La mayoría de las personas aprende reanimación cardiopulmonar, o RCP, en un maniquí. En la mayoría de los casos, ese maniquí tiene el pecho plano. Un estudio de 2024 que analizó 20 modelos de entrenamiento de RCP vendidos en todo el mundo descubrió que tres cuartas partes se describían como masculinos o no especificaban el sexo. Solo uno ofrecía un accesorio de pecho. Este no es un detalle menor sobre el equipo de entrenamiento, sino un síntoma visible de un problema estructural mucho más profundo, uno que ahora amenaza con codificarse de forma permanente en la IA sanitaria.
La brecha que comienza antes del algoritmo
Las consecuencias de la baja representación en la formación médica son medibles. Un estudio estadounidense sobre 19.331 paros cardíacos extrahospitalarios descubrió que el 39% de las mujeres que se desvanecieron en público recibieron RCP por parte de transeúntes, en comparación con el 45% de los hombres. Esa brecha de seis puntos porcentuales puede reflejar en parte una vacilación arraigada en la falta de familiaridad, ya que las personas entrenadas en maniquíes con forma masculina pueden sentirse menos seguras al realizar la RCP en un cuerpo femenino. El momento oportuno importa enormemente. Otro estudio estadounidense independiente descubrió que las personas que recibieron RCP por parte de transeúntes entre cuatro y cinco minutos después de un paro cardíaco presenciado tenían un 27% menos de probabilidades de sobrevivir hasta el alta hospitalaria en comparación con aquellas que la recibieron en menos de un minuto. En Inglaterra, menos de uno de cada 12 pacientes a los que los servicios de ambulancia intentaron reanimar sobrevivió 30 días, según cifras informadas en 2024.
El problema del maniquí se puede solucionar con mejores equipos. El problema más profundo es lo que sucede cuando ese mismo sesgo histórico entra en los datos que entrenan a los sistemas de IA.
Cómo los registros sesgados se convierten en algoritmos sesgados
La IA sanitaria aprende al encontrar patrones en los registros médicos. El problema es que los registros médicos no solo reflejan la biología, sino que también reflejan decisiones clínicas, y esas decisiones han estado moldeadas históricamente por suposiciones sobre el sexo y el género.
Un estudio experimental con estudiantes de medicina y residentes ilustra el mecanismo con claridad. Cuando se presentaron síntomas de cardiopatía coronaria junto con estrés psicológico, las mujeres recibieron menos diagnósticos de cardiopatía coronaria y menos derivaciones a cardiología que los hombres. Sus síntomas tenían más probabilidades de ser interpretados como psicógenos. Un sistema de IA entrenado con registros moldeados por esas decisiones no sabría que existe un sesgo, sino que simplemente aprendería el patrón y lo reproduciría.
Este no es un riesgo hipotético. Las revisiones sobre la IA en la medicina han señalado que los conjuntos de datos desequilibrados producen un rendimiento desigual. Evaluar ese desequilibrio es difícil de por sí: una revisión realizada en 2024 de 692 dispositivos médicos habilitados con IA y aprobados por la Administración de Alimentos y Medicamentos de EE. UU. descubrió que a menudo faltaban información demográfica y detalles de los estudios de rendimiento en los documentos públicos.
El problema de los datos es profundo. Las mujeres han estado sistemáticamente infrarrepresentadas en la investigación médica durante décadas. Tras la tragedia de la talidomida de finales de los años 50 y principios de los 60, la Administración de Alimentos y Medicamentos de EE. UU. recomendó en 1977 excluir de los ensayos farmacológicos iniciales a las mujeres que pudieran quedar embarazadas. Dicha política no se revirtió hasta 1993. Los animales de sexo masculino también fueron los preferidos en la investigación de laboratorio, y muchos estudios no informaron el sexo de las células utilizadas en los experimentos.
Los efectos sobre el tratamiento están documentados. Las mujeres eliminan el fármaco para dormir zolpidem más lentamente que los hombres, y en 2013 los reguladores recomendaron reducir a la mitad la dosis inicial para las mujeres. Un análisis de 2020 descubrió que las mujeres experimentaron reacciones adversas a los medicamentos casi el doble de veces que los hombres, y las diferencias en la forma en que los fármacos se desplazan por el cuerpo explican muchas de ellas.
Viejas suposiciones, nueva tecnología
La representación en la investigación médica ha mejorado. Las directrices de equidad de sexo y género en la investigación de 2016 animan a los investigadores a considerar e informar sobre el sexo y el género. Una revisión de 574 artículos realizada en 2026 descubrió que el 61% incluía ambos sexos. Sin embargo, solo el 44% de esos artículos analizó los resultados por sexo. La inclusión sin análisis deja intacta la brecha de conocimiento subyacente.
La distinción entre el sexo biológico y el género añade otra capa de complejidad. La biología relacionada con el sexo puede influir en cómo se metabolizan los fármacos. Las experiencias de género pueden afectar el acceso a la atención médica y la forma en que se interpretan los síntomas. Muchas bases de datos de salud combinan ambos elementos en una única categoría binaria, lo que limita lo que los investigadores pueden concluir realmente a partir de los datos.
La presentación de los síntomas ilustra por qué la precisión es importante. Un análisis de más de un millón de personas con síndromes coronarios agudos descubrió que el 74% de las mujeres y el 79% de los hombres experimentaron dolor en el pecho, pero las mujeres tuvieron mayores probabilidades de reportar síntomas adicionales que incluían dolor en el cuello o la mandíbula, fatiga y dificultad para respirar. Un estudio australiano de más de 202.000 personas ingresadas por un derrame cerebral descubrió que, entre los menores de 70 años que llegaron en ambulancia, los paramédicos tenían menos probabilidades de evaluar a las mujeres como víctimas de un derrame cerebral en comparación con los hombres, y también menos probabilidades de tratarlas bajo el protocolo de derrame cerebral prehospitalario.
Esto es lo que la mayor parte de la cobertura sobre la IA sanitaria pasa por alto: el problema no es que los sistemas de IA estén mal diseñados, sino que están entrenados con registros producidos bajo condiciones de infrarrepresentación sistemática. Un algoritmo técnicamente sólido aplicado a datos históricamente sesgados producirá resultados históricamente sesgados. El sesgo no desaparece porque la tecnología sea nueva.
Un estudio de 6,9 millones de personas en Dinamarca descubrió que las mujeres eran de mayor edad en su primer diagnóstico hospitalario para la mayoría de las afecciones examinadas. Ese patrón podría reflejar un inicio más tardío de la enfermedad, un comportamiento de búsqueda de atención médica diferente o un diagnóstico más lento. Desentrañar esas causas requiere un diseño de investigación cuidadoso. Los sistemas de IA entrenados con el patrón bruto, sin ese contexto, no pueden hacer la distinción.
En resumen
Décadas de investigación médica que trataron el cuerpo masculino como el estándar predeterminado han producido conjuntos de datos de los que los sistemas de IA ahora aprenden. Cuando esos sistemas identifican patrones en los datos de salud, es posible que no solo estén aprendiendo sobre enfermedades, sino también sobre cómo se ha tratado históricamente a los pacientes de forma distinta según el sexo y el género. Mejorar la representación en futuras investigaciones es necesario, pero no suficiente. La tarea más urgente es comprender qué patrones en los datos existentes reflejan la biología y cuáles reflejan viejas suposiciones, antes de que esas suposiciones queden incrustadas en las herramientas de diagnóstico y tratamiento de la próxima generación.
Basado en información de The Conversation AI.