{"id":35445,"date":"2026-04-17T11:01:43","date_gmt":"2026-04-17T11:01:43","guid":{"rendered":"https:\/\/aisuperior.com\/?p=35445"},"modified":"2026-04-17T11:01:43","modified_gmt":"2026-04-17T11:01:43","slug":"artificial-intelligence-healthcare-cost","status":"publish","type":"post","link":"https:\/\/aisuperior.com\/es\/artificial-intelligence-healthcare-cost\/","title":{"rendered":"Costes de la IA en la atenci\u00f3n m\u00e9dica: An\u00e1lisis de la realidad de 2026 sobre ahorros frente a gastos"},"content":{"rendered":"

Resumen r\u00e1pido:<\/b> La inteligencia artificial est\u00e1 transformando las estructuras de costos de la atenci\u00f3n m\u00e9dica de maneras complejas. Si bien la IA se muestra prometedora para reducir el despilfarro administrativo (estimado en 14.950 mil millones anuales en 2019), mejorar la precisi\u00f3n diagn\u00f3stica y optimizar la asignaci\u00f3n de recursos, la evidencia de las revisiones sistem\u00e1ticas revela un panorama fragmentado. Algunas intervenciones de IA logran \u00edndices de costo-efectividad por debajo de los umbrales aceptados, pero muchas evaluaciones econ\u00f3micas subestiman las inversiones en infraestructura, los costos indirectos y las consideraciones de equidad, lo que podr\u00eda sobreestimar los beneficios.<\/span><\/p>\n

 <\/p>\n

Los costes sanitarios en Estados Unidos siguen aumentando sin cesar. Y todo el mundo busca una soluci\u00f3n.<\/span><\/p>\n

La inteligencia artificial se ha presentado tanto como una posible salvadora como otra tecnolog\u00eda costosa que exige inversi\u00f3n. El discurso es muy contradictorio: se dice que la IA reducir\u00e1 dr\u00e1sticamente el gasto superfluo, o que aumentar\u00e1 a\u00fan m\u00e1s los costos debido a la demanda inducida y los requisitos de infraestructura.<\/span><\/p>\n

\u00bfQu\u00e9 est\u00e1 sucediendo realmente? La respuesta no es sencilla, pero es fundamental tanto para los sistemas de salud como para los responsables pol\u00edticos y los pacientes.<\/span><\/p>\n

Situaci\u00f3n actual del gasto sanitario y la adopci\u00f3n de la IA<\/span><\/h2>\n

El sector sanitario marca ahora la pauta en la adopci\u00f3n de la IA empresarial. Se trata de un cambio notable para un sector que durante mucho tiempo se consider\u00f3 rezagado en materia digital. Menos del 10% de las empresas en la econom\u00eda en general han implementado soluciones de IA, y la mayor\u00eda recurre a herramientas gen\u00e9ricas como ChatGPT empresarial en lugar de sistemas dise\u00f1ados espec\u00edficamente para este fin.<\/span><\/p>\n

El sector sanitario es diferente. Los principales sistemas de salud est\u00e1n implementando docenas de aplicaciones de IA simult\u00e1neamente. Advocate Health, por ejemplo, evalu\u00f3 m\u00e1s de 225 soluciones de IA para seleccionar 40 casos de uso para su implementaci\u00f3n, incluyendo la mayor implementaci\u00f3n de Microsoft Dragon Copilot, junto con herramientas de imagen como Aidoc y Rad AI.<\/span><\/p>\n

Pero aqu\u00ed est\u00e1 la cuesti\u00f3n: la adopci\u00f3n no equivale a una reducci\u00f3n de costos. No autom\u00e1ticamente.<\/span><\/p>\n

