Bioética y simulaciones en la inteligencia artificial: toma de decisiones en medicina computacional
DOI:
https://doi.org/10.58594/rtest.v6i3.238Resumo
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.
Downloads
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Loraine María Frutos-Morales, María Caridad González-Alonso, Marisela Angelis Rivero-Fernández
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Os autores que publicam na Revista Transdisciplinaria de Estudios Sociales y Tecnológicos (RTEST), concordam com os seguintes termos:
1. Direitos autorais
Os autores mantêm direitos autorais irrestritos sobre suas obras. Os autores concedem ao periódico o direito de primeira publicação. Para tal, cedem à revista, em caráter não exclusivo, direitos de exploração (reprodução, distribuição, comunicação pública e transformação). Os autores podem firmar acordos adicionais para a distribuição não exclusiva da versão publicada do trabalho no periódico, desde que haja reconhecimento de sua publicação inicial nesta revista.
© Os autores.
2. Licença
Os trabalhos são publicados na revista sob a licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY-NC-SA 4.0). Os termos podem ser encontrados em: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt
Esta licença permite:
- Compartilhar: copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar: remixar, transformar e desenvolver o material.
Nos seguintes termos:
- Atribuição: Você deve dar o crédito apropriado, fornecer um link para a licença e indicar se alguma alteração foi feita. Você pode fazer isso de qualquer maneira razoável, mas não de uma forma que sugira que o licenciante endossa ou patrocina seu uso.
- Não comercial: você não pode usar o material para fins comerciais.
- Compartilhamento pela mesma licença: se você remixar, transformar ou criar a partir do material, deverá distribuir sua criação sob a mesma licença do trabalho original.
Não há restrições adicionais. Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outros de fazerem qualquer coisa que a licença permita.
