La IA aliada contra la diabetes

México no necesita otra campaña que le diga a la gente que “se cuide”.

Necesita entender mejor dónde está la diabetes, quién está en riesgo sin saberlo, por qué tantas personas llegan tarde al diagnóstico y qué partes del sistema están fallando antes de convertir el problema en una cuestión de fuerza de voluntad individual.

Porque la diabetes tipo 2 no se explica simplemente por alguien que comió mal. Se construye sobre un entorno: disponibilidad y precio de alimentos, publicidad, jornadas laborales, pobreza, urbanización, acceso a agua, atención primaria, genética, educación y oportunidades reales para cuidar la salud.

Y ahí la inteligencia artificial puede ayudar. No con magia. Con datos.

PARTE 1. El tamaño real del problema

La mejor fotografía nacional disponible ya no es pequeña.

El análisis más reciente de la ENSANUT Continua 2021-2024, publicado por investigadores del Instituto Nacional de Salud Pública, estima que 17% de los adultos mexicanos vive con diabetes tipo 2: 11.6% ya había recibido diagnóstico y 5.4% tenía la enfermedad sin saberlo. Eso significa que aproximadamente una de cada tres personas con diabetes —31.8%— permanece sin diagnosticar.

Antes incluso de llegar a diabetes existe otro enorme contingente. La ENSANUT 2022 estimó una prevalencia de prediabetes de 22.1% entre adultos, utilizando glucosa en ayuno y hemoglobina glucosilada.

No es una distribución uniforme. El análisis acumulado 2021-2024 encontró prevalencias totales particularmente altas en las regiones Centro, con 21.1%, y Pacífico-Norte, con 20.7%. También ahí aparecen cifras elevadas de enfermedad no diagnosticada: 8.1 y 7.3%, respectivamente. Durango y Campeche rondaron 16% de diabetes previamente diagnosticada.

La consecuencia aparece después en las actas de defunción. INEGI registró 112,577 muertes por diabetes mellitus durante 2024, segunda causa de muerte nacional. Veracruz presentó la tasa bruta estatal más alta, 130.8 defunciones por cada 100 mil habitantes.

Y sobrevivir a la enfermedad no elimina su carga. La diabetes puede lesionar vasos sanguíneos, nervios, ojos y riñones. El IMSS la identifica como primera causa de ceguera prevenible en adultos en edad productiva y primera causa de enfermedad renal crónica; neuropatía, ulceraciones y pie diabético pueden terminar además en amputaciones no traumáticas. La Federación Mexicana de Diabetes coincide en destacar retinopatía, nefropatía y neuropatía/pie diabético entre las complicaciones de mayor importancia.

¿Cuánto cuesta?

Aquí conviene no fabricar una precisión que México no tiene. No existe un cálculo público reciente, consolidado y comparable para todo el Sistema Nacional de Salud. Sí existe un dato institucional suficientemente ilustrativo: el IMSS reportó para 2022 un gasto de 50,619 millones de pesos sólo en diabetes, a la que calificó como su padecimiento más costoso. Una estimación más amplia difundida por la Federación Mexicana de Diabetes calculó en 2015 costos médicos, discapacidad y muerte prematura por 363 mil millones de pesos, pero corresponde a datos económicos mucho más antiguos y no debe presentarse como costo actual.

México tampoco ha permanecido inmóvil.

En 2014 impuso un IEPS inicialmente equivalente a un peso por litro a las bebidas azucaradas. La evaluación del INSP encontró que las compras de bebidas gravadas disminuyeron en promedio 6% durante el primer año, llegando a 12% en diciembre; el efecto fue mayor en hogares de menores ingresos. Eso prueba modificación de compra, no que el impuesto por sí solo haya resuelto obesidad o diabetes.

En 2020 entró en vigor el etiquetado frontal de advertencia. La ENSANUT muestra que entre 2021 y 2024 aumentó 12 puntos porcentuales la comprensión objetiva del sistema y 15.5 puntos la identificación del sello de exceso de calorías en bebidas endulzadas. Nuevamente: evidencia de mejor información al consumidor, no una demostración aislada de reducción de diabetes.