Las actividades administrativas y operativas, como la dotaci\u00f3n de personal, la coordinaci\u00f3n de la atenci\u00f3n, la facturaci\u00f3n y el procesamiento de reclamaciones, y el servicio al cliente, contribuyen enormemente a los costos de la atenci\u00f3n m\u00e9dica en Estados Unidos. Una estimaci\u00f3n los calcul\u00f3 en 14.950 mil millones de d\u00f3lares en 2019. Esto no incluye la atenci\u00f3n cl\u00ednica, sino la infraestructura que la sustenta.<\/span><\/p>\n

La IA ataca agresivamente esta ineficiencia operativa. Sin embargo, el aspecto cl\u00ednico presenta un panorama m\u00e1s complejo.<\/span><\/p>\n

C\u00f3mo la IA impacta realmente en los costos de la atenci\u00f3n m\u00e9dica: la evidencia<\/span><\/h2>\n

Una revisi\u00f3n sistem\u00e1tica publicada en 2025 examin\u00f3 la rentabilidad, la utilidad y el impacto presupuestario de las intervenciones cl\u00ednicas con IA en diversos entornos sanitarios. Diecinueve estudios que abarcan oncolog\u00eda, cardiolog\u00eda, oftalmolog\u00eda y enfermedades infecciosas sirvieron de base para este an\u00e1lisis.<\/span><\/p>\n

\u00bfLos resultados? La IA mejora la precisi\u00f3n diagn\u00f3stica, aumenta los a\u00f1os de vida ajustados por calidad y reduce los costos, principalmente al minimizar los procedimientos innecesarios y optimizar el uso de los recursos. Varias intervenciones lograron \u00edndices de costo-efectividad incrementales muy por debajo de los umbrales aceptados.<\/span><\/p>\n

Eso suena prometedor. Pero espera.<\/span><\/p>\n

Muchas evaluaciones se basaron en modelos est\u00e1ticos que pueden sobreestimar los beneficios al no capturar el aprendizaje adaptativo de los sistemas de IA a lo largo del tiempo. Adem\u00e1s, los costos indirectos, las inversiones en infraestructura y las consideraciones de equidad a menudo se subestimaron. \u00bfLa conclusi\u00f3n? Los beneficios econ\u00f3micos reportados podr\u00edan estar sobreestimados.<\/span><\/p>\n

Otra revisi\u00f3n sistem\u00e1tica de estudios de evaluaci\u00f3n econ\u00f3mica reforz\u00f3 esta complejidad. La integraci\u00f3n de la IA en los sistemas de salud ha surgido como un enfoque transformador para abordar el aumento de los costos y las ineficiencias, pero la evidencia sigue fragmentada debido a la heterogeneidad metodol\u00f3gica.<\/span><\/p>\n

Donde la IA muestra un verdadero potencial de reducci\u00f3n de costes<\/span><\/h3>\n

En serio: algunas aplicaciones demuestran claras ventajas financieras.<\/span><\/p>\n

Las im\u00e1genes diagn\u00f3sticas representan uno de los casos de uso m\u00e1s s\u00f3lidos. Los algoritmos de IA reducen los falsos positivos, evitan biopsias y procedimientos innecesarios y agilizan el flujo de trabajo en los departamentos de radiolog\u00eda. El ahorro de costes se multiplica: menos seguimientos innecesarios, menor ansiedad del paciente y tiempo optimizado del radi\u00f3logo.<\/span><\/p>\n

La gesti\u00f3n del ciclo de ingresos muestra resultados igualmente s\u00f3lidos. Los modelos de IA generativa entrenados en tareas espec\u00edficas, como la codificaci\u00f3n m\u00e9dica, demuestran una precisi\u00f3n superior en comparaci\u00f3n con los modelos base de prop\u00f3sito general, consumiendo muchos menos recursos computacionales. Un estudio de la Universidad de Michigan examin\u00f3 los modelos Clinical-BigBird para la predicci\u00f3n de insuficiencia card\u00edaca y enfermedad renal cr\u00f3nica, junto con las indicaciones de GPT-4 para la precisi\u00f3n del etiquetado de la CIE. Los modelos dise\u00f1ados espec\u00edficamente para este fin ofrecieron un mejor rendimiento con costos operativos considerablemente menores.<\/span><\/p>\n

