La patología digital en los tiempos actuales

La patología digital ha experimentado una notable evolución desde sus primeras manifestaciones en la década de 1960, cuando surgió la telepatología, con la posibilidad de realización de demostraciones a distancia mediante microscopios controlados robóticamente. Este avance sentó las bases para una transformación progresiva de la práctica anatomopatológica. En los años noventa, se desarrolló el primer sistema capaz de escanear portaobjetos completos, conocido como Whole Slide Imaging (WSI), que marcó un hito decisivo al posibilitar la digitalización de muestras histológicas con fines diagnósticos y de archivo (^{Hanna et al., 2022}).

A partir de entonces, la integración de tecnologías avanzadas en óptica, robótica y computación ha potenciado el desarrollo de sistemas digitales cada vez más sofisticados. En tiempos más actuales, la aparición de algoritmos basados en IA, como las redes neuronales profundas (deep learning) y otros modelos de aprendizaje automático (machine learning), han permitido automatizar procesos con altos niveles de precisión, reducir el tiempo diagnóstico y aumentar la consistencia en la interpretación de muestras.

Especialmente en países desarrollados, la anatomía patológica se encuentra en un proceso de transformación digital acelerado y se consolida progresivamente como un nuevo estándar potencial de atención, con una amplia gama de plataformas tecnológicas disponibles para su implementación en laboratorios de histopatología (^{Hanna et al., 2022}).

Entre los beneficios más relevantes están la mayor precisión diagnóstica, la eficiencia en el flujo de trabajo, y la objetividad en evaluaciones cuantitativas. Diversos trabajos muestran que los algoritmos de IA pueden detectar hallazgos patológicos con una sensibilidad superior a la del ojo humano en determinadas tareas. Un metanálisis de 2024 abarcó 100 estudios y calculó que, en promedio, los modelos de IA en patología digital alcanzan una sensibilidad del 96,3% y especificidad del 93,3% al distinguir lesiones en láminas, lo cual sugiere un desempeño muy alto en las áreas analizadas (McGenit et al., 2024). De hecho, existen ejemplos donde la IA superó notablemente a patólogos: en un estudio sobre metástasis ganglionares de carcinoma de mama, un algoritmo logró ~99% de precisión en identificar focos metastásicos frente a ~81% obtenido por patólogos humanos trabajando sin ayuda computarizada (^{Shen & Zhang, 2025}).

La automatización de tareas mediante IA disminuye también los tiempos de respuesta. Los algoritmos analizan láminas digitales de forma continua, sin fatiga, detectando en minutos áreas sospechosas que a un patólogo podrían requerir mucho tiempo de búsqueda. Algunos autores plantean incluso la figura de un “copiloto” digital que asista al patólogo sugiriendo diagnósticos diferenciales o marcadores adicionales a solicitar, reduciendo iteraciones y enfocando el trabajo humano en tareas de mayor nivel cognitivo (^{Zhang et al., 2024}).

Al basarse en algoritmos consistentes, las herramientas basadas en IA ejecutan mediciones más estandarizadas, especialmente relevante en la cuantificación de biomarcadores y la gradación tumoral donde se reduce la subjetividad. Por ejemplo, en el grading de cáncer de mama, se ha propuesto que los algoritmos de IA podrían mejorar la consistencia al asignar grados histológicos, aportando claridad pronóstica y eliminando parte de la variabilidad interobservador inherente al ojo humano ^{Shen & Zhang, 2025}).

Del mismo modo, en patología prostática, estudios indican que asistentes de IA mejoran la concordancia de patólogos generales con el diagnóstico de expertos, especialmente en la clasificación de patrones de Gleason difíciles, corrigiendo interpretaciones erróneas y homogeneizando criterios (^{Marletta, et al., 2024}).

No obstante, si bien estudios comparativos han publicado datos alentadores sobre la seguridad y viabilidad del proceso, las experiencias de implementación subrayan la necesidad de formación específica y del conocimiento de posibles dificultades (^{Bizzego et al., 2019}; ^{Huss & Coupland, 2023}; Mazer et al., 2020). La patología tradicional incorpora el contexto clínico y la experiencia acumulada del especialista, algo difícil de codificar en algoritmos. Además, existen tareas en las que la interpretación humana sigue siendo el estándar indiscutido. Por ejemplo, diagnósticos extremadamente raros o nuevos, para los cuales no hay datos suficientes para entrenar una IA, o casos que requieren creatividad diagnóstica y correlación clínica estrecha.

