BG8

REVISTA DEL INSTITUTO DE CIENCIAS JURÍDICAS DE
PUEBLA, MÉXICO. E-ISSN 1870-2147. NUEVA ÉPOCA

VOL. 15, No. 48. JULIO - DICIEMBRE DE 2021. PP77-113
Impacto y regulación de la Inteligencia

Artificial en el ámbito sanitario*
Artificial Intelligence impact and regulation
in the healthcare field
Karina Ingrid Medinaceli Díaz**
Moisés Martin Silva Choque***
resumen abstract
La evolución de la historia clínica electrónica del The evolution of the patient’s electronic medical
paciente ha permitido en los últimos años aplicaciones record (EMR) has allowed, in recent years, computer
informáticas desde el registro en sistemas de applications from the registration in information
información hasta la aplicación de Inteligencia systems to the application of Artificial Intelligence
Artificial en grandes repositorios de datos facilitando el in large data repositories, allowing the use of
uso de aprendizaje automático y profundo facilitando Machine Learning and Deep Learning, facilitating the
la identificación de patrones para diagnósticos, identification of patterns for diagnoses, treatments,
tratamientos, aplicaciones farmacéuticas, entre pharmaceutical applications, among others. Big Data
otras. Este conjunto de información y modelos is producing a revolution in the healthcare field with
computacionales disponibles de manera pública o the possibility of handling huge amounts of data,
privada presenta riesgos y beneficios en el ámbito de analyzing them and drawing conclusions, taking into
la aplicación del Derecho; por ello es que se realiza account information security criteria that contribute
un estudio de manera clara de cómo se maneja esta to the anonymization of patient data. International
información desde un punto de vista doctrinal, las organizations for the protection of human rights
propuestas que existen en el ámbito internacional como are taking measures to investigate the impact of
son el marco europeo o latinoamericano, tomándose Artificial Intelligence by preparing recommendations
los criterios de seguridad informática que coadyuven in Europe and Latin America, thus an investigation of
a la anonimización de los datos del paciente, de esta the doctrine is carried out in order to have a general
manera se tiene un marco general y propositivo de los and purposeful framework for areas to be treated with
ámbitos a ser tratados con la información del paciente. patient information.
palabras claves keywords

Inteligencia Artificial, historia clínica electrónica, datos Artificial Intelligence, Electronic Medical Record, Health
de salud, anonimización, derechos humanos. Data, Anonymization, Human Rights 77
*Artículo de Investigación postulado el 17 de mayo de 2020 y aceptado el 28 de octubre de 2020

**Docente investigadora en la Facultad de Derecho y Ciencias Políticas de la Universidad Mayor de San Andrés,
Bolivia. ([email protected]) orcid.org/0000-0002-8269-4733
***Doctorando en la Universidad Mayor de San Andrés, Bolivia. ([email protected]) orcid.org/0000-0003-2417-
4833
KARINA INGRID MEDINACELI DÍAZ, MOISÉS MARTIN SILVA CHOQUE
SUMARIO
1. Introducción
2. Inteligencia Artificial en la historia clínica electrónica (HCE)
3. Big Data e Inteligencia Artificial en el ámbito de la salud
4. Técnicas de anonimización para el Big Data y la Inteligencia Artificial
5. Inteligencia Artificial, aprendizaje automático y aprendizaje profundo en el ámbito de
la salud
6. Beneficios y riesgos de la Inteligencia Artificial en el ámbito sanitario
7. Tendencias de regulación de la Inteligencia Artificial en el ámbito sanitario
8. A modo de conclusión
9. Referencias
1. Introducción
Las primeras referencias de aplicaciones médicas en el campo de las ciencias de

la computación datan de 1950. Aplicaciones como ELIZA diseñada por el Insti-
tuto Técnico de Massachusetts (MIT) entre los años 1964 y 1966, permitieron, a
través de una lógica computacional, diagnosticar cierto tipo de enfermedades;
así fueron surgiendo términos como informática médica, medicina informática,
procesamiento electrónico de datos médicos, procesamiento automático de da-
tos médicos, procesamiento de información médica, ciencia de la información
médica, ingeniería de software médico y de medicina.1
Los expertos y autores del libro Inteligencia Artificial: un enfoque mo-
derno, indican que existen tres tipos de Inteligencia Artificial: 1) Sistemas que
piensan como humanos, 2) Sistemas que actúan como humanos, y 3) Sistemas
que actúan racionalmente,2 estas definiciones dieron paso a múltiples aplica-
ciones desde los agentes inteligentes hasta la neurociencia.
Actualmente, con el uso de las tecnologías de la información y las comuni-
caciones (TIC) se aprovechan los avances tecnológicos facilitados, en algunos
casos, con el uso de satélites de órbita baja para proveer conectividad a las
78 clínicas remotas, utilizando así la telemedicina abarcando aspectos tales como
educación sanitaria, gestión de pacientes y administración.3 Otro aspecto in-
1
Collen Morris F. “Origins of medical informatics”, The Western journal of medicine, 1986, Vol. 145, pp. 778-785,
[Consultada 15 de abril de 2020], Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1307150/pdf/wes-
tjmed00160-0042.pdf
2
Russell Stuart, Norvig Peter, artificialInteligencia Artificial: un enfoque moderno. Pearson Educación, 2004, Colec-
ción de Inteligencia Artificial de Prentice Hall.
3
Martínez Ramos Carlos, “Telemedicina. Aspectos Generales”, 2020, [Consultada 06 de mayo de 2020], Disponible en: http://
www.revistareduca.es/index.php/reduca/article/viewFile/7/4C3%B3n%20de%20est%C3%A1ndares%20de%20calidad.pdf
IMPACTO Y REGULACIÓN DE LA INTELIGENCIA ARTIFICIAL EN EL ÁMBITO SANITARIO
teresante son los robots que utilizan Inteligencia Artificial, los cuales pueden
ofrecer un apoyo clínico en la toma de decisiones o apoyar al paciente en su
interacción con la sociedad o mejorar habilidades.4
La Inteligencia Artificial está apoyando a los médicos, no reemplazándo-
los, dado que las máquinas carecen de cualidades humanas como la empatía y
la compasión. Por otro lado, no se puede esperar que los pacientes confíen en
una computadora, por lo cual la Inteligencia Artificial maneja tareas que son
esenciales y limitadas en su alcance para dejar la responsabilidad principal del
manejo del paciente a un médico humano.5
En medicina la Inteligencia Artificial se presenta como una valiosa herra-
mienta para los profesionales del área, al optimizar los procesos de prevención,
diagnóstico y tratamiento de enfermedades.6 Es necesario contar con un gran
volumen de bases de datos actualizadas para que las aplicaciones tengan un
mayor grado de certeza, mayor nivel de credibilidad y capacidad de predicción.
La Inteligencia Artificial facilita una mayor accesibilidad, relevancia y capaci-
dad de acción de la información de salud.7
Los datos personales son esenciales para la Inteligencia Artificial porque
se han convertido en un insumo crucial para el funcionamiento de algunos
sistemas de Inteligencia Artificial.8 La Unión Europea puede tener un impacto
a nivel internacional en lo que se refiere a los estándares que debe cumplir la
Inteligencia Artificial, como ya ha ocurrido en el ámbito de la protección de
datos9 con la promulgación del Reglamento General de Protección de Datos.
Se debe tener la responsabilidad de asegurar que las leyes y los reglamentos
4
Diehl Joshua J., Schmitt Lauren M., Villano Michael, Crowell Charles R., “The Clinical Use of Robots for Individuals
with Autism Spectrum Disorders: A Critical Review.”, Research in autism spectrum disorders, 2012, vol 6, pp. 249-
262, [Consultada 14 de abril de 2020], Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3223958/
5
Buch Varun H., Ahmed Irfan y Maruthappu Mahiben, “Artificial intelligence in medicine: current trends and future
possibilities”, The British journal of general practice: the journal of the Royal College of General Practitioners, Marzo
2018, vol 68, pp. 143-144, [Consultada 13 de abril de 2020], Disponible en: https://www.ncbi.nlm.nih.gov/pmc/
articles/PMC5819974/ 79
6
IOMED, 2020, “Retos de la Inteligencia Artificial en la medicina” [Consultada 30 de marzo de 2020], Disponible en:
https://iomed.es/2020/01/08/retos-de-la-inteligencia-artificial-en-medicina/
7
Corporación Ruta N., “Informe Nº 1 Inteligencia Artificial en Salud”, Observatorio CT+i, 2018, [Consultada 28 de
abril de 2020], Disponible en: https://www.researchgate.net/publication/327751676_Informe_Inteligencia_Artifi-
cial_en_Salud
8
Red Iberoamericana de Protección de Datos, 2019, “Recomendaciones Generales para el Tratamiento de Datos en la
Inteligencia Artificial”, 21 de junio de 2019, [Consultada 15 de febrero de 2020], Disponible en: https://www.redipd.
org/es/noticias/la-ripd-aprueba-sendos-documentos-sobre-inteligencia-artificial-y-proteccion-de-datos
9
Gascón Marcén, Ana, “Derechos humanos e artificial”Inteligencia Artificial”, Setenta años de Constitución Italiana
y cuarenta de Constitución Española, Volumen V, pp. 1019-1221, [Consultada: 24/04/2020], Disponible en: https://
www.researchgate.net/publication/339687454_Derechos_Humanos_e_Inteligencia_Artificial
se mantengan al día con la tecnología y aborden los riesgos potenciales10 de

utilizar Inteligencia Artificial en el ámbito de la salud.
2. Inteligencia Artificial en la historia clínica electrónica (HCE)
Las tecnologías de la información y de las comunicaciones se introdujeron en

los centros sanitarios a través de equipos de diagnóstico médicos y de los ser-
vicios de gestión económico-financiera como la contabilidad o la facturación
y la nómina de su personal. Más tarde, se desarrollaron aplicaciones para los
servicios clínico-administrativos, como la gestión de camas, la cita previa de
consultas externas, o la gestión del archivo de historias clínicas, a estas aplica-
ciones siguieron los programas de codificación de los sistemas de clasificación
de pacientes. El siguiente paso ha sido la informatización de la historia clíni-
ca,11 que supone introducir las TIC en el núcleo de la actividad sanitaria, como
es el registro de relación entre el paciente y los médicos y demás profesionales
sanitarios que le atienden.
Una de las definiciones más reconocidas de la Historia Clínica Electrónica
(HCE) proviene de la Healthcare Information and Management Systems Society
(HIMSS):
La HCE es un registro electrónico longitudinal de la información de

salud del paciente, generado por una o más interacciones en un entor-
no de prestación de servicios médicos. Esta información incluye datos
demográficos del paciente, notas sobre su evolución, problemas, me-
dicamentos, signos vitales, historial médico, inmunizaciones, datos de
laboratorio y reportes de radiología.
10
Bastias-Butler, Elizabeth y Ulrich, Andrea, “Transformación digital del sector salud en América Latina y el Caribe:
80 La historia clínica electrónica”, Banco Interamericano de Desarrollo, abril 2019, pp. 27 [Consultada 05 de mayo
de 2020], Disponible en: https://publications.iadb.org/es/transformacion-digital-del-sector-salud-en-america-lati-
na-y-el-caribe-la-historia-clinica
11
La historia clínica se puede considerar como la biografía sanitaria del paciente. Existe consenso por parte de mu-
chos autores en considerar la historia clínica como uno de los documentos médicos más complejos que existen, de-
bido a la diversidad de personas y organismos que en un determinado momento pueden estar interesados en tener
acceso a los datos en ella contenidos, lo que compromete la intimidad del paciente. No se debe olvidar que los bie-
nes y valores que se relacionan a la historia clínica son de una importancia extraordinaria ya que están directamente
relacionados con derechos fundamentales de la persona como el derecho a la intimidad, a la salud, a la libertad y a
la confidencialidad. Medinaceli D., Karina, “El tratamiento de los datos sanitarios en la historia clínica electrónica:
caso boliviano”, Agencia Española de Protección de Datos Personales 2017, p. 590 [Consultada 27 de mayo de 2020],
Disponible en: https://www.aepd.es/sites/default/files/2019-10/tratamiento-de-datos-sanitarios.pdf
Nelson y Staggers en su obra complementaron la definición de la HIMSS al

describir a la HCE como:
(…) un registro electrónico de información relacionada con la salud

que cumple con los estándares de interoperabilidad reconocidos a nivel
nacional y que puede ser generado, gestionado y consultado por mé-
dicos y personal autorizado en más de una organización de atención
médica.12
La historia clínica electrónica tiene como características que es completa, inte-

gra todos los episodios asistenciales del paciente sin importar dónde y cuándo
se hayan producido; es interoperable con otros sistemas como los departa-
mentales, los clínico-administrativos, de gestión económico-financiera y de
gestión del conocimiento; accesible en cualquier momento y lugar en que sea
necesaria para atender al paciente con las limitaciones debidas a las garan-
tías establecidas en la legislación de protección de datos personales; flexible,
permite su utilización a los investigadores, planificadores y evaluadores de la
calidad de los servicios entre otros; segura y confidencial, todos los accesos
a la historia deben ser registrados y debe identificarse quién accede y qué in-
formación introduce o modifica. Hoy en día, la implementación de la historia
clínica electrónica es una necesidad, porque con mayor frecuencia, las perso-
nas se mueven de un lugar a otro, a lo largo de su vida es vista por diferentes
profesionales, como consecuencia de ello, tiene más de una historia clínica,
distribuida en archivos informáticos y en papel en varias localizaciones y con
varios números de identificación.13
La Historia Clínica Electrónica (HCE) deber ser la herramienta que guíe
para mejorar la eficacia, efectividad y eficiencia de los servicios sanitarios y
sociales, teniendo como centro de atención las necesidades del paciente. Asi-
mismo, se considera fundamental que el paciente tenga acceso a la HCE.14
81
12
Bastias-Butler, Elizabeth y Ulrich, Andrea, “Transformación digital del sector salud en América Latina y el Caribe: La
historia clínica electrónica”, Banco Interamericano de Desarrollo, abril 2019, p. 4, [Consultada 05 de mayo de 2020],
Disponible en: https://publications.iadb.org/es/transformacion-digital-del-sector-salud-en-america-latina-y-el-ca-
ribe-la-historia-clinica
13
Medinaceli D. Karina, “El tratamiento de los datos sanitarios en la historia clínica electrónica: caso boliviano”,
Agencia Española de Protección de Datos Personales 2017, p. 592 [Consultada 27 de marzo de 2020], Disponible en:
https://www.aepd.es/sites/default/files/2019-10/tratamiento-de-datos-sanitarios.pdf
14
Gálvez S., María, “Mesa Redonda: Requisitos de HDSQA”, XXVI Jornadas Nacionales de Innovación y Salud en An-
dalucía: Historia digital de salud que aprende, Revista de la Sociedad Española de Informática de la Salud, Nº 136,
octubre de 2019, ISSN: 1579-8070, p. 43 [Consultada 04 de mayo de 2020], Disponible en: https://seis.es/wp-con-
tent/plugins/pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https://seis.es/wp-content/uploads/2019/10/Revis-
Se han utilizado diferentes estrategias para reducir el tiempo de la entrada