La detecci\u00f3n de fraude, despilfarro y abuso representa otro objetivo de gran importancia. Los Centros de Servicios de Medicare y Medicaid (CMS) lanzaron el Modelo de Reducci\u00f3n de Servicios Despilfarradores e Inapropiados (WISeR) en 2025, espec\u00edficamente para aprovechar la IA y el aprendizaje autom\u00e1tico junto con la revisi\u00f3n cl\u00ednica humana. \u00bfEl objetivo? Garantizar el pago oportuno y adecuado de Medicare para determinados art\u00edculos y servicios, protegiendo a los contribuyentes de procedimientos innecesarios.<\/span><\/p>\n

Seg\u00fan CMS, combinar la velocidad de la tecnolog\u00eda con la experiencia de los profesionales cl\u00ednicos ayuda a modernizar Medicare y adaptarlo al siglo XXI mediante la puesta a prueba de un proceso de autorizaci\u00f3n previa simplificado.<\/span><\/p>\n

D\u00f3nde la IA podr\u00eda aumentar realmente los costes<\/span><\/h3>\n

Ahora es donde se pone interesante.<\/span><\/p>\n

Un economista de la salud entrevistado en marzo de 2026 plante\u00f3 una preocupaci\u00f3n fundamental: la IA podr\u00eda aumentar los costos sanitarios, en lugar de disminuirlos. \u00bfEl mecanismo? La demanda inducida.<\/span><\/p>\n

Cuando las herramientas de diagn\u00f3stico son m\u00e1s precisas y accesibles, se utilizan con mayor frecuencia. Un mayor n\u00famero de diagn\u00f3sticos conlleva un mayor n\u00famero de tratamientos. Algunos de estos tratamientos ofrecen un valor real. Otros representan intervenciones marginales con una relaci\u00f3n coste-eficacia cuestionable.<\/span><\/p>\n

Existen precedentes hist\u00f3ricos. Las iniciativas de reforma de la prestaci\u00f3n de servicios sanitarios, como las organizaciones de atenci\u00f3n responsable y los centros de atenci\u00f3n primaria, generaron un optimismo considerable. Lamentablemente, en muchos casos, el ahorro derivado de estos programas fue m\u00ednimo o incluso nulo; en los casos m\u00e1s exitosos, el ahorro fue de apenas 11 TP3T o 21 TP3T.<\/span><\/p>\n

La IA se enfrenta a din\u00e1micas similares. Una mejor capacidad de diagn\u00f3stico no se traduce autom\u00e1ticamente en una reducci\u00f3n de costes a nivel de sistema si, en lugar de sustituir procesos ineficientes por otros m\u00e1s rentables, aumenta principalmente el volumen de servicios prestados.<\/span><\/p>\n

Los costos de infraestructura representan otro factor importante. La implementaci\u00f3n de la IA requiere la integraci\u00f3n de sistemas de datos, el entrenamiento y la validaci\u00f3n de modelos, el monitoreo y las actualizaciones constantes, la capacitaci\u00f3n del personal y mejoras en la ciberseguridad. Muchas evaluaciones econ\u00f3micas subestiman o omiten por completo estos componentes.<\/span><\/p>\n

\"La<\/p>\n

Iniciativas gubernamentales dirigidas al control de costos impulsado por la IA<\/span><\/h2>\n

El gobierno federal no se queda de brazos cruzados. CMS ha puesto en marcha m\u00faltiples iniciativas para aprovechar la IA con el fin de contener los costos, manteniendo o mejorando al mismo tiempo la calidad de la atenci\u00f3n m\u00e9dica.<\/span><\/p>\n

