Inteligencia artificial en hospitales de Venezuela: qué funciona hoy y qué todavía no

Casi todos los proveedores de software médico que se acercan hoy a una clínica venezolana mencionan inteligencia artificial. Muy pocos explican qué condiciones necesita esa IA para funcionar, y prácticamente ninguno menciona que un modelo que rinde bien en un hospital puede rendir mal en el hospital de al lado.

Este artículo va en la dirección contraria a esas propuestas. La tesis es simple y está respaldada por evidencia publicada y por proyectos reales: en salud, el cuello de botella no es el algoritmo, son los datos y la institución que lo va a usar. Eso cambia por completo el orden en el que una clínica debe invertir su presupuesto.

Qué significa "inteligencia artificial" en un hospital venezolano

Cuando un proveedor habla de "IA en hospitales", suele mezclar tres cosas distintas bajo la misma etiqueta:

• IA clínica: modelos que procesan información clínica (imágenes, signos vitales, notas médicas) para apoyar decisiones diagnósticas o de tratamiento.
• IA administrativa: modelos generales de lenguaje y clasificación que ayudan a transcribir, ordenar mensajes, responder consultas y extraer datos de documentos.
• Automatización sin IA: sistemas deterministas que siguen reglas claras (agenda, recordatorios, facturación, conciliación de estudios).

En Venezuela, lo que realmente puede producir resultados medibles hoy se concentra en las dos últimas categorías: automatización hospitalaria y IA administrativa con supervisión humana. La IA clínica, salvo casos concretos de imagen, sigue dependiendo de condiciones que la mayoría de instituciones aún no cumple.

Qué tipo de IA médica está realmente aprobada hoy

La lista de la FDA: IA habilitada en dispositivos médicos

La Administración de Alimentos y Medicamentos de Estados Unidos (FDA) mantiene una lista pública de dispositivos médicos habilitados con inteligencia artificial o machine learning. Esa lista identifica los productos autorizados para marketing en Estados Unidos y se actualiza de forma periódica.

La propia FDA advierte que la lista no pretende ser exhaustiva, pero la proporción es estable y lleva años sin moverse. En el corte de marzo de 2026, la lista acumulaba 1.524 dispositivos autorizados desde 1995, de los cuales 1.164 —el 76%— corresponden a radiología, según el análisis de The Imaging Wire sobre esa misma actualización. El resto se reparte entre cardiología, neurología y un puñado de especialidades más.

Lo que no hay en esa lista: ningún sistema que "gestione un hospital" de forma integral ni que sustituya el criterio clínico general. Lo que la regulación ha autorizado son dispositivos concretos: detección de nódulos en tomografías, ayudas diagnósticas específicas, reconstrucción de resonancias, soporte a flujos radiológicos y cardiológicos.

Radiología domina la IA médica aprobada

La categoría dominante de IA médica real es IA de imágenes: radiología (rayos X, tomografía, resonancia) y, en menor medida, cardiología. La mayoría de los sistemas autorizados analizan imágenes digitales que ya están en un PACS, hacen triaje de estudios urgentes, ayudan a detectar hallazgos sutiles o reconstruyen imágenes para reducir dosis de radiación.

Esto importa mucho más de lo que parece en el contexto venezolano. Ese tipo de IA presupone un punto de partida que muy pocas instituciones tienen: equipos de imagen digitales modernos, un PACS funcionando, conectividad interna estable y volumen suficiente de estudios como para que el modelo tenga sentido económico. Una clínica que todavía entrega estudios impresos o en CD no está a una licencia de distancia de usar IA de imagen: está a un proyecto de digitalización de distancia.

Por qué un modelo funciona en un hospital y falla en otro

El rendimiento de un modelo clínico depende de los datos y de la población de cada institución, no solo del algoritmo. El caso mejor documentado en el sector es el modelo de predicción de sepsis de Epic (Epic Sepsis Model, ESM), implementado en cientos de hospitales estadounidenses.

