Chile destina $4.835 millones a probar siete proyectos de IA oncológica
PRECISION-AI quiere llevar herramientas para detección, tratamiento y acompañamiento desde el piloto hasta entornos clínicos reales. La inversión y la red ya están confirmadas; su seguridad, utilidad para pacientes y capacidad de funcionar a escala todavía deben demostrarse.
4.835MInversión total anunciada · programa de cinco años
Chile puso en marcha una apuesta de cinco años para resolver uno de los problemas más difíciles de la inteligencia artificial en salud: no crear otro modelo atractivo en una prueba controlada, sino demostrar que una tecnología puede ayudar dentro de hospitales, con pacientes reales, datos protegidos y responsabilidad clínica definida.
El programa se llama PRECISION-AI. Lo lidera la Universidad del Desarrollo junto con la Universidad de Chile y articula una cartera de siete proyectos de investigación aplicada en oncología. El Gobierno informó una inversión total cercana a 4.835 millones de pesos chilenos, de los cuales Corfo aporta 2.900 millones. La diferencia entre ambas cifras es de 1.935 millones, pero las publicaciones revisadas no ofrecen un desglose completo de su origen, calendario o condiciones.
Chile financió una infraestructura de investigación y transferencia para siete proyectos de IA oncológica. No anunció siete productos aprobados, ni una mejora comprobada en supervivencia, ni herramientas disponibles hoy para la atención habitual.
Qué está confirmado y qué sigue fuera de la vista pública
Las universidades anunciaron el programa el 7 de julio y el Ministerio de Economía lo presentó oficialmente al día siguiente. La red incluye a AIDA y ONCOGER como coejecutores; a OncoVida, la Cámara de Innovación Farmacéutica, el Instituto de Salud Pública, Clínica Alemana y la Municipalidad de Huechuraba entre sus asociados; y a más de quince organizaciones nacionales. También figuran como colaboradores internacionales la Jameel Clinic del MIT y el AI Centre for Value Based Healthcare de Londres.
El alcance oficial cubre detección temprana, diagnóstico, medicina de precisión, apoyo a decisiones clínicas y gestión de pacientes. La hoja de ruta reserva, de acuerdo con el reporte de El Mercurio distribuido por GDA, los primeros tres años para investigación y perfeccionamiento de modelos y los dos últimos para transferencia tecnológica. Sus responsables estiman que los primeros usos en centros médicos podrían comenzar alrededor del tercer año. Es una meta, no una fecha de disponibilidad garantizada.
Tres proyectos tienen una descripción pública suficiente para entender el problema que intentan resolver: una herramienta que calcula riesgo individual de cáncer de mama para priorizar tamizaje más allá de la edad; un sistema que busca anticipar resistencia a terapias; y un asistente de IA generativa por WhatsApp para apoyar la gestión y el acompañamiento de pacientes. Las fuentes revisadas no publican la ficha completa de los otros cuatro.
Tampoco encontramos protocolos públicos individuales, tamaño y composición de las cohortes, centros de validación asignados, variables de resultado, comparadores clínicos, métricas de desempeño o análisis por subgrupos. Esa ausencia no demuestra que los equipos carezcan de esos planes; significa que el público todavía no puede auditarlos. La diferencia es esencial en una cobertura responsable de investigación médica.
Siete proyectos, tres formas distintas de asumir riesgo
Estimar riesgo individual de cáncer de mama
Una estimación individual podría orientar recursos de tamizaje hacia personas con mayor riesgo y reducir demoras. Pero cambia quién recibe atención primero. Por eso debe compararse con la práctica vigente, calibrarse en población chilena y reportar por edad, territorio y otras variables relevantes cuántos casos detecta, cuántas falsas alarmas produce y a quién podría dejar atrás.
Predecir resistencia a terapias
Anticipar que un tratamiento probablemente no funcionará podría evitar toxicidad y tiempo perdido. También es el caso de mayor consecuencia clínica entre los que se han descrito: una predicción equivocada podría apartar a alguien de una terapia útil. La pregunta decisiva no es solo si el modelo distingue grupos retrospectivamente, sino si mejora una decisión prospectiva frente al estándar y con qué costo de error.