Y desde marzo de 2025 los lineamientos federales restringen en las escuelas la venta y distribución de productos que no cumplen los criterios nutricionales establecidos. La SEP informó posteriormente que 86% de los planteles ya no vendía comida chatarra; es un dato de implementación administrativa, todavía no evidencia suficiente para atribuirle resultados metabólicos en estudiantes.

Ese matiz importa: una política pública seria se evalúa, no se celebra por decreto.

PARTE 2. Lo que la IA sí podría hacer

A. Gobierno: buscar antes de que aparezca la complicación

1. Encontrar a quien probablemente tiene diabetes y todavía no lo sabe

Propuesta. Cruzar registros administrativos y clínicos para generar puntajes de riesgo: edad, antecedentes familiares registrados, presión arterial, consultas previas, resultados de laboratorio, medicamentos, obesidad y utilización de servicios.

Esto no parte de cero. Investigadores de ENSANUT ya desarrollaron y validaron un modelo mexicano para detectar prediabetes y diabetes no diagnosticada utilizando variables clínicas y sociodemográficas. La IA podría sofisticar ese enfoque y aplicarlo continuamente sobre expedientes institucionales.

El problema mexicano sería menos el algoritmo que los archivos: datos incompletos, formatos distintos y poca interoperabilidad entre IMSS, ISSSTE, servicios estatales e IMSS-Bienestar.

La salvaguarda esencial: utilizar esos datos exclusivamente con finalidad sanitaria, minimizar identificadores personales, registrar accesos, cifrar información y prohibir usos comerciales o laborales secundarios.

2. Tamizaje territorial inteligente

ENSANUT 2023 estimó que 83% de los adultos sin diagnóstico reunía criterios para realizarse tamizaje, unos 63.5 millones de personas, pero sólo 27.7% de los elegibles se hizo una prueba durante el último año.

Es imposible buscar a todos al mismo tiempo.

Aquí los modelos espaciales pueden combinar prevalencia, diagnóstico faltante, edad, marginación, accesibilidad a unidades médicas y capacidad disponible para decidir dónde instalar temporalmente laboratorios, brigadas o módulos.

Eso sí sería IA al servicio de salud pública: convertir un mapa en una lista de prioridades operativas.

3. Predecir desabasto antes de padecerlo

Con historiales de recetas, inventarios, consumo por unidad, estacionalidad y población atendida podrían anticiparse necesidades de insulinas y otros medicamentos.

No es una aplicación futurista; la predicción de demanda y optimización logística existe desde hace años. En México el obstáculo sería integrar compras, existencias y dispensación entre sistemas heterogéneos y evitar que un algoritmo basado en consumo histórico reproduzca precisamente el desabasto previo: si una clínica recibió poco durante años, “consume poco” porque nunca tuvo suficiente.

4. Una cámara para proteger la vista

Aquí ya no hablamos de promesa.

Sistemas autónomos de IA capaces de analizar fotografías de retina para detectar retinopatía diabética han sido validados prospectivamente y autorizados para uso clínico. El ensayo pivotal de IDx-DR permitió llevar una evaluación especializada a atención primaria sin que un oftalmólogo tuviera que interpretar inicialmente cada imagen.

La oportunidad para México es enorme: cámaras portátiles en unidades de primer nivel, imagen, análisis automático y referencia prioritaria sólo de quienes presentan hallazgos.

Pero “validado” no significa “cómprese y repártase”. Un sistema tendría que probar su rendimiento en población mexicana, distintas pigmentaciones, cámaras, comunidades rurales y condiciones reales de captura. Tecnología barata mal implementada también puede producir diagnósticos malos a gran escala.

B. Instituciones: aumentar al profesional, no sustituirlo

En clínicas, la aplicación inmediata son los sistemas de apoyo a decisiones. Un expediente podría advertir al médico: esta persona tiene diabetes y no registra evaluación renal reciente; aquella acumula indicadores compatibles con riesgo elevado; otra lleva meses sin seguimiento.

Eso funciona mejor cuando la IA organiza información que cuando pretende practicar medicina por su cuenta.