presencial de datos, como evitar que el médico se convierta en empleado que
registra datos administrativos necesarios para la facturación de servicios; eso
es lo que hace que los médicos estadounidenses tengan un tiempo promedio
alrededor de 4 veces mayor que en otros países con sistemas de salud no frag-
mentados.15 Los médicos que utilizaron el soporte de documentación, como la
asistencia de dictado o los servicios de escribano médico, se relacionaron más
con los pacientes que los que no utilizaron estos servicios. Además, el mayor
uso de Inteligencia Artificial en medicina no solo reduce el trabajo manual y
libera el tiempo del médico de atención primaria, sino que también aumenta la
productividad, la precisión y la eficacia.16
No se puede concebir una historia clínica sin tener en cuenta los datos. La
mayoría de las soluciones informáticas para la práctica médica no se basan en
algoritmos que aprenden de datos. Más bien, utilizan sistemas creados por ex-
pertos (médicos e informáticos) para analizar datos y recomendar tratamientos.
Los algoritmos para crear esta Inteligencia Artificial deben ser diseñados por
los programadores en colaboración con los que realmente saben de la materia
de salud, los clínicos.
Las aplicaciones de Inteligencia Artificial en la atención médica se pueden
dividir en 3 categorías: 1) Soluciones algorítmicas: las integran algoritmos de
consenso entre expertos en el campo con datos de la historia clínica electrónica
para revisar diferentes alternativas de tratamiento y recomendar la combina-
ción más adecuada al paciente. 2) Tratamiento de imágenes: el potencial de
la predicción automática se refleja donde el ojo humano falla, incluso en los
mejores clínicos. El software de reconocimiento mediante visión artificial, que
puede comparar decenas de miles de imágenes utilizando las mismas técnicas
que los humanos, es entre un 5% y 10% más preciso que el médico promedio. 3)
Herramientas de apoyo a la práctica médica: como los programas que procesan
historias clínicas, este software puede revisar miles de registros médicos para
82
ta-136.pdf&download=true&print=true&openfile=false
15
Downing N. Lance, Bates David W. y Longhurst Christopher A., “Physician buenoutburnout in the electronic heath
record era: are we ignoring the real cause?” Ann Inter Med 2018; 169:50-1, DOI: 10.7326/M18-0139 [Consultada
27 de abril de 2020], Disponible en: https://annals.org/aim/article-abstract/2680726/physician-burnout-electro-
nic-health-record-era-we-ignoring-real-cause?doi=10.7326%2fM18-0139
16
Amisha, Malik Paras, Pathania Monika y Rathaur Vyas Kumar. “Overview of artificial intelligence in medicine”,
Journal of family medicine and primary care. 2019, Vol. 8, pp. 2328–2331, [Consultada 27 de abril de 2020], Dispo-
nible en: http://www.jfmpc.com/temp/JFamMedPrimaryCare872328-1337112_034251.pdf
extraer estadísticas sobre enfermedades o tratamientos, detectar errores, lagu-

nas o normalizar expresiones y terminología en los informes.17
Antes de que se pueda aplicar las técnicas de aprendizaje automático en una
escala amplia, se necesita una forma consistente en representar los registros de
los pacientes, por lo que iniciativas de estandarización, como, por ejemplo, el
Observational Medical Outcomes Partnership (OMOP)18 o Common Data Model19
se convierten en prácticas fundamentales. A pesar de la gran cantidad de datos
ahora digitalizados, los modelos predictivos construidos con datos de historias
clínicas rara vez usan más de 20 o 30 variables, y se basan principalmente en
modelos lineales tradicionales. El aprendizaje automático se aplica actualmente
a las historias clínicas para predecir los pacientes que tienen un mayor riesgo de
reingreso al hospital o de no adherirse a los medicamentos recetados.20
Cada paciente es único, lo que implica que un tratamiento puede no ser
eficaz para un paciente cuando clínicamente debería serlo, para mejorar este
aspecto, se debería utilizar la información genética o el uso de algoritmos pre-
dictivos con información estructurada del paciente, e incluso, aplicar tecno-
logías de Inteligencia Artificial en las que se incluyan variables propias del
individuo para mejorar el tratamiento.21
Para conocer la situación del desarrollo e implementación de la Historia
Clínica Electrónica (HCE) en Latinoamérica, se presentan los casos de Uruguay,
Brasil y Argentina y el trabajo que viene desarrollando la Red Americana de
Cooperación sobre Salud Electrónica (RACSEL).
17
Moreno Antonio y Díaz Julia. “Inteligencia Artificial en salud desde la perspectiva del Instituto de Ingeniería
del Conocimiento”, Revista de la Sociedad Española de Informática de la Salud, Nº 136, octubre de 2019, ISSN:
1579-8070, pp. 32-33 [Consultada 04 de mayo de 2020], Disponible en: https://seis.es/wp-content/plugins/pd-
fjs-viewer-shortcode/pdfjs/web/viewer.php?file=https://seis.es/wp-content/uploads/2019/10/Revista-136.pdf&-
download=true&print=true&openfile=false
18
La Observational Medical Outcomes Partnership es una asociación público - privada que involucró a la FDA, múl-
tiples compañías farmacéuticas y proveedores de atención médica establecidos para informar el uso apropiado de
las bases de datos de atención médica observacional para estudiar los efectos (riesgos y beneficios) de los productos
médicos. Foundation for the National Institutes of Health, “Observational Medical Outcomes Partnership (OMOP)”, 83
[Consultada 07 de mayo de 2020], Disponible en: https://fnih.org/what-we-do/major-completed-programs/omop
19
El modelo de datos comunes simplifica este proceso al proporcionar un lenguaje de datos compartido para el uso
de aplicaciones comerciales y analíticas. El sistema de metadatos del modelo de datos comunes hace posible que los
datos y su significado se compartan entre aplicaciones y procesos comerciales. Microsoft, “Common Data Model”
[Consultada 07 de mayo de 2020], Disponible en: https://docs.microsoft.com/en-us/common-data-model/
20
IOMED, 2020. “Retos de la Inteligencia Artificial en la medicina” [Consultada 30 de marzo de 2020], Disponible en:
21
García C., Sergio, “Sesión plenaria experiencias; variabilidad en tecnología digital”, Revista de la Sociedad Española
de Informática de la Salud, Nº 136, octubre de 2019, ISSN: 1579-8070, pp. 52-53 [Consultada 04 de mayo de 2020],
Disponible en: https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https://seis.es/
wp-content/uploads/2019/10/Revista-136.pdf&download=true&print=true&openfile=false
La Agencia de Gobierno Electrónico y Sociedad de la Información y del

Conocimiento (AGESIC) promueve y encabeza la estrategia digital de Uruguay.
Uno de sus programas es Salud.uy22, el cual apoya al Sistema Nacional Integra-
do de Salud (SNIS) para mejorar la calidad de los servicios de salud a través de
las tecnologías de la información y la comunicación.
Los múltiples sistemas DATASUS23 (o los sistemas de Historia Clínica Elec-
trónica utilizados por SUS) de Brasil fueron desarrollados de acuerdo con las
necesidades nacionales. En vez de crear un sistema unificado, en Brasil se
desarrollaron distintos sistemas conforme fueron requeridos. Esta estrategia
fragmentada ocasionó que DATASUS desarrollara más de 600 sistemas de HCE
paralelos. En el 2014, el gobierno desarrolló un servicio BUS que permitió una
interoperabilidad entre todos estos sistemas, tanto en el sector de salud público
como en el privado. Brasil continúa consolidando sus sistemas de HCE, esta
transformación ha tardado años y todavía está en proceso.24
En Argentina, la experiencia del Hospital Italiano de Buenos Aires25 en la
implementación de los sistemas de Historia Clínica Electrónica (HCE) considera
ocho elementos clave que fueron imperativos para el éxito en la implemen-
tación de un sistema de HCE: 1) la importancia de crear un sentido de urgen-
cia, 2) formar una coalición de profesionales médicos con distintas fortalezas
y antecedentes diversos, 3) elaborar un plan maestro para todos los servicios
de información de salud, 4) desarrollar una estructura organizacional, 5) for-
malizar los procesos de comunicación y capacitación, 6) poner a disposición la
información necesaria para la investigación y la gestión clínica, 7) evaluar los
resultados en un ciclo de mejoramiento continuo y 8) involucrar a los usuarios
finales en el proceso de diseño.
La elaboración de la Agenda Digital de Ciudad Autónoma de Buenos Aires
– CABA (Argentina) se realizó en el marco del objetivo ministerial estratégico
22
Agencia de Gobierno Electrónico y Sociedad de la Información y del Conocimiento, “Qué es Salud.uy”, [Consultada:
84 06 de mayo de 2020], Disponible en:https://www.gub.uy/agencia-gobierno-electronico-sociedad-informacion-co-
nocimiento/politicas-y-gestion/programas/es-saluduy
23
Ministerio da Saude, “Sistemas”, [Consultada 06 de mayo de 2020], Disponible en: https://datasus.saude.gov.br/
sistemas/
24
Elizabeth Bastias-Butler y Andrea Ulrich, “Transformación digital del sector salud en América Latina y el Caribe:
La historia clínica electrónica”, Banco Interamericano de Desarrollo, Abril 2019 [Consultada 05 de mayo de 2020],
25
De Quiros, Fernan B., “Experiencia de un proyecto de Informatización en Salud en América Latina: 15 años del
desarrollo en el Hospital Italiano de Buenos Aires”, Hospital Italiano de Buenos Aires, Departamento de Informática
en Salud, 2015 [Consultada 06 de mayo de 2020], Disponible en: https://www1.hospitalitaliano.org.ar/multimedia/
archivos/noticias_archivos/11/Disertaciones/11_06-12Quiros-Experienciade15anosdelHospitalItalianodeBs.As.pdf
de fortalecer la Red de Atención Primaria de Salud y lograr un sistema de salud

integrado y eficiente, que ofrece el cuidado oportuno y equitativo a las perso-
nas. La Red de Salud de CABA cuenta con 33 Hospitales, 45 Centros de Aten-
ción Primaria y Comunitaria (CeSAC) y Centros Médicos Barriales divididos en
4 regiones sanitarias. Cabe destacar que se tomó la decisión política de imple-
mentar la Historia Clínica Electrónica (HCE) porque gran parte de los profesio-
nales del sistema de salud ya se encontraban habituados a utilizar Sistemas de
Información en Salud en consultorios y sanatorios privados. En el año 2019,
la Historia Clínica Electrónica se constituye en el gran hito de la gestión del
Gobierno de la Ciudad Autónoma de Buenos Aires. Se la destaca por ser uno de
los compromisos cumplidos 100% al lograrse la implementación en todos los
Centros de Salud y Acción Comunitaria de CABA, consiguiendo mayor calidad
de atención, eficiencia médica y prevención de enfermedades.26
La Red Americana de Cooperación sobre Salud Electrónica (RACSEL)27 está
conformada por Costa Rica, Perú, Chile, Colombia y Uruguay. Mediante una
colaboración dentro de la red, los países miembros identificaron retos compar-
tidos y descubrieron sus propias fortalezas y debilidades. RACSEL se rige por
un comité técnico regional y su objetivo es abordar las cuestiones relacionadas
con la salud digital, incluyendo las diferencias en la terminología y la creación
de marcos jurídicos alrededor de la salud digital. La red promueve enfática-
mente la adopción de estándares de datos y arquitectura para los procesos de
intercambio de información.
3. Big Data e Inteligencia Artificial en el ámbito de la salud
Big Data, que en español significa “grandes datos”, es un término que se ha

acuñado para referirse a la manipulación de gran cantidad de datos. El volu-
men masivo, variedad y velocidad que ahora toma la información hace impres-
cindible capturar, almacenar y analizar todo este complejo engranaje.28
Big Data es una combinación de cinco características muy importantes:
volumen, velocidad, variedad, veracidad y valor. El volumen se refiere a la can- 85
tidad de datos, hablamos de grandes volúmenes de información, nos referimos
26
Instituto de Formación Política y Gestión Pública, “Historia Clínica Electrónica – Salud”, en Curso Cambios der
paradigma en la medicina tradicional: Historia Clínica Electrónica, Ministerio de Gobierno, Buenos Aires, pp. 1-14.
27
Red Americana de Cooperación sobre Salud Electrónica, “Estándares para Dummis” [Consultada 04 de mayo
de 2020], Disponible en: https://estandaresparadummies.blogspot.com/2019/12/racsel-red-americana-de-coopera-
cion.html
28
Puyol Montero, Javier, Aproximación jurídica y económica al Big Data, Valencia, Tirant lo Blanch, 2015, pp. 33.
a tratamientos de terabytes o petabytes. La velocidad se refiere a los datos en