Por tanto, aunque la IA reduce la carga en tareas repetitivas y estandarizables, la supervisión y el juicio final del patólogo siguen siendo imprescindibles. De hecho, las directrices éticas enfatizan que la autonomía humana debe preservarse: las decisiones clínicas deben permanecer bajo control de profesionales, usando la IA como ayuda y no como árbitro (Organización Mundial de la Salud [OMS], 2023). Desde la perspectiva bioética, la implementación de la patología digital debe estar guiada por un marco ético que garantice el respeto a la transparencia del proceso y autonomía del paciente; protección y seguridad de los datos, y la equidad del acceso; en consonancia con los principios de la bioética contemporánea.

Transparencia del proceso y autonomía del paciente

Muchos algoritmos de deep learning funcionan como cajas negras, difíciles de interpretar incluso para sus creadores. En medicina, la falta de explicación choca con la necesidad ética de justificar las decisiones clínicas. Patólogos y pacientes pueden preguntar: “¿Por qué se llegó a este diagnóstico?”. Si no hay forma de exponer qué patrones llevaron a la conclusión, se genera desconfianza y dificultad para detectar errores. Por ello, la transparencia es uno de los principios éticos señalados por la OMS (2021) y otros organismos. Se requiere documentar suficiente información sobre el diseño y entrenamiento del modelo, y adicionalmente, deben existir mecanismos de escrutinio externo. Si un error ocurre, es necesario dilucidar si fue por un fallo del algoritmo (y en qué paso) o por mal uso humano.

Actualmente, los reguladores como FDA (2021) exigen a los desarrolladores una descripción clara de cómo opera el software y sus límites antes de aprobarlo, pero esto es solo el primer paso. En el ámbito legal, la opacidad de los algoritmos podría complicar litigios por malapraxis. ¿Cómo determinar si la equivocación diagnóstica se debió a la IA o al patólogo si el razonamiento de la IA no es interpretable? Este es un campo en evolución conocido como “XAI” (AI explicable) que busca dar luces sobre la toma de decisiones de los modelos, y su avance será decisivo para la adopción ética de la IA en patología.

En el estudio de ^{Sulaieva et al. (2024}), se señala que la patología digital se ha estado integrado en el sistema de atención oncológica, y que aporta un valor añadido para los pacientes con cáncer. No obstante, si bien su implementación ofrece múltiples beneficios, también implica desafíos éticos latentes que pueden afectar la relación médico-paciente. Entre ellos, destaca la necesidad de garantizar el derecho de los pacientes a ser informados sobre el uso de herramientas basadas en IA en su diagnóstico, incluyendo detalles sobre su precisión, fortalezas, limitaciones y las medidas adoptadas para la protección de su privacidad. En este contexto, el deber ético de los profesionales de la salud de proporcionar información clara y pertinente sobre estas tecnologías constituye una manifestación concreta del respeto por la autonomía del paciente y favorece una toma de decisiones genuinamente informada.

Asimismo, la Digital Pathology Association (DPA, 2019), una organización profesional sin fines de lucro dedicada a promover el avance, la implementación y la adopción global de la patología digital, enfatiza la importancia de la transparencia en el uso de herramientas de inteligencia artificial en la patología digital. Subraya que los profesionales de la salud asumen la responsabilidad ética de comunicar de forma clara y accesible cómo se emplean estas tecnologías, así como de asegurar que los pacientes comprendan su papel e impacto en el diagnóstico médico.

Los pacientes deben estar plenamente informados sobre cómo se utilizarán, almacenarán y compartirán sus datos patológicos digitales. Esto incluye informar a los pacientes sobre el posible uso de sus datos en la investigación y la integración de la inteligencia artificial con fines de diagnóstico (^{Abels et al., 2019}); así mismo, autorizar que sus resultados sean compartidos con distintos especialistas en caso de requerir segundas opiniones antes de emitir el diagnóstico definitivo; por lo que es necesaria una comunicación clara y transparente con los pacientes para obtener su consentimiento informado y garantizar una práctica ética.

