Bioética y simulaciones en la inteligencia artificial: toma de decisiones en medicina computacional

Autores/as

DOI:

https://doi.org/10.58594/rtest.v6i3.238

Resumen

La vertiginosa integración de la Inteligencia Artificial aplicada a la medicina ha generado desafíos éticos por la falta de transparencia de las herramientas de este tipo de inteligencia. La naturaleza algorítmica y probabilística a escala de estos problemas requiere enfoques cuantitativos que permitan evaluar las consecuencias de las decisiones éticas. El objetivo de este estudio es proponer un marco de evaluación de impacto ético diseñado para sistemas de IA utilizados en medicina, que proporcione una guía estructurada que permita analizar y mitigar los posibles efectos éticos asociados con la integración de estas tecnologías en la práctica clínica. Se realizó una revisión sistemática de literatura científica (2019-2024) en las bases de datos PubMed, Scopus, Philosopher's Index, IEEE Xplore y Google Scholar. Se identifican tres dominios críticos donde la Bioética Cuantitativa resulta esencial, se revela que las simulaciones basadas en agentes, los modelos de optimización multiobjetivo y los sistemas de análisis de impacto ético permiten cuantificar trade-offs entre principios éticos en conflicto y prever consecuencias no intuitivas de políticas sanitarias. La Bioética Cuantitativa representa un paradigma necesario para abordar la complejidad de los dilemas éticos generados por la Inteligencia Artificial en medicina como herramienta práctica para instituciones sanitarias.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Albán-Sabando, E. A. (2024). Innovación en la práctica enfermera: nuevas tecnologías para el cuidado del paciente. Sophia Research Review, 1(1), 10-14. https://doi.org/10.64092/52vny797 DOI: https://doi.org/10.64092/52vny797

Beauchamp, T. L., & Childress, J. F. (2019). Principles of biomedical ethics (8th ed.). Oxford University Press.

Bruce, L., & Tallman, R. (2021). Promoting racial equity in COVID-19 resource allocation. Journal of Medical Ethics, 47(4), 208-212. https://doi.org/10.1136/medethics-2020-106794 DOI: https://doi.org/10.1136/medethics-2020-106794

Cabitza, F., Campagner, A., Ronzio, L., Cameli, M., Mandoli, G. E., Pastore, M. C., Sconfienza, L. M., Folgado, D., Barandas, M., & Gamboa, H. (2023). Rams, hounds and white boxes: Investigating human–AI collaboration protocols in medical diagnosis. Artificial Intelligence in Medicine, 138, 102506. https://doi.org/10.1016/j.artmed.2023.102506 DOI: https://doi.org/10.1016/j.artmed.2023.102506

Char, D. S., Shah, N. H., & Magnus, D. (2018). Implementing machine learning in health care—Addressing ethical challenges. The New England Journal of Medicine, 378(11), 981–983. https://doi.org/10.1056/NEJMp1714229 DOI: https://doi.org/10.1056/NEJMp1714229

Chen, I. Y., Pierson, E., Rose, S., Joshi, S., Ferryman, K., & Ghassemi, M. (2021). Ethical machine learning in healthcare. Annual Review of Biomedical Data Science, 4, 123–144. https://doi.org/10.1146/annurev-biodatasci-092820-114757 DOI: https://doi.org/10.1146/annurev-biodatasci-092820-114757

Doumpos, M., Figueira, J. R., Greco, S., & Zopounidis, C. (Eds.). (2019). New perspectives in multiple criteria decision making: Innovative applications and case studies. Springer. DOI: https://doi.org/10.1007/978-3-030-11482-4

El Emam, K., Mosquera, L., & Bass, J. (2020). Evaluating identity disclosure risk in fully synthetic health data: Model development and validation. Journal of Medical Internet Research, 22(11), e23139. https://doi.org/10.2196/23139 DOI: https://doi.org/10.2196/23139

Emanuel, E. J., Persad, G., Upshur, R., Thome, B., Parker, M., Glickman, A., Zhang, C., Boyle, C., Smith, M., & Phillips, J. P. (2020). Fair allocation of scarce medical resources in the time of Covid-19. The New England Journal of Medicine, 382(21), 2049–2055. https://doi.org/10.1056/NEJMsb2005114 DOI: https://doi.org/10.1056/NEJMsb2005114

Giordano, G., Blanchini, F., Bruno, R., Colaneri, P., Di Filippo, A., Di Matteo, A., & Colaneri, M. (2021). Modelling vaccination rollouts, SARS-CoV-2 variants and the requirement for non-pharmaceutical interventions in Italy. Nature Medicine, 28(5), 1051–1058. https://doi.org/10.1038/s41591-021-01334-5 DOI: https://doi.org/10.1038/s41591-021-01334-5

Gray, N., Page, H., Buchan, I., & Joyce, D. W. (2025). Risk and uncertainty communication in deployed AI-based clinical decision support systems: A scoping review [Preprint]. medRxiv. https://doi.org/10.1101/2024.12.06.24318489 DOI: https://doi.org/10.1101/2024.12.06.24318489

