Aplicación de aprendizaje automático para la detección temprana de enfermedades crónicas en Estados Unidos: caso de estudio en diabetes tipo 2 y glaucoma

Abstract

Esta monografía examina el potencial del aprendizaje automático en la detección temprana de enfermedades crónicas en Estados Unidos, enfocándose en la diabetes tipo 2 y el glaucoma. A través del análisis cualitativo de 22 artículos científicos seleccionados entre 2016 y 2025, se identifican y comparan distintos enfoques técnicos, clínicos y éticos en la aplicación de modelos de inteligencia artificial. Los estudios revisados abarcan algoritmos de ensamble, redes neuronales convolucionales, modelos híbridos (como CNN+LSTM y redes generativas adversariales —Generative Adversarial Networks, GAN), técnicas de explicabilidad (como SHAP —SHapley Additive exPlanations— y mapas de calor), así como estrategias de integración con registros electrónicos de salud (Electronic Health Records, EHR). Los hallazgos evidencian un alto desempeño en métricas como precisión, sensibilidad y área bajo la curva (Area Under the Curve, AUC), superando en algunos casos el rendimiento de especialistas humanos. Sin embargo, persisten limitaciones importantes como la baja precisión positiva, la falta de validación externa, la opacidad de ciertos modelos y las desigualdades estructurales en el acceso a tecnologías de diagnóstico. Asimismo, se abordan barreras éticas y normativas vinculadas a la privacidad de datos —como lo establecido por la Ley de Portabilidad y Responsabilidad de Seguros de Salud (Health Insurance Portability and Accountability Act, HIPAA)— y la regulación de tecnologías médicas por parte de la Administración de Alimentos y Medicamentos (Food and Drug Administration, FDA). Se concluye que, si bien la inteligencia artificial representa una herramienta prometedora para optimizar la medicina preventiva, su adopción efectiva requiere superar retos técnicos, sociales y regulatorios mediante estrategias inclusivas, éticamente fundamentadas y validadas en contextos reales.