movimiento y, más específicamente, a la velocidad a la que se crean, procesan
y analizan los datos. La variedad se trata de gestionar la complejidad y la hete-
rogeneidad de múltiples conjuntos de datos, incluidos los datos estructurados,
semiestructurados y no estructurados. La veracidad se refiere a la incertidum-
bre de los datos y al nivel de confiabilidad/calidad asociada con ciertos tipos
de datos. Finalmente, el valor del dato por sí mismo es fundamental, saber qué
datos son los que se debe analizar va a llevar a la consecuencia de un resultado
fiable y apto para toma de una decisión al respecto.29
El Big Data trabaja generalmente con información estadística, es decir, ba-
sándose en probabilidades, con tantas variables que el aprendizaje respecto
del resultado es confiable. Trabajar a base de probabilidades en medicina, es-
tableciendo patrones, resulta útil desde el punto de vista de la propagación de
las enfermedades, el estudio de sus orígenes y, por tanto, su mejor tratamiento.
Tradicionalmente, los datos provenían de registros electrónicos de salud
(por sus siglas en inglés EHR), genómica y datos de imágenes. Sin embargo, el
advenimiento de las modernas tecnologías ubicuas y de redes sociales ha dado
lugar a nuevas formas de datos generados por los pacientes, como los resulta-
dos electrónicos informados por los pacientes (ePRO); fisiológico y datos psico-
métricos (especialmente datos en tiempo real recopilados directamente a través
de dispositivos sensores); y datos generados en línea (por ejemplo, comentarios
y publicaciones de pacientes en herramientas de redes sociales en línea). Hay
varios ejemplos de intervenciones tecnológicas desarrolladas para beneficio de
la salud pública a este respecto. Por ejemplo, los EHR se han procesado para
mejorar la aplicación y el análisis.30
Un dato estructurado es un dato que puede ser almacenado, consultado,
analizado y manipulado por máquinas, normalmente, en modo tabla de datos;
por ejemplo, datos clásicos de los pacientes (nombre, edad, sexo…). Un dato no
estructurado o desestructurado es todo lo contrario, por ejemplo, las recetas de
papel, los registros médicos, las notas manuscritas de médicos y enfermeras, las
86 grabaciones de voz, las radiografías, escáneres, resonancias magnéticas, TAC
y otras imágenes médicas. A estos datos, pertenecientes a ambas categorías,
29
Gaitanou, Rea, Gaoufallou, Emmanouel y Panos, Balatsoukas, “The Effectiveness of Big Data in Health Care: A
Systematic Review”, [Consultada 30 de marzo de 2020], Disponible en: https://www.researchgate.net/publica-
tion/278707106_The_Effectiveness_of_Big_Data_in_Health_Care_A_Systematic_Review
30
Gaitanou, Rea, Gaoufallou, Emmanouel y Panos, Balatsoukas, “The Effectiveness of Big Data in Health Care: A
Systematic Review”, [Consultada 30 de marzo de 2020], Disponible en: https://www.researchgate.net/publica-
tion/278707106_The_Effectiveness_of_Big_Data_in_Health_Care_A_Systematic_Review
también se pueden considerar los archivos electrónicos de contabilidad y ges-

tión administrativa, datos clínicos, etc.31
Existen dos grandes proyectos a nivel europeo en relación al intercambio
de datos con enorme potencial a nivel de investigación, docencia y empleo de
esos datos a través de Big Data: 1) European Reference Networks (EURORDIS):
estructura de gestión para el intercambio de conocimientos y coordinación de
la atención en toda la Unión Europea en el campo de las enfermedades raras.
Colaboran centros de referencia, prestadores de asistencia sanitaria y laborato-
rios; 2) European Medical Information Framework (EMIF): permite a científi-
cos e investigadores acceder a varias bases de datos de pacientes reales.32
Entre los problemas o aspectos negativos que puede presentar el Big Data
en el ámbito sanitario se resaltan:
Los datos que se ponen a disposición en código abierto están disponi-

bles gratuitamente, por lo tanto, son muy vulnerables. 33 34 35
Problemas de estructura de datos, los datos están fragmentados, dis-
persos y rara vez estandarizados.36 37 38
31
Joyanes A., Luis y Poyatos D., Juan Miguel, “Big Data y el sector de la salud: el futuro de la sanidad”, [Consultada
07 de mayo de 2020], Disponible en: http://poyatosdiaz.com/index.php/big-data-y-el-sector-de-la-salud-el-futuro-
de-la-sanidad
32
Eguia, Hans A. et al, “Clínicos ante las Tics: La transformación digital desde la perspectiva de SEMERGEN”, Revista
de la Sociedad Española de Informática de la Salud, Nº 130, septiembre de 2018, pp. 42-43, [Consultada: 04 de mayo
de 2020], Disponible en: https://seis.es/is-130-septiembre-2018/
33
Jee Kyoungyoung, Gang-Hoon Kim, “Potentiality of Big Data in the Medical Sector: Focus on How to Reshape the
Healthcare System”, Healthcare Informatics Research, 2013, vol 19, Nº 2, pp. 79, [Consultada el 07 de mayo de 2020],
Disponible en: https://www.ncbi.nlm.nih.gov/pubmed/23882412
34
Raghupathi Wullianallur y Raghupathi Viju, “Big data analytics in healthcare: promise and potential”, Health
Information Science and Systems, 2014, vol 2, Nº 1, [Consultada el 07 de mayo de 2020], Disponible en: https://link.
springer.com/article/10.1186/2047-2501-2-3
35
Baro Emilie, Degoul Samuel, Beuscart Regis y Chazard Emmanuel, “Toward a Literature-Driven Definition of Big
Data in Healthcare”. BioMed Research International, 2015, vol 2015, pp. 1–9, [Consultada el 07 de mayo de 2020], 87
Disponible en: https://www.hindawi.com/journals/bmri/2015/639021
36
Jee Kyoungyoung, Gang-Hoon Kim, “Potentiality of Big Data in the Medical Sector: Focus on How to Reshape
the Healthcare System”, Healthcare Informatics Research, 2013, Vol. 19, Nº 2, pp. 79, [Consultada el 07 de mayo de
2020], Disponible en: https://www.ncbi.nlm.nih.gov/pubmed/23882412
37
Raghupathi Wullianallur y Raghupathi Viju, “Big data analytics in healthcare: promise and potential”, Health
Information Science and Systems, 2014, Vol. 2, Nº 1, [Consultada el 07 de mayo de 2020], Disponible en: https://link.
38
Fernandes Lorraine, O’connor Michele y Weaver Victoria, “Big data, bigger outcomes: Healthcare is embracing the
big data movement, hoping to revolutionize HIM by distilling vast collection of data for specific analysis”, Journal
of AHIMA, 2012, Vol. 83, pp. 38–43, [Consultada el 07 de mayo de 2020], Disponible en: https://www.ncbi.nlm.nih.
gov/pubmed/23061351
Aunque los registros electrónicos en salud (EHR) comparten datos den-

tro de la misma organización, las plataformas de EHR están fragmen-
tadas, en el mejor de los casos. Los datos se almacenan en formatos que
no son compatibles con todas las aplicaciones y tecnologías.39 40
La precisión de los datos también es necesaria para proporcionar infor-
mación precisa.41
Algoritmos matemáticos capaces de procesar la información del Big
Data para que la misma éste disponible en tiempo real y no existan
interrupciones al sistema o problemas con las computadoras que lo
soportan.
Los costos asociados con su obtención y almacenamiento son altos.42
Dificultades técnicas que supone el almacenamiento de la gran can-
tidad de datos, la seguridad del almacenamiento en un determinado
soporte, servidor u otro, que cuente con una adecuada infraestructura
que haga inviable su acceso, hackeo, robo o cualquier vulnerabilidad.
Inseguridad que pueda llevar a tomar decisiones automatizadas sin la
intervención del factor humano (médico), porque el Big Data trabaja con
un sistema basado en las probabilidades haciendo correlaciones de datos.
La confidencialidad es importante por la sensibilidad de los datos de
salud.43
Necesidad de mecanismos seguros, fiables y consistentes que permi-
tan la total anonimización de los datos de los pacientes y que estos
39
Raghupathi Wullianallur y Raghupathi, Viju, “Big data analytics in healthcare: promise and potential”, Health
Information Science and Systems, 2014, Vol. 2, Nº 1, [Consultada el 07 de mayo de 2020], Disponible en: https://link.
40
Hsieh Jui-Chien, Ai-Hsien Li y Chung-Chi Yang, “Mobile, Cloud, and Big Data Computing: Contributions, Cha-
llenges, and New Directions in Telecardiology”, International Journal of Environmental Research and Public Heal-
th, 2013, Vol. 10, Nº 11, pp. 6131–6153, [Consultada el 07 de mayo de 2020], Disponible en: https://www.mdpi.
88 com/1660-4601/10/11/6131
41
Kyoungyoung Jee y Gang-Hoon Kim, “Potentiality of Big Data in the Medical Sector: Focus on How to Reshape
the Healthcare System”, Healthcare Informatics Research, 2013, vol 19, Nº 2, pp. 79, [Consultada el 07 de mayo de
2020], Disponible en: https://www.ncbi.nlm.nih.gov/pubmed/23882412
42
Mohr David C., Burns Michelle Nicole, Schueller Stephen M., Clarke Gregory y Klinkman Michael, “Behavioral
Intervention Technologies: Evidence review and recommendations for future research in mental health”, General
Hospital Psychiatry. 2013, Vol. 35, Nº 4, pp. 332–338, [Consultada el 07 de mayo de 2020], Disponible en: https://
www.ncbi.nlm.nih.gov/pmc/articles/PMC3719158/
43
Mohr David C., Burns Michelle Nicole, Schueller Stephen M., Clarke Gregory y Klinkman Michael, “Behavioral
Intervention Technologies: Evidence review and recommendations for future research in mental health”, General
Hospital Psychiatry, 2013, Vol. 35, Nº 4, pp. 332–338, [Consultada el 07 de mayo de 2020], Disponible en: https://
mecanismos impidan la identificación del sujeto mediante la vuelta

atrás del proceso y su reidentificación.44
Problemas de gestión y de cumplimiento normativo.45
Actualización de la normativa europea, Reglamento General de Protec-
ción de Datos (en inglés GDPR) en torno a implicaciones del Big Data,
el Cloud Computing, el Internet de las Cosas o BioTech, todos ellos con
aplicación en el ámbito de los datos sanitarios.46
Cristea Uivaru47 señala que el Big Data, desde el punto de vista de la gestión sa-
nitaria, optimizará los recursos y evitará duplicidades innecesarias eliminando
dichos costes; podrán detectarse de forma precoz epidemias; permitirá a los
médicos un diagnóstico más certero y ágil, etc.; también a las farmacéuticas
detectar de forma rápida efectos secundarios de los medicamentos, reducirá los
costos de investigación y probablemente los medicamentos serían más seguros,
entre otros beneficios.
La monitorización del propio estado de salud y el vuelco de la información
obtenida en grandes bases de datos para su posterior tratamiento y estructura-
ción permitirán, en un futuro muy cercano, avanzar al Big Data hacia un nuevo
concepto de la atención médica personalizada.
4. Técnicas de anonimización para el Big

Data y la Inteligencia Artificial
La anonimización es el proceso que permite eliminar o reducir al mínimo los

riesgos de reidentificación de un individuo a partir de sus datos personales
44
Llaser M., Mª R., Casado, M. y Buisan E., L., “Documento sobre bioética y Big Data de salud: explotación y comer-
cialización de los datos de los usuarios de la sanidad pública”, Observatorio de Bioética y Derecho de la Universidad
de Barcelona, 2015 [Consultada 25 de abril de 2020], Disponible en: http://www.publicacions.ub.edu/refs/observa-
toriBioEticaDret/documents/08209.pdf
45
Scott Kruse Clemens, Goswamy Rishi, Raval Yesha y Marawi Sarah, “Challenges and Opportunities of Big Data in 89
Health Care: A Systematic Review”, JMIR Medical Informatics, 2016, Vol. 4, Nº 4, p. 38, [Consultada el 07 de mayo de
2020], Disponible en: https://medinform.jmir.org/2016/4/e38/pdf
46
Cristea UUivaru, Lucia N., “La protección de datos de carácter sensible en el ámbito europeo. Historia Clínica
Digital y Big Data en Salud”, Tesis Doctoral, Facultad de Ciencias Sociales de la Universidad Abat Oliba CEU, 2017,
p. 303 [Consultada 10 de abril de 2020], Disponible en: https://www.tdx.cat/bitstream/handle/10803/442972/Tlcu.
pdf?sequence=1&isAllowed=y
47
Cristea UUivaru, Lucia N., “La protección de datos de carácter sensible en el ámbito europeo. Historia Clínica
Digital y Big Data en Salud”, Tesis Doctoral, Facultad de Ciencias Sociales de la Universidad Abat Oliba CEU, 2017,
p. 297 [Consultada 10 de abril de 2020], Disponible en: https://www.tdx.cat/bitstream/handle/10803/442972/Tlcu.
pdf?sequence=1&isAllowed=y
eliminando toda referencia directa o indirecta a su identidad, pero manteniendo

la veracidad de los resultados del tratamiento de los mismos. Es decir, además de
evitar la identificación de las personas, los datos anonimizados deben garantizar
que cualquier operación o tratamiento que pueda ser realizado con posterioridad
a la anonimización no conlleva una distorsión de los datos reales.48
La anonimización implica un tratamiento posterior de los datos persona-
les. Por tanto, debe satisfacer el requisito de compatibilidad teniendo en cuenta
las circunstancias y los fundamentos jurídicos de dicho tratamiento. Por otra
parte, aunque los datos anonimizados se encuentren fuera del alcance de la
legislación sobre protección de datos, es posible que los interesados tengan
derecho a protección en virtud de otras disposiciones legales (como las que
protegen la confidencialidad de las comunicaciones).49
Es factible, actualmente, la desanonimización, reidentificación, o revela-
ción de datos personales de conjuntos de usuarios y de usuarios individuales,
pues las herramientas informáticas empleadas pueden servir tanto para esa fi-
nalidad como para la contraria. Es importante remarcar que el problema no
es únicamente la transformación de los datos considerados personales en un
conjunto de datos, pues incluso eliminando estos datos personales es posible
llegar a reidentificar a una persona concreta.50
El Grupo de Trabajo del Artículo 29 reconoce el valor potencial de la ano-
nimización, en particular como estrategia para permitir a las personas y la so-
ciedad en su conjunto beneficiarse de los «datos abiertos» al mismo tiempo que
se mitigan los riesgos para los interesados. No obstante, los estudios de caso y
las publicaciones científicas muestran la dificultad de crear un conjunto de da-
tos verdaderamente anónimo conservando, sin embargo, toda la información
subyacente requerida para la tarea.51
48
Agencia Española de Protección de Datos, “Adecuación al RGPD de tratamientos que incorporan Inteligencia Ar-
90 tificial. Una introducción”, p. 9 [Consultada 25 de abril de 2020], Disponible en: https://www.aepd.es/sites/default/
files/2020-02/adecuacion-rgpd-ia.pdf
49
Grupo de Trabajo del Artículo 29, “Dictamen 015/2014 sobre técnicas de anonimización”, de la Comisión Europea
de 10 de abril de 2014, p. 3, [Consultada 25 de abril de 2020], Disponible en: https://www.aepd.es/sites/default/
files/2019-12/wp216-es.pdf
50
de Barcelona, 2015, p. 45 [Consultada 25 de abril de 2020], Disponible en: http://www.publicacions.ub.edu/refs/
observatoriBioEticaDret/documents/08209.pdf
51
En este documento, se aborda también la seudonimización, para aclarar

