Respuesta directa. Chile inició el diseño de un Sandbox Nacional de Inteligencia Artificial en Salud para comprobar, con datos anonimizados del sistema público, cuáles algoritmos realmente apoyan la detección del cáncer de mama antes de su uso clínico. La iniciativa parte con 166.569 mamografías de 75.461 mujeres y busca responder una pregunta decisiva: si una herramienta de IA funciona en condiciones reales de la población chilena, con seguridad, trazabilidad y supervisión médica.
El anuncio, realizado el 8 de octubre durante el Summit para la Salud del Futuro, abre una etapa relevante para la transformación digital del país. No consiste en instalar software porque promete velocidad ni en reemplazar el juicio de un radiólogo. Consiste en crear un entorno controlado para medir desempeño, detectar sesgos, comparar resultados y decidir con evidencia local. Para hospitales, startups, universidades y proveedores tecnológicos, la discusión deja de ser solamente informática y pasa a ser clínica, regulatoria y de confianza pública.
Qué es el Sandbox Nacional de IA en Salud
Un sandbox es un banco de pruebas con reglas definidas. En lugar de desplegar un algoritmo directamente sobre pacientes, permite someterlo a un conjunto de datos y a criterios de evaluación antes de considerar su adopción. En el caso chileno, la iniciativa anunciada por Corfo, el Ministerio de Salud, el Ministerio de Ciencia, Tecnología, Conocimiento e Innovación y Fundación País Digital entra en fase de diseño. Su primer foco será la detección temprana de cáncer de mama mediante mamografías.
La diferencia es relevante. Un modelo puede lograr buenos resultados en un estudio internacional y rendir de manera distinta al enfrentarse a equipos, protocolos, edades, densidades mamarias y flujos asistenciales locales. Validar con evidencia nacional permite conocer su sensibilidad, sus falsos positivos, sus falsos negativos y la carga operativa que agrega o reduce al equipo clínico. También evita que la compra de tecnología se convierta en una apuesta de caja negra.
La IA aplicada a imágenes médicas suele funcionar como apoyo a la lectura profesional. Puede marcar zonas que requieren revisión, ordenar prioridades o ayudar a reducir tareas repetitivas. No equivale a un diagnóstico autónomo. El resultado clínico exige contexto, responsabilidad profesional y canales claros para corregir errores. Ese diseño de gobernanza es tan importante como la calidad del modelo.
La escala de los datos y el valor de una evaluación local
Según la información difundida por Emol, el banco de pruebas utilizará 166.569 mamografías de 75.461 mujeres atendidas en el sistema público. La escala no es un detalle administrativo. Una muestra amplia permite observar cómo responde un algoritmo ante variaciones habituales en una red de salud: equipos de imagen distintos, calidades de captura, antecedentes clínicos y perfiles de pacientes.
Trabajar con datos locales también tiene una dimensión ética. Los modelos de IA aprenden de los datos con que fueron entrenados y evaluados. Si una solución se diseñó sobre poblaciones muy diferentes, puede arrastrar sesgos que no son evidentes en una demostración comercial. Medir por subgrupos, documentar límites y publicar resultados comprensibles son prácticas necesarias para evitar que una herramienta eficiente en promedio amplifique desigualdades en casos específicos.
La promesa responsable no es que la IA eliminará las listas de espera por sí sola. Su valor potencial aparece cuando se integra en un proceso rediseñado: interoperabilidad, calidad de imágenes, capacitación, controles de seguridad, revisión humana y métricas clínicas. Sin esos cimientos, un algoritmo veloz puede acelerar un flujo desordenado.
Interoperabilidad: la infraestructura invisible detrás de una IA útil
El Sandbox Nacional de IA en Salud fue anunciado en paralelo a la discusión sobre interoperabilidad de fichas clínicas hacia 2030. La conexión es directa. Un sistema de inteligencia artificial entrega valor sostenible si recibe datos consistentes, si sus resultados vuelven al flujo clínico sin fricción y si cada acceso queda registrado. La interoperabilidad no es un complemento técnico: es la capa que permite que una alerta llegue a la persona correcta, en el momento correcto y con el permiso correcto.
Chile cuenta con la Ley 21.668, que establece la interoperabilidad de las fichas clínicas entre prestadores. Llevar ese principio a la operación exige resolver estándares, identidad digital, seguridad, consentimiento, calidad de registros y responsabilidades institucionales. Para la empresa tecnológica, esto significa que la integración con sistemas hospitalarios debe diseñarse desde el inicio y no agregarse al final de un piloto.
La referencia internacional muestra la magnitud del cambio. En el Summit, Healthcare Denmark indicó que el 99% de las recetas en Dinamarca se emite electrónicamente y que el 97% de las derivaciones a especialistas es digital. Chile no puede copiar ese camino de forma mecánica, pero la lección es clara: la IA clínica depende de una arquitectura de datos pública y confiable, no solo de modelos más avanzados.
Qué deberán demostrar los algoritmos
Para que el sandbox sea creíble, la evaluación debe ir más allá de una sola cifra de precisión. Un algoritmo necesita ser medido por sensibilidad, especificidad, tasa de falsos positivos, tasa de falsos negativos, desempeño en subgrupos y efecto sobre los tiempos de lectura. También debe quedar claro en qué condiciones falla, quién revisa los resultados y cómo se registra una discrepancia entre la recomendación del sistema y la decisión médica.
