{"id":19482,"date":"2026-09-21T05:22:21","date_gmt":"2026-09-21T08:22:21","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1789978940663\/"},"modified":"2026-09-21T05:22:27","modified_gmt":"2026-09-21T08:22:27","slug":"gestion-ia-radiologia-hospital","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/gestion-ia-radiologia-hospital\/","title":{"rendered":"La IA en radiolog\u00eda exige gesti\u00f3n antes de firmar"},"content":{"rendered":"

La pregunta que la mayor\u00eda de los hospitales hace antes de comprar inteligencia artificial para radiolog\u00eda es \u00ab\u00bfqu\u00e9 algoritmo?\u00bb. Seg\u00fan el radi\u00f3logo Anand Singh<\/strong>, en entrevista con Radiology Business<\/em>, esa es la pregunta equivocada, o al menos la tercera de la fila. Antes vienen dos: qu\u00e9 problema queremos resolver y c\u00f3mo vamos a medir \u00e9xito y valor una vez que el sistema est\u00e9 en producci\u00f3n. Singh defiende que las instituciones adopten el concepto de \u00abclinical AI stewardship\u00bb<\/strong> \u2014una curadur\u00eda cl\u00ednica permanente\u2014 y traten la IA como un ciclo de vida continuo<\/em>, no como una compra con fecha de cierre.<\/p>\n

\"Radi\u00f3logo
El algoritmo entra en producci\u00f3n el d\u00eda de la instalaci\u00f3n. El trabajo de gesti\u00f3n empieza al d\u00eda siguiente y no termina.<\/figcaption><\/figure>\n

Medir el tiempo de informe no es medir valor<\/h2>\n

El tiempo de entrega y la productividad son las m\u00e9tricas de todo business case, y Singh reconoce que importan. El problema es que responden solo a una porci\u00f3n de la pregunta. Su lista de lo que deber\u00eda entrar en la cuenta: capacidad<\/strong> instalada, acceso<\/strong> del paciente al examen, seguridad<\/strong>, consistencia<\/strong> entre lectores y los efectos aguas abajo en costo, ingresos y desenlace cl\u00ednico.<\/p>\n

La distinci\u00f3n es pr\u00e1ctica. Un algoritmo de triaje que recorta 15 minutos en un estudio que ya se informaba en dos horas no cambi\u00f3 nada para el paciente. El mismo algoritmo aplicado a una cola de ictus, donde los minutos deciden la elegibilidad para tromb\u00f3lisis, lo cambia todo. Mismo producto, misma ganancia t\u00e9cnica, valores cl\u00ednicos incomparables. Definir d\u00f3nde importa la ganancia es una decisi\u00f3n de gesti\u00f3n, no del proveedor.<\/p>\n

Plataforma o colecci\u00f3n de aplicaciones<\/h2>\n

El segundo punto estrat\u00e9gico es c\u00f3mo convivir\u00e1n m\u00faltiples aplicaciones. Singh sostiene que un enfoque basado en plataforma<\/strong> reduce la fricci\u00f3n de interoperabilidad y simplifica el monitoreo y la gobernanza, mientras que la proliferaci\u00f3n de herramientas independientes genera una deuda de gesti\u00f3n que crece sin que nadie lo note.<\/p>\n

La aritm\u00e9tica es inc\u00f3moda. Un sistema de salud con decenas de aplicaciones de IA debe monitorear cada una, entender los modos de fallo de cada una y sostener flujos de trabajo separados para cada una. Multipl\u00edquelo por revalidaci\u00f3n en cada cambio de versi\u00f3n, por contrato, por punto de integraci\u00f3n con PACS y RIS. Una arquitectura com\u00fan \u2014detecci\u00f3n, informe, calidad y seguridad bajo el mismo techo\u2014 no elimina el trabajo, pero lo vuelve finito.<\/p>\n

La integraci\u00f3n es la otra cara de la misma moneda: la IA que exige un login adicional, una alerta paralela o un paso extra en el flujo sencillamente no se usa. El radi\u00f3logo bajo presi\u00f3n de volumen esquiva cualquier cosa que cueste segundos por estudio. No es tecnofobia; es aritm\u00e9tica de guardia. Las herramientas que nacen dentro de la estaci\u00f3n de informe parten con ventaja estructural sobre las que abren una ventana nueva.<\/p>\n

