Casos reales de IA en el sector salud latinoamericano: diagnóstico asistido, gestión de citas y análisis de imágenes
Desde un hospital en Colombia que redujo tiempos de diagnóstico con IA hasta una red de clínicas mexicanas que automatizó la gestión de más de cien mil citas mensuales. Casos que ya están ocurriendo.
La conversación sobre inteligencia artificial en salud suele estar dominada por ejemplos de Estados Unidos, Europa o China. Sin embargo, en América Latina están ocurriendo implementaciones notables que merecen atención, no solo por su impacto clínico sino porque resuelven problemas específicos de sistemas de salud con recursos limitados, infraestructura desigual y poblaciones dispersas.
En Colombia, el Hospital Universitario San Vicente Fundación de Medellín implementó en 2025 un sistema de diagnóstico asistido por IA para la detección temprana de retinopatía diabética, una de las principales causas de ceguera prevenible. El algoritmo, entrenado con más de cien mil imágenes de fondo de ojo, se desplegó en unidades móviles que visitan zonas rurales donde no hay oftalmólogos. Los resultados preliminares muestran una precisión diagnóstica del noventa y tres por ciento y, lo más relevante, una reducción del sesenta por ciento en el tiempo entre la captura de la imagen y la derivación a tratamiento.
En México, la red de clínicas de especialidades MediAccess implementó un sistema de gestión inteligente de citas que combina IA conversacional con optimización de agendas. El sistema procesa más de cien mil citas mensuales y utiliza modelos predictivos para anticipar cancelaciones y sobreasignar cupos con una precisión que redujo el tiempo de espera promedio en un treinta y cinco por ciento en el primer año. El chatbot, accesible por WhatsApp, permite a los pacientes agendar, reagendar y cancelar citas sin intervención humana, además de enviar recordatorios personalizados y recolectar información preconsulta que los médicos reciben antes de cada visita.
En Brasil, el Hospital Israelita Albert Einstein de São Paulo desarrolló un modelo de IA para el análisis de radiografías de tórax que fue posteriormente liberado como recurso de código abierto y adaptado por hospitales públicos de Bolivia y Paraguay. El modelo identifica patrones compatibles con tuberculosis, neumonía y otras patologías pulmonares, y se ejecuta en hardware de bajo costo. En zonas donde un radiólogo puede tardar semanas en revisar una placa, el sistema entrega una preselección en menos de un minuto.
En Argentina, la startup Entelai desarrolló algoritmos de análisis de imágenes de resonancia magnética cerebral que asisten a neurólogos en la detección de esclerosis múltiple y otras enfermedades desmielinizantes. La herramienta ya se utiliza en más de veinte hospitales del país y en 2025 inició un piloto en Uruguay y Chile.
Estos casos comparten patrones que explican su éxito. Todos comenzaron con problemas concretos y acotados, no con la ambición de transformar todo el sistema de salud. Todos combinaron equipos clínicos con tecnólogos, evitando el error frecuente de desarrollar soluciones sin médicos en la mesa de diseño. Todos midieron resultados con indicadores clínicos, no solo operativos. Y, quizá lo más importante para la realidad latinoamericana, todos consideraron desde el inicio la restricción de infraestructura tecnológica y la necesidad de funcionar con conectividad intermitente.
La barrera principal para escalar estas soluciones no es la tecnología, que ya está disponible y es cada vez más accesible. Es la combinación de regulación, financiamiento y, sobre todo, la resistencia cultural en un gremio que, con razón, exige evidencia contundente antes de incorporar una herramienta nueva a la toma de decisiones clínicas. Los casos aquí documentados están empezando a construir precisamente esa evidencia.