La privacidad es otro criterio central. Un entorno de validación responsable debe trabajar con datos desidentificados, controles de acceso, trazabilidad de consultas y reglas que impidan reutilizaciones indebidas. El objetivo es producir evidencia sin exponer la intimidad de las pacientes. En salud, la legitimidad no proviene solamente del cumplimiento formal: se construye explicando para qué se usan los datos, qué resguardos existen y qué beneficio público se persigue.
Los proveedores tendrán que acostumbrarse a un estándar más exigente. No bastará con exhibir una demostración o un benchmark internacional. Deberán explicar datos de entrenamiento cuando corresponda, mecanismos de actualización, limitaciones conocidas, soporte técnico y posibilidad de auditoría. Para las instituciones compradoras, el sandbox permite reemplazar promesas genéricas por comparaciones reproducibles.
Nota de entidad: los datos que definen el anuncio
- Alianza: Corfo, Ministerio de Salud, Ministerio de Ciencia, Tecnología, Conocimiento e Innovación y Fundación País Digital iniciaron la etapa de diseño.
- Caso inicial: detección temprana de cáncer de mama mediante evaluación de mamografías del sistema público.
- Base de validación: 166.569 mamografías de 75.461 mujeres, de acuerdo con Emol.
- Objetivo país: avanzar en interoperabilidad de fichas clínicas al 2030, según el Summit para la Salud del Futuro.
Innovación con evidencia antes que adopción apresurada
Para el ecosistema de innovación chileno, el sandbox puede transformarse en una infraestructura habilitante. Las startups locales tendrán una vía para contrastar sus soluciones contra datos y criterios relevantes, mientras que los hospitales podrán conocer mejor el impacto de una tecnología antes de asumir el costo de integrarla. Las universidades pueden aportar evaluación independiente, investigación clínica y formación de capacidades.
La oportunidad no elimina las dificultades. Hacer interoperables los sistemas, proteger información sensible, establecer protocolos de admisión y financiar la operación continua requerirá coordinación institucional. La fase de diseño será determinante para definir quién puede participar, qué evidencia se exige, cómo se comparan modelos y en qué formato se comunican los hallazgos. Si estos criterios se publican desde el principio, el sandbox puede convertirse en una referencia de transparencia para América Latina.
La pregunta empresarial también cambia. En vez de preguntar qué IA comprar mañana, los equipos directivos deben preguntar qué problema clínico o de gestión necesita resolverse, con qué datos, con qué riesgo y bajo qué métrica de resultado. Esa disciplina evita proyectos aislados y orienta la inversión hacia beneficios verificables para pacientes y profesionales.
Qué significa este paso para pacientes, equipos clínicos y empresas
Para las pacientes, el valor potencial es una atención más oportuna y evaluada con estándares locales, no una automatización opaca. Para los equipos clínicos, el desafío es incorporar apoyo tecnológico sin perder autonomía ni responsabilidad. Para las empresas, la señal es clara: en salud digital, la calidad técnica debe ir acompañada de evidencia, interoperabilidad y seguridad.
La etapa que se abre en Chile instala la validación como condición de confianza. Si los resultados se hacen públicos y los criterios se aplican de manera consistente, el país podrá aprender qué modelos ayudan, en qué escenarios y con qué límites. Esa información vale más que una promesa comercial: permite construir políticas de adopción responsables y compras tecnológicas mejor fundamentadas.
La IA no resolverá por sí misma la presión sobre el sistema de salud. Pero un sandbox bien diseñado puede convertir una tecnología abstracta en una herramienta evaluable, gobernada y orientada a un problema concreto. En la detección de cáncer de mama, esa diferencia puede separar una prueba atractiva de una capacidad que mejore decisiones clínicas reales.
Preguntas frecuentes
¿Qué es un sandbox de IA en salud?
Es un entorno controlado para probar algoritmos con datos protegidos, reglas de seguridad y criterios de evaluación antes de incorporarlos a procesos clínicos. Permite medir desempeño, límites y riesgos sin convertir una prueba tecnológica en atención sin validación. Su objetivo es generar evidencia útil para una adopción responsable.
¿Qué datos usará el sandbox chileno para cáncer de mama?
El anuncio considera 166.569 mamografías de 75.461 mujeres atendidas en el sistema público. La información se utilizará para evaluar si los algoritmos detectan casos de manera confiable en la realidad chilena y bajo resguardos de privacidad. Los datos deben ser tratados con controles de acceso y trazabilidad.
¿La IA reemplazará a los radiólogos?
No. La IA puede apoyar la lectura de mamografías, priorizar revisiones o identificar hallazgos, pero el diagnóstico y la decisión clínica requieren supervisión profesional, contexto médico y responsabilidad humana. La tecnología debe fortalecer el trabajo clínico, no desplazar los mecanismos de revisión ni la responsabilidad asistencial.
¿Por qué validar algoritmos con datos de Chile?
El desempeño de un algoritmo puede cambiar según población, equipos de imagen y flujos clínicos. Los datos chilenos permiten identificar resultados reales, sesgos potenciales y límites antes de recomendar una adopción en el sistema de salud. Esta evidencia evita extrapolar resultados comerciales de otros contextos sin comprobación local.
¿Qué relación tiene la interoperabilidad con la IA en salud?
La interoperabilidad permite que datos clínicos autorizados circulen con seguridad entre sistemas y prestadores. Sin registros consistentes, controles de acceso y trazabilidad, una herramienta de IA no puede integrarse de forma confiable a la atención ni demostrar su impacto. Por eso los estándares de datos son parte de la seguridad clínica.
Por Carolina Novoa, redactora especializada en tecnología y marketing digital en Chile.