algunos errores e ideas falsas: la seudonimización no es un método de ano-
nimización; simplemente, reduce la vinculabilidad de un conjunto de datos
con la identidad original del interesado y es, en consecuencia, una medida de
seguridad útil.52 (AEPD, 2020).
La seudonimización se define, en el artículo 4.5 del Reglamento General de
Protección de Datos de la UE,53 como:
(…) el tratamiento de datos personales de manera tal que ya no pue-

dan atribuirse a un interesado sin utilizar información adicional, siem-
pre que dicha información adicional figure por separado y esté suje-
ta a medidas técnicas y organizativas destinadas a garantizar que los
datos personales no se atribuyan a una persona física identificada o
identificable.
La conclusión del dictamen es que las técnicas de anonimización pueden apor-

tar garantías de privacidad y usarse para generar procesos de anonimización
eficientes, pero solo si su aplicación se diseña adecuadamente, lo que significa
que han de definirse con claridad los requisitos previos (el contexto) y los obje-
tivos del proceso para obtener la anonimización deseada al mismo tiempo que
se generan datos útiles. La solución óptima debe decidirse caso por caso y pue-
de conllevar la combinación de diversas técnicas, aunque siempre respetando
las recomendaciones prácticas que se formulan en este documento.54
Los procesos de anonimización del dato deben llevarse a cabo dentro
del perímetro interno de la Administración por las garantías que otorgan las
obligaciones de transparencia y rendición de cuentas que dicha Administra-
ción tiene, si bien la responsabilidad compartida exige también transparencia
y rendición de cuentas al sector privado, especialmente en las redes mixtas
público-privadas.55
91
52
53
Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección
de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos y
por el que se deroga la Directiva 95/46/CE [Consultada: 02 de mayo de 2020], Disponible en: https://eur-lex.europa.
eu/legal-content/ES/TXT/?uri=CELEX%3A32016R0679
54
de 10 de abril de 2014, pp. 26, [Consultada 25 de abril de 2020], Disponible en: https://www.aepd.es/sites/default/
55
En la 36ª Conferencia Internacional de Autoridades de Protección de Datos

y Privacidad, los reguladores internacionales de privacidad y de protección de
datos hicieron un llamamiento colectivo con relación al empleo de esta técnica
a todas las partes que utilizan el Big Data para exigir el cumplimiento de una
serie de principios que consideran como el punto de partida a esta técnica.56
Por otra parte, el Consejo Europeo de Protección de Datos queda habilitado
para publicar directrices y recomendaciones a fin de especificar los criterios y
condiciones aplicables a la elaboración de perfiles. Se citan a continuación los
principios: a) Respetar el principio de especificación de la finalidad; b) Limitar
la cantidad de información recolectada y almacenada a un nivel que sea ne-
cesario para el propósito legítimo que pretende; c) Obtener, cuando sea apro-
piado, el consentimiento válido del titular de los datos en relación con el uso
de información personal para fines de análisis y de creación de perfiles; d) Ser
transparente acerca de qué información se recolecta, cómo se procesa, con qué
propósito será utilizada y si será transferida a terceros; e) Dar a las personas
acceso apropiado a los datos; f) Ofrecer a las personas, cuando sea apropiado,
acceso a la información sobre los insumos principales y los criterios para la
toma de decisiones (algoritmos) que se han utilizado como base para el desa-
rrollo del perfil; g) Llevar a cabo una evaluación de impacto en la privacidad,
especialmente cuando el análisis del Big Data implica usos novedosos o ines-
perados de los datos personales; h) Desarrollar y utilizar tecnologías del Big
Data de acuerdo con los principios de la privacidad por diseño; i) Considerar
cuando los datos anónimos mejorarán la protección de la privacidad; j) Actuar
cumpliendo la legislación aplicable en materia de protección de datos, cuando
se comparte o se publican conjuntos de datos con seudónimos o que pueden ser
identificables indirectamente; y k) Demostrar que las decisiones respecto al uso
del Big Data son justas, transparentes y responsables.57
92
de Barcelona, 2015, pp. 46 [Consultada 25 de abril de 2020], Disponible en: http://www.publicacions.ub.edu/refs/
observatoriBioEticaDret/documents/08209.pdf
56
Puyol Montero, Javier, Aproximación jurídica y económica al Big Data, Valencia, Tirant lo Blanch, 2015, p. 309.
57
Puyol Montero, Javier, Aproximación jurídica y económica al Big Data, Valencia, Tirant lo Blanch, 2015, pp. 306-
328.
5. Inteligencia Artificial, aprendizaje automático y aprendizaje

profundo en el ámbito de la salud
La Red Iberoamericana de Protección de Datos menciona que “la Inteligencia

Artificial incluye una variedad de técnicas computacionales y de procesos en-
focados a mejorar la capacidad de las máquinas para realizar muchas activida-
des, los que comprenden desde modelos algorítmicos, pasando por los sistemas
de machine learnig, hasta llegar a las técnicas de deep learning. Particularmen-
te se vincula el uso de algoritmos a la IA, los cuales son un conjunto de reglas o
una secuencia de operaciones lógicas que proporcionan instrucciones para que
las máquinas tomen decisiones o actúen de determinada manera”.58
La Inteligencia Artificial ha mejorado la calidad y la atención médica,
dado que al acelerar la investigación sobre datos clínicos con algoritmos com-
putacionales tales como el aprendizaje automático (Machine Learning), apren-
dizaje profundo (Deep Learning) y sistemas expertos, se ha permitido una de-
tección y prevención temprana de trastornos como diabetes, edemas, cáncer,
autismo, y otros; por tanto, la evolución de la historia clínica permite agilizar
el intercambio de datos entre los médicos, unidades de atención, laboratorios
de investigación y el paciente.59
Si bien la Inteligencia Artificial abarca una amplia gama de enfoques
simbólicos y estadísticos para el aprendizaje y el razonamiento, la potencia
del equipo computacional, incluyendo el uso de la programación paralela o
distribuida, los avances algorítmicos, así como el acceso a grandes conjuntos
de datos han permitido que las redes neuronales artificiales emerjan como el
método líder de la Inteligencia Artificial. Las redes neuronales artificiales son
modelos matemáticos flexibles que utilizan múltiples algoritmos para identi-
ficar relaciones complejas no lineales dentro de grandes conjuntos de datos
(análisis). Las máquinas aprenden cuándo se corrigen los errores encontrados
93
58
Red Iberoamericana de Protección de Datos, Recomendaciones Generales para el Tratamiento de datos en la
Inteligencia Artificial, [Consultada 12 de octubre de 2020], [Disponible en: https://www.redipd.org/sites/default/
files/2020-02/guia-recomendaciones-generales-tratamiento-datos-ia.pdf].
59
Ahmed Zeeshan, Khalid Mohamed, Saman Zeeshan, Xinqi Dong, “Artificial intelligence with multi-functional
machine learning platform development for better healthcare and precision medicine”, Database, 2020, Vol. 2020,
[Consultada 15 de abril de 2020], Disponible en: https://academic.oup.com/database/article/doi/10.1093/database/
baaa010/5809229
en respuesta a modificaciones menores del algoritmo (entrenamiento), mejo-

rando progresivamente la precisión del modelo predictivo (confianza).60 61
Se mejora lo anterior con el aprendizaje profundo (Deep Learning), dado
que existen varias características ocultas que se descubren y mejoran en tiem-
pos si se hace uso de equipos optimizados, es decir, gracias a tarjetas gráficas,
servidores con múltiples procesadores o arquitecturas en la nube. Una aplica-
ción común del aprendizaje profundo es encontrar patrones de comportamien-
to en imágenes como las radiológicas, por resonancia magnética funcional u
otras Esta combinación permite una mayor precisión en el diagnóstico, ge-
nerando herramientas automatizadas conocidas como detección asistida por
computadora (CAD).
Parte del aprendizaje profundo es el Procesamiento Natural del Lenguaje
(PNL), este permite reconocimiento de voz, análisis de texto, traducción y otros
objetivos relacionados con el lenguaje. Hay dos enfoques básicos: PNL esta-
dístico se basa en el aprendizaje automático (redes neuronales de aprendizaje
profundo en particular) y ha contribuido a un aumento reciente en la precisión
del reconocimiento, y el PNL semántico.62
El aprendizaje computacional consiste básicamente en enseñar a una má-
quina a hacer algo mostrándole muchos ejemplos, pero en medicina no suelen
compartir por motivos de privacidad y de protección de datos personales. En
la investigación médica, además de entrevistar a los especialistas, se utilizan
cientos de datos de diagnósticos para que la máquina aprenda; así, si se desea
que se detecte un tumor en el cerebro, se procesarán los datos y esto permitirá
una conclusión.63 Existen contribuciones valiosas como la iniciativa Biobank,
un proyecto en Reino Unido para crear una base de datos de acceso libre con
imágenes médicas, informe y hábitos de vida de 100.000 voluntarios, otros
repositorios importantes son de Kaagle, UCI o ABIDE, específicamente de pro-
blemas de autismo.
94
60
Goodfellow Ian, Bengio Yoshua y Courville Aaron, “Deep Learning”, MIT Press, 2016, [Consultada el 12 de mayo de
2020], Disponible en: http://www.deeplearningbook.org
61
Miller Douglas y Brown Eric, “Artificial Intelligence in Medical Practice: The Question to the Answer?”. The Ame-
rican Journal of Medicine, 2018, Vol. 131, Nº 2, pp. 129–133, [Consultada el 12 de mayo de 2020], Disponible en:
https://kundoc.com/pdf-artificial-intelligence-in-medical-practice-the-question-to-the-answer-.htmlwww.dee-
plearningbook.org
62
Davenport Thomas y Kalakota Ravi, “The potential for artificial intelligence in healthcare”, Future healthcare
journal, 2019, Vol. 6, pp. 94-98, [Consultada el 12 de abril de 2020], Disponible en: https://www.ncbi.nlm.nih.gov/
pmc/articles/PMC6616181/
63
Guerrero Teresa y Lucio Cristina G., “Un nuevo aliado de los médicos” en periódico El Mundo [Consultada 29 de
abril de 2020], Disponible en: https://lab.elmundo.es/inteligencia-artificial/salud.html
El aprendizaje profundo también contempla el denominado aprendizaje

del lenguaje natural, esto permite la creación, comprensión y clasificación de
la documentación clínica, para lo cual se requiere un gran “corpus” o cuerpo
de lenguaje del cual aprender; estas aplicaciones analizan notas clínicas no
estructuradas en pacientes, preparar informes y facilitar conversaciones.
Parte de la Inteligencia Artificial son los sistemas expertos, los cuales no
han caducado y siguen siendo usados, estos se basan en condicionantes o re-
glas “si-entonces”, su auge fue en la década de los 80. Los sistemas expertos
requieren expertos humanos para construir una serie de reglas en un dominio
de conocimiento particular. Funcionan bien hasta cierto punto y son fáciles
de entender. Sin embargo, cuando el número de reglas es grande, las reglas
comienzan a entrar en conflicto entre sí o no son coherentes.
6. Beneficios y riesgos de la Inteligencia

Artificial en el ámbito sanitario
A continuación, podemos conocer los beneficios que otorga la aplicación de

Inteligencia Artificial en el ámbito de la salud:
Uno de los mejores ejemplos de la aplicación de Inteligencia Artificial en
salud es Watson, desarrollado por IBM. La división de este sistema de Inteli-
gencia Artificial centrada en aplicaciones sanitarias cuenta con una rama para
oncología (Watson for oncology). Watson asesora a médicos que trabajan en
hospitales de Estados Unidos, India, México, Tailandia, Eslovaquia o Corea. En
la actualidad, Watson está entrenado para detectar 13 tipos de cáncer y su tec-
nología ha llegado a 45.000 pacientes en todo el mundo.64
Otra de las aplicaciones de Inteligencia Artificial y la telemedicina es el
asistente robótico para cirugías o robot-assisted surgery, este asistente brinda
la posibilidad, al profesional médico, de realizar operaciones sin la necesidad
de que doctor y paciente se encuentren en el mismo espacio geográfico; las vir-
tual nursing assistant o enfermeras virtuales son aplicaciones de Inteligencia
Artificial que asisten al paciente en cualquier momento que este desee, me- 95
diante una aplicación que puede descargarse de internet hacia un dispositivo
móvil.65
64
Guerrero Teresa y Lucio Cristina G., “La artificialInteligencia Artificial entra en el hospital”, periódico El Mundo
[Consultada 29 de abril de 2020], Disponible en: https://lab.elmundo.es/inteligencia-artificial/salud.html
65
Martínez – García, Diana N. et al, “Avances de la Inteligencia Artificial en salud”, Revista Científica Dominio de las
Ciencias, Dom. Cien., ISSN: 2477-8818, Vol. 5, núm. 3, julio 2019, p. 609, DOI: 10.23857/dc.v5i3.955 [Consultada 28
de abril de 2020], Disponible en: https://dialnet.unirioja.es/descarga/articulo/7154291.pdf
El objetivo de la compañía Alphabet es crear una aplicación Streams que

centraliza la información sobre un paciente, puede generar alertas en base a
esa información, permitiendo al profesional sanitario actuar con rapidez. Sen-
trian apunta más allá, el objetivo es prever cuándo una persona se puede en-
fermar, utilizando biosensores y aprendizaje automático para analizar datos.66
En la Universidad de Valencia (España) están entrenando a máquinas para
ayudar a los médicos a realizar mejores diagnósticos, trabajan en un sistema
de Inteligencia Artificial capaz de detectar el cáncer de pecho en mamografías
usando la misma tecnología de la física de partículas con la que se detectó el
Boson de Higgs en el CERN de Ginebra. El nivel de confianza del diagnóstico
está en torno al 89%; si se combina con la valoración de radiólogos humanos,
el porcentaje se eleva al 93%.67
En Silicon Valley trabajan ingenieros en biomedicina que investigan en el
campo de la visión por computador y el aprendizaje profundo (deep learning)
para que las computadoras detecten enfermedades tras analizar la fotografía
de un ojo. Los diagnósticos de la diabetes, dolencias cardiovasculares, dege-
neración macular o glaucoma pueden realizarse ya mediante observación de
la retina.68
DeepHealth es un proyecto europeo para mejorar los diagnósticos