El modelo WISeR: La IA se une a la autorizaci\u00f3n previa.<\/span><\/h3>\n

El modelo WISeR (Reducci\u00f3n de Servicios Ineficientes e Inapropiados) representa la iniciativa de control de costos m\u00e1s ambiciosa de CMS centrada en la IA hasta la fecha. Anunciado en junio de 2025, este modelo voluntario fomenta la orientaci\u00f3n de la atenci\u00f3n hacia pr\u00e1cticas seguras y basadas en la evidencia.<\/span><\/p>\n

Este enfoque combina tecnolog\u00edas avanzadas \u2014en concreto, inteligencia artificial y aprendizaje autom\u00e1tico\u2014 con la revisi\u00f3n cl\u00ednica humana. El objetivo no es sustituir el juicio cl\u00ednico, sino detectar servicios potencialmente innecesarios o inapropiados antes de que Medicare los financie.<\/span><\/p>\n

\u00bfTe suena familiar? Es, b\u00e1sicamente, una autorizaci\u00f3n previa mejorada con inteligencia artificial.<\/span><\/p>\n

Los cr\u00edticos temen que esto pueda generar nuevas cargas administrativas y retrasos en la atenci\u00f3n m\u00e9dica. Quienes lo defienden argumentan que proteger a los beneficiarios de procedimientos innecesarios y, al mismo tiempo, salvaguardar el dinero de los contribuyentes justifica el mayor escrutinio.<\/span><\/p>\n

La eficacia del modelo depender\u00e1 en gran medida de detalles de implementaci\u00f3n que a\u00fan no se han especificado por completo.<\/span><\/p>\n

Modernizaci\u00f3n m\u00e1s amplia de la tecnolog\u00eda sanitaria<\/span><\/h3>\n

La iniciativa Ecosistema de Tecnolog\u00eda Sanitaria de CMS adopta una perspectiva m\u00e1s amplia. La agencia describe el sistema de salud estadounidense como plagado de complejidad, altos costos y fragmentaci\u00f3n, lo que ejerce presi\u00f3n sobre los pacientes, los proveedores y el presupuesto nacional. La infraestructura obsoleta y la falta de conexi\u00f3n de datos agravan a\u00fan m\u00e1s el problema.<\/span><\/p>\n

La estrategia se centra en empoderar a los beneficiarios de Medicare mediante un mayor acceso a tecnolog\u00edas sanitarias innovadoras. La IA es fundamental en este esfuerzo de modernizaci\u00f3n, pero el \u00e9xito requiere abordar los desaf\u00edos fundamentales de interoperabilidad y estandarizaci\u00f3n de datos.<\/span><\/p>\n

Para que la tecnolog\u00eda sanitaria vuelva a ser grandiosa \u2014como lo plantea CMS\u2014 se necesita algo m\u00e1s que implementar algoritmos. Se requiere redise\u00f1ar los flujos de trabajo, las estructuras de incentivos y los ecosistemas de datos.<\/span><\/p>\n

Rentabilidad de la IA cl\u00ednica: lo que realmente muestra la investigaci\u00f3n.<\/span><\/h2>\n

Analicemos en detalle los hallazgos espec\u00edficos de las evaluaciones econ\u00f3micas.<\/span><\/p>\n

Aplicaciones en oncolog\u00eda<\/span><\/h3>\n

El diagn\u00f3stico y la planificaci\u00f3n del tratamiento del c\u00e1ncer representan \u00e1reas de alto riesgo y alto costo donde la IA demuestra un impacto cuantificable. Los estudios que analizan la patolog\u00eda, la interpretaci\u00f3n de im\u00e1genes y la selecci\u00f3n de tratamientos asistidas por IA muestran una mayor precisi\u00f3n diagn\u00f3stica, lo que se traduce en menos biopsias innecesarias y una selecci\u00f3n de terapia m\u00e1s espec\u00edfica.<\/span><\/p>\n

El beneficio econ\u00f3mico se deriva principalmente de evitar tratamientos ineficaces y sus toxicidades asociadas, m\u00e1s que de reducir el costo de los tratamientos eficaces. Los a\u00f1os de vida ajustados por calidad mejoran, mientras que disminuye el uso innecesario de servicios de salud: una situaci\u00f3n en la que todos ganan.<\/span><\/p>\n

