Los sistemas sanitarios de todo el mundo están fragmentados, ya que los historiales no acompañan a los pacientes y los datos se detienen en las fronteras institucionales.
Los modelos sanitarios impulsados por IA pueden abordar este problema, pero se ven obstaculizados por una carencia en la arquitectura subyacente sobre la que funcionan.
El Sistema Inteligente de Salud de Abu Dabi ofrece un modelo práctico para otros al tratar la inteligencia sanitaria como un servicio fundamental y no como una capa de aplicación.
Una paciente diabética de 58 años acude a su médico de atención primaria en un proveedor sanitario, a su endocrino en otro y, después, recoge su medicación en dos farmacias cercanas a su domicilio.
Cada sistema sanitario solo conserva un fragmento de su historia. Cuando llega a la sala de urgencias del hospital con dolor torácico de reciente aparición, el médico ve un historial que parece completo, pero que en realidad no incluye la interacción medicamentosa que habría señalado su riesgo tres días antes.
El modelo de IA que habría detectado esto existe desde hace años. La carencia no es de inteligencia, sino de infraestructura.
La experiencia de esta paciente no es una anomalía. En todos los continentes, los sistemas sanitarios sufren el mismo fallo estructural: historiales que no acompañan a los pacientes, datos que se detienen en las fronteras institucionales y modelos de inteligencia artificial (IA) que funcionan sobre cimientos para los que nunca fueron diseñados. La tecnología ha avanzado, pero la arquitectura subyacente no.
Datos sanitarios fragmentados entre sistemas
Sus datos, como los de miles de millones de pacientes en todo el mundo, están dispersos en sistemas que nunca se diseñaron para compartirlos. Los historiales clínicos electrónicos no son interoperables. Las bases de datos de las farmacias funcionan de forma aislada. Los sistemas de seguros optimizan la facturación, no la obtención de información. El sustrato sobre el que debe funcionar la IA sanitaria nunca se construyó para este momento crítico.
Este es el desafío del que no hablamos lo suficiente: la IA sanitaria no se ve frenada por modelos insuficientes, sino por una capa que falta, la arquitectura invisible que permite que esos modelos realmente funcionen.
Cuando los líderes sanitarios hablan de interoperabilidad, a menudo se plantea como un problema técnico, cuando en realidad es un desafío de gobernanza.
Las organizaciones que avanzan de forma real en una IA lista para producción lo reconocen. Ven los datos inteligentes como un cerebro organizativo y elevan la unificación de datos a prioridad ejecutiva. Asignan la responsabilidad a los líderes clínicos, operativos y tecnológicos.
Los marcos regulatorios han sentado gran parte de las bases. mandatos de interoperabilidad de la UE, Fast Healthcare Interoperability Resources (FHIR) en la adopción en Estados Unidos, la Misión Digital Ayushman Bharat, y la Estrategia Global sobre Salud Digital de la Organización Mundial de la Salud, todos apuntan en la misma dirección. Lo que falta de forma constante es voluntad institucional: la decisión de tratar la unificación de datos como infraestructura estratégica y no como un mero trámite de cumplimiento.
Las organizaciones atrapadas en fases piloto perpetuas comparten patrones comunes: invierten en herramientas de IA sofisticadas mientras dejan sus cimientos de datos fragmentados. Una investigación de McKinsey señala que menos del 20 % de los pilotos de IA sanitaria logran pasar con éxito a un despliegue a gran escala, y un estudio de 2025 del Instituto Tecnológico de Massachusetts (MIT) reveló que el 95 % de los experimentos de IA no aportan valor.
La brecha de visibilidad de los datos sanitarios
En la IA de consumo, a menudo basta con una aproximación. Un motor de recomendaciones con un 80 % de precisión sigue aportando valor al usuario y, aunque pase por alto algún contexto, puede corregirse con una segunda consulta.
Sin embargo, la IA sanitaria opera bajo restricciones diferentes. Las interacciones medicamentosas no detectadas no son un inconveniente menor, y las sugerencias diagnósticas basadas en un historial incompleto no son simplemente subóptimas. En sanidad, la diferencia entre «lo bastante bueno» y «realmente suficiente» se mide en resultados para los pacientes.
Esta realidad exige un nivel de calidad de los datos superior al que alcanzan actualmente la mayoría de los sistemas sanitarios, aseguradoras y reguladores. La IA sanitaria lista para producción requiere historiales longitudinales que recojan la historia completa del paciente, y no solo sus encuentros dentro de un único sistema.
También requiere datos contextuales, como los determinantes sociales, que los historiales médicos tradicionales nunca se diseñaron para contener. Los sistemas aún están lejos de este estándar, y ninguna sofisticación de los modelos puede compensar datos que están incompletos desde su origen.
