Estratificación de riesgo sensible a la cultura: por qué la IA en salud debe mirar más allá de los datos

Cuando pensamos en Inteligencia Artificial (IA) en el cuidado de la salud, a menudo imaginamos algoritmos procesando números: lecturas de presión arterial, niveles de glucosa en sangre, antecedentes familiares. Pero en la India rural, la hipertensión puede no provenir de antecedentes familiares, sino de una dieta alta en sal, sueño irregular debido a turnos nocturnos o incluso estrés laboral derivado del sistema de castas.

Aquí es donde comienza el verdadero desafío: la salud no es solo clínica; es profundamente social y conductual. Para que la IA tenga un impacto real, debe aprender a ver estos factores de riesgo invisibles y arraigados culturalmente.

Ir más allá de los registros electrónicos de salud (EHRs)

La mayoría de los modelos de IA actuales se entrenan con registros electrónicos de salud. Estos capturan diagnósticos, prescripciones y valores de laboratorio, pero omiten la realidad de la vida cotidiana. Considere lo que falta:

• Datos sociodemográficos: ocupación, trabajo vinculado a la casta, nivel de ingresos

• Encuestas conductuales: dieta, actividad física, calidad del sueño

• Exposición ambiental: calidad del aire y del agua, condiciones de vivienda

• Datos de wearables y móviles: patrones de turnos nocturnos, variabilidad de la frecuencia cardíaca

Sin estos datos, la IA esencialmente diagnostica a oscuras. Un habitante de una aldea que trabaja en curado de sal podría presentar signos vitales “normales”, pero los riesgos ocultos del estilo de vida lo hacen altamente vulnerable.

El poder de los datos generados por la comunidad

Aquí es donde ASHAs y ANMs (trabajadores de salud comunitarios) pueden convertirse en el eslabón que falta. Imagine un formulario digital donde una ASHA registra:

• “El paciente trabaja en turnos nocturnos en un horno de ladrillos”

• “La dieta incluye diariamente encurtidos con mucha sal”

Estas percepciones alimentan el modelo de IA, haciendo las predicciones de riesgo más precisas. En lugar de tratar la hipertensión como una condición genérica, el sistema comienza a contextualizar el riesgo.

Entrenar la IA con datos rurales y del mundo real

Con demasiada frecuencia, los modelos de IA se entrenan con conjuntos de datos de hospitales urbanos. Eso es como intentar entender la agricultura estudiando jardines de la ciudad.

Los proyectos que entrenan modelos con datos de Centro de Salud Primario (PHC) o Centro de Salud Comunitario (CHC) ya están mostrando resultados prometedores. Capturan factores de estrés de la vida real y patrones de enfermedad únicos de comunidades rurales y marginadas.

Humano en el circuito: por qué la IA no debería trabajar sola

La IA no está destinada a reemplazar a médicos o trabajadores de salud, sino a orientarlos. Imagine este escenario:

• La IA detecta hipertensión leve en un paciente.

• Luego incita al médico o a la ASHA: “¿Este paciente trabaja en turnos nocturnos? ¿Está involucrado en curado de sal u otro trabajo manual de alta carga?”

• Cuando el médico lo confirma, la IA aprende y mejora.

Este bucle de retroalimentación es la clave para construir modelos de atención sanitaria confiables y adaptativos.

Diseñar modelos de IA culturalmente sensibles

La cultura es tan importante como el código. Si los sistemas de IA no hablan el idioma local o no entienden los modismos, corren el riesgo de una interpretación errónea.

• Un paciente de habla hindi que informa “mareo” puede referirse a mareo, pero también podría indicar estrés cardiovascular temprano.

• Las referencias dietéticas regionales (como arroz fermentado, ragi o encurtidos) deben formar parte del conjunto de datos.

• Indicaciones visuales