Pero los costos de implementaci\u00f3n son importantes. Los departamentos de patolog\u00eda requieren infraestructura digital, los pat\u00f3logos necesitan capacitaci\u00f3n y los procesos de validaci\u00f3n exigen tiempo y experiencia. Los estudios que omiten estos factores sobreestiman los beneficios netos.<\/span><\/p>\n

Cardiolog\u00eda y manejo de enfermedades cr\u00f3nicas<\/span><\/h3>\n

Los modelos predictivos para la insuficiencia card\u00edaca, la enfermedad renal cr\u00f3nica y otras afecciones cr\u00f3nicas buscan identificar a los pacientes de alto riesgo antes de que se produzcan eventos agudos. La l\u00f3gica econ\u00f3mica es innegable: prevenir una hospitalizaci\u00f3n supone ahorrar decenas de miles de d\u00f3lares.<\/span><\/p>\n

El estudio de la Universidad de Michigan mencionado anteriormente desarroll\u00f3 modelos Clinical-BigBird espec\u00edficamente para la predicci\u00f3n de insuficiencia card\u00edaca y enfermedad renal cr\u00f3nica. Estos modelos superaron a los modelos de lenguaje de gran tama\u00f1o de prop\u00f3sito general en cuanto a m\u00e9tricas de precisi\u00f3n, consumiendo muchos menos recursos computacionales.<\/span><\/p>\n

Menores costos computacionales se traducen directamente en menores gastos operativos. Un modelo dise\u00f1ado espec\u00edficamente para un prop\u00f3sito concreto podr\u00eda costar solo unos centavos por predicci\u00f3n, mientras que una llamada a la API de GPT-4 cuesta mucho m\u00e1s y ofrece resultados inferiores para tareas cl\u00ednicas especializadas.<\/span><\/p>\n

Dicho esto, los modelos predictivos solo generan valor cuando las predicciones dan lugar a intervenciones eficaces. Identificar a los pacientes de alto riesgo no sirve de nada si los sistemas de coordinaci\u00f3n de la atenci\u00f3n no pueden proporcionar la atenci\u00f3n preventiva adecuada.<\/span><\/p>\n

Programas de Oftalmolog\u00eda y Detecci\u00f3n Temprana<\/span><\/h3>\n

La detecci\u00f3n de retinopat\u00eda diab\u00e9tica mediante sistemas de clasificaci\u00f3n automatizados con inteligencia artificial ofrece una de las relaciones coste-beneficio m\u00e1s claras. Esta tecnolog\u00eda permite que centros no especializados realicen las pruebas de detecci\u00f3n, ampliando el acceso y reduciendo la dependencia del escaso tiempo de los oftalm\u00f3logos.<\/span><\/p>\n

Las evaluaciones econ\u00f3micas muestran sistem\u00e1ticamente \u00edndices de costo-efectividad incrementales favorables. La intervenci\u00f3n previene la ceguera \u2014un desenlace devastador con enormes consecuencias econ\u00f3micas y para la calidad de vida\u2014 mediante la detecci\u00f3n y el tratamiento precoces.<\/span><\/p>\n

