Introducción
La inteligencia artificial generativa (IAg) está revolucionando industrias, pero su impacto en las normas de igualdad y equidad en salud aún es un enigma. Según el artículo de John Danaher (2024), la IAg podría reconfigurar la distribución de habilidades cognitivas y, con ello, alterar las oportunidades de acceso a recursos críticos. ¿Cómo afectará esto a un sistema sanitario ya tensionado por inequidades? Esta reseña explora los riesgos y promesas de la IAg para la equidad en salud, basándose en evidencia emergente y proyecciones éticas.
La IAg y su «Sesgo Inverso de Habilidades»
Estudios recientes destacan un fenómeno clave: la IAg beneficia más a personas con menor habilidad cognitiva o experiencia, nivelando su productividad frente a profesionales expertos. Por ejemplo:
- Asistentes de diagnóstico: Sistemas como ChatGPT podrían ayudar a médicos generales en regiones remotas a acceder a protocolos actualizados, reduciendo brechas de conocimiento.
- Automatización de tareas rutinarias: La IAg podría liberar tiempo de enfermeros y técnicos para enfocarse en cuidados personalizados, mejorando la eficiencia en entornos con escasez de personal.
Sin embargo, este «sesgo inverso» no es universal. En tareas complejas (p. ej., cirugías guiadas por IA o investigación clínica), la brecha podría ampliarse si solo instituciones privilegiadas acceden a tecnologías avanzadas.
Escenarios Futuros: ¿Hacia Dónde Va la Equidad en Salud?
El artículo propone cuatro hipótesis sobre el impacto moral de la IAg, adaptables al ámbito sanitario:
- Acceso como derecho básico: Si la IAg se democratiza, podría surgir un derecho a la asistencia médica basada en IA, similar al acceso a internet. Países con sistemas públicos robustos podrían integrarla para optimizar triajes o diagnósticos tempranos.
- Elite tecnológica: Si solo hospitales privados o países ricos adoptan IAg de vanguardia, se profundizarían las desigualdades. Ejemplo: algoritmos predictivos para cáncer disponibles en Europa, pero no en África Subsahariana.
- Redefinición de prioridades: Si la IAg desplaza trabajos sanitarios, la equidad podría dejar de medirse por acceso a empleo y enfocarse en resultados de salud (ej.: años de vida ajustados por calidad).
- Despriorización de la igualdad: Si la IAg genera eficiencias a costa de privacidad o autonomía, valores como la justicia distributiva podrían subordinarse a la innovación.
Retos Éticos en Salud
- Sesgos algorítmicos: Modelos entrenados con datos de poblaciones mayoritarias podrían fallar en grupos minoritarios, perpetuando inequidades.
- Dependencia tecnológica: Médicos jóvenes podrían confiar ciegamente en la IAg, erosionando habilidades críticas.
- Transparencia: ¿Quién es responsable si un diagnóstico generado por IA es erróneo? La opacidad de los algoritmos complica la rendición de cuentas.
Conclusión: Un Llamado a la Acción Proactiva
La IAg no es neutral: su impacto en la equidad sanitaria dependerá de cómo se diseñe, regule e implemente. Los profesionales de la salud deben:
- Abogar por regulaciones que aseguren acceso equitativo y auditorías de sesgos.
- Participar en el entrenamiento de algoritmos con datos diversos y representativos.
- Mantener un escepticismo informado, usando la IAg como herramienta complementaria, no sustitutiva.
Como señala Danaher, el futuro de la igualdad no está escrito. En salud, la elección es clara: aprovechar la IAg para cerrar brechas o permitir que las amplíe.
Referencia:
Danaher, J. (2024). Generative AI and the future of equality norms. Cognition, 251, 105906. https://doi.org/10.1016/j.cognition.2024.105906