Drift: cuando un algoritmo autorizado deja de funcionar sin avisar<\/h2>\n

Aqu\u00ed est\u00e1 el argumento t\u00e9cnico m\u00e1s importante de la entrevista y el menos discutido en la sala de compras. Singh observa que los cambios en protocolos de imagen o en par\u00e1metros de adquisici\u00f3n pueden afectar el desempe\u00f1o de un algoritmo. Conviene abrir el concepto.<\/p>\n

Un modelo aprende la distribuci\u00f3n de los datos con los que fue entrenado. Cuando esa distribuci\u00f3n se mueve, el desempe\u00f1o cae: es lo que la literatura llama dataset shift<\/em>. La variante m\u00e1s com\u00fan en radiolog\u00eda es el covariate shift<\/strong>: cambio de esc\u00e1ner, otro kernel de reconstrucci\u00f3n, adopci\u00f3n de reconstrucci\u00f3n iterativa o basada en deep learning, ajuste de dosis, cambio de fase de contraste, actualizaci\u00f3n de firmware. Nada de eso cambia el diagn\u00f3stico; todo eso cambia los p\u00edxeles. Existe adem\u00e1s el concept drift<\/em>, cuando se altera la propia relaci\u00f3n entre imagen y desenlace: nueva poblaci\u00f3n atendida, nuevo criterio diagn\u00f3stico.<\/p>\n

El rasgo peligroso es el silencio. El modelo no emite error, no se cae, no avisa. Sigue devolviendo probabilidades con la misma cara de confianza y simplemente acierta menos. Sin medici\u00f3n continua, la ca\u00edda aparece solo como un evento adverso aislado que nadie conecta con el algoritmo. Una se\u00f1al de alerta barata y poco usada: seguir la tasa de positivos<\/strong> del algoritmo a lo largo del tiempo. Si el porcentaje de estudios marcados cambia sin que haya cambiado el perfil de pacientes, algo se movi\u00f3, y conviene investigarlo antes de descubrirlo por la v\u00eda cl\u00ednica.<\/p>\n

La unidad de an\u00e1lisis es el par humano + IA<\/h2>\n

El monitoreo tradicional pregunta si el modelo sigue entregando la exactitud prometida. Singh sostiene que la pregunta debe ser m\u00e1s amplia: c\u00f3mo va el desempe\u00f1o del conjunto humano y m\u00e1quina<\/strong>. No basta saber si el modelo acierta; hay que saber c\u00f3mo interact\u00faa el m\u00e9dico con su salida y si la tecnolog\u00eda alter\u00f3 la decisi\u00f3n cl\u00ednica de forma imprevista.<\/p>\n

Dos efectos conocidos justifican la preocupaci\u00f3n. El sesgo de automatizaci\u00f3n<\/strong> es la tendencia a aceptar la sugerencia de la m\u00e1quina sin el escrutinio que se aplicar\u00eda a un colega, y crece cuanto mejor es el algoritmo, porque la confianza se calibra con la experiencia acumulada. Su espejo es la desensibilizaci\u00f3n<\/strong>: el exceso de falsos positivos entrena al lector para ignorar la alerta, incluso cuando acierta. En ambos casos la m\u00e9trica aislada del modelo permanece intacta mientras el sistema sociot\u00e9cnico se degrada. Ese desacople es el que apareci\u00f3 cuando la IA en mamograf\u00eda rindi\u00f3 menos de lo prometido<\/a> en el mundo real.<\/p>\n

Infraestructura cl\u00ednica, no solo infraestructura de TI<\/h2>\n

Singh insiste en que la IA no puede tratarse como un asunto exclusivo de TI: capacidad de c\u00f3mputo, almacenamiento, nube y ciberseguridad. Lo que falta es infraestructura cl\u00ednica<\/strong>: personas designadas para dar retroalimentaci\u00f3n, revisar salidas, monitorear se\u00f1ales de seguridad y administrar la interacci\u00f3n entre humano y algoritmo. En la pr\u00e1ctica eso significa validaci\u00f3n local antes del go-live, monitoreo despu\u00e9s, supervisi\u00f3n cl\u00ednica con nombre y apellido, formaci\u00f3n del equipo y un canal formal para reportar sospecha de fallo.<\/p>\n