médicos con Inteligencia Artificial que financia con 12 millones el
programa Horizonte 2020, se utilizará la Computación de Alto Rendi-
miento y Big Data en aplicaciones biomédicas, empleando técnicas de
vanguardia de Inteligencia Artificial, aprendizaje profundo y visión ar-
tificial para dar soporte a nuevas formas eficientes para el diagnóstico,
seguimiento y tratamiento de enfermedades.69
Desde una clínica remota en el Amazonas (Brasil) mediante el uso de la platafor-

ma denominada Portal Telemedicina que hace uso de la Inteligencia Artificial,
96
66
Martínez – García, Diana N. et al, “Avances de la Inteligencia Artificial en salud”, Revista Científica Dominio de las
Ciencias, Dom. Cien., ISSN: 2477-8818, Vol. 5, núm. 3, julio 2019, pp. 610, DOI: 10.23857/dc.v5i3.955 [Consultada 28
de abril de 2020], Disponible en: https://dialnet.unirioja.es/descarga/articulo/7154291.pdf
67
Guerrero Teresa y Lucio Cristina G., “Detección precoz del cáncer de mama”, periódico El Mundo [Consultada 29
de abril de 2020], Disponible en: https://lab.elmundo.es/inteligencia-artificial/salud.html
68
De Miguel, Mar, “Lili Peng: Los médicos necesitamos mejorar la forma en la que manejamos un gran volumen de
datos”, Periódico El Mundo [Consultada 29 de abril de 2020], Disponible en: https://lab.elmundo.es/inteligencia-ar-
tificial/salud.html
69
IT User Tech & Bussines, “DeepHealth, el proyecto europeo para mejorar los diagnósticos médicos con Inteligen-
cia Artificial” [Consultada 30 de abril de 2020], Disponible en: https://www.ituser.es/actualidad/2019/05/deepheal-
th-el-proyecto-europeo-para-mejorar-los-diagnosticos-medicos-con-inteligencia-artificial
es posible subir imágenes para diagnóstico, tales como una tomografía compu-
tarizada; se compara las imágenes con datos clínicos históricos para sugerir un
diagnóstico propuesto, que luego es verificado por un radiólogo en Sao Paulo.70
Meridian Medical Network Corp desarrolló Angel Robot, una solución

que integra la Inteligencia Artificial con sistemas de apoyo de deci-
siones clínicas, un robot que utiliza la tecnología de reconocimiento
facial para reconocer y conversar con los pacientes a fin de remitirlos
a especialistas o prescribirles medicamentos, solución probada en el
condado de Jingde (China).71
En relación a los riesgos cabe mencionar:
Diversos estudios indican que muchos sistemas de Inteligencia Artifi-

cial afectan desproporcionadamente a grupos que ya están en desven-
taja por factores como la raza, género y antecedentes socioeconómicos.
La capacidad de detectar y corregir estos sesgos en los datos hace que
sea importante contar con grandes volúmenes de datos y diferentes
para que la amplitud y la profundidad de los datos expongan las suti-
lezas correspondientes a cada grupo de pacientes.72
Las personas que confían y utilizan Inteligencia Artificial en el ámbito
sanitario deben incorporar prácticas que garanticen la integridad, con-
fidencialidad y disponibilidad de la información del sistema.
En algunas ocasiones, los datos clínicos son numerosos y no son de
calidad, no hay información concreta del paciente (por ejemplo, dife-
rentes direcciones de su vivienda), la información es inconsistente. En
esta forma los datos no tienen significados clínicos, por lo que no se
pueden crear ontologías a partir de ellos ni una capa semántica que sea
97
70
historia clínica electrónica”, Banco Interamericano de Desarrollo, Abril 2019, p. 16 [Consultada 05 de mayo de 2020],
71
historia clínica electrónica”, Banco Interamericano de Desarrollo, Abril 2019, p. 16 [Consultada 05 de mayo de 2020],
72
la base de la Inteligencia Artificial ni conseguir que un sistema aprenda

solo.73
La influencia de los falsos positivos, los errores y la precisión del siste-
ma de Inteligencia Artificial.74
Otro de los riesgos es el sesgo de automatización, es decir, cuando los
médicos aceptan sin cuestionar los consejos de las máquinas en lugar
de mantener la vigilancia o validar esos consejos.75
Es potencialmente problemática, para la aplicación clínica, la incapaci-
dad de la Inteligencia Artificial para “explicar” la toma de decisiones de
una manera comprensible. Existe la necesidad no solo de enfoques de
buen desempeño, sino también fiables, transparentes e interpretables.
Si bien los ejemplos descritos constituyen impresionantes éxitos prác-
ticos, su efectividad está limitada por la incapacidad para “explicar” la
toma de decisiones de una manera comprensible. Esto es potencial-
mente problemático para su aplicación clínica, donde existe una ne-
cesidad clara de enfoques que no son solo de buen desempeño, sino
también fiables, transparentes e interpretables.76
7. Tendencias de regulación de la Inteligencia Artificial en el

ámbito sanitario
La Inteligencia Artificial involucra la recolección, el almacenamiento, aná-

lisis, procesamiento o interpretación de enormes cantidades de información
(Big Data), que es aplicada para la generación de diversos resultados, accio-
nes o comportamientos por parte de las máquinas. Se están desarrollando
múltiples proyectos e iniciativas en todo el mundo por parte de los Estados,
73
Méndez S., Oscar, “Plenario 1 ¿Conectar datos o relacionar significados?, Revista de la Sociedad Española de
Informática de la Salud, Nº 136, octubre de 2019, ISSN: 1579-8070, pp. 32-33 [Consultada 04 de mayo de 2020],
98 Disponible en: https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https://seis.es/
wp-content/uploads/2019/10/Revista-136.pdf&download=true&print=true&openfile=false
74
García L., Francisco R. y Moratilla V., José Juan, “Taller B1: nuevo paradigma de la compra por valor en sani-
dad: AI (Inteligencia Artificial) aplicada a la radiología”, Revista de la Sociedad Española de Informática de la
Salud, Nº 136, octubre de 2019, ISSN: 1579-8070, pp. 32-33 [Consultada 04 de mayo de 2020], Disponible en:
https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https://seis.es/wp-content/
uploads/2019/10/Revista-136.pdf&download=true&print=true&openfile=false
75
Canguilhem, George, “En los tiempos de la Inteligencia Artificial ¿Cuál será el destino de los médicos?”, Revista
Argentina de Cardiología, Vol. 86 Nº 6, Diciembre 2018, [Consultada 27 de marzo de 2020], Disponible en: https://
dialnet.unirioja.es/descarga/articulo/6775233.pdf
76
empresas y organismos internacionales sobre la Inteligencia Artificial y el uso

de algoritmos.
Los Estados son los principales garantes del fortalecimiento de los dere-
chos humanos cuando sistemas de Inteligencia Artificial son comprados, dise-
ñados y/o implementados por el Estado para definir sus políticas públicas en el
ámbito de la salud.
Las organizaciones internacionales de protección de los derechos huma-
nos son conscientes de los riesgos y están tomando medidas para investigar el
impacto real de la Inteligencia Artificial y elaborar las recomendaciones nece-
sarias que faciliten a sus Estados miembros reaccionar ante las mismas.
En el marco de las Naciones Unidas, son múltiples las organizaciones y
órganos que exploran las oportunidades y retos de la Inteligencia Artificial.
La Unión Internacional de Telecomunicaciones (UIT), organismo especializado
para las tecnologías de la información y la comunicación, se ha convertido en
una de las plataformas clave para explorar este tema que se ha centrado en
las estrategias para garantizar un desarrollo fiable, seguro e inclusivo de estas
tecnologías y el acceso equitativo a sus beneficios.77
El Informe del Relator Especial sobre la promoción y protección del de-
recho a la libertad de opinión y de expresión se constituye en un trabajo más
centrado en analizar el impacto de la Inteligencia Artificial,78 que considera
que una ley o regulación integral de la Inteligencia Artificial puede ser inade-
cuada para un campo tan innovador, dado que tendría que ser muy general y
podría terminar siendo demasiado vaga o demasiado restrictiva, por lo que es
preferible una regulación sectorial. Su informe concluye con recomendaciones,
tanto para los Estados como para las empresas que diseñan y utilizan Inteli-
gencia Artificial.79
En el ámbito europeo, se destaca al Consejo de Europa que creó un nuevo
Comité de Expertos sobre las dimensiones de derechos humanos del procesa-
miento automatizado de datos y diferentes formas de Inteligencia Artificial.80
99
77
Gascón Marcén, Ana, “Derechos humanos e artificial” Inteligencia Artificial”, Setenta años de Constitución Italiana
y cuarenta de Constitución Española, Volumen V, 2019 – 1221, pp. 335-350 [Consultada: 24 de abril de 2020], Dis-
ponible en: https://www.researchgate.net/publication/339687454_Derechos_Humanos_e_Inteligencia_Artificial
78
Naciones Unidas, “Promoción y protección de los derechos humanos: cuestiones de derechos humanos, incluidos
otros medios para mejorar el goce efectivo de los derechos humanos y las libertades fundamentales” pp. 1-24 [Con-
sultada: 02 de mayo de 2020], Disponible en: https://undocs.org/es/A/73/348
79
Resman, Daniel; Schultz, Jason; Crawford, Kate y Whittaker, Meredith, “Algorithmic impact assessments: a practi-
cal framework for public agency accountability” [Consultada: 02 de mayo de 2020], Disponible en: https://ainowins-
titute.org/aiareport2018.pdf
80
La Recomendación CM/REc (2019) del Comité de Ministros a los Estados Miembros sobre la protección de datos
relacionados con la salud aprobado por el Comité de Ministros el 27 de marzo de 2019 en la 1342ª reunión de los
La Convención 108 de 1981 del Consejo de Europa sobre la protección de los

individuos en el contexto del procesamiento de datos personales y tras su revi-
sión Convenio 108+ actualizado y relacionado con los actuales retos digitales,
utilizando como base los principios81 del Reglamento General de Protección de
Datos (RGPD) y de la OCDE.
El Grupo europeo de ética de la ciencia y de las nuevas tecnologías (grupo
consultivo de la Comisión) de la Unión Europea publicó, en marzo de 2018, una
Declaración sobre Inteligencia Artificial, robótica y sistemas autónomos.82
Las directrices elaboradas por el grupo de expertos de alto nivel sobre la
Inteligencia Artificial de la Comisión Europea, se basan en particular en el
trabajo realizado por el Grupo europeo de ética de la ciencia y de las nuevas
tecnologías y la Agencia de los Derechos Fundamentales. Las directrices pro-
pugnan que, para lograr una Inteligencia Artificial fiable, son necesarios tres
componentes: 1) debe ser conforme a la ley, 2) debe respetar los principios
éticos y 3) debe ser sólida.
Las directrices señalan siete requisitos esenciales que deben respetar las
aplicaciones de IA para ser consideradas fiables: 1) Intervención y supervisión
humanas, 2) Solidez y seguridad técnicas, 3) Privacidad y gestión de datos, 4)
Transparencia, 5) Diversidad, no discriminación y equidad, 6) Bienestar social
y medioambiental y 7) Rendición de cuentas.83
La OCDE establece los siguientes principios sobre la Inteligencia Artificial
(IA):
Delegados de los Ministros. Esta recomendación es aplicable al tratamiento de datos personales relacionados con
la salud en los sectores público y privado. Por tanto, también se aplica al intercambio y al intercambio de datos
relacionados con la salud mediante herramientas digitales (2. Alcance). Considerando que los datos relacionados
con la salud pertenecen a una categoría especial que, en virtud del artículo 6 del Convenio 108, goza de un ma-
yor nivel de protección debido al riesgo de discriminación que puede producirse con su tratamiento. Consejo de
Europa, “Recomendación CM/REc (2019) del Comité de Ministros a los Estados Miembros sobre la protección de
100 datos relacionados con la salud”, [Consultada 18 de octubre de 2020], Disponible: https://search.coe.int/cm/pages/
result_details.aspx?objectid=09000016809e1154
81
1) Licitud, lealtad y transparencia, 2) Limitación de la finalidad, 3) Minimización de datos, 4) Exactitud, 5) Limita-
ción del plazo de conservación, 6) Integridad y confidencialidad, y 7) Responsabilidad proactiva.
82
Villalobos, María José, “Traducción de la Declaración sobre Inteligencia Artificial, robótica y sistemas “autónomos”
del Grupo Europeo sobre Ética de la Ciencia y las Nuevas Tecnologías”, [Consultada 03 de mayo de 2020], Disponible
en: https://www.researchgate.net/publication/332061758_Traduccion_de_la_Declaracion_sobre_Inteligencia_ar-
tificial_robotica_y_sistemas_autonomos_del_Grupo_Europeo_sobre_Etica_de_la_Ciencia_y_las_Nuevas_Tecno-
logias
83
Comisión Europea, “Generar confianza en la Inteligencia Artificial centrada en el ser humano” pp. 3-7, [Consul-
tada: 19 de octubre de 2020], Disponible en: https://ec.europa.eu/transparency/regdoc/rep/1/2019/ES/COM-2019-
168-F1-ES-MAIN-PART-1.PDF
1. La IA debería beneficiar a las personas y al planeta impulsando el cre-

cimiento inclusivo, el desarrollo sostenible y el bienestar.
2. Los sistemas de inteligencia artificial deben diseñarse de manera que
respeten el estado de derecho, los derechos humanos, los valores demo-
cráticos y la diversidad, y deben incluir las salvaguardias adecuadas,
por ejemplo, permitir la intervención humana cuando sea necesario,
para garantizar una sociedad justa y equitativa.
3. Debe haber transparencia y divulgación responsable en torno a los sis-
temas de IA para garantizar que las personas comprendan los resulta-
dos basados en la IA y puedan desafiarlos.
4. Los sistemas de IA deben funcionar de manera robusta y segura a lo
largo de sus ciclos de vida y los riesgos potenciales deben evaluarse y
gestionarse continuamente.
5. Las organizaciones y las personas que desarrollan, implementan u
operan sistemas de IA deben ser responsables de su correcto funciona-
miento de acuerdo con los principios anteriores.84
El Reglamento General de Protección de Datos (RGDP)85 de la Unión Europea