Epic Sepsis Model v1: validación externa con resultados pobres

En 2021, un equipo de la Universidad de Michigan publicó en JAMA Internal Medicine una validación externa retrospectiva del ESM sobre 38.455 hospitalizaciones. El resultado fue muy inferior al que reportaba el fabricante:

• Área bajo la curva (AUROC) de 0,63 a nivel de hospitalización.
• Sensibilidad del 33% — se escapaban dos de cada tres casos de sepsis.
• Valor predictivo positivo del 12%: de cada 100 alertas, 88 eran falsas.

El comentario editorial publicado en la misma revista concluye que el modelo predice mal la sepsis y que su adopción generalizada pese a esa performance plantea preocupaciones serias sobre la gestión de la sepsis a escala nacional.

Epic Sepsis Model v2: mejor discriminación, misma necesidad de validación local

En febrero de 2026, el mismo investigador principal encabezó un estudio prospectivo multicéntrico publicado en JAMA Network Open sobre la versión 2 del modelo (ESM v2), que analizó 227.091 encuentros hospitalarios en cuatro sistemas de salud estadounidenses. La versión nueva discrimina mucho mejor:

• AUROC a nivel de encuentro entre 0,82 y 0,92 según el sitio.
• Valores predictivos positivos entre 0,13 y 0,26, con alta variabilidad institucional.
• Carga elevada de alertas y número necesario de evaluaciones (NNE) en decenas de pacientes por cada caso de sepsis detectado.

Traducido: el modelo nuevo ve mejor la sepsis que su antecesor, pero sigue generando muchas alertas que no terminan en un caso real, y su rendimiento concreto varía de hospital a hospital. Los autores recomiendan explícitamente que cualquier institución que adopte el modelo haga una validación local antes de confiar en él, además de diseñar el flujo clínico para manejar los falsos positivos.

Ese es el punto que ningún vendedor te va a explicar. Incluso en el mejor de los casos medidos, entre el 74% y el 87% de las alertas siguen siendo falsos positivos, y el mismo software se comporta distinto en cada hospital. La recomendación de "validar localmente" no es un trámite: es una capacidad institucional que exige datos históricos propios, alguien que sepa medir y tiempo.

Qué necesita una clínica venezolana antes de poder usar IA clínica

Antes de pensar en modelos de predicción de sepsis, riesgo de UCI o apoyo diagnóstico automatizado, una clínica venezolana necesita algo más básico: datos estructurados, históricos y trazables. Sin esa base, la IA clínica no es cara ni riesgosa: es directamente inaplicable, porque no hay con qué entrenarla ni con qué verificar si funciona.

Estas son las seis capas que tienen que estar resueltas, en orden:

Las capas 1 y 3 son las que más proyectos hunden en Venezuela, y son exactamente las que desarrollé en la guía de historia clínica electrónica en Venezuela y en el artículo sobre por qué fracasan los proyectos de interoperabilidad en salud. La capa 4 no es un detalle local menor: un modelo de alerta temprana que no está disponible durante un corte no es una alerta temprana.

Lo que vi en el terreno. En el proyecto de interoperabilidad que diseñé para una red hospitalaria, con más de 10 sistemas legacy conectados, el 40% del tiempo total del proyecto fue limpieza, mapeo y validación de datos — no desarrollo de la arquitectura de eventos.

El problema más difícil no fue técnico sino semántico: el mismo paciente tenía identificadores distintos en cada sistema — lo que admisión llamaba "paciente 00145" era "PA-2891" en el laboratorio. Encontramos pacientes duplicados, resultados sin identificador de médico y admisiones con timestamps inconsistentes entre sistemas que se suponía estaban sincronizados. Eso es exactamente la capa 1 y la capa 3 de la tabla anterior, y ocurrió en una red que ya tenía diez sistemas funcionando. Cualquier modelo de IA entrenado sobre esos datos sin ese trabajo previo habría aprendido de los errores, no de la clínica.

Qué sí funciona hoy en una clínica venezolana

Lo que produce resultados medibles hoy no es IA clínica generalista: es automatización determinista y, en segundo lugar, IA administrativa con supervisión humana. Conviene separar las tres categorías porque los proveedores las venden mezcladas.