Es importante destacar que la IA en oftalmolog\u00eda suele operar en contextos de cribado bien definidos y de gran volumen, con m\u00e9tricas de resultados claras. Esto contrasta con escenarios cl\u00ednicos m\u00e1s complejos, donde la propuesta de valor de la IA se vuelve m\u00e1s ambigua.<\/span><\/p>\n\n\n\n\n\n\n\n\n\n
\u00c1rea cl\u00ednica<\/span><\/th>\nAplicaci\u00f3n principal de IA<\/span><\/th>\nMecanismo de impacto en los costos<\/span><\/th>\nCalidad de la evidencia<\/span><\/th>\n<\/tr>\n<\/thead>\n
Oncolog\u00eda<\/span><\/td>\nInterpretaci\u00f3n de im\u00e1genes, patolog\u00eda<\/span><\/td>\nEvite procedimientos innecesarios, terapia dirigida.<\/span><\/td>\nModerado (los costos de infraestructura a menudo no se informan)<\/span><\/td>\n<\/tr>\n
Cardiolog\u00eda<\/span><\/td>\nModelado predictivo de riesgos<\/span><\/td>\nPrevenir eventos agudos, optimizar el uso de recursos.<\/span><\/td>\nModerado (depende de la efectividad de la intervenci\u00f3n)<\/span><\/td>\n<\/tr>\n
Oftalmolog\u00eda<\/span><\/td>\nDetecci\u00f3n de retinopat\u00eda diab\u00e9tica<\/span><\/td>\nAmpliar el acceso, prevenir complicaciones costosas<\/span><\/td>\nFuerte (contexto de evaluaci\u00f3n bien definido)<\/span><\/td>\n<\/tr>\n
Radiolog\u00eda<\/span><\/td>\nAn\u00e1lisis de im\u00e1genes, optimizaci\u00f3n del flujo de trabajo<\/span><\/td>\nReduzca los falsos positivos y mejore el rendimiento.<\/span><\/td>\nS\u00f3lido (beneficios para el flujo de trabajo bien documentados)<\/span><\/td>\n<\/tr>\n
Ciclo de ingresos<\/span><\/td>\nCodificaci\u00f3n m\u00e9dica, procesamiento de reclamaciones<\/span><\/td>\nReduzca el trabajo administrativo, mejore la precisi\u00f3n<\/span><\/td>\nDe moderado a fuerte (se dispone de indicadores de costes directos)<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

La oportunidad de la IA operativa: lecciones de otros sectores.<\/span><\/h2>\n

El sector sanitario se ha quedado rezagado con respecto a otros sectores en la adopci\u00f3n de tecnolog\u00edas de IA operativa. Los servicios financieros, la industria manufacturera y el comercio minorista implementaron la IA para la optimizaci\u00f3n de la fuerza laboral, la gesti\u00f3n de la cadena de suministro y el servicio al cliente a\u00f1os antes de que el sector sanitario iniciara iniciativas similares.<\/span><\/p>\n

\u00bfA qu\u00e9 se debe la demora? Las caracter\u00edsticas \u00fanicas del sector sanitario crean barreras: sistemas de datos fragmentados, complejidad regulatoria, aversi\u00f3n al riesgo e incentivos de pago por servicio que no recompensan la eficiencia operativa.<\/span><\/p>\n

Pero esas barreras se est\u00e1n resquebrajando. Los sistemas de salud reconocen ahora que la IA operativa \u2014a diferencia de la IA cl\u00ednica\u2014 ofrece un potencial sustancial de reducci\u00f3n de costes sin las consideraciones de riesgo cl\u00ednico que ralentizan la adopci\u00f3n de algoritmos de diagn\u00f3stico y tratamiento.<\/span><\/p>\n

Planificaci\u00f3n y programaci\u00f3n de la plantilla<\/span><\/h3>\n

Las aerol\u00edneas dominaron la optimizaci\u00f3n din\u00e1mica de la fuerza laboral hace d\u00e9cadas. Los minoristas utilizan algoritmos sofisticados para ajustar los niveles de personal a la demanda prevista.<\/span><\/p>\n

El sector sanitario por fin se est\u00e1 poniendo al d\u00eda. Las herramientas de gesti\u00f3n de personal basadas en IA predicen con mayor precisi\u00f3n el volumen de pacientes, la gravedad de sus casos y las necesidades de recursos. \u00bfEl impacto financiero? Reducci\u00f3n de los costes por horas extras, menor gasto en mano de obra subcontratada y una mejor adecuaci\u00f3n de las habilidades a las necesidades de los pacientes.<\/span><\/p>\n

