¿Puede la inteligencia artificial cuidar de nuestros adultos mayores?
Por Raymundo Buenrostro-Mariscal*
En México viven más de 17 millones de adultos mayores, una cifra que podría triplicarse en las próximas décadas y pondría a prueba a nuestro sistema público de salud, ya presionado por la falta de recursos y el aumento de enfermedades crónicas. Frente a este panorama, surge una pregunta clave: ¿cómo anticipar qué personas necesitarán hospitalización para planear con tiempo los recursos y evitar crisis en la atención?
Tradicionalmente, los sistemas de salud han usado modelos estadísticos para responder a esta pregunta. Estos modelos ayudan a identificar asociaciones, pero tienen limitaciones cuando se trata de captar la compleja interacción de factores que influyen en la salud de una persona mayor.
Aquí entra en escena la inteligencia artificial (IA), y específicamente el aprendizaje automático. Gracias a la IA hoy es posible analizar miles de variables al mismo tiempo y descubrir patrones ocultos en los datos que antes pasaban desapercibidos.
Un estudio reciente aplicó esta idea usando la base de datos del Estudio Nacional sobre Salud y Envejecimiento en México (Enasem), en conjunto con un modelo de aprendizaje automático llamado Random Forest, un “bosque” de decisiones que combina elecciones simples para lograr predicciones más certeras. Con este modelo se examinó información de miles de adultos mayores para conocer la probabilidad de requerir hospitalización.
El resultado más sorprendente del estudio fue que los diagnósticos clínicos clásicos, como hipertensión o diabetes, no fueron los mejores predictores de hospitalización. Lo que realmente marcó la diferencia fue algo más cotidiano: la dificultad para realizar actividades básicas de la vida diaria. Saber si una persona mayor necesitaba ayuda para bañarse, vestirse, comer o caminar resultó ser un indicador mucho más poderoso de riesgo de hospitalización que un diagnóstico médico aislado.
Este hallazgo nos recuerda que la salud no se define únicamente por la presencia o ausencia de una enfermedad, sino también por la capacidad de mantenerse funcional y autónomo. La pérdida de independencia refleja una fragilidad subyacente que puede anticipar eventos agudos y hospitalizaciones.
El modelo también destacó otros elementos de gran peso: la edad, haber sufrido un evento cerebrovascular y el nivel educativo de la persona. En este último caso, los adultos mayores con más años de escolaridad presentaron mayor frecuencia de hospitalizaciones. No se trata de que la educación “provoque” el ingreso hospitalario, sino que refleja diferencias en el acceso: quienes estudiaron más suelen vivir en zonas urbanas, donde hay más hospitales y mayor afiliación a servicios de salud.
En contraste, enfermedades crónicas como diabetes o hipertensión, aunque importantes, tuvieron un peso predictivo menor en comparación con el estado funcional y el contexto social, lo que subraya la importancia de mirar más allá de la lista de padecimientos de un paciente.
Una de las críticas frecuentes hacia la IA es que sus modelos funcionan como “cajas negras”, difíciles de interpretar. Sin embargo, Random Forest permite conocer la importancia relativa de cada variable, mostrando con claridad qué factores pesan más en la predicción. Esto genera confianza, pues médicos, pacientes y gestores pueden entender por qué el modelo anticipa un riesgo, en lugar de recibir un resultado sin explicación.
El valor de esta herramienta es doble. A nivel nacional, ayuda a planear la demanda hospitalaria y optimizar el uso de los recursos del sistema de salud. A nivel comunitario y clínico, permite identificar a grupos de alto riesgo -como personas con limitaciones funcionales y bajo nivel educativo- para diseñar intervenciones preventivas específicas: programas de rehabilitación, acompañamiento social y educación para la salud. De esta manera, la IA se convierte en un aliado no solo para anticipar problemas, sino para prevenirlos y enfrentarlos de forma justa y eficiente.
El estudio demuestra que es posible transformar la información que ya recopilamos en soluciones prácticas que impacten directamente en la vida de las personas mayores. No se trata de sustituir la atención médica humana, sino de complementarla con herramientas que ayuden a tomar mejores decisiones.
La lección es clara: el futuro de la salud en la vejez depende tanto de la capacidad de mantenerse autónomo como del contexto social en el que se vive. Reconocer esto nos permite ampliar la mirada y diseñar políticas públicas más integrales.
México tiene la oportunidad de usar la IA para enfrentar los retos del envejecimiento de forma proactiva. El camino requiere compromiso, inversión y una visión integral que combine ciencia, salud y sociedad.
La ciencia no solo pertenece a los laboratorios, también puede ser un recurso para la ciudadanía. Anticipar las necesidades de nuestros mayores con ayuda de la inteligencia artificial es una forma concreta de construir un futuro más saludable, más justo y digno para las generaciones que envejecen.
Este texto está basado en el artículo: “Predicting Hospitalization in Older Adults Using Machine Learning” con el siguiente enlace: https://doi.org/10.3390/geriatrics10010006
*Profesor e investigador de la Facultad de Telemática de la Universidad de Colima.
Las opiniones expresadas en este texto periodístico de opinión, son responsabilidad exclusiva del autor y no son atribuibles a El Comentario.