Por tanto, considerando que la autonomía del paciente, uno de los pilares fundamentales de la bioética, solo puede ejercerse si se garantiza un acceso claro, veraz y comprensible a la información relacionada con los métodos y herramientas utilizadas en su diagnóstico. Se sostiene que la transparencia en la gestión de datos y en el funcionamiento de los algoritmos diagnósticos debe ser considerada un deber ético profesional. El derecho del paciente a conocer qué tipo de tecnologías intervienen en su atención médica, cómo funcionan, cuáles son sus márgenes de error, qué datos utilizan y cómo se protegen sus registros clínicos no puede ser subordinado a intereses comerciales ni a criterios de conveniencia institucional. La opacidad tecnológica socava la relación de confianza médico-paciente y, por tanto, mina las bases de una medicina centrada en la persona.

Del mismo modo, es fundamental que el consentimiento informado evolucione para adaptarse a los nuevos escenarios digitales. Esta información no debe verse solo como un requisito burocrático, sino un acto de respeto genuino por la capacidad del paciente de tomar decisiones sobre su salud en un entorno tecnológico complejo. La transparencia no debe ser entendida como una opción, sino como un componente indispensable para garantizar la autonomía del paciente.

Protección y seguridad de datos

La IA en patología típicamente requiere grandes volúmenes de datos para entrenar y mejorar sus modelos. Esto plantea retos de confidencialidad y cumplimiento de leyes de protección de datos, como el Reglamento General de Protección de Datos (European ^{Commission, 2018}) en Europa; y la Ley de Portabilidad y Responsabilidad de Seguros de Salud (U.S. Department of Health & Human Services, 2022) en Estados Unidos.

Un riesgo muy posible es la reidentificación, las imágenes patológicas a veces contienen texto u otros metadatos que podrían vincularse con una persona, o combinaciones de datos que permitan deducir identidades. La exposición de datos privados de un paciente -por ejemplo, una imagen digital asociada a mutaciones identificables únicas- puede plantear serias preocupaciones éticas relacionadas con la violación de la privacidad, lo cual podría generar políticas de gobernanza restrictivas y modelos de seguridad más estrictos. Además, el almacenamiento en la nube de imágenes exige asegurar que el proveedor cumpla estándares internacionales de seguridad de la información de salud.

Un tema emergente adicional se relaciona con las empresas que utilizan datos de pacientes para comercializar herramientas y servicios basados en IA. Esta práctica suscita interrogantes éticos y jurídicos sobre la propiedad de los datos y los derechos de propiedad intelectual. En el contexto de la patología digital, donde se manipulan imágenes histológicas de alta resolución asociadas a metadatos clínicos, genéticos e identificadores personales, la confidencialidad es un imperativo ético.

La digitalización de la WSI y de los datos asociados de los pacientes requiere ciberseguridad, es decir, garantizar la seguridad de los dispositivos confidenciales y de acceso público mediante prácticas como contraseñas, dispositivos biométricos, cifrado de datos, redes privadas virtuales, cortafuegos, software y antivirus (^{Cucoranu et al., 2013}).

Se ha desarrollado un modelo de análisis del riesgo para la privacidad con el fin de evaluar estos riesgos y proponer criterios para compartir de forma segura los datos de WSI. El uso de contratos inteligentes basados en blockchain y sistemas de archivos en estrella puede resolver este problema. La implantación de este sistema demuestra que la combinación del estándar de contrato inteligente NFP y el almacenamiento descentralizado de archivos en la nube puede reducir de forma permanente los costes y mejorar la eficiencia y la eficacia del diagnóstico y la atención al paciente (^{Subramanian & Subramanian, 2022}).

Resulta fundamental contar con un sistema de gobernanza de datos que, entre otros aspectos, regule quién tiene acceso a qué tipos y niveles de información. Dada la magnitud de los datos, su naturaleza altamente confidencial y la necesidad de respetar los derechos individuales -tanto por razones éticas como para cumplir con la legislación vigente-, las organizaciones deben desarrollar mecanismos formales para abordar estos problemas de forma integral, y no mediante soluciones improvisadas (^{Abels et al., 2019}) .

