El sesgo algorítmico en salud: cuando la IA hereda la desigualdad
Datos poco representativos producen decisiones que castigan a los más vulnerables. La transparencia es parte de la cura.
En corto
Datos poco representativos producen decisiones que castigan a los más vulnerables. La transparencia es parte de la cura.
La IA médica se entrena con datos, y si esos datos no representan a todos, las decisiones tampoco. Investigaciones de KFF y la Universidad de Rutgers muestran que la subrepresentación de pacientes negros y latinos puede traducirse en peores recomendaciones y menos confianza en el sistema de salud.
¿La salida? Datos más diversos, técnicas de desesgo y, sobre todo, transparencia y auditoría continua. Iniciativas como Encoding Equity ya revisan el uso incorrecto de la raza en algoritmos clínicos. Para NOVUS, la IA responsable se mide en quién queda fuera.
Cómo lo sabemos
Esta nota cita 2 fuentes fechadas marcadas como independientes. La redacción se apoya en estas fuentes; los enlaces permiten revisar qué respalda cada una.
- KFF — AI in health care and disparities · 2026
- Rutgers-Newark — AI algorithms can perpetuate bias · 2026
Esta nota muestra sus fuentes para que puedas consultarlas. No consta en el registro quién la revisó ni cuándo. Si se completa esa revisión, aparecerá aquí firmada y con fecha.
Nuestro método de verificación →