se constituye en la normativa relativa a la automatización de la toma de de-
cisiones que puede realizarse a través de Inteligencia Artificial. El mismo que
establece el derecho de los individuos a no ser sometidos a una decisión basa-
da puramente en un proceso automatizado si ésta ha de tener efectos legales
significativos en la vida de aquellos. Con el RGPD, se está avanzando hacia la
privacidad desde el diseño y, por defecto, en la elaboración de programas de In-
teligencia Artificial debiendo asumirse una perspectiva pro derechos humanos.
La Declaración de los Comisionados de Privacidad y Protección de Datos
Personales relativa a la ética y protección de datos de Inteligencia Artificial
reconoce el vínculo entre la recolección, uso y revelación de información per-
sonal y el desarrollo de ciertas áreas de la IA: i) los datos personales son una
categoría jurídica de información que se rige por reglas especiales que deben
observarse en la industria de la Inteligencia Artificial; ii) no todo desarrollo 101
de IA implica el tratamiento de datos personales; y iii) los datos personales no
84
OCDE, “¿Qué son los los principios de la OCDE sobre IA?” [Consultada: 25 de octubre de 2020], Disponible en:
http://www.oecd.org/going-digital/ai/principles/
85
Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección
de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos y
por el que se deroga la Directiva 95/46/CE [Consultada: 02 de mayo de 2020], Disponible en: https://eur-lex.europa.
eu/legal-content/ES/TXT/?uri=CELEX%3A32016R0679
son la única información que se recolecta, almacena, analiza y usa para dicho
efecto86.
El documento Recomendaciones Generales para el Tratamiento de Datos
en la Inteligencia Artificial87 de la Red Iberoamericana de Protección de Datos
recomienda que los proyectos o desarrollos de Inteligencia Artificial que in-
volucren el tratamiento de datos personales consideren lo siguiente: 1) Cum-
plir las normas locales sobre el tratamiento de datos personales; 2) Efectuar
estudios de impacto de privacidad; 3) Incorporar la privacidad, la ética y la
seguridad desde el diseño y, por defecto; 4) Materializar el principio de respon-
sabilidad demostrada; 5) Diseñar esquemas apropiados de gobernanza sobre
tratamiento de datos personales (TDP) en las organizaciones que desarrollan
productos de IA; 6) Adoptar medidas para garantizar los principios sobre TPD
en los proyectos de IA; 7) Respetar los derechos de los titulares de los datos e
implementar mecanismos efectivos para el ejercicio de los mismos; 8) Asegu-
rar la calidad de los datos; 9) Utilizar herramientas de anonimización; e) 10)
Incrementar confianza y transparencia con los titulares de los datos Personales.
Previo al diseño y desarrollo de productos de Inteligencia Artificial, en la
medida que los productos entrañen un alto riesgo de afectación del derecho a
la protección de datos personales de los titulares, se debe efectuar una evalua-
ción de impacto en la privacidad (Privacy Impact Assessment – PIA por sus
siglas en inglés).88 La privacidad por arquitectura (privacy by design) representa
el empleo de mecanismos y soluciones que respetan los valores de privacidad
durante todo el ciclo de vida de los datos recolectados en razón de aplicaciones,
productos u otros servicios. En la misma línea, la seguridad por arquitectura
(security by design) tiene por objetivo garantizar la seguridad de tales datos
desde la concepción de los productos y servicios. Por último, poco estudiada,
pero de extrema importancia está la ética por arquitectura (ethics by design),
102
86
Declaration on ethics and data protection in artificial intelligence, 40th International Conference of Data Protec-
tion and Privacy Commisioners Tuesday 23rd October 2018 [Consultada 03 de mayo de 2020], Disponible en: https://
edps.europa.eu/sites/edp/files/publication/icdppc-40th_ai-declaration_adopted_en_0.pdf
87
Red Iberoamericana de Protección de Datos, “Recomendaciones Generales para el Tratamiento de Datos en la
Inteligencia Artificial”, texto aprobado por las Entidades integrantes de la RIPD en la sesión del 21 de junio de 2019
en la ciudad de Naucalpan de Juárez, México, [Consultada 02 de mayo de 2020], Disponible en: https://www.redipd.
88
Red Iberoamericana de Protección de Datos, “Recomendaciones Generales para el Tratamiento de Datos en la
Inteligencia Artificial”, Texto aprobado por las Entidades integrantes de la RIPD en la sesión del 21 de junio de 2019
en la ciudad de Naucalpan de Juárez, México, [Consultada 02 de mayo de 2020], Disponible en: https://www.redipd.
porque sin valores éticos, la tecnología puede ser responsable de segregar, dis-
criminar y así perjudicar la convivencia humana.89 90
En el ámbito internacional, existen diferentes guías y marcos de referencia
para asegurar un procedimiento ético en la investigación médica, entre ellas,
las normas de cooperación de la OCDE de 2018o la política de la Agencia Eu-
ropea del Medicamento91 sobre publicación de datos clínicos. La Organización
Mundial de la Salud (OMS) cuenta con un sitio web92 dedicado a informar y
educar a los profesionales sobre cómo integrar la ética en el tratamiento de
brotes de enfermedades infecciosas, en la investigación y en las prácticas de
monitoreo que usen datos de salud abiertos. Entre las publicaciones están las
Pautas de la OMS sobre la ética en la vigilancia de la salud pública93 en la cual
se incluyen 17 pautas para asegurar que esta se realice de manera ética.
8. A modo de conclusión
La Historia Clínica está conformada por datos de información perso-

nal (nombre y apellidos, dirección, teléfono, documento nacional de
89
De Oliveira, Caio César. “Inteligencia Artificial al servicio de la convivencia humana: la importancia de normas de
privacidad, seguridad y ética desde la concepción de productos y servicios”, Inteligencia Artificial y bienestar de las
juventudes en América Latina, ISBN: 978-956-00-1237-1 Primera edición, diciembre 2019 [Consultada 28 de abril
de 2020], Disponible en: https://drive.google.com/file/d/1OenZSNPgHUUd39ltaUIZw83B0Lt0GF6K/view
90
Dicho marco de gobernanza de datos de salud debería contemplar: 1) Compromiso y participación, 2) Coordi-
nación en el ámbito del gobierno y promoción de la cooperación entre organizaciones de procesamiento de datos
personales de salud, tanto en el sector público como en el privado, 3) Revisión de la capacidad de los sistemas de
datos de salud del sector público empleados para procesar datos personales de salud que sirvan y protejan el interés
público, 4) Disposición de la información de manera clara para las personas, 5) Consentimiento informado y alter-
nativas adecuadas, 6) Procedimientos de revisión y aprobación, según corresponda, sobre el uso de datos personales
de salud con fines de investigación y otros propósitos de interés público relacionados con la salud, 7) Transparencia,
a través de mecanismos de información pública que no comprometan la privacidad de los datos de salud, la pro-
tección de seguridad, los intereses comerciales legítimos ni otros intereses de las organizaciones, 8) Maximización
del potencial y promoción del desarrollo de la tecnología, 9) Establecimiento de una capacitación adecuada y
desarrollo de competencias en medidas de privacidad y seguridad para quienes procesan datos personales de salud,
11) Implementación de controles y garantías y 12) Exigencia a las organizaciones que procesan datos personales de 103
salud para que demuestren su cumplimiento con las expectativas nacionales en cuanto a la gobernanza de los datos
de salud. OCDE, “Recomendación del Consejo sobre Gobernanza de Datos de Salud”, [Consultada 26 de octubre de
2020], Disponible en: https://cdn.www.gob.pe/uploads/document/file/306933/Recomendaci%C3%B3n_del_Conse-
jo_sobre_Gobernanza_de_Datos_de_Salud_-_OCDE.PDF
91
Unión Europea, “Agencia Europea del Medicamento” [Consultada 03 de mayo de 2020], Disponible en: https://
europa.eu/european-union/about-eu/agencies/ema_es#c%C3%B3mo-funciona
92
Organización Mundial de la Salud, “Acerca de la OMS” [Consultada: 03 de mayo de 2020], Disponible en: https://
www.who.int/es
93
Organización Panamericana de la Salud, “Pautas de la OMS sobre la ética en la vigilancia de la salud pública” ISBN:
978-92-4-151265-7, 2017 [Consultada: 02 de mayo de 2020], Disponible en: https://iris.paho.org/bitstream/handle
/10665.2/34499/9789275319840-spa.pdf?sequence=6
identidad, número de tarjeta sanitaria, etc.) y datos de salud (pruebas

diagnósticas, cirugías, medicamentos, etc.) No se puede concebir una
historia clínica sin tener en cuenta los datos. La Historia Clínica Elec-
trónica (HCE) debe ser proactiva, más inteligente, con una interfaz
amigable e intuitiva que asegure la confidencialidad y seguridad de la
información. La HCE debe ser “única” independientemente de dónde se
genere y dónde se consulte. Por otra parte, a nivel internacional se per-
sigue una HCE “sin fronteras”, las limitaciones que hoy se encuentran
es que no todos los países utilizan los mismos estándares y en algunos
países no existe una identificación de los pacientes.
El futuro de la HCE se basa en 5 ejes de cambio: interoperabilidad, sis-
temas de información, Internet de las Cosas (IoT), Big Data e Inteli-
gencia Artificial. Finalmente, señalar las oportunidades que ofrecen las
tecnologías y las expectativas del uso de la Inteligencia Artificial para
optimizar la experiencia de la atención médica.
Durante la última década, el denominado Big Data está produciendo
una revolución en el ámbito sanitario con la posibilidad de manejar
ingentes cantidades de datos, analizarlos y obtener conclusiones. En
este contexto, los científicos, los profesionales de la salud y gestores se
han centrado en la mejora de la salud pública, políticas, investigación
clínica y la atención prestada a los pacientes mediante el análisis de
grandes conjuntos de datos relacionados con la salud. Los ejemplos
que ilustran la eficacia de los análisis basados en Big Data son innu-
merables. Toda la información analizada puede ser aplicada a la inves-
tigación, creación de guías clínicas, protocolos, entre otros. El Big Data
supone un cambio de paradigma a la hora de extraer conclusiones y
tomar decisiones.
El Big Data y la Inteligencia Artificial están permitiendo nuevos usos
en el campo de la salud con la ayuda de la memoria de computadoras,
procesadores de gran alcance, algoritmos inteligentes, software inte-
104 ligente, aprendizaje automático, aprendizaje profundo, matemáticas,
estadísticas, entre otros. Existe la necesidad de mecanismos seguros,
fiables y consistentes que permitan la total anonimización de los da-
tos de los pacientes, que estos mecanismos impidan la identificación
del sujeto, pero por los avances tecnológicos, la reidentificación de la
persona es viable y no evita usos indebidos o discriminatorios. Un dato
será anónimo cuando no sea posible su vinculación con la persona
a la que hubiera identificado el dato, es por ello que las medidas de
anonimización deben ser encriptadas y tecnológicas para impedir la

reidentificación de la persona. Cabe señalar que si los datos son anoni-
mizados y a través de ellos no se puede identificar a la persona a la que
pertenecen, quedan fuera del ámbito legal, porque no son considerados
datos personales.
La Inteligencia Artificial apoya a los médicos, no los reemplaza, dado
que las máquinas carecen de cualidades humanas como la astucia, in-
tuición, empatía o compasión, los médicos cuentan con ello y no po-
drían ser fácilmente reemplazados. Por otro lado, los pacientes, si bien
esperan el apoyo de equipos para el tratamiento de su enfermedad, no
confiarán fácilmente en una máquina. Asimismo, la Inteligencia Arti-
ficial podría evitar errores clínicos dados por registros humanos inco-
rrectos, beneficiando así al paciente con datos precisos de su informa-
ción o precautelando su seguridad. La Inteligencia Artificial se acopla
con la medicina de precisión, dado que se provee un conjunto de datos
y acciones precisas, esto representa un problema para determinados
tipos de dolencia dado que las enfermedades pueden evolucionar de
distintas formas en cada persona. Un inconveniente del uso del apren-
dizaje automático o profundo es que requiere un conjunto de informa-
ción amplio, esto permite a la matemática y estadística utilizadas obte-
ner buenos resultados; si existe poca información, sea del conjunto de
personas o variables, la información puede ser sesgada y no apoyar a
un diagnóstico correcto.
Las fuentes de información o los repositorios de datos a ser utilizados en
las técnicas de Inteligencia Artificial deben ser considerables y amplios
en la cantidad de variables y registros a manejar, dado que esto permitirá
disminuir el sesgo de la información respecto a grupos de pacientes por
edad, raza, género u otros. La Inteligencia Artificial es falible si los datos
no son correctos o tienen sesgos, es por ello aconsejable que las valida-
ciones de los resultados sean dirigidas por el personal de salud.
Las organizaciones internacionales de protección de los derechos hu- 105
manos (Naciones Unidas, Consejo de Europa, Unión Europea, entre
otras) están tomando medidas para investigar el impacto de la Inteli-
gencia Artificial y elaborando recomendaciones (Declaraciones, Infor-
mes, entre otros instrumentos). El Reglamento de Protección de Datos
Personales de la Unión Europea se constituye en la normativa de re-
ferencia en relación a la automatización de la toma de decisiones que
puede realizarse a través de Inteligencia Artificial. Por otra parte, la
Red Iberoamericana de Protección de Datos emitió en junio de 2019,

