Menu
En el sector salud, las tecnologías basadas en inteligencia artificial y machine learning se han convertido en una promesa clave para mejorar la gestión del riesgo, optimizar recursos y anticiparse a complicaciones en poblaciones crónicas o de alto costo.
Sin embargo, muchos prestadores y aseguradoras han experimentado una paradoja incómoda: modelos con métricas “excelentes” (como alta AUC o precisión) que no generan impacto clínico ni ahorro real. ¿Por qué sucede esto?
La respuesta está en no alinear los modelos de riesgo con las realidades económicas y operativas del sistema de salud.
Supongamos que una aseguradora utiliza un modelo para identificar pacientes con alto riesgo de descompensación en EPOC. El modelo tiene una AUC de 0.87, pero al implementarlo:
🔴 Clasifica a muchos pacientes como de “alto riesgo” cuando no lo son, saturando la red de prestadores.
🔴 Omite a pacientes que sí terminan en urgencias, lo que genera sobrecostos por eventos evitables.
🔴 Obliga a intervenir a demasiados pacientes, elevando los costos sin un retorno claro.
En teoría, el modelo es “preciso”. En la práctica, no mejora los desenlaces ni la eficiencia del sistema.
El concepto de utilidad esperada —tomado de la economía— permite evaluar si un modelo realmente agrega valor, considerando:
✅ El costo de intervenir a un paciente que no lo necesita (falso positivo).
✅ El costo de no intervenir a un paciente que sí lo necesita (falso negativo).
✅ El beneficio de prevenir una hospitalización o complicación.
✅ El costo de oportunidad de usar recursos limitados en pacientes mal priorizados.
Así, podemos dejar de preguntarnos “¿qué tan bueno es el modelo en términos de AUC?” y empezar a cuestionar “¿cuánto valor clínico, operativo y financiero aporta este modelo en mi realidad institucional?”
Cuando aplicamos el análisis de utilidad esperada al espacio ROC, descubrimos que:
🔹 Cada punto en la curva ROC tiene una utilidad asociada, según el costo-beneficio del resultado.
🔹 Es posible trazar curvas de indiferencia, que representan combinaciones de sensibilidad y especificidad que generan el mismo valor que la política actual (por ejemplo, intervenir a todos los pacientes o a ninguno).
🔹 Un modelo solo tiene sentido si supera la utilidad de las estrategias triviales. Si no lo hace, puede tener buena AUC pero ser clínicamente irrelevante o financieramente insostenible.
Para organizaciones que gestionan riesgo en salud, este enfoque permite:
✅ Evitar modelos que incrementan los costos sin impacto real.
✅ Priorizar modelos que reducen hospitalizaciones, glosas y costos evitables.
✅ Alinear las decisiones clínicas con la sostenibilidad financiera.
✅ Construir mejores reglas de negocio para la activación de rutas de atención.
Este cambio de perspectiva permite evaluar modelos de machine learning no solo desde lo técnico, sino desde su capacidad de transformar la operación, los resultados en salud y la rentabilidad del contrato.
Desarrollamos soluciones tecnológicas que integran inteligencia artificial, ciencia de datos y economía aplicada para:
🩺 Optimizar la identificación de pacientes de alto riesgo.
📉 Reducir el desperdicio clínico y administrativo.
📊 Aumentar la efectividad operacional y el cumplimiento de metas contractuales.
👉 ¿Estás listo para que tus modelos de riesgo dejen de ser solo buenos en papel y empiecen a generar valor real?
🔗 Agenda una sesión con nuestro equipo y descubre cómo llevar tu gestión del riesgo al siguiente nivel con inteligencia artificial que entiende tu realidad.