IA generativa a través de WhatsApp
Un canal familiar puede facilitar recordatorios, orientación y continuidad entre consultas. La misma accesibilidad amplía el riesgo de respuestas inventadas, instrucciones ambiguas, exposición de datos y dependencia excesiva. Debe estar acotado a tareas explícitas, identificar situaciones urgentes, derivar a una persona, registrar la versión del sistema y dejar claro que una conversación automatizada no sustituye al equipo tratante.
No conviene evaluar los tres con una misma vara. Una herramienta administrativa, un sistema de priorización y una recomendación que puede alterar terapia tienen consecuencias diferentes. La supervisión, la evidencia y el control regulatorio deben crecer con el daño potencial de una equivocación.
El tamaño del problema: casi 60.000 diagnósticos estimados en un año
La estimación más reciente de la Agencia Internacional para la Investigación del Cáncer para Chile contabiliza 59.887 casos nuevos y 31.498 muertes por cáncer en 2022, además de 172.913 personas vivas dentro de los cinco años posteriores a un diagnóstico. Son estimaciones epidemiológicas comparables, no un registro en tiempo real.
En ambos sexos, los mayores números de casos nuevos estimados correspondieron a próstata (8.758), colorrectal (7.965), estómago (5.494), mama (5.141) y pulmón (4.368). La carga ayuda a entender por qué detectar antes y escoger mejor una terapia importan. No demuestra, por sí misma, que una aplicación de IA sea la respuesta correcta.
La tecnología tendrá que insertarse además en un sistema que ya organiza seguimiento y navegación. El Plan Alerta Oncológica del Ministerio de Salud contacta y acompaña a personas con sospecha o diagnóstico, y publica reportes de gestión. El valor de una nueva herramienta debe medirse contra ese flujo existente: tiempo hasta diagnóstico o tratamiento, pérdida de seguimiento, carga para profesionales, resultados y experiencia de pacientes. Contar predicciones no basta.
Cinco puertas que cada proyecto debe atravesar
- 01
Una decisión clínica definida
Especificar quién usará la herramienta, con qué pacientes, para qué decisión, frente a qué alternativa y qué error sería inaceptable. Sin uso previsto, una métrica técnica carece de contexto.
- 02
Datos representativos y medición por subgrupos
Documentar origen, calidad y faltantes; evitar que registros de un solo centro representen a todo Chile; y comprobar desempeño en grupos y territorios que pueden tener prevalencias o acceso distintos.
- 03
Validación externa y prospectiva
Probar el modelo en centros y periodos que no participaron en su desarrollo, reportar calibración, falsos positivos y falsos negativos, y evaluar el resultado antes de que la predicción conozca el desenlace.
- 04
Trabajo real con seres humanos
Observar si profesionales entienden, cuestionan y usan correctamente la salida; si aparecen automatización excesiva, nuevas demoras o alertas ignoradas; y si pacientes comprenden el papel de la herramienta.
- 05
Beneficio, equidad y vigilancia continua
Demostrar un efecto clínico o de proceso relevante, medir costos y distribución del beneficio, registrar incidentes, controlar cambios de versión y detectar degradación cuando cambian pacientes, equipos o prácticas.
La guía DECIDE-AI advierte que un buen rendimiento preclínico no prueba beneficio para pacientes y propone evaluar temprano, en vivo, seguridad, desempeño y factores humanos. Las buenas prácticas internacionales para software médico basado en aprendizaje automático añaden una lógica de ciclo de vida completo. Es el estándar apropiado para juzgar PRECISION-AI: no una cifra de exactitud aislada, sino evidencia acumulada desde el diseño hasta el monitoreo.
La promesa de los datos federados —y sus condiciones
El programa plantea una infraestructura federada para utilizar datos clínicos de manera segura, ética y colaborativa. En términos generales, un esquema federado permite entrenar o evaluar modelos entre instituciones sin concentrar todos los registros crudos en un único repositorio. Los datos pueden permanecer en cada organización mientras se intercambian parámetros, resultados u otra información acordada.