La protección de los datos personales en entornos de patología digital debe ser abordada como una responsabilidad ética prioritaria y no como un simple cumplimiento normativo. La información médica digitalizada es altamente sensible y, en manos indebidas, puede generar consecuencias irreparables para la vida privada, la dignidad e incluso la seguridad física de los pacientes.

Equidad de acceso

La adopción de la patología digital también conlleva el riesgo de profundizar las brechas existentes en el acceso a servicios médicos de calidad, especialmente en contextos de desigualdad estructural. Desde esta perspectiva, la equidad debe ser un principio rector en la adopción de tecnologías digitales en salud, y no una consecuencia secundaria o eventual del desarrollo tecnológico.La implementación de plataformas de diagnóstico digital requiere infraestructura tecnológica costosa, conectividad de alta velocidad, personal capacitado y recursos sostenibles para el mantenimiento de los sistemas (^{Dawson, 2022}). Estas condiciones están lejos de ser uniformes en países de ingresos bajos y medios, e incluso en regiones desfavorecidas dentro de países desarrollados.

Estudios como ^{Jahn et al. (2020}), aluden que la patología digital puede acentuar desigualdades si no se garantiza el acceso equitativo a la tecnología y a diagnósticos de calidad en todos los contextos sanitarios. Se sostiene que es una obligación ética diseñar modelos de implementación que contemplen mecanismos de acceso equitativo. Esto implica desarrollar políticas públicas inclusivas, promover asociaciones entre el sector público y privado, para facilitar procesos de capacitación descentralizados y crear incentivos que favorezcan la expansión de estas herramientas en zonas vulnerables.

Del mismo modo, la equidad no debe limitarse al acceso tecnológico, sino también a la calidad de los datos utilizados en el desarrollo de algoritmos. Los sistemas de IA aprenden de datos históricos; si estos datos contienen sesgos, por ejemplo, la representación desproporcionada de ciertos grupos étnicos, o diagnósticos influidos por prejuicios sociales, el algoritmo puede manifestar desempeño desigual. En patología, ya se ha documentado evidencia de este problema: un estudio reciente mostró que un modelo de patología computacional tenía diferencias notables en rendimiento entre pacientes blancos y negros, con caídas en exactitud de 3% al 16% en ciertas tareas -como subtipificación de cáncer de mama, de pulmón, predicción de mutación IDH1 en gliomas-, al comparar grupos raciales (^{Shen & Zhang, 2025}).

Corregir estos sesgos es complejo: requiere recopilar conjuntos de datos más diversos y eventualmente reentrenar algoritmos para mejorar sus resultados. La OMS (2021), advierte que los sistemas entrenados principalmente con datos de países de ingresos altos pueden no rendir adecuadamente en poblaciones de entornos con menos recursos. Por ello, recomienda desarrollar algoritmos que reflejen la diversidad de contextos y acompañarlos de capacitación a los profesionales en competencias digitales para mitigar brechas. No abordar los sesgos algorítmicos puede traducirse en injusticias: por ejemplo, pacientes de ciertos grupos podrían recibir diagnósticos erróneos o tardíos si el sistema no fue calibrado para ellos, agravando desigualdades existentes.

En última instancia, garantizar equidad implica un esfuerzo consciente en curación de datos, técnicas de aprendizaje que detecten y corrijan sesgos, y validación multicéntrica de las herramientas antes de su despliegue. La innovación tecnológica sin justicia distributiva corre el riesgo de convertirse en un privilegio y no en un derecho, lo cual profundiza las brechas que justamente la medicina busca superar.

Cambios en el rol del patólogo y responsabilidad

Se plantea que la patología digital ha ampliado la capacidad diagnóstica de los patólogos; aquello que antes se sustentaba únicamente en el juicio clínico experto, ahora puede complementarse y respaldarse con datos objetivos generados por sistemas computacionales avanzados (^{Hanna et al., 2022}). No obstante, la integración de IA puede desafiar el estándar tradicional de la evaluación humana, y genera incertidumbre sobre la responsabilidad en caso de errores diagnósticos.