las Recomendaciones Generales para el Tratamiento de Datos Persona-
les en la Inteligencia Artificial.
Los sistemas de Inteligencia Artificial pueden crear problemas
éticos y jurídicos en tres niveles distintos, pero relacionados: trans-
parencia y responsabilidad algorítmica, control de los sistemas de In-
teligencia Artificial y explicabilidad e inteligibilidad algorítmica. En
el mundo, existen más de 300 iniciativas de políticas de Inteligencia
Artificial, como, por ejemplo, Australia, Francia, Reino Unido, Estados
Unidos, Canadá, México, Colombia, Argentina y Chile, entre otros.
Sistemas de Inteligencia Artificial son comprados, diseñados e im-
plementados por el Estado para definir políticas públicas en el ámbito
sanitario. Se debe tener especial cuidado cuando se tratan datos sensi-
bles como son los datos de salud que pueden ser de interés de grandes
empresas farmacéuticas, aseguradoras y empleadores, velar por que la
aplicación de la Inteligencia Artificial no cause discriminación, respete
la privacidad, seguridad y ética.
9. Referencias
Agencia de Gobierno Electrónico y Sociedad de la Información y del Conocimiento,
“Qué es Salud.uy”, [Consultada: 06 de mayo de 2020], Disponible en: https://www.
gub.uy/agencia-gobierno-electronico-sociedad-informacion-conocimiento/
politicas-y-gestion/programas/es-saluduy
Agencia Española de Protección de Datos, “Adecuación al RGPD de tratamientos que
incorporan Inteligencia Artificial. Una introducción”, [Consultada 25 de abril
de 2020], Disponible en: https://www.aepd.es/sites/default/files/2020-02/ade-
cuacion-rgpd-ia.pdf
Ahmed Zeeshan, Khalid Mohamed, Saman Zeeshan, Xinqi Dong, “Artificial intelli-
gence with multi-functional machine learning platform development for better
healthcare and precision medicine”, Database, 2020, Vol. 2020, [Consultada 15
106 de abril de 2020], Disponible en: https://academic.oup.com/database/article/
doi/10.1093/database/baaa010/5809229
Amisha, Malik Paras, Pathania Monika y Rathaur Vyas Kumar. “Overview of artificial
intelligence in medicine”, Journal of family medicine and primary care. 2019,
vol 8, p. 2328–2331, [Consultada 27 de abril de 2020], Disponible en: http://
www.jfmpc.com/temp/JFamMedPrimaryCare872328-1337112_034251.pdf
Baro Emilie, Degoul Samuel, Beuscart Regis y Chazard Emmanuel, “Toward a Literatu-
re-Driven Definition of Big Data in Healthcare”. BioMed Research International,
2015, vol 2015, pp. 1–9, [Consultada el 07 de mayo de 2020], Disponible en:
https://www.hindawi.com/journals/bmri/2015/639021
Bastias-Butler, Elizabeth y Ulrich, Andrea, “Transformación digital del sector salud en
América Latina y el Caribe: La historia clínica electrónica”, Banco Interamerica-
no de Desarrollo, abril 2019, p. 27 [Consultada 05 de mayo de 2020], Disponi-
ble en: https://publications.iadb.org/es/transformacion-digital-del-sector-sa-
lud-en-america-latina-y-el-caribe-la-historia-clinica
Buch Varun H., Ahmed Irfan y Maruthappu Mahiben, “Artificial intelligence in me-
dicine: current trends and future possibilities”, The British journal of general
practice: the journal of the Royal College of General Practitioners, Marzo 2018,
Vol. 68, pp. 143-144, [Consultada 13 de abril de 2020], Disponible en: https://
Canguilhem, George, “En los tiempos de la Inteligencia Artificial ¿Cuál será el destino
de los médicos?”, Revista Argentina de Cardiología, Vol. 86 Nº 6, Diciembre
2018, [Consultada 27 de marzo de 2020], Disponible en: https://dialnet.unirioja.
es/descarga/articulo/6775233.pdf
Collen Morris F. “Origins of medical informatics”, The Western journal of medici-
ne, 1986, Vol. 145, pp. 778-785, [Consultada 15 de abril de 2020], Disponi-
ble en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1307150/pdf/westj-
med00160-0042.pdf
Comisión Europea, “Generar confianza en la Inteligencia Artificial centrada en el ser
humano” pp. 3-7, [Consultada: 19 de octubre de 2020], Disponible en: https://
ec.europa.eu/transparency/regdoc/rep/1/2019/ES/COM-2019-168-F1-ES-
MAIN-PART-1.PDF
Corporación Ruta N., “Informe Nº 1 Inteligencia Artificial en Salud”, Observatorio CT+i,
2018, [Consultada 28 de abril de 2020], Disponible en: https://www.researchga-
te.net/publication/327751676_Informe_Inteligencia_Artificial_en_Salud
Cristea Uivaru, Lucia N., “La protección de datos de carácter sensible en el ámbito eu-
ropeo. Historia Clínica Digital y Big Data en Salud”, Tesis Doctoral, Facultad
de Ciencias Sociales de la Universidad Abat Oliba CEU, 2017, p. 303 [Consul-
tada 10 de abril de 2020], Disponible en: https://www.tdx.cat/bitstream/hand-
le/10803/442972/Tlcu.pdf?sequence=1&isAllowed=y
Davenport Thomas y Kalakota Ravi, “The potential for artificial intelligence in heal- 107
thcare”, Future healthcare journal, 2019, Vol. 6, pp. 94-98, [Consultada el 12
de abril de 2020], Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/
PMC6616181/
De Miguel, Mar, “Lili Peng: Los médicos necesitamos mejorar la forma en la que mane-
jamos un gran volumen de datos”, periódico El Mundo [Consultada 29 de abril
de 2020], Disponible en: https://lab.elmundo.es/inteligencia-artificial/salud.
html
De Oliveira, Caio César. “Inteligencia Artificial al servicio de la convivencia humana:
la importancia de normas de privacidad, seguridad y ética desde la concepción
de productos y servicios”, Inteligencia Artificial y bienestar de las juventudes

en América Latina, ISBN: 978-956-00-1237-1 Primera edición, diciembre 2019
[Consultada 28 de abril de 2020], Disponible en: https://drive.google.com/
file/d/1OenZSNPgHUUd39ltaUIZw83B0Lt0GF6K/view
De Quiros, Fernan B., “Experiencia de un proyecto de Informatización en Salud en
América Latina: 15 años del desarrollo en el Hospital Italiano de Buenos Aires”,
Hospital Italiano de Buenos Aires, Departamento de Informática en Salud, 2015
[Consultada 06 de mayo de 2020], Disponible en: https://www1.hospitalitaliano.
org.ar/multimedia/archivos/noticias_archivos/11/Disertaciones/11_06-12Qui-
ros-Experienciade15anosdelHospitalItalianodeBs.As.pdf
Declaration on ethics and data protection in artificial intelligence, 40th International
Conference of Data Protection and Privacy Commisioners Tuesday 23rd October
2018 [Consultada 03 de mayo de 2020], Disponible en: https://edps.europa.eu/
sites/edp/files/publication/icdppc-40th_ai-declaration_adopted_en_0.pdf
Diehl Joshua J., Schmitt Lauren M., Villano Michael, Crowell Charles R., “The Clinical
Use of Robots for Individuals with Autism Spectrum Disorders: A Critical Re-
view.”, Research in autism spectrum disorders, 2012, Vol. 6, pp. 249-262, [Con-
sultada 14 de abril de 2020], Disponible en: https://www.ncbi.nlm.nih.gov/pmc/
articles/PMC3223958/
Downing N. Lance, Bates David W. y Longhurst Christopher A., “Physician buenout
in the electronic heath record era: are we ignoring the real cause?” Ann Inter
Med 2018; 169:50-1, DOI: 10.7326/M18-0139 [Consultada 27 de abril de 2020],
Disponible en: https://annals.org/aim/article-abstract/2680726/physician-bur-
nout-electronic-health-record-era-we-ignoring-real-cause?doi=10.7326%-
2fM18-0139
Eguia, Hans A. et al, “Clínicos ante las Tics: La transformación digital desde la pers-
pectiva de SEMERGEN”, Revista de la Sociedad Española de Informática de la
Salud, Nº 130, septiembre de 2018, pp. 42-43, [Consultada: 04 de mayo de 2020],
Disponible en: https://seis.es/is-130-septiembre-2018/
Microsoft, “Common Data Model” [Consultada 07 de mayo de 2020], Disponible en:
https://docs.microsoft.com/en-us/common-data-model/
Elizabeth Bastias-Butler y Andrea Ulrich, “Transformación digital del sector salud en
108
América Latina y el Caribe: La historia clínica electrónica”, Banco Interame-
ricano de Desarrollo, Abril 2019 [Consultada 05 de mayo de 2020], Disponi-
ble en: https://publications.iadb.org/es/transformacion-digital-del-sector-sa-
lud-en-america-latina-y-el-caribe-la-historia-clinica
Fernandes Lorraine, O’connor Michele y Weaver Victoria, “Big data, bigger outcomes:
Healthcare is embracing the big data movement, hoping to revolutionize HIM
by distilling vast collection of data for specific analysis”, Journal of AHIMA,
2012, Vol. 83, pp. 38–43, [Consultada el 07 de mayo de 2020], Disponible en:
https://www.ncbi.nlm.nih.gov/pubmed/23061351
Gaitanou, Rea, Gaoufallou, Emmanouel y Panos, Balatsoukas, “The Effectiveness of

Big Data in Health Care: A Systematic Review”, [Consultada 30 de marzo de
2020], Disponible en: https://www.researchgate.net/publication/278707106_
The_Effectiveness_of_Big_Data_in_Health_Care_A_Systematic_Review
Gaitanou, Rea, Gaoufallou, Emmanouel y Panos, Balatsoukas, “The Effectiveness of
Big Data in Health Care: A Systematic Review”, [Consultada 30 de marzo de
2020], Disponible en: https://www.researchgate.net/publication/278707106_
The_Effectiveness_of_Big_Data_in_Health_Care_A_Systematic_Review
Galvez S., María, “Mesa Redonda: Requisitos de HDSQA”, XXVI Jornadas Nacio-
nales de Innovación y Salud en Andalucía: Historia digital de salud que
aprende, Revista de la Sociedad Española de Informática de la Salud, Nº 136,
octubre de 2019, ISSN: 1579-8070 [Consultada 04 de mayo de 2020], Dispo-
nible en: https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/
web/viewer.php?file=https://seis.es/wp-content/uploads/2019/10/Revista-136.
pdf&download=true&print=true&openfile=false
García C., Sergio, “Sesión plenaria experiencias; variabilidad en tecnología digital”,
Revista de la Sociedad Española de Informática de la Salud, Nº 136, octubre
de 2019, ISSN: 1579-8070, pp. 52-53 [Consultada 04 de mayo de 2020], Dis-
ponible en: https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/
García L., Francisco R. y Moratilla V., José Juan, “Taller B1: nuevo paradigma de la
compra por valor en sanidad: AI (Inteligencia Artificial) aplicada a la radiolo-
gía”, Revista de la Sociedad Española de Informática de la Salud, Nº 136, octu-
bre de 2019, ISSN: 1579-8070, pp. 32-33 [Consultada 04 de mayo de 2020], Dis-
ponible en: https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/
Gascón Marcén, Ana, “Derechos humanos e Inteligencia Artificial”, Setenta años de
Constitución Italiana y cuarenta de Constitución Española, Volumen V, 2019-
1221 [Consultada: 24/04/2020], Disponible en: https://www.researchgate.net/
publication/339687454_Derechos_Humanos_e_Inteligencia_Artificial
Goodfellow Ian, Bengio Yoshua y Courville Aaron, “Deep Learning”, MIT Press, 2016, 109
[Consultada el 12 de mayo de 2020], Disponible en: http://www.deeplearning-
book.org
Grupo de Trabajo del Artículo 29, “Dictamen 015/2014 sobre técnicas de anonimiza-
ción”, de la Comisión Europea de 10 de abril de 2014, [Consultada 25 de abril de
2020], Disponible en: https://www.aepd.es/sites/default/files/2019-12/wp216-
es.pdf
ción”, de la Comisión Europea de 10 de abril de 2014, [Consultada 25 de abril de
2020], Disponible en: https://www.aepd.es/sites/default/files/2019-12/wp216-

