La IA sanitaria suele presentarse como una promesa de precisión. Mejores diagnósticos, mejor clasificación del riesgo, mejor gestión de recursos. Pero esa promesa llega en un momento en que la salud ya está atravesada por crisis climática, desigualdad, precariedad institucional y disputas por el reconocimiento del sufrimiento.

Este radar cruza tres hilos. Primero, la salud planetaria, a partir del análisis de Catherine Clare Morneau y su equipo en The Lancet Planetary Health sobre la integración de la salud en las políticas nacionales de adaptación climática. Segundo, la IA sostenible, con trabajos sobre huella de carbono, energía y recursos en modelos de aprendizaje profundo aplicados a imagen médica. Tercero, la antropología médica, que lleva décadas recordando que enfermar no es solo producir datos clínicos, sino habitar un cuerpo vulnerable dentro de un mundo social concreto.

La pregunta ya no es solo si la IA médica acierta. La pregunta es qué cuerpo imagina, qué sufrimiento reconoce, qué desigualdades hereda y qué mundo material necesita para funcionar.

La salud ya está dentro de la crisis climática

La crisis climática no es un contexto exterior a la medicina. Entra en la consulta, en las urgencias, en la salud mental, en la salud reproductiva, en la alimentación, en los desplazamientos y en la capacidad real de los sistemas públicos para cuidar. Las olas de calor, la contaminación, las enfermedades transmitidas por vectores, la inseguridad alimentaria y los eventos extremos reorganizan la vida cotidiana y presionan sistemas sanitarios que muchas veces ya estaban tensionados.

El análisis de Morneau y su equipo en The Lancet Planetary Health permite evitar una lectura estrecha. No se trata solo de añadir menciones sanitarias a planes climáticos. Se trata de mirar si esos planes tienen financiación, mecanismos de medición, coordinación institucional y participación real de las comunidades más afectadas.

En ese contexto, la IA sanitaria no aparece como una solución limpia y separada del planeta. Aparece como una tecnología más dentro de sistemas de salud que ya deben responder a una crisis material. Una medicina digitalizada para un mundo inestable no puede olvidar que su propia infraestructura también consume energía, agua, minerales, hardware y presupuesto.

El coste material de predecir

El trabajo de Raghavendra Selvan, Nikhil Bhagwat, Lasse F. Wolff Anthony, Benjamin Kanding y Erik B. Dam sobre la huella de carbono de seleccionar y entrenar modelos de deep learning para imagen médica permite recordar algo básico. El coste ambiental de un modelo no empieza cuando se despliega. Empieza antes, en la exploración de arquitecturas, la selección de modelos, los ciclos de entrenamiento, la experimentación repetida y la infraestructura que sostiene todo ese proceso.

Esta idea encaja con la crítica central del radar. La IA sanitaria suele presentarse por sus resultados visibles: una predicción, una segmentación, una alerta, una clasificación de riesgo. Pero detrás hay decisiones técnicas que también son decisiones materiales. Qué modelo se entrena, cuántas veces, con qué datos, en qué hardware, con qué energía y para qué mejora real del cuidado.

La sostenibilidad no es un adorno verde añadido al final. Es una pregunta sobre proporcionalidad. Un sistema sanitario no debería invertir en modelos cada vez más grandes solo porque puede hacerlo. Debería preguntar si el coste computacional, económico y ambiental se corresponde con una mejora clínica significativa, accesible y justa.

Enfermar no es solo producir datos

La antropología médica ayuda a ensanchar la discusión. La enfermedad no es únicamente una alteración localizada en el cuerpo, susceptible de ser medida, clasificada y tratada técnicamente. Enfermar transforma la manera de habitar el cuerpo, organizar el tiempo, sostener vínculos, trabajar, pedir ayuda y ser reconocido por otras personas.

El marco de disease, illness y sickness, trabajado por Kleinman, Eisenberg, Good, Young y Helman, permite formularlo con claridad. La biomedicina tiende a privilegiar la enfermedad como alteración objetiva. La experiencia vivida del padecimiento añade otra capa. La dimensión social e institucional muestra cómo una dolencia llega a ser nombrada, legitimada o puesta en duda. En una medicina cada vez más computacional, esas capas no desaparecen. Se reordenan.

Ahí entra un concepto decisivo: los idioms of distress. Mark Nichter lo propuso para pensar formas culturalmente situadas de expresar malestares psicosociales que no siempre encajan en categorías biomédicas estables. Esta idea permite nombrar algo que la IA sanitaria puede tener dificultades para captar. El dolor que no encaja, el cansancio intermitente, la angustia, la vergüenza, el miedo o la sensación de no poder más no son ruido cultural alrededor de la enfermedad. Pueden ser la forma concreta en que el sufrimiento se vuelve decible.