1. Automatización sin IA: el retorno inmediato

Recordatorios de cita, agenda de médicos, facturación, conciliación de estudios de laboratorio, seguimiento de autorizaciones. No hay modelo, hay reglas. Es aburrido, es barato en comparación y es lo único que garantiza resultados en semanas.

En una clínica mediana venezolana, casi todo el retorno disponible en el corto plazo está aquí: menos llamadas para confirmar citas, menos no-shows, menos errores de facturación y menos tiempo perdido moviendo papel. Esta es la capa donde se alinean casi todos los puntos del análisis de costos y prioridades de automatización en clínicas.

2. IA administrativa con supervisión: cuando el error no llega al paciente

Transcripción de notas, clasificación de correos y mensajes, primera línea de respuesta en WhatsApp, extracción de datos de documentos (órdenes, epicrisis, informes). Aquí la IA sí aporta, porque:

• El costo de un error es relativamente bajo.
• Siempre hay un humano que valida antes de que el error llegue al paciente.
• Se puede cortar el sistema en cualquier momento sin dejar al hospital sin soporte vital.

Es algo parecido a lo que describí en el caso de IA aplicada a logística y salud: IA genérica para texto en procesos administrativos, con supervisión humana y límites claros.

3. IA clínica: solo imagen y solo donde hay condiciones

IA clínica generalista — modelos que "diagnostican mejor que un médico" o que "gestionan el hospital" — todavía no. El único caso viable hoy en Venezuela es IA de imagen en instituciones con:

• Equipos de imagen digitales modernos.
• PACS operativo.
• Volumen suficiente de estudios.
• Capacidad de validación local (capa 6).

No es pesimismo, es secuencia. La IA clínica volverá a ser viable cuando las capas 1 a 6 estén resueltas en tu institución.

Qué preguntas hacerle a un proveedor que ofrece IA médica

Cinco preguntas separan una propuesta seria de una presentación comercial:

1. ¿Con qué población se entrenó y validó el modelo? Si el entrenamiento es con datos de otro país y otro sistema de salud, el rendimiento en tu clínica es una incógnita, no una promesa.
2. ¿Cuál es el valor predictivo positivo esperado con nuestra prevalencia? Esta es la pregunta decisiva. Si responden con AUROC, con "95% de precisión" o cambiando de tema, o no entienden el problema o prefieren que tú no lo entiendas. Los estudios del Epic Sepsis Model v2 muestran AUROC alto pero valores predictivos positivos bajos, entre 0,13 y 0,26 según el hospital.
3. ¿Cómo se va a validar localmente antes de producción, con qué datos y quién asume ese costo? Es la recomendación explícita de los autores del estudio prospectivo de ESM v2: sin validación local y sin entender la carga de alertas, el riesgo de alert fatigue y de confianza excesiva en el modelo es alto.
4. ¿Quién responde clínicamente ante un falso negativo? Debe estar escrito en el contrato, no resuelto con una frase tranquilizadora en una reunión.
5. ¿Qué ocurre cuando no hay internet o se va la energía? En el contexto venezolano, esta pregunta no es hipotética. La respuesta define si el sistema es usable o si es un lujo que solo funciona cuando todo va bien.

La secuencia correcta: datos, infraestructura y después IA

El orden no es negociable, y equivocarlo es la forma más rápida de gastar un presupuesto de digitalización sin resultado:

1. Primero datos estructurados y confiables. Historia clínica electrónica, codificación de diagnósticos, registros de laboratorio y de imagen que se puedan leer, consultar y agrupar.
2. Después infraestructura e interoperabilidad que permitan que esos datos circulen. Sistemas clínicos que se hablen entre sí (HIS, LIS, RIS, facturación) y que soporten cortes sin perder información ni coherencia.
3. Solo entonces, modelos de IA clínica. Con años de datos propios, flujos clínicos claros, gobernanza definida y capacidad de medir rendimiento.

Invertir en IA antes de resolver las dos primeras capas produce un patrón que ya se ha repetido muchas veces en la región: un sistema comprado, una implementación que se detiene a mitad de camino, un contrato que nadie quiere renovar y un equipo clínico que, a partir de entonces, desconfía de cualquier propuesta tecnológica. El daño no es solo el dinero: es que la siguiente iniciativa, la buena, arranca con la institución en contra.