es.pdf
ción”, de la Comisión Europea de 10 de abril de 2014, pp. 26, [Consultada 25 de
abril de 2020], Disponible en: https://www.aepd.es/sites/default/files/2019-12/
wp216-es.pdf
Guerrero Teresa y Lucio Cristina G., “Detección precoz del cáncer de mama”, periódico
El Mundo [Consultada 29 de abril de 2020], Disponible en: https://lab.elmundo.
es/inteligencia-artificial/salud.html
Hsieh Jui-Chien, Ai-Hsien Li y Chung-Chi Yang, “Mobile, Cloud, and Big Data Compu-
ting: Contributions, Challenges, and New Directions in Telecardiology”, Inter-
national Journal of Environmental Research and Public Health, 2013, vol 10, Nº
11, pp. 6131–6153, [Consultada el 07 de mayo de 2020], Disponible en: https://
www.mdpi.com/1660-4601/10/11/6131
Instituto de Formación Política y Gestión Pública, “Historia Clínica Electrónica – Sa-
lud”, en Curso Cambios der paradigma en la medicina tradicional: Historia Clí-
nica Electrónica, Ministerio de Gobierno, Buenos Aires, pp. 1-14.
IOMED, 2020, “Retos de la Inteligencia Artificial en la medicina” [Consulta-
da 30 de marzo de 2020], Disponible en: https://iomed.es/2020/01/08/
retos-de-la-inteligencia-artificial-en-medicina/
IT User Tech & Bussines, “DeepHealth, el proyecto europeo para mejorar los diagnósti-
cos médicos con Inteligencia Artificial” [Consultada 30 de abril de 2020], Dis-
ponible en: https://www.ituser.es/actualidad/2019/05/deephealth-el-proyec-
to-europeo-para-mejorar-los-diagnosticos-medicos-con-inteligencia-artificial
Jee Kyoungyoung, Gang-Hoon Kim, “Potentiality of Big Data in the Medical Sector:
Focus on How to Reshape the Healthcare System”, Healthcare Informatics Re-
search, 2013, Vol. 19, Nº 2, pp. 79, [Consultada el 07 de mayo de 2020], Disponi-
ble en: https://www.ncbi.nlm.nih.gov/pubmed/23882412
Joyanes A., Luis y Poyatos D., Juan Miguel, “Big Data y el sector de la salud: el futuro
de la sanidad”, [Consultada 07 de mayo de 2020], Disponible en: http://poyatos-
diaz.com/index.php/big-data-y-el-sector-de-la-salud-el-futuro-de-la-sanidad
Knoppers, Bartha Maria y Thorogood, Adrian Mark, “Ethics and Big Data in Health”,
110
Current Opinion in Systems Biology, 4: 53-57. DOI: 10.1016/j.coisb.2017.07.001,
[Consultada 03 de mayo de 2020], Disponible en: https://reader.elsevier.
com/reader/sd/pii/S2452310017300264?token=B4EE37E6730B2AEBAB-
C6560330561AED052BF2BAB48B02BA2411C4821A2BA3740DDCD416C4CE-
6FE07E3CB2DD8A8F4C12
Kyoungyoung Jee y Gang-Hoon Kim, “Potentiality of Big Data in the Medical Sector:
Focus on How to Reshape the Healthcare System”, Healthcare Informatics Re-
search, 2013, Vol. 19, Nº 2, pp. 79, [Consultada el 07 de mayo de 2020], Disponi-
ble en: https://www.ncbi.nlm.nih.gov/pubmed/23882412
Medinaceli D., Karina, “El tratamiento de los datos sanitarios en la historia clínica elec-
trónica: caso boliviano”, Agencia Española de Protección de Datos Personales
2017, p. 590 [Consultada 27 de mayo de 2020], Disponible en: https://www.aepd.
es/sites/default/files/2019-10/tratamiento-de-datos-sanitarios.pdf
Foundation for the National Institutes of Health, “Observational Medical Outcomes
Partnership (OMOP)”, [Consultada 07 de mayo de 2020], Disponible en: https://
fnih.org/what-we-do/major-completed-programs/omop
Llaser M., Mª R., Casado, M. y Buisan E., L., “Documento sobre bioética y Big Data de
salud: explotación y comercialización de los datos de los usuarios de la sanidad
pública”, Observatorio de Bioética y Derecho de la Universidad de Barcelona,
2015 [Consultada 25 de abril de 2020], Disponible en: http://www.publicacions.
ub.edu/refs/observatoriBioEticaDret/documents/08209.pdf
Martínez – García, Diana N. et al, “Avances de la Inteligencia Artificial en salud”, Re-
vista Científica Dominio de las Ciencias, Dom. Cien., ISSN: 2477-8818, Vol. 5,
núm. 3, julio 2019, p. 609, DOI: 10.23857/dc.v5i3.955 [Consultada 28 de abril de
2020], Disponible en: https://dialnet.unirioja.es/descarga/articulo/7154291.pdf
Martínez Ramos Carlos, “Telemedicina. Aspectos Generales”, 2020, [Consultada 06 de
mayo de 2020], Disponible en: http://www.revistareduca.es/index.php/reduca/
article/viewFile/7/4C3%B3n%20de%20est%C3%A1ndares%20de%20calidad.
pdf
Medinaceli D. Karina, “El tratamiento de los datos sanitarios en la historia clínica elec-
trónica: caso boliviano”, Agencia Española de Protección de Datos Personales
2017, p. 592 [Consultada 27 de marzo de 2020], Disponible en: https://www.
aepd.es/sites/default/files/2019-10/tratamiento-de-datos-sanitarios.pdf
Méndez S., Oscar, “Plenario 1 ¿Conectar datos o relacionar significados?, Revista
de la Sociedad Española de Informática de la Salud, Nº 136, octubre de 2019,
ISSN: 1579-8070, pp. 32-33 [Consultada 04 de mayo de 2020], Disponible
en: https://seis.es/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/web/
viewer.php?file=https://seis.es/wp-content/uploads/2019/10/Revista-136.
Miller Douglas y Brown Eric, “Artificial Intelligence in Medical Practice: The Question to
the Answer?”. The American Journal of Medicine, 2018, Vol. 131, Nº 2, pp. 129–
133, [Consultada el 12 de mayo de 2020], Disponible en: https://kundoc.com/ 111
pdf-artificial-intelligence-in-medical-practice-the-question-to-the-answer-.
htmlwww.deeplearningbook.org
Ministerio da Saude, “Sistemas”, [Consultada 06 de mayo de 2020], Disponible en: ht-
tps://datasus.saude.gov.br/sistemas/
Mohr David C., Burns Michelle Nicole, Schueller Stephen M., Clarke Gregory y Klink-
man Michael, “Behavioral Intervention Technologies: Evidence review and re-
commendations for future research in mental health”, General Hospital Psy-
chiatry. 2013, Vol. 35, Nº 4, pp. 332–338, [Consultada el 07 de mayo de 2020],
Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3719158/
Moreno Antonio y Díaz Julia. “Inteligencia Artificial en salud desde la perspectiva del
Instituto de Ingeniería del Conocimiento”, Revista de la Sociedad Española de In-
formática de la Salud, Nº 136, octubre de 2019, ISSN: 1579-8070, pp. 32-33 [Con-
sultada 04 de mayo de 2020], Disponible en: https://seis.es/wp-content/plugins/
pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https://seis.es/wp-content/
uploads/2019/10/Revista-136.pdf&download=true&print=true&openfile=false
OCDE, “¿Qué son los los principios de la OCDE sobre IA?” [Consultada: 25 de octubre de
2020], Disponible en: http://www.oecd.org/going-digital/ai/principles/
OCDE, “Recomendación del Consejo sobre Gobernanza de Datos de Salud”, [Consul-
tada 26 de octubre de 2020], Disponible en: https://cdn.www.gob.pe/uploads/
document/file/306933/Recomendaci%C3%B3n_del_Consejo_sobre_Gober-
nanza_de_Datos_de_Salud_-_OCDE.PDF
Organización Mundial de la Salud, “Acerca de la OMS” [Consultada: 03 de mayo de
2020], Disponible en: https://www.who.int/es
Organización Panamericana de la Salud, “Pautas de la OMS sobre la ética en la vigi-
lancia de la salud pública” ISBN: 978-92-4-151265-7, 2017 [Consultada: 02 de
mayo de 2020], Disponible en: https://iris.paho.org/bitstream/handle/10665.2/
34499/9789275319840-spa.pdf?sequence=6
Puyol Montero, Javier, Aproximación jurídica y económica al Big Data, Valencia, Ti-
rant lo Blanch, 2015, p. 33.
Raghupathi Wullianallur y Raghupathi Viju, “Big data analytics in healthcare: promi-
se and potential”, Health Information Science and Systems, 2014, Vol. 2, Nº 1,
[Consultada el 07 de mayo de 2020], Disponible en: https://link.springer.com/
article/10.1186/2047-2501-2-3
Raghupathi Wullianallur y Raghupathi, Viju, “Big data analytics in healthcare: promi-
se and potential”, Health Information Science and Systems, 2014, Vol. 2, Nº 1,
[Consultada el 07 de mayo de 2020], Disponible en: https://link.springer.com/
article/10.1186/2047-2501-2-3
Red Americana de Cooperación sobre Salud Electrónica, “Estándares para Dummis”
[Consultada 04 de mayo de 2020], Disponible en: https://estandaresparadum-
mies.blogspot.com/2019/12/racsel-red-americana-de-cooperacion.html
Red Iberoamericana de Protección de Datos, “Recomendaciones Generales para el Tra-
112
tamiento de Datos en la Inteligencia Artificial”, texto aprobado por las Entida-
des integrantes de la RIPD en la sesión del 21 de junio de 2019 en la ciudad de
Naucalpan de Juárez, México, [Consultada 02 de mayo de 2020], Disponible en:
https://www.redipd.org/es/noticias/la-ripd-aprueba-sendos-documentos-so-
bre-inteligencia-artificial-y-proteccion-de-datos
Red Iberoamericana de Protección de Datos, “Recomendaciones Generales
para el Tratamiento de Datos en la Inteligencia Artificial”, Texto apro-
bado por las Entidades integrantes de la RIPD en la sesión del 21 de ju-
nio de 2019 en la ciudad de Naucalpan de Juárez, México, [Consultada
02 de mayo de 2020], Disponible en: https://www.redipd.org/es/noticias/
la-ripd-aprueba-sendos-documentos-sobre-inteligencia-artificial-y-protec-
cion-de-datos
Red Iberoamericana de Protección de Datos, 2019, “Recomendaciones Generales para
el Tratamiento de Datos en la Inteligencia Artificial”, 21 de junio de 2019, [Con-
sultada 15 de febrero de 2020], Disponible en: https://www.redipd.org/es/noti-
cias/la-ripd-aprueba-sendos-documentos-sobre-inteligencia-artificial-y-pro-
teccion-de-datos
Red Iberoamericana de Protección de Datos, Recomendaciones Generales para el Trata-
miento de datos en la Inteligencia Artificial, [Consultada 12 de octubre de 2020],
Disponible en: https://www.redipd.org/sites/default/files/2020-02/guia-reco-
mendaciones-generales-tratamiento-datos-ia.pdf
Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de
2016, relativo a la protección de las personas físicas en lo que respecta al trata-
miento de datos personales y a la libre circulación de estos datos y por el que se
deroga la Directiva 95/46/CE [Consultada: 02 de mayo de 2020], Disponible en:
https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX%3A32016R0679
Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de
2016, relativo a la protección de las personas físicas en lo que respecta al trata-
miento de datos personales y a la libre circulación de estos datos y por el que se
deroga la Directiva 95/46/CE [Consultada: 02 de mayo de 2020], Disponible en:
https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX%3A32016R0679
Resman, Daniel; Schultz, Jason; Crawford, Kate y Whittaker, Meredith, “Algorithmic
impact assessments: a practical framework for public agency accountability”
[Consultada: 02 de mayo de 2020], Disponible en: https://ainowinstitute.org/
aiareport2018.pdf
Russell Stuart, Norvig Peter, Inteligencia Artificial: un enfoque moderno. Pearson Edu-
cación, 2004, Colección de Inteligencia Artificial de Prentice Hall.
Scott Kruse Clemens, Goswamy Rishi, Raval Yesha y Marawi Sarah, “Challenges and
Opportunities of Big Data in Health Care: A Systematic Review”, JMIR Medical
Informatics, 2016, Vol. 4, Nº 4, p. 38, [Consultada el 07 de mayo de 2020], Dis-
ponible en: https://medinform.jmir.org/2016/4/e38/pdf
Unión Europea, “Agencia Europea del Medicamento” [Consultada 03 de mayo de
2020], Disponible en: https://europa.eu/european-union/about-eu/agencies/ 113
ema_es#c%C3%B3mo-funciona
Villalobos, María José, “Traducción de la Declaración sobre Inteligencia Artificial, ro-
bótica y sistemas “autónomos” del Grupo Europeo sobre Ética de la Ciencia y las
Nuevas Tecnologías”, [Consultada 03 de mayo de 2020], Disponible en: https://
www.researchgate.net/publication/332061758_Traduccion_de_la_Declara-
cion_sobre_Inteligencia_artificial_robotica_y_sistemas_autonomos_del_Gru-
po_Europeo_sobre_Etica_de_la_Ciencia_y_las_Nuevas_Tecnologias

BG8

Cargado por

Copyright:

Formatos disponibles

BG8

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

BG8

Cargado por

Copyright:

Formatos disponibles

REVISTA DEL INSTITUTO DE CIENCIAS JURÍDICAS DE

PUEBLA, MÉXICO. E-ISSN 1870-2147. NUEVA ÉPOCA

Impacto y regulación de la Inteligencia

palabras claves keywords

*Artículo de Investigación postulado el 17 de mayo de 2020 y aceptado el 28 de octubre de 2020

Las primeras referencias de aplicaciones médicas en el campo de las ciencias de

se mantengan al día con la tecnología y aborden los riesgos potenciales10 de

2. Inteligencia Artificial en la historia clínica electrónica (HCE)

Las tecnologías de la información y de las comunicaciones se introdujeron en

La HCE es un registro electrónico longitudinal de la información de

Nelson y Staggers en su obra complementaron la definición de la HIMSS al

(…) un registro electrónico de información relacionada con la salud

La historia clínica electrónica tiene como características que es completa, inte-

Se han utilizado diferentes estrategias para reducir el tiempo de la entrada

extraer estadísticas sobre enfermedades o tratamientos, detectar errores, lagu-

La Agencia de Gobierno Electrónico y Sociedad de la Información y del

de fortalecer la Red de Atención Primaria de Salud y lograr un sistema de salud

3. Big Data e Inteligencia Artificial en el ámbito de la salud

Big Data, que en español significa “grandes datos”, es un término que se ha

a tratamientos de terabytes o petabytes. La velocidad se refiere a los datos en

también se pueden considerar los archivos electrónicos de contabilidad y ges-

 Los datos que se ponen a disposición en código abierto están disponi-

 Aunque los registros electrónicos en salud (EHR) comparten datos den-

mecanismos impidan la identificación del sujeto mediante la vuelta

4. Técnicas de anonimización para el Big

La anonimización es el proceso que permite eliminar o reducir al mínimo los

eliminando toda referencia directa o indirecta a su identidad, pero manteniendo

En este documento, se aborda también la seudonimización, para aclarar

(…) el tratamiento de datos personales de manera tal que ya no pue-

La conclusión del dictamen es que las técnicas de anonimización pueden apor-

En la 36ª Conferencia Internacional de Autoridades de Protección de Datos

5. Inteligencia Artificial, aprendizaje automático y aprendizaje

La Red Iberoamericana de Protección de Datos menciona que “la Inteligencia

en respuesta a modificaciones menores del algoritmo (entrenamiento), mejo-

El aprendizaje profundo también contempla el denominado aprendizaje

6. Beneficios y riesgos de la Inteligencia

A continuación, podemos conocer los beneficios que otorga la aplicación de

El objetivo de la compañía Alphabet es crear una aplicación Streams que

DeepHealth es un proyecto europeo para mejorar los diagnósticos

Desde una clínica remota en el Amazonas (Brasil) mediante el uso de la platafor-

Meridian Medical Network Corp desarrolló Angel Robot, una solución

En relación a los riesgos cabe mencionar:

 Diversos estudios indican que muchos sistemas de Inteligencia Artifi-

la base de la Inteligencia Artificial ni conseguir que un sistema aprenda

7. Tendencias de regulación de la Inteligencia Artificial en el

La Inteligencia Artificial involucra la recolección, el almacenamiento, aná-

empresas y organismos internacionales sobre la Inteligencia Artificial y el uso

La Convención 108 de 1981 del Consejo de Europa sobre la protección de los

1. La IA debería beneficiar a las personas y al planeta impulsando el cre-

El Reglamento General de Protección de Datos (RGDP)85 de la Unión Europea

 La Historia Clínica está conformada por datos de información perso-

identidad, número de tarjeta sanitaria, etc.) y datos de salud (pruebas

anonimización deben ser encriptadas y tecnológicas para impedir la

Red Iberoamericana de Protección de Datos emitió en junio de 2019,

de productos y servicios”, Inteligencia Artificial y bienestar de las juventudes

Gaitanou, Rea, Gaoufallou, Emmanouel y Panos, Balatsoukas, “The Effectiveness of

2020], Disponible en: https://www.aepd.es/sites/default/files/2019-12/wp216-

También podría gustarte

Los datos que se ponen a disposición en código abierto están disponi-

Aunque los registros electrónicos en salud (EHR) comparten datos den-

Diversos estudios indican que muchos sistemas de Inteligencia Artifi-

La Historia Clínica está conformada por datos de información perso-