Si la IA sanitaria aprende a leer el cuerpo sobre todo como imagen, señal, historial o perfil probabilístico, puede reforzar una vieja reducción. El cuerpo vuelve a aparecer como objeto técnico, separado de la experiencia de quien lo habita. Lo que no produce una señal estable queda mal representado. Lo que no encaja en una variable puede quedar fuera del cuidado.

Byron Good resulta útil para pensar este punto. En el dolor crónico, el cuerpo enfermo no es un objeto externo al sujeto. Es el medio desde el que se habita el mundo. Cuando el dolor se vuelve persistente, cambia la relación con el tiempo, con el trabajo, con los proyectos de vida y con otras personas. La IA puede detectar patrones, pero no debería borrar que el padecimiento también es una ruptura del mundo vital.

Tres cuerpos ante el modelo

Scheper-Hughes y Lock ofrecen una vía potente para leer la IA médica. Su distinción entre cuerpo individual, cuerpo social y cuerpo político permite salir de la idea de que el problema se limita a una relación entre persona paciente y máquina.

En el cuerpo individual, la IA traduce síntomas, imágenes, riesgos y trayectorias clínicas en señales procesables. Puede ayudar a detectar, ordenar y anticipar. Pero también puede perder lo que no entra bien en una variable. Una persona no enferma solo en sus datos. Enferma en su cuerpo vivido.

En el cuerpo social, la IA participa en la producción de normalidad. No solo identifica desviaciones respecto a un patrón biomédico. También puede reforzar qué cuerpos se consideran típicos, qué poblaciones aparecen como excepción y qué historias clínicas resultan menos legibles. Un modelo entrenado sobre datos desiguales puede convertir la desigualdad previa en criterio técnico.

En el cuerpo político, la IA sanitaria se une a formas de gobierno. Ordena prioridades, calcula riesgos, asigna recursos, orienta intervenciones y automatiza sospechas. En ese nivel, la sostenibilidad no es solo energética. También es institucional y democrática. Una medicina dependiente de grandes modelos puede concentrar todavía más capacidad de decisión en quienes controlan datos, infraestructura y cómputo.

La equidad no cabe entera en una métrica

La revisión de alcance de João Matos y su equipo, publicada como preprint en 2025, permite reforzar el argumento. El trabajo revisa métricas de equidad en modelos predictivos clínicos y muestra un paisaje fragmentado. Hay muchas formas de medir fairness, pero pocas están pensadas específicamente para salud y todavía menos conectadas con utilidad clínica real.

Esto importa porque una métrica de equidad no equivale a justicia sanitaria. Medir diferencias de rendimiento entre grupos puede ser necesario, pero no resuelve por sí solo qué cuenta como daño, qué población queda mal descrita, qué historias clínicas se consideran incompletas o qué sufrimientos son tratados como ruido.

Aquí conviene introducir la violencia estructural. Arachu Castro y Paul Farmer mostraron cómo ciertos discursos sanitarios pueden desplazar la responsabilidad hacia las propias víctimas cuando ignoran pobreza, racismo, género, estigma, acceso desigual a recursos y relaciones de poder. Ese desplazamiento también puede ocurrir en sistemas algorítmicos. Un modelo puede presentar como riesgo individual lo que en realidad es desigualdad social sedimentada.

La equidad algorítmica corre el peligro de convertirse en una tranquilidad técnica. El sistema puede declarar que ha medido el sesgo y seguir funcionando sobre categorías pobres, datos incompletos o infraestructuras inaccesibles para muchas comunidades. En salud, la justicia no se agota en calibrar un modelo. Exige mirar quién define el problema, quién aparece en los datos, quién queda fuera, quién se beneficia y quién asume los costes.

La Antropología Médica Crítica ayuda a sostener este punto sin convertir el radar en una discusión metodológica. Enfermedad y salud son procesos sociales. Las diferencias de clase, género, racialización, territorio o acceso a recursos no son variables externas añadidas al final del análisis. Forman parte de la producción misma del enfermar y del curar.

Sostenibilidad también significa reconocimiento

Hablar de sostenibilidad en IA sanitaria no es hablar solo de energía, agua, emisiones, hardware o residuos. Desde la antropología médica, sostenibilidad también significa no empobrecer la relación clínica, no despolitizar el sufrimiento y no desplazar recursos desde cuidados básicos hacia infraestructuras de prestigio.

Aquí Fassin ofrece un marco decisivo. Su trabajo sobre biolegitimidad permite pensar cómo ciertos cuerpos dañados adquieren reconocimiento moral e institucional, mientras otras formas de injusticia permanecen menos visibles. La IA sanitaria puede entrar en esa economía moral. Puede ayudar a reconocer padecimientos, pero también puede imponer nuevas condiciones para que una vida sea creíble. Hacen falta datos. Hacen falta pruebas. Hacen falta señales. Hacen falta categorías compatibles con el sistema.

El problema no es que medir sea malo. Sin medición no hay diagnóstico, vigilancia epidemiológica ni política pública. El problema aparece cuando la medición se convierte en la única forma aceptada de existencia. Entonces el sufrimiento que no se deja capturar queda en una zona frágil. Puede ser vivido intensamente y, aun así, no llegar a ser plenamente reconocido.

