Oftalmociencia Innova Latinoamérica 2026 · Lima

Lo que aprendí construyendo IA para médicos

(y lo que nadie te dice)

WALTER ROSALES
Empecemos por el año en que esto no le importaba a nadie

En 2022 le pedí a cincuenta oftalmólogos que marcaran imágenes.

ChatGPT no existía todavía. Salió el 30 de noviembre de ese año, cuando el proyecto ya llevaba meses. No había nada que enseñarles, nada con qué comparar, ningún titular al que apuntar.

La frase que más escuché fue «¿y eso para qué me sirve a mí?»

Y tenían razón en los cuatro

Cuatro muros. Ninguno técnico.

15 min tu jueves
Muro 01
Quince minutos que no existen.
Muro 02
Tema de congreso, no de consultorio.
$ pip install $ export API_KEY
Muro 03
Hecho para programadores.
?
Muro 04
«¿Y esto para qué me sirve a mí?»
Y el muro que no vi venir

Les pedí que clasificaran lo mismo. Dijeron cosas distintas.

la misma foto RDNP leve RDNP moderada sin retinopatía médico 1 médico 2 médico 3

Dos especialistas de retina graduaron las mismas 270 fotografías. Coincidieron en 84.8% de ellas.

SRINIVASAN S, ET AL. · EYE (LOND) · 2022 · κ = 0.715
Para ustedes eso es variabilidad interobservador y es parte del oficio. Para el modelo no puede haber más de una verdad. Alguien tiene que decidir cuál — y esa decisión es clínica, no técnica.
Srinivasan S, et al. Inter-observer agreement in grading severity of diabetic retinopathy. Eye (Lond) 2022;37(6):1231–1235
Y un hecho de cómo opera cualquier servicio

Los residentes marcan. El adscrito cierra.

residente residente residente adscrito una etiqueta

Es así como funciona un servicio, y así funcionó el etiquetado. No es un defecto: es la estructura que permite que un hospital opere.

Y sí afecta al modelo. Las etiquetas no llegan todas con el mismo peso, y el modelo no lo sabe a menos que se lo digas. Por eso la referencia se define por consenso y no por jerarquía — es lo mismo que hizo el estudio de JAMA: cada imagen graduada de tres a siete veces.
Cuatro años después

Cambió casi todo. Menos una cosa.

2026 2022
Lo que ganamos
Ya nadie pregunta para qué sirve.
Lo que apareció
Ahora preguntan si los reemplaza.
?
Lo que no cambió
Nadie sabe qué está comprando.
La lección más cara de las cuatro

Si no lo entienden, no lo ocupan.

semana 1 la abren todos semana 2 nadie la abre instalación y nadie te dice por qué
Lo que mata
Un clic de más.
Lo que mata
Un idioma nuevo que aprender.
Lo que salva
Dictar. Revisar. Firmar.
En software clínico, la interfaz es el tratamiento. No el envase.
Y lo que hay que exigirle a cualquier modelo, venga de donde venga

Un modelo sin ficha técnica es un fármaco sin prospecto.

FÁRMACO MODELO indicaciones contraindicaciones en quién se probó resultados publicados
En un modelo: qué sí sabe · qué no sabe · con qué se entrenó · en cuántos pacientes.
A ningún medicamento lo dejarían entrar a su consultorio sin saber en quién se probó. A un modelo, sí.
Y aquí viene lo que nadie dice

Modelos notables publicados en 2025.

Estados Unidos
59
China
35
Corea del Sur
8
Latinoamérica
NO APARECE

Latam-GPT existe: se lanzó en febrero de 2026, con quince países, más de doscientos colaboradores y setenta mil millones de parámetros. Es un logro enorme. Y está construido encima de un modelo estadounidense.

De los conjuntos de datos abiertos de salud de la región, sólo 6.4% son imágenes médicas. Con eso, hacer investigación de oftalmología con datos nuestros es, literalmente, imposible.
Stanford AI Index 2026 · CENIA, febrero de 2026 · revisión de datos abiertos de salud en Latinoamérica
Y por qué esto no es una queja regional, sino un problema clínico

No es el mismo ojo el caucásico, el asiático y el indígena latinoamericano.

Cambia la pigmentación del fondo y con ella lo que el modelo ve. Cambia la prevalencia y con ella lo que el modelo espera encontrar. Cambian la edad de presentación, el momento en que el paciente llega y la cámara con que se le fotografía.