Esta secuencia es la misma que sostiene el panorama general de digitalización del sistema de salud venezolano y la que apliqué en el caso de interoperabilidad de datos clínicos.

Antes de firmar cualquier propuesta de IA

Si en tu clínica u hospital hay una propuesta de inteligencia artificial sobre la mesa, la decisión útil no es aceptarla o rechazarla: es saber en qué capa estás parado.

Una institución sin historia clínica estructurada no necesita un modelo, necesita resolver la capa 1 — y eso cuesta bastante menos y produce más impacto inmediato. Una institución con historia clínica pero sin interoperabilidad necesita resolver la capa 3 antes de pensar en IA que dependa de datos cruzados. En el diagnóstico técnico reviso el estado real de tus sistemas, identifico en cuál de las seis capas está el cuello de botella y te digo qué tendría que estar resuelto antes de invertir en IA. Sin propuesta comercial de por medio y sin comprometerte a nada.

Preguntas frecuentes

¿Por qué un sistema de IA médica funciona en un hospital y falla en otro?

Porque el rendimiento depende de la población y de los datos de cada institución, no solo del algoritmo. La validación multicéntrica del Epic Sepsis Model v2 publicada en 2026 encontró un AUROC entre 0,82 y 0,92 según el sitio, pero con valores predictivos positivos entre 0,13 y 0,26 y alta variabilidad institucional. Por eso los autores recomiendan validación local antes de adoptar cualquier modelo clínico.

¿Puede una clínica pequeña en Venezuela usar inteligencia artificial hoy?

Puede usar IA administrativa con supervisión humana —transcripción de notas, clasificación de mensajes, atención de primera línea— y automatización sin IA para agenda, recordatorios y facturación. La IA clínica requiere historia clínica estructurada, histórico de datos propios y capacidad de validación local, condiciones que la mayoría de clínicas pequeñas todavía no reúne.

¿Cómo se usa la inteligencia artificial en los hospitales de Venezuela?

Hoy la IA en hospitales venezolanos se usa sobre todo en automatización administrativa (agenda, recordatorios, facturación), en IA administrativa para texto (transcripción, clasificación de mensajes, respuesta inicial) y en algunos casos de IA de imagen radiológica en instituciones con equipos digitales y PACS operativo.

¿Qué hospitales en Venezuela ya utilizan inteligencia artificial?

No existe un registro público que documente qué instituciones venezolanas usan inteligencia artificial clínica, y cualquier listado que circule sin fuente verificable debe tratarse con escepticismo. Lo que sí es observable es el patrón: la adopción real está en automatización administrativa y en imagen diagnóstica dentro de instituciones privadas que ya tienen equipos digitales y PACS operativo. Si un proveedor le presenta referencias de hospitales venezolanos usando su modelo, pida el nombre de la institución y el contacto de quien lo supervisa clínicamente.

¿Cuánto cuesta implementar IA en un hospital venezolano?

El costo real depende menos de la licencia del modelo y más de la madurez de las seis capas: historia clínica electrónica, interoperabilidad, infraestructura, gobernanza y capacidad de validación local. Es habitual que la inversión necesaria en datos e integración sea mayor que el precio del software de IA; por eso conviene empezar con automatización sin IA y IA administrativa supervisada.

¿Qué desafíos enfrenta Venezuela para adoptar IA en salud?

Los desafíos principales son históricos de datos incompletos, historias clínicas en papel o texto libre, falta de interoperabilidad entre sistemas clínicos, infraestructura inestable y ausencia de cultura de validación local de modelos. Sin resolver esos desafíos, la IA clínica sigue siendo promesa más que herramienta.

Si tienes una propuesta de IA sobre la mesa y no sabes en qué capa está parada tu institución, ese es exactamente el tipo de decisión que ayudo a ordenar en Code by Meléndez — con la experiencia directa del caso real de interoperabilidad de datos de salud citado arriba.