Eso puede reducir traslados masivos de información y abrir validaciones multicéntricas. No convierte al sistema en privado o seguro de forma automática. Las actualizaciones compartidas pueden filtrar información; una institución comprometida puede contaminar el entrenamiento; diferencias en codificación o equipos pueden producir un modelo inestable; y el control de acceso sigue siendo indispensable.
La información pública no detalla todavía la arquitectura, técnicas de protección, responsables de llaves y accesos, reglas de exclusión, auditoría, respuesta ante incidentes ni procedimiento para retirar o corregir datos. Tampoco aclara qué usos secundarios requerirán consentimiento. Esos elementos son parte del producto sanitario, no asuntos técnicos periféricos.
Un programa que entra en una ventana regulatoria decisiva
La Ley 21.719, que moderniza la protección de datos personales y crea una agencia especializada, comenzará a regir el 1 de diciembre de 2026. Los datos de salud reciben protección reforzada. Para un programa que cruzará cinco años, la gobernanza no puede diseñarse mirando solo el régimen vigente al momento del lanzamiento.
La política de seguridad de la información y ciberseguridad del Ministerio de Salud exige que la IA se use de forma segura, ética, transparente y auditable, con controles como accesos, cifrado, trazabilidad y anonimización o seudonimización según el caso. También contempla consentimiento informado para usos secundarios cuando corresponda. El diseño de PRECISION-AI ofrece una oportunidad para convertir esos principios en controles verificables.
El Instituto de Salud Pública define los dispositivos médicos de forma que puede incluir software destinado a prevención, diagnóstico o tratamiento, y trabaja con Corfo en fortalecer la regulación del sector. No es correcto concluir que los siete proyectos seguirán una ruta idéntica: su clasificación dependerá de la función prevista y de cómo afecten una decisión. Las fuentes públicas aún no identifican la vía regulatoria individual ni qué evidencia exigirá cada caso.
Que el ISP participe como asociado puede acercar investigación y exigencia regulatoria, pero no equivale a aprobación anticipada. El regulador debe conservar independencia y los desarrolladores deben documentar seguridad, desempeño y cambios durante todo el ciclo de vida.
El tablero público que hace falta
Cinco años permiten publicar avances sin exponer información de pacientes.
01Registro completo de proyectos y protocolos+
Nombre, responsables, uso previsto, centros participantes, población, comparador, resultados primarios, cronograma y registro previo de cada estudio.
02Resultados completos, también cuando son negativos+
Métricas con intervalos de incertidumbre, calibración, errores, desempeño por subgrupos, comparación con profesionales o práctica habitual y explicación de cambios respecto del protocolo.
03Gobierno de datos comprensible+
Base jurídica, consentimiento cuando corresponda, usos permitidos, retención, accesos, medidas de protección, auditorías, proveedores, flujo transfronterizo y canal para ejercer derechos.
04Incidentes, límites y control de versiones+
Qué modelo estuvo activo, dónde, durante qué periodo, quién podía anularlo, qué fallas aparecieron, cómo se notificaron y bajo qué criterio se detuvo, corrigió o retiró.
05Transferencia, costos y participación+
Propiedad intelectual, compras o licencias, costo total de operación, dependencia de proveedores, condiciones de acceso para la red pública y participación de pacientes y comunidades en diseño y evaluación.
Por qué este experimento importa fuera de Chile
Buena parte de la evidencia y de los datos que sostienen herramientas médicas de IA proviene de instituciones de altos ingresos fuera de América Latina. Construir capacidades locales y validaciones multicéntricas puede revelar si un sistema mantiene su desempeño con perfiles epidemiológicos, prácticas clínicas y restricciones de infraestructura de la región.
La combinación de universidad, regulador, proveedores de salud, empresas y redes internacionales es una fortaleza potencial. También concentra una obligación: que la evaluación no termine representando solo centros bien digitalizados de Santiago. La generalización debe probarse en el sistema público, en regiones y en contextos con menor disponibilidad de especialistas, sin convertir a esas comunidades en un campo de pruebas con menos salvaguardas.