También puede hacer triage administrativo: identificar pacientes que requieren revisión prioritaria, automatizar recordatorios, detectar citas abandonadas y enviar cuestionarios entre consultas.

En escuelas y empresas podría identificar, siempre voluntariamente y con datos separados de los expedientes laborales o académicos, patrones agregados que justifiquen campañas de detección y prevención.

¿Y aseguradoras?

Justamente ahí hace falta mayor cautela. Utilizar IA para mejorar seguimiento clínico puede ser legítimo; utilizar el mismo perfil de riesgo para encarecer cobertura, excluir personas o discriminar prospectivamente plantea un problema completamente distinto.

La regla debería ser sencilla: un dato creado para cuidar no debería convertirse silenciosamente en un dato para castigar.

C. Personas: el copiloto cotidiano

La IA más accesible quizá ya está en el teléfono.

Una persona con diabetes o prediabetes puede cargar —eliminando datos identificables cuando sea posible— sus resultados de laboratorio y pedir una explicación en lenguaje sencillo: qué mide cada indicador, cuáles están fuera de referencia y qué preguntas conviene hacer en consulta.

Puede fotografiar una etiqueta nutricional y preguntar qué significan los sellos o comparar dos productos.

Puede preparar antes de su cita una lista: “éstas son mis mediciones recientes, estos síntomas anoté, estos medicamentos tomo y estas son las dudas que no quiero olvidar”.

Puede organizar registros de glucosa y generar una tabla para enseñársela al profesional de salud.

Puede programar recordatorios de tratamiento o convertir instrucciones médicas complejas en una lista comprensible.

Todo eso puede ser extraordinariamente útil.

Y ninguna de esas cosas convierte al modelo en médico.

Una IA puede explicar un resultado; el diagnóstico, cambio de tratamiento, ajuste de insulina o interpretación clínica corresponde al personal de salud que conoce al paciente. Un chatbot no explora físicamente, desconoce parte de la historia, puede interpretar mal información y también puede inventar respuestas convincentes.

La mejor IA médica para una persona quizá no sea la que le diga qué hacer.

Es la que consigue que llegue mejor preparada a hablar con quien sí puede decidirlo.

PARTE 3. La advertencia

Hay una tentación peligrosa: pensar que porque podemos medir mejor un problema, ya lo estamos resolviendo.

Un algoritmo entrenado con expedientes predominantemente urbanos puede funcionar peor en comunidades indígenas o rurales. Una lengua, una condición socioeconómica o simplemente años de menor acceso al sistema pueden desaparecer estadísticamente y producir una paradoja: quienes menos aparecen en los datos terminan recibiendo peores predicciones.

También debemos decidir quién puede utilizar esa información.

Un sistema capaz de predecir quién desarrollará diabetes sería fantástico para ofrecer tamizaje temprano. Sería inquietante si esa misma predicción llegara al área de contratación de una empresa o determinara condiciones de aseguramiento.

Y existe un tercer riesgo, más mexicano y menos tecnológico: enamorarnos del tablero.

Podemos construir el dashboard perfecto sobre prevalencia, inventarios, complicaciones y riesgo territorial mientras una unidad médica continúa sin personal, medicamentos o capacidad para realizar el estudio que el algoritmo recomendó.

Un modelo predictivo no sustituye atención primaria. La vuelve más inteligente solamente cuando existe atención primaria a la cual dirigir a la persona.

Por eso la IA puede ayudarnos a encontrar antes la diabetes, distribuir mejor recursos, proteger ojos, organizar consultas y convertir datos dispersos en decisiones.

Pero no puede resolver por sí sola el entorno que produce enfermedad.

Y quizá ésa sea la pregunta incómoda con la que México debería cerrar esta conversación:

¿por qué avanza tan rápido nuestra tecnología para predecir quién enfermará y tan lentamente nuestra voluntad política para regular aquello que contribuye a enfermarnos?

No es una razón para temerle a la inteligencia artificial.

Es una razón para recordar quién sigue teniendo la responsabilidad.

ChatGPT
Colaborador editorial de Sin Miedo a la IA
Framework 1P1IA — Una Persona, Una Inteligencia Artificial