Surge la pregunta de: ¿Quién es responsable cuando una IA comete un error diagnóstico? En la práctica actual, el patólogo firmante del informe es legalmente responsable de su contenido; pero si ese patólogo se apoyó en un algoritmo que resultó estar equivocado. ¿Se le puede culpar totalmente, o recae parte de la responsabilidad en el fabricante del software o en la institución que lo implementó? En ausencia de regulaciones específicas, esto genera incertidumbre y potencialmente mayor riesgo percibido para el médico. Autores han planteado esta problemática: no está claro quién debe rendir cuentas si un algoritmo basado en IA influye en una decisión incorrecta del patólogo, o si éste contradice a la IA de forma errónea (^{Berbís et al., 2023}; ^{Lu et al., 2024}; ^{Verghese et al., 2023}).

Desde el punto de vista normativo, se necesitan marcos legales que definan la responsabilidad de forma equitativa; probablemente mediante la consideración de la IA como un producto sanitario cuyo proveedor asume responsabilidad por defectos, a la vez que el médico tiene el deber de supervisar y no delegar ciegamente. Algunos países están discutiendo actualizaciones a sus legislaciones de dispositivos médicos e incluso creando agencias específicas para regular algoritmos de IA. La Unión Europea (2021), por ejemplo, trabaja en un Reglamento de IA que clasifica los sistemas de IA según riesgo e impondrá requisitos estrictos a aquellos de “alto riesgo” - categoría en la que entra la IA médica- respecto a seguridad, trazabilidad y supervisión humana. Aunque todavía en desarrollo, este tipo de iniciativas buscan aclarar el panorama legal y asegurar que la introducción de IA no debilite la protección de los pacientes.

Sin embargo, este nuevo protagonismo no está exento de tensiones. En la medida en que la IA se integra a los flujos de trabajo, emerge el riesgo de una delegación acrítica de decisiones a sistemas automatizados. Por ello, es indispensable afirmar que el patólogo sigue siendo el responsable último del diagnóstico, incluso cuando emplea herramientas de apoyo computacional. El juicio clínico no puede ser sustituido por una predicción algorítmica, por muy precisa que esta sea. La IA no reemplaza el juicio clínico humano, sino que lo complementa; por tanto, corresponde al profesional validar, interpretar y contextualizar los resultados proporcionados por los algoritmos.

Desde la mirada aspecto ético-social, es posible que la IA tenga un gran impacto en la fuerza laboral de patología. La perspectiva de automatización suscita inquietudes sobre la disminución de la demanda de patólogos o técnicos, pudiendo afectar carreras profesionales. ^{Hanna et al. (2022}) aseguran que la IA no reemplazará patólogos, sino que los hará más eficientes, sí se anticipan cambios en las funciones. Por ejemplo, podría reducirse la necesidad de doble lectura humana en ciertas biopsias, o delegarse a asistentes no médicos la revisión de casos claramente negativos preseleccionados por IA.

Esto obliga a reimaginar la formación de los patólogos. Probablemente deberán adquirir competencias en informática, manejo de herramientas digitales e interpretación de resultados computacionales. Algunas instituciones han comenzado a incluir nociones de ciencia de datos e IA en los programas de residencia en Anatomía Patológica, preparando a los futuros especialistas para coexistir con estas tecnologías (Feng et al., 2021; Li et al., 2023; ^{Yaseliani et al., 2024})

Desde la perspectiva ética, es importante manejar esta transición protegiendo el rol del patólogo como garante de calidad diagnóstica. Además, las tareas que la IA no puede hacer - como consulta clínica, decisiones complejas, y ciertos procedimientos- cobrarán aún más relevancia en el perfil profesional. La OMS (2021), dentro del principio de promover IA responsable y sostenible, insta a que gobiernos y empresas aborden las disrupciones previstas en el trabajo, y ofrezcan capacitación a los trabajadores sanitarios para adaptarse y mitigar el riesgo de desplazamiento laboral.

Lejos de disminuir la relevancia del patólogo, la digitalización del diagnóstico fortalece su papel como integrador de conocimiento clínico, morfológico y tecnológico. La figura del patólogo evoluciona desde la del “lector de tejidos al microscopio” hacia la de un analista clínico-digital, capaz de interpretar datos complejos, interactuar con algoritmos de aprendizaje automático, validar sus resultados, y traducirlos en información clínicamente útil para el equipo tratante.