Un gran sistema de salud que implement\u00f3 la optimizaci\u00f3n de personal mediante IA report\u00f3 ahorros en costos laborales de varios puntos porcentuales; una cifra que suena modesta, pero que representa millones de d\u00f3lares anuales a gran escala.<\/span><\/p>\n

Gesti\u00f3n de la cadena de suministro y del inventario<\/span><\/h3>\n

Las ineficiencias en la cadena de suministro hospitalario le cuestan al sector miles de millones de d\u00f3lares al a\u00f1o. Suministros caducados, pedidos de emergencia a precios exorbitantes, desabastecimiento de art\u00edculos esenciales: todo ello es totalmente evitable con mejores sistemas.<\/span><\/p>\n

Las aplicaciones de IA importadas de la industria manufacturera y el comercio minorista optimizan los niveles de inventario, predicen las fluctuaciones de la demanda e identifican oportunidades para la estandarizaci\u00f3n y las compras al por mayor. El ahorro no requiere validaci\u00f3n cl\u00ednica ni aprobaci\u00f3n de la FDA; solo exige disciplina en su implementaci\u00f3n.<\/span><\/p>\n

Servicio al cliente y funciones administrativas<\/span><\/h3>\n

La IA conversacional gestiona la programaci\u00f3n de citas, la verificaci\u00f3n de seguros, la renovaci\u00f3n de recetas y las consultas b\u00e1sicas de los pacientes. Si bien la tecnolog\u00eda no es perfecta, cada vez es m\u00e1s capaz de gestionar interacciones rutinarias que antes requer\u00edan la intervenci\u00f3n de personal humano.<\/span><\/p>\n

La ecuaci\u00f3n de costos es sencilla: costos operativos de la IA frente a costos de mano de obra humana. Para tareas de alto volumen y baja complejidad, la IA gana claramente. El desaf\u00edo radica en mantener la calidad del servicio y garantizar una transici\u00f3n fluida a los humanos en situaciones complejas.<\/span><\/p>\n

\"Comparaci\u00f3n<\/p>\n

La realidad del coste de la infraestructura: lo que no tienen en cuenta los modelos econ\u00f3micos.<\/span><\/h2>\n

Esto es lo que las revisiones sistem\u00e1ticas concluyen de forma consistente: las evaluaciones econ\u00f3micas subestiman los costos de infraestructura, los gastos indirectos y las necesidades de mantenimiento a largo plazo.<\/span><\/p>\n

\u00bfPor qu\u00e9 sucede esto? Por varias razones.<\/span><\/p>\n

En primer lugar, muchos estudios se centran exclusivamente en los costes directos de la intervenci\u00f3n, es decir, el coste de ejecutar el algoritmo. Comparan los costes de diagn\u00f3stico de la IA con los de los diagn\u00f3sticos humanos sin tener en cuenta todo el conjunto de tecnolog\u00edas necesarias para implementar la IA a gran escala.<\/span><\/p>\n

En segundo lugar, los investigadores suelen realizar evaluaciones en entornos piloto o de investigaci\u00f3n donde la infraestructura ya existe para otros fines. El coste marginal de a\u00f1adir una aplicaci\u00f3n de IA m\u00e1s a un entorno inform\u00e1tico de investigaci\u00f3n ya existente subestima enormemente el coste que supondr\u00eda para un hospital comunitario t\u00edpico implementar la misma tecnolog\u00eda.<\/span><\/p>\n

En tercer lugar, las alianzas con proveedores y las subvenciones para investigaci\u00f3n suelen subvencionar las implementaciones piloto. Las evaluaciones econ\u00f3micas publicadas pueden reflejar los costos subvencionados en lugar de los costos operativos sostenibles.<\/span><\/p>\n

\u00bfCu\u00e1nto cuesta realmente la infraestructura?<\/span><\/h3>\n

La implementaci\u00f3n de IA cl\u00ednica u operativa requiere:<\/span><\/p>\n