Armadas N°1, Ecuador

RESUMEN

apoyo a la decisión clínica, triaje automatizado, modelos predictivos y telemonitoreo. Los

resultados muestran beneficios en la organización de servicios y la detección temprana de

enfermedades. Sin embargo, persisten limitaciones relacionadas con la calidad de los datos, su

fragmentación y la necesidad de adaptación al contexto local. La IA debe entenderse como una

herramienta complementaria cuyo impacto dependerá de su implementación progresiva.

Palabras clave: inteligencia artificial; atención primaria de salud; aprendizaje automático; salud

digital; América Latina.

Artificial intelligence (AI) has progressively been incorporated into medical practice, particularly

in Primary Health Care (PHC), where structural limitations highlight the need to optimize

processes. This study analyzes literature published between 2015 and 2024 to identify its main

implementation.

Keywords: artificial intelligence; primary health care; machine learning; digital health; Latin

America.

INTRODUCCIÓN

a formar parte en la práctica clínica, impulsada por el crecimiento en la disponibilidad de datos

y el desarrollo de técnicas de aprendizaje automático. (Topol, 2019; Beam & Kohane, 2018;

Shah et al., 2019). Estas herramientas han ampliado las posibilidades para apoyar la toma de

decisiones médicas y optimizar procesos asistenciales (Jiang et al., 2017; Yu et al., 2018;

es aquí donde se concentra gran parte de la demanda asistencial y donde las limitaciones del

sistema se hacen más visibles. La sobrecarga de consultas, los tiempos de espera y el acceso

limitado a especialistas forman parte del día a día. En este contexto, la inteligencia artificial deja

de ser solo una innovación interesante y empieza a perfilarse como una herramienta con

verdadero potencial: puede ayudar a optimizar procesos, aliviar la carga de trabajo y contribuir

a una atención más oportuna y de mayor calidad, tanto para los profesionales como para los

pacientes. (Mayer, 2023; Bonis Sanz & Bravo Toledo, 2025; Lopes Júnior et al., 2025; Lozada

Pazmiño, 2025; Ruiz de Larramendi et al., 2025).

METODOLOGÍA

operadores booleanos (AND, OR).

sistemas de información en salud., los cuales han pasado de ser repositorios pasivos de datos

a herramientas activas de apoyo en la toma de decisiones clínicas. (Beam & Kohane, 2018;

Esteva et al., 2017). En unidades de alta demanda asistencial, los sistemas de triaje

automatizado se presentan como una alternativa útil para optimizar la organización del flujo de

pacientes desde el primer contacto. (Blease et al., 2019; Reddy et al., 2019).

et al., 2017; Gulshan et al., 2016; Ting et al., 2017).

preventivo. (Obermeyer & Emanuel, 2016; Miotto et al., 2018) Al permitir identificar de forma

temprana a pacientes con mayor riesgo de complicaciones, estas tecnologías pueden contribuir

a una intervención más oportuna y a una mejor gestión de enfermedades crónicas. (González &

Valdez, 2021; Martínez-Pérez et al., 2018).

contexto local y los sesgos potenciales limitan su implementación (Amann et al., 2020; Char et

al., 2018).

DISCUSIÓN

progresivamente en la Atención Primaria de Salud, aunque su implementación es todavía

desigual. Diversos estudios han destacado su potencial para mejorar la eficiencia en los

sistemas de salud y optimizar la toma de decisiones clínicas (Topol, 2019; Rajkomar et al.,

2019; Reddy et al., 2019).

a otro. Muchos de los modelos de inteligencia artificial han sido desarrollados en entornos con

alta disponibilidad tecnológica, donde los datos son abundantes, están bien estructurados y los

estandarizados pueden afectar la precisión de los modelos y aumentar el riesgo de sesgos en

los resultados, lo cual adquiere especial importancia en poblaciones vulnerables (Yu et al.,

2018; Davenport & Kalakota, 2019)

depende únicamente de su capacidad técnica. Factores organizacionales, la capacitación del

personal de salud y la aceptación por parte de los profesionales influyen significativamente en

su implementación (Blease et al., 2019; Singh & Keche, 2025).

relacionados con la transparencia, la equidad y la responsabilidad en la toma de decisiones

infraestructura tecnológica, sino también marcos regulatorios claros, validación local de los

modelos y estrategias de capacitación continua (Floridi et al., 2018; Goodman & Flaxman,

2017; He et al., 2019).

complementar el juicio clínico. Mantener este equilibrio será fundamental para lograr una

adopción sostenible y una mejora real en la práctica asistencial (Topol, 2019; Rajkomar et al.,

2019; Singh & Keche, 2025).

Declaración de conflicto de interés

investigación