Si la infraestructura federada funciona, sus reglas y herramientas podrían reutilizarse para investigación regional sin exportar todos los registros a una plataforma central. Si fracasa, documentar por qué —interoperabilidad, calidad, adopción, seguridad o ausencia de beneficio— también produciría conocimiento público. En ambos escenarios, publicar métodos y resultados vale más que proteger una narrativa de éxito.
El hito verdadero no será encender un modelo
PRECISION-AI tiene algo que muchos pilotos no consiguen: tiempo, financiación, acceso potencial a entornos reales y una red que incluye investigación, atención y regulación. Es una base seria. Todavía no es evidencia de impacto.
Dentro de tres años, la pregunta no debería ser cuántos algoritmos llegaron a un hospital, sino cuántos superaron una comparación prospectiva, qué errores cometieron, si profesionales y pacientes pudieron cuestionarlos y si mejoraron una decisión o un resultado sin ampliar desigualdades. Dentro de cinco, habrá que conocer además su costo, sostenibilidad y vigilancia.
La ambición de Chile merece atención precisamente porque eligió el tramo más difícil: pasar del prototipo a la clínica. La forma de honrar esa ambición es tratar cada promesa como una hipótesis, cada despliegue como una intervención que exige control y cada resultado —favorable o no— como información que debe regresar a la sociedad.
Este artículo describe un programa de investigación y no ofrece consejo médico. Las herramientas reseñadas no sustituyen evaluación, diagnóstico ni tratamiento profesional, y esta publicación no confirma que estén disponibles para la atención clínica habitual.
La validación clínica es una escalera, no una cifra
- Qué significa
- La validación interna prueba el modelo en datos cercanos al desarrollo; la externa, en otro lugar o periodo. Una evaluación prospectiva observa su uso real y un estudio de impacto pregunta si mejora decisiones o desenlaces.
- Cómo aplica aquí
- Los siete proyectos parten de tareas y riesgos diferentes. Un buen resultado retrospectivo en un hospital no autoriza a asumir desempeño equivalente en otro equipo, población o flujo clínico.
- La medida decisiva
- Protocolo registrado antes de conocer resultados, cohorte externa, comparador clínico, incertidumbre, desempeño por subgrupo, errores críticos y efecto en tiempo, tratamiento, seguridad o calidad de vida.
Pregunta de control: ¿qué peldaño alcanzó cada proyecto?+
El programa debería etiquetar por separado desarrollo, validación interna, validación externa, prueba prospectiva y evaluación de impacto. Agruparlos bajo “en validación” oculta diferencias decisivas.
Qué permite afirmar la evidencia
PRECISION-AI tiene financiamiento adjudicado, un consorcio identificable y siete líneas clínicas descritas. El programa merece seguimiento porque intenta validar en hospitales, aunque ninguna asignación presupuestaria equivale todavía a beneficio para pacientes.
Sí está respaldado
ANID adjudicó $4.835 millones a un programa consorcial con siete proyectos de IA oncológica.
Base: ANID, Universidad de Chile y ficha pública del programa
Los casos cubren diagnóstico, pronóstico, tratamiento y federación de datos, con participación de hospitales, universidades, empresas y reguladores.
Base: Descripción institucional de los siete proyectos y sus socios
Aún no está demostrado
- No se han demostrado todavía mejoras en supervivencia, tiempo diagnóstico, seguridad, calidad de vida o costo-efectividad.
- La descripción pública no reemplaza protocolos completos, registros de estudios, composición de cohortes, resultados por subgrupo ni autorizaciones aplicables.
Tres señales que pueden cambiar la evaluación
Seguimiento, no predicción- 01
Protocolos antes de resultados
Objetivo, desenlace primario, comparación, tamaño de muestra, plan estadístico y registro previo para cada proyecto.
- 02
Desempeño entre hospitales
Validación externa y por subgrupos, deriva temporal, falsas alarmas y efecto del flujo clínico local.
- 03
Tablero público del programa
Hitos, gasto, reclutamiento, incidentes, publicaciones, decisiones regulatorias y resultados negativos además de positivos.