El marco externo va en la misma direcci\u00f3n. La FDA ya acepta planes predeterminados de control de cambios<\/strong>, que permiten al fabricante actualizar el modelo dentro de l\u00edmites preaprobados, lo que traslada al servicio la carga de notar que la versi\u00f3n cambi\u00f3. El ACR mantiene programas de registro y monitoreo posimplantaci\u00f3n justamente para eso. Y el reglamento europeo de IA clasifica como de alto riesgo los sistemas embarcados en dispositivos m\u00e9dicos, con obligaciones de vigilancia posmercado escalonadas hasta 2027. El mensaje converge: autorizar pas\u00f3 a ser el inicio del proceso, no el final, punto que la propia industria llev\u00f3 al regulador cuando Radiology Partners pidi\u00f3 a la FDA reglas m\u00e1s claras de IA<\/a>.<\/p>\n

Las tres preguntas antes de firmar<\/h2>\n

Singh resume la decisi\u00f3n en tres preguntas que caben en una p\u00e1gina: qu\u00e9 problema queremos resolver; c\u00f3mo mediremos \u00e9xito y valor; y c\u00f3mo escalaremos de forma responsable, administrando a la vez la tecnolog\u00eda y la interacci\u00f3n humano-IA. El hospital que no responde las tres antes de firmar las responder\u00e1 despu\u00e9s, en peores condiciones.<\/p>\n

En Am\u00e9rica Latina el escenario suma una capa. En Brasil el software como dispositivo m\u00e9dico lo regula Anvisa y la legislaci\u00f3n general de IA sigue en tr\u00e1mite en el Congreso, lo que deja al comprador sin una vara nacional consolidada de posmercado. Mientras tanto, la oferta crece r\u00e1pido: la radiolog\u00eda ya concentra el 76% de todas las autorizaciones de dispositivos con IA de la FDA<\/a>, y buena parte de ese cat\u00e1logo llega por medio de representantes locales. Sin validaci\u00f3n con datos locales \u2014poblaci\u00f3n, parque de equipos y protocolos distintos de los del entrenamiento\u2014, la m\u00e9trica del fabricante es una promesa, no una medida.<\/p>\n

El camino de menor arrepentimiento es empezar peque\u00f1o y medible: un problema cl\u00ednico definido, una l\u00ednea de base registrada antes del go-live, un responsable cl\u00ednico designado y una fecha fijada para reevaluar. Si el valor no aparece en el tablero, apagarlo es una decisi\u00f3n leg\u00edtima, y barata, si el contrato lo previ\u00f3.<\/p>\n

Fuente:<\/strong> Radiology Business<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Antes de elegir algoritmo, defina el problema y c\u00f3mo medir valor. Drift, sesgo de automatizaci\u00f3n y gobernanza deciden el retorno de la IA.<\/p>\n","protected":false},"author":1,"featured_media":19453,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"_rt_cluster":"","fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[229,231],"tags":[],"class_list":["post-19482","post","type-post","status-publish","format-standard","has-post-thumbnail","category-inteligencia-artificial-es","category-software-es"],"aioseo_notices":[],"rt_seo":{"title":"","description":"Antes de elegir algoritmo, defina el problema y c\u00f3mo medir valor. Drift, sesgo de automatizaci\u00f3n y gobernanza deciden el retorno de la IA.","canonical":"","og_image":"","robots":"index,follow","schema_type":"Article","include_in_llms":true,"llms_label":"Estrategia de gesti\u00f3n de IA en radiolog\u00eda","llms_summary":"Entrevista del radi\u00f3logo Anand Singh con Radiology Business en la que defiende que los hospitales definan una estrategia de gesti\u00f3n y 'clinical AI stewardship' antes de invertir en IA de imagen. El texto detalla m\u00e9tricas de valor m\u00e1s all\u00e1 del tiempo de informe, la elecci\u00f3n entre plataforma y aplicaciones aisladas, los tipos de dataset shift que degradan modelos en silencio, el sesgo de automatizaci\u00f3n y el marco regulatorio (planes de control de cambios de la FDA, registros del ACR, reglamento europeo de IA, Anvisa).","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19482\/"}],"collection":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/"}],"about":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/types\/post\/"}],"author":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/users\/1\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=19482"}],"version-history":[{"count":1,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19482\/revisions\/"}],"predecessor-version":[{"id":19484,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19482\/revisions\/19484\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/19453\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=19482"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=19482"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=19482"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}