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2 DOI: https://doi.org/10.1038/s42256-019-0088-2

Juca-Maldonado, A. X., García-Vera, J. S., Juca-Maldonado, F., & Carrión-González, J. T. (2025). Competencias tecnológicas de la Generación Z. Una evaluación cuantitativa de las habilidades frente a la percepción de los nativos digitales. Revista Transdisciplinaria de Estudios Sociales y Tecnológicos, 5(2), 16–24. https://doi.org/10.58594/rtest.v5i2.160 DOI: https://doi.org/10.58594/rtest.v5i2.160

McDougall, R. J. (2019). Computer knows best? The need for value-flexibility in medical AI. Journal of Medical Ethics, 45(3), 156–160. https://doi.org/10.1136/medethics-2018-105118 DOI: https://doi.org/10.1136/medethics-2018-105118

Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1(11), 501–507. https://doi.org/10.1038/s42256-019-0114-4 DOI: https://doi.org/10.1038/s42256-019-0114-4

Morley, J., Floridi, L., Kinsey, L., & Elhalal, A. (2020). From what to how: An initial review of publicly available AI ethics tools, methods and research to translate principles into practices. Science and Engineering Ethics, 26(4), 2141–2168. https://doi.org/10.1007/s11948-019-00165-5 DOI: https://doi.org/10.1007/s11948-019-00165-5

Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342 DOI: https://doi.org/10.1126/science.aax2342

Pierson, E., Cutler, D. M., Leskovec, J., Mullainathan, S., & Obermeyer, Z. (2021). An algorithmic approach to reducing unexplained pain disparities in underserved populations. Nature Medicine, 27(1), 136–140. https://doi.org/10.1038/s41591-020-01192-7 DOI: https://doi.org/10.1038/s41591-020-01192-7

Price, W. N. (2019). Medical AI and contextual bias. Harvard Journal of Law & Technology, 33(1), 65–116. https://repository.law.umich.edu/cgi/viewcontent.cgi?article=3242&context=facarticles

Razavi, S., Jakeman, A., Saltelli, A., Prieur, C., Iooss, B., Borgonovo, E., et al. (2021). The future of sensitivity analysis: An essential discipline for systems modeling and policy support. Environmental Modelling & Software, 137, 104954. https://doi.org/10.1016/j.envsoft.2020.104954 DOI: https://doi.org/10.1016/j.envsoft.2020.104954

Saltelli, A., Jakeman, A., Razavi, S., & Wu, Q. (2021). Sensitivity analysis: A discipline coming of age. Environmental Modelling & Software, 146, 105226. https://doi.org/10.1016/j.envsoft.2021.105226 DOI: https://doi.org/10.1016/j.envsoft.2021.105226

Singh, B., & Rebennack, S. (2025). Release immediately or sequentially? Strategies for allocating scarce therapeutic resources during disease outbreaks. IISE Transactions, 1–16. https://doi.org/10.1080/24725854.2025.2525918 DOI: https://doi.org/10.1080/24725854.2025.2525918

White, D. B., & Lo, B. (2020). A framework for rationing ventilators and critical care beds during the COVID-19 pandemic. JAMA, 323(18), 1773–1774. https://doi.org/10.1001/jama.2020.5046 DOI: https://doi.org/10.1001/jama.2020.5046

Zhang, C. (2024). Equitable resource allocation in health emergencies: Addressing racial disparities and ethical dilemmas. Journal of Medical Ethics, 52(7), 493–496. https://doi.org/10.1136/jme-2024-109947 DOI: https://doi.org/10.1136/jme-2024-109947

Descargas

Publicado

2026-09-01

Cómo citar

Frutos-Morales, L. M., González-Alonso, M. C., & Rivero-Fernández, M. A. (2026). Bioética y simulaciones en la inteligencia artificial: toma de decisiones en medicina computacional. Revista Transdiciplinaria De Estudios Sociales Y Tecnológicos, 6(3), 117–134. https://doi.org/10.58594/rtest.v6i3.238

Número

Vol. 6 Núm. 3 (2026): Ciencia y sociedad ante los desafíos humanos, tecnológicos y ambientales del presente (Septiembre-diciembre)

Sección

Artículos

Licencia

Derechos de autor 2026 Loraine María Frutos-Morales, María Caridad González-Alonso, Marisela Angelis Rivero-Fernández

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Los autores que publican en la Revista Transdisciplinaria de Estudios Sociales y Tecnológicos (RTEST), están de acuerdo con los siguientes términos:

1. Derechos de Autor

Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.

© Los autores.

2. Licencia

Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es

Esta licencia permite:

  • Compartir: copiar y redistribuir el material en cualquier medio o formato.
  • Adaptar: remezclar, transformar y crear a partir del material.

Bajo los siguientes términos:

  • Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
  • NoComercial: no puede utilizar el material para finalidades comerciales.
  • CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.

No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.