Los pacientes empiezan a darse cuenta. La adopción generalizada de la tecnología de consumo ha acostumbrado a las personas a esperar una IA que funcione.
Más de 900 millones de personas en todo el mundo interactúan semanalmente con asistentes de IA como ChatGPT, sistemas entrenados para anticipar sus necesidades, mostrar información relevante y funcionar en todos los dispositivos que poseen. Sin embargo, al entrar en un entorno sanitario, se encuentran con máquinas de fax, formularios de admisión redundantes y médicos que no pueden acceder a los historiales de un hospital situado al otro lado de la ciudad.
Esta brecha en la experiencia supone una presión institucional. Los pacientes esperan cada vez más que sus sistemas sanitarios demuestren la misma inteligencia que encuentran en otros ámbitos de su vida.
3 formas de cerrar la brecha de datos sanitarios
La capa que falta puede construirse y no exige reemplazar por completo los sistemas existentes. Lo que sí exige es un enfoque estructuralmente distinto de la arquitectura de datos, que unifique la información sin obligar a eliminar y reconstruir cada sistema heredado. Tres capacidades definen este enfoque.
En primer lugar, la unificación de datos que se sitúa por encima de los sistemas existentes, extrayendo información de historiales médicos electrónicos, plataformas de farmacia, bases de datos de reclamaciones y fuentes auxiliares, sin necesidad de sustituir cada uno de ellos.
En segundo lugar, la normalización multimodal, que ingiere datos reales en los formatos desordenados en que realmente llegan (faxes, notas clínicas no estructuradas, transcripciones de llamadas) y los transforma en una forma estructurada y consultable.
En tercer lugar, ontologías inteligentes y grafos de conocimiento que convierten el almacenamiento estático de datos en activos listos para el razonamiento, es decir, una infraestructura que contiene información y comprende sus relaciones. Dos decisiones pueden desbloquear esto: que los proveedores designen la infraestructura de datos como prioridad y que los pagadores redefinan las métricas de calidad para premiar la cobertura de datos longitudinales, y no solo la documentación en el punto de atención.
Abu Dabi ofrece un modelo práctico para la salud inteligente
No se trata de una visión de un futuro lejano: el Sistema Inteligente de Salud de Abu Dabi ofrece un modelo práctico, tal como se describe en el documento técnico del Foro Económico Mundial Una nueva era para la salud digital: el salto de Abu Dabi hacia la inteligencia sanitaria.
Al tratar la inteligencia sanitaria como un servicio fundamental y no como una capa de aplicación, el emirato ha pasado de una digitalización fragmentada a una coordinación asistencial a escala poblacional impulsada por IA.
En la práctica, el sistema de Abu Dabi integra datos de más de 50 entidades sanitarias, lo que permite el apoyo clínico a la toma de decisiones en tiempo real y la estratificación del riesgo a nivel poblacional.
Los médicos pueden acceder a los historiales de un paciente en centros públicos y privados, una función que, en la mayoría de los sistemas sanitarios, requiere una coordinación manual que puede durar semanas. El resultado es medible: menos duplicación de pruebas diagnósticas, una intervención más temprana en el manejo de enfermedades crónicas y un modelo de gobernanza que otras autoridades sanitarias pueden replicar.
De este modo, el Sistema Inteligente de Salud de Abu Dabi contribuye a mejorar los resultados sanitarios y la eficiencia del ecosistema, y sirve de ejemplo para que otros lo sigan a medida que reconocen la IA sanitaria como la prioridad que debe llegar a ser.
Cómo la IA sanitaria puede reinventar la historia del paciente
Volvamos a aquella paciente de 58 años que llega a urgencias.
En nuestra versión reimaginada, el sistema ya conoce sus problemas de salud, sus historiales se han unificado en todos los puntos de atención y la interacción medicamentosa se ha señalado antes de que llegue.
El médico responsable ve un panorama completo, no fragmentos. La intervención se produce en el momento en que importa, no días después. Ese mismo día, ella está sana y de vuelta en casa, sin un ingreso hospitalario de riesgo y sin gastos médicos innecesarios.
Este futuro no es una fantasía. Los modelos existen y los estándares también. Lo que queda es el compromiso de construir la capa fundamental que los conecta. Este compromiso debe ser impulsado por los proveedores, habilitado por los pagadores y guiado por los reguladores; ningún actor puede lograrlo por sí solo.
La infraestructura más crítica suele ser la parte que nadie nota, la arquitectura silenciosa que permite que todo lo demás funcione.
En lo que respecta a la IA sanitaria, esa arquitectura sigue faltando. Construirla es el trabajo pendiente, porque la tecnología es más visible cuando falla y está en su mejor momento cuando es invisible.
