — pero en lugar de tu hermano, es un programa de computadora, y en lugar de mil fotos, son un millón.”

Eso es una descripción precisa de aprendizaje supervisado con clasificación binaria. Y es completamente comprensible para un niño de tercer año de primaria en adelante.

Habla sobre bioingeniería como carrera en México

La bioingeniería médica — el campo que diseña los sistemas de IA para diagnóstico médico — es uno de los de mayor crecimiento en México. La UNAM, el Tec de Monterrey y el IPN tienen programas de ingeniería biomédica con demanda creciente. Las carreras en este campo conectan directamente con el sistema de salud mexicano, que tiene necesidades enormes y recursos limitados — exactamente el contexto donde la tecnología puede tener el mayor impacto.

La pandemia mostró algo importante: México tiene capacidad para desarrollar tecnología médica propia. El IMSS y la UNAM colaboraron en proyectos de análisis de imágenes de COVID-19. El CINVESTAV tiene investigación activa en señales biológicas y diagnóstico computacional. Estas no son solo noticias — son lugares donde un niño que hoy tiene 12 años y está interesado en ciencias podría estar trabajando dentro de diez años.

Si a tu hijo le interesa la intersección entre tecnología y ayudar a personas, la bioingeniería médica con componentes de IA es uno de los campos más significativos que puede explorar. Y el camino hacia esa carrera puede empezar con los mismos principios que están en los kits de electrónica y programación que se pueden explorar desde casa.

La mentalidad de ingeniería que se necesita para diseñar sistemas de diagnóstico seguros — probar sistemáticamente, documentar los fallos, entender que un error puede tener consecuencias reales — es la misma que desarrollan los niños cuando aprenden a construir y a aprender del fracaso en proyectos de ingeniería.

Qué observar en los próximos 3 meses

Inmediatamente: La próxima vez que tu hijo tenga un estudio de imagen (o cualquier miembro de la familia), pregunta al médico o a la clínica si usan sistemas de IA en el análisis. No es una pregunta inusual — es parte de ser un paciente informado en 2026.

Mes 1-2: Si tienes hijos de 12+ años interesados en ciencias, busca el proyecto “Teachable Machine” de Google y prueben juntos a entrenar un modelo que distinga entre dos imágenes que ellos elijan. No tiene que ser médico — puede ser fotos de gatos vs. perros, o manzanas vs. naranjas. El proceso de entrenamiento es el mismo que usan los sistemas de diagnóstico médico, simplificado. La experiencia de ver cómo un modelo “aprende” cambia completamente la comprensión de lo que hace la IA médica.

Mes 2-3: Para niños de 13-15 años con curiosidad más profunda, el sitio web del MIT OpenCourseWare tiene materiales de su curso de bioingeniería en inglés con visualizaciones accesibles. En español, la UNAM tiene recursos de divulgación científica en línea sobre bioinformática e inteligencia artificial médica a través de su canal de YouTube y su plataforma de cursos abiertos.

Puntos clave

• La FDA ha aprobado más de 800 dispositivos médicos con IA; muchos se usan en hospitales mexicanos privados, y algunos llegan al IMSS e ISSSTE
• La IA en imagenología médica funciona como clasificador estadístico entrenado con millones de imágenes etiquetadas por médicos — no como un médico que “piensa”
• Los sistemas de IA médica tienen sesgos documentados: pueden tener peor desempeño en poblaciones o equipos diferentes a los de sus datos de entrenamiento
• La COFEPRIS está desarrollando su marco regulatorio para IA médica — actualmente hay un vacío regulatorio específico en México
• Los papás tienen derechos sobre los datos de salud de sus hijos bajo la LFPDPPP; el INAI tiene recursos para ejercerlos
• La pandemia de COVID-19 aceleró la adopción de IA en hospitales mexicanos en varios años
• La bioingeniería médica con IA es uno de los campos de mayor crecimiento en México, con programas en UNAM, IPN y Tec de Monterrey

Preguntas Frecuentes

¿La IA puede equivocarse en un diagnóstico médico?

Sí, absolutamente. Los sistemas de IA en medicina tienen tasas de error documentadas, y esas tasas varían según la condición que detectan, la calidad del equipo de imagen, y si la población del paciente es similar a la de los datos de entrenamiento. Por eso, en todos los hospitales que usan IA responsablemente, un médico radiólogo humano es siempre el responsable final del diagnóstico. La IA es una segunda opinión computacional, no un oráculo.

¿Cómo sé si el hospital de mis hijos usa IA en los estudios?

La forma más directa es preguntar. También puedes revisar el sitio web del hospital — muchos hospitales privados de referencia en México ya mencionan sus tecnologías de diagnóstico. Hospitales como Médica Sur, Hospital ABC y algunos centros del IMSS han anunciado públicamente sus proyectos de IA en imagenología.

¿Mis datos médicos pueden usarse para entrenar modelos de IA?

Potencialmente sí, pero solo si diste consentimiento informado. Los datos médicos son datos sensibles bajo la LFPDPPP y requieren consentimiento explícito para usos secundarios como el entrenamiento de IA. En la práctica, muchos hospitales incluyen estas autorizaciones en los formularios de ingreso. Lee lo que firmas y pregunta si tienes dudas. Puedes contactar al INAI si crees que tus datos fueron usados sin consentimiento.

¿Qué tan rápido está avanzando esta tecnología en México?

Rápidamente, pero de manera desigual. Los hospitales privados de primer nivel en Ciudad de México, Guadalajara y Monterrey tienen implementaciones avanzadas. El sistema público (IMSS, ISSSTE, SSA) está en fases más tempranas, con proyectos piloto en unidades específicas. La brecha entre el sector público y privado en adopción de IA médica es real y es una de las áreas donde la política pública mexicana tiene más trabajo por hacer.

¿Qué estudia un ingeniero que diseña estos sistemas médicos de IA?

En México, los caminos más comunes son ingeniería biomédica (UNAM, IPN, Tec de Monterrey, Universidad Iberoamericana), ingeniería en computación con especialidad en aprendizaje automático, o ingeniería electrónica con enfoque en procesamiento de señales. Las maestrías en bioinformática e inteligencia artificial aplicada a salud están creciendo en oferta en las universidades más grandes del país.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

Fuentes

1. FDA – U.S. Food and Drug Administration. (2024). Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices
2. McKinney, S. M., Sieniek, M., Godbole, V., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94. https://doi.org/10.1038/s41586-019-1799-6
3. Zech, J. R., Badgeley, M. A., Liu, M., et al. (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLOS Medicine, 15(11), e1002686. https://doi.org/10.1371/journal.pmed.1002686
4. IMSS – Instituto Mexicano del Seguro Social. (2023). Programa de Transformación Digital del IMSS: Avances en Imagenología. Gobierno de México. https://www.gob.mx/imss
5. INAI – Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales. (2024). Derechos ARCO y Datos Personales Sensibles. https://home.inai.org.mx
6. Rajpurkar, P., Irvin, J., Ball, R. L., et al. (2018). Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLOS Medicine, 15(11), e1002686. https://doi.org/10.1371/journal.pmed.1002686
7. COFEPRIS. (2024). Dispositivos médicos: marco regulatorio. Gobierno de México. https://www.gob.mx/cofepris