Un modelo entrenado sin nosotros no es neutral con nosotros: simplemente nunca nos vio. Y no lo va a decir — va a entregar un número con la misma seguridad con la que lo entrega para la población en la que sí se entrenó.
ESO NO LO ARREGLA UN PROVEEDOR. LO ARREGLA QUIEN TIENE LAS IMÁGENES.
Y el pronóstico, en los términos que sí usamos

Bueno para la vida. Regular para la función.

VIDA ¿esto se queda? FUNCIÓN ¿nos va a servir a nosotros? malo regular bueno todavía se puede mover
Como todo pronóstico funcional: no se cambia solo, no se cambia tarde, y no se cambia sin rehabilitación.
Y la parte que nos toca

Que el próximo conjunto de datos se arme aquí.

No hace falta saber programar. Basta con estar cuando se decida en quién se valida.

Esta plática, completa
ESCRÍBEME. CONTESTO YO, NO UN FORMULARIO.
Walter Rosales
CEO & Co-Founder · iGalenus
walter-rosales.com walter.rosales@igalenus.com Instagram · @walterr_rosales
Notas y procedencia

De dónde sale cada cosa que conté.

2022 · el proyecto de etiquetadoInstituto Mexicano de Oftalmología: plataforma de etiquetado de más de tres mil imágenes oftalmológicas, adoptada por más de cincuenta médicos en cuatro estados; más de diez modelos de clasificación y segmentación llegaron a uso clínico. AI Manager 2022–2024, director de tecnología 2024–2025.
ChatGPTOpenAI lo liberó al público el 30 de noviembre de 2022. GPT-4 llegó en marzo de 2023. Durante casi todo 2022 no existía una referencia pública a la que señalar en una consulta.
Acuerdo entre graduadoresSrinivasan S, Suresh S, Chendilnathan C, et al. «Inter-observer agreement in grading severity of diabetic retinopathy in wide-field fundus photographs.» Eye (Lond). 2022;37(6):1231–1235. Dos especialistas de retina, cada uno con cinco años en vitreorretina, graduaron 270 fotografías: concordancia en 229/270 (84.8%), kappa no ponderada 0.715, ponderada 0.838. Las tres etiquetas del diagrama son ilustrativas, no la distribución del estudio.
La verdad por mayoríaGulshan V, et al. JAMA. 2016;316(22):2402–2410: cada una de las 128,175 retinografías del conjunto de desarrollo fue graduada de tres a siete veces por un panel de 54 oftalmólogos y residentes de último año, y la referencia se definió por mayoría.
Modelos notables por país, 2025Stanford HAI, «The 2026 AI Index Report», capítulo de investigación y desarrollo: Estados Unidos produjo 59 modelos notables en 2025 y China 35; Corea del Sur, 8. El informe no desglosa una cifra para Latinoamérica — la región no aparece en el conteo, que es exactamente el punto de la lámina.
Latam-GPTLanzado el 10 de febrero de 2026 por el Centro Nacional de Inteligencia Artificial de Chile (CENIA) con quince países, más de doscientos colaboradores y treinta y tres alianzas institucionales. Setenta mil millones de parámetros, construido sobre Llama 3.1 de Meta, entrenado con unos 18 TB en español, portugués e inglés. La Universidad de Tarapacá, en Arica, invirtió 10 millones de dólares en el primer centro de supercómputo de la región capaz de entrenar modelos de gran escala.
6.4% de imágenes médicasRevisión de alcance del panorama de conjuntos de datos abiertos de salud en Latinoamérica (PLOS Digital Health): sólo 6.4% de los conjuntos disponibles eran de imágenes médicas, lo que impide investigación en especialidades como radiología y oftalmología.
Subrepresentación en oftalmologíaLa mayoría de los conjuntos oftalmológicos públicos proceden de países de ingreso alto. Latinoamérica, África, el Sudeste y Centro de Asia y Medio Oriente están subrepresentados respecto a la prevalencia de enfermedad ocular en esas regiones. BRSET (Nakayama LF, et al., PLOS Digital Health, 2024) reúne 16,266 retinografías de 8,524 pacientes brasileños y existe precisamente por esa ausencia.
Las conclusionesLos cuatro muros, las lecciones de interfaz y el pronóstico son conclusiones propias, no resultados de estudio. Se presentan como lo que son: lo que aprendí en estos proyectos, no evidencia generalizable.