Veena Das ayuda a precisar este cierre. Hay dolores que fracturan el lenguaje y cuerpos que guardan aquello que no consigue convertirse en testimonio claro. Una medicina computacionalmente intensiva debe tener cuidado con esa zona muda del sufrimiento. No todo lo importante aparece como dato limpio. No todo lo que importa llega como variable.

Cuidar no es solo predecir

La IA sanitaria puede ser clínicamente prometedora y, al mismo tiempo, socialmente desigual, ambientalmente costosa y políticamente dependiente. Esa tensión no se resuelve con entusiasmo tecnológico ni con rechazo automático. Exige una mirada más lenta.

La antropología ayuda a no separar las capas. Un modelo médico no trabaja solo sobre enfermedades. Trabaja sobre cuerpos vividos, instituciones, categorías, esperas, emociones, desigualdades y formas de reconocimiento. Tampoco trabaja fuera del planeta. Trabaja sobre energía, agua, minerales, centros de datos y presupuestos.

La innovación médica del futuro no debería medirse solo por la escala del modelo. Debería medirse por la escala del cuidado que hace posible. Cuidar no es únicamente predecir mejor. También es sostener relaciones, reconocer sufrimientos, distribuir recursos con justicia y no construir una medicina que consume mundo mientras promete salvar cuerpos.

Fuentes

  • Morneau, Catherine Clare et al. “Health integration in national climate adaptation policies from 198 countries: a global policy analysis”. The Lancet Planetary Health, 2026.
  • Selvan, Raghavendra; Bhagwat, Nikhil; Wolff Anthony, Lasse F.; Kanding, Benjamin; Dam, Erik B. “Carbon Footprint of Selecting and Training Deep Learning Models for Medical Image Analysis”. MICCAI 2022, Springer, pp. 506-516.
  • Matos, João; Van Calster, Ben; Celi, Leo Anthony; Dhiman, Paula; Gichoya, Judy Wawira; Riley, Richard D.; Russell, Chris; Khalid, Sara; Collins, Gary S. “Critical Appraisal of Fairness Metrics in Clinical Predictive AI”. Preprint, 2025.
  • Nichter, Mark. “Idioms of Distress: Alternatives in the Expression of Psychosocial Distress: A Case Study from South India”. Culture, Medicine and Psychiatry, 1981, 5(4), 379-408.
  • Kleinman, Arthur; Eisenberg, Leon; Good, Byron. “Culture, illness, and care: Clinical lessons from anthropologic and cross-cultural research”. Annals of Internal Medicine, 1978, 88(2), 251-258.
  • Young, Allan. “The Anthropologies of Illness and Sickness”. Annual Review of Anthropology, 1982, 11, 257-285.
  • Helman, Cecil G. “Disease versus illness in general practice”. Journal of the Royal College of General Practitioners, 1981, 31, 548-552.
  • Good, Byron. Medicine, Rationality, and Experience. Cambridge University Press, 1994. Edición española: Medicina, racionalidad y experiencia. Bellaterra, 2003.
  • Scheper-Hughes, Nancy; Lock, Margaret M. “The Mindful Body: A Prolegomenon to Future Work in Medical Anthropology”. Medical Anthropology Quarterly, 1987, 1(1), 6-41.
  • Castro, Arachu; Farmer, Paul. “El Sida y la violencia estructural: la culpabilización de la víctima”. Cuadernos de Antropología Social, 2003, 17, 31-49.
  • Farmer, Paul. “An Anthropology of Structural Violence”. Current Anthropology, 2004, 45(3), 305-325.
  • Fassin, Didier. “Gobernar por los cuerpos, políticas de reconocimiento hacia los pobres y los inmigrantes en Francia”. Cuadernos de Antropología Social, 2003, 17, 49-78.
  • Fassin, Didier. La raison humanitaire. Une histoire morale du temps présent. Gallimard-Seuil, 2010.
  • Das, Veena. “Lenguaje y cuerpo. Transacciones en la construcción del dolor”. En Arthur Kleinman, Veena Das y Margaret Lock, eds., Social Suffering. University of California Press, 1997.
  • Das, Veena. Sujetos del dolor, agentes de dignidad. Universidad Nacional de Colombia / Pontificia Universidad Javeriana, Instituto Pensar, 2008.
  • Baer, Hans; Singer, Merrill; Susser, Ida. Medical Anthropology and the World System. Praeger, 1997.
  • Menéndez, Eduardo L. Morir de alcohol. Saber y hegemonía médica. Alianza Editorial Mexicana, 1990.
  • Singer, Merrill. “A Dose of Drugs, a Touch of Violence, a Case of AIDS: Conceptualizing the SAVA Syndemic”. Free Inquiry in Creative Sociology, 1996, 24(2), 99-110.