Public attitudes toward sharing health data for artificial intelligence: Differences by data type and sector in the Health in Central Denmark cohort

Un estudio realizado en la Región de Dinamarca Central revela que la disposición del público a compartir datos de salud para la inteligencia artificial depende tanto del tipo de dato (siendo las imágenes médicas las más aceptadas y las grabaciones de audio las menos) como del sector receptor, mostrando una mayor confianza en las instituciones públicas que en las privadas.

Lo esencial

Imagina que tu historial médico es como una caja de tesoros llena de información muy personal: desde las fotos de tus rayos X y las notas de tus médicos, hasta tu ADN y hasta las grabaciones de tus conversaciones en la consulta.

Este estudio danés se hizo una pregunta muy importante: ¿Estás dispuesto a prestarle esa caja de tesoros a un "cerebro de computadora" (Inteligencia Artificial) para que aprenda y ayude a mejorar la medicina?

Pero hay un truco: les preguntaron a casi 40.000 personas si estarían de acuerdo en que la caja la usara el gobierno (sector público) o una empresa privada.

Aquí tienes los hallazgos principales, explicados con analogías sencillas:

1. ¿Qué tipo de tesoros están más dispuestos a compartir?

No todos los tesoros son iguales. La gente tiene diferentes niveles de confianza según lo que sea la información:

• Las "Fotos" (Imágenes médicas): Es lo que más les gusta compartir (46%). Piensan en las radiografías o escáneres como si fueran fotos de un paisaje; son útiles y no les da tanto miedo que las vean.
• Los "Diarios" (Historias clínicas): También están bastante abiertos (39%). Es como compartir un resumen de lo que te pasó.
• El "Árbol Genealógico" (Datos genéticos): Aquí empiezan a dudar (35%). Es como si les pidieran compartir los secretos de tu familia o tu código de barras único.
• Las "Grabaciones de Voz" (Audio de consultas): ¡Esta es la que más miedo da! (Solo 27% están de acuerdo). Imagina que alguien graba tu conversación con el doctor. A la gente le parece muy intrusivo, como si un espía estuviera escuchando detrás de la puerta.

2. ¿Quién es el "Vecino" de confianza?

Aquí está la diferencia más grande del estudio. Imagina dos vecinos:

• Vecino A: El Hospital Público (el gobierno).
• Vecino B: Una Empresa Privada (una compañía de tecnología o farmacia).

El resultado: La gente confía mucho más en el Vecino A.

• Si les piden compartir datos con el gobierno, hay un 12% a 16% más de gente que dice "Sí".
• Si les piden compartir con una empresa privada, mucha más gente dice "No" o se queda en silencio.

¿Por qué? La gente siente que el gobierno trabaja para el bien común (como un parque público), mientras que temen que las empresas privadas solo quieran ganar dinero con sus datos (como un vendedor que quiere vender tu secreto).

3. El gran "No sé" (La incertidumbre)

Un hallazgo muy curioso es que, para casi todos los tipos de datos, alrededor de un tercio de la gente dijo "No sé".

Imagina que te piden firmar un contrato para algo que no entiendes del todo. La gente no está ni a favor ni en contra; simplemente no sabe qué es la Inteligencia Artificial o cómo funcionará exactamente. Es como si les pidieran subir a un cohete espacial sin saber si tiene motor o no. Tienen miedo de lo desconocido.

4. ¿Qué nos dice todo esto?

El estudio concluye que para que la gente acepte que la IA use sus datos médicos, se necesitan tres cosas:

1. Transparencia: Explicar claramente para qué se usan los datos (como poner una etiqueta clara en la caja de tesoros).
2. Seguridad: Asegurarles que nadie malintencionado robará la caja.
3. Confianza en el "Guardián": La gente quiere saber que quien maneja los datos (el gobierno o una empresa) tiene un propósito noble y no solo busca beneficios económicos.

En resumen:
La gente en Dinamarca (y probablemente en muchos otros lugares) está dispuesta a ayudar a la medicina a avanzar, pero quiere mantener el control. Prefieren que sus datos los maneje el "médico de confianza" (el sector público) y que sepan exactamente qué se hace con ellos. Si no hay claridad o si sienten que es un negocio privado, cierran la caja de tesoros y dicen: "No, gracias".

Resumen técnico

1. Planteamiento del Problema

El desarrollo de aplicaciones clínicas de Inteligencia Artificial (IA) en el sector salud depende críticamente del acceso a grandes volúmenes de datos de alta calidad que reflejen poblaciones reales. Sin embargo, la viabilidad de estos proyectos se ve amenazada por la falta de confianza pública y la reticencia a compartir datos personales.

• Brecha de conocimiento: Aunque existen estudios sobre el intercambio de datos para investigación general, hay una carencia de evidencia específica sobre las actitudes hacia el uso de datos para IA, especialmente comparando diferentes tipos de datos (registros electrónicos, imágenes, audio, genética) y la naturaleza del receptor (sector público vs. privado/comercial).
• Contexto: En países nórdicos como Dinamarca, la confianza en las instituciones públicas es alta, pero las controversias recientes sobre privacidad y el uso comercial de datos han generado tensiones entre la innovación y la protección de la privacidad.

2. Metodología

El estudio se basó en un diseño transversal analítico utilizando datos de la encuesta "Salud en Dinamarca Central" (Health in Central Denmark - HICD) realizada en 2024.

• Población y Muestra:
  • Se invitó a 136,229 residentes de la Región de Dinamarca Central (edad 18-92 años).
  • La muestra final analizada consistió en 38,740 participantes que completaron las preguntas sobre intercambio de datos.
  • Se utilizaron datos administrativos de registros nacionales (Sistema de Registro Civil, Registro de Educación) para ajustar y ponderar los resultados, representando a una población de fondo de aproximadamente 1 millón de personas.
• Diseño Experimental (Aleatorización):
  • Los participantes fueron aleatorizados en dos grupos de escenario:
    1. Sector Público: Se les preguntó si compartirían sus datos con una solución de IA desarrollada por una organización pública.
    2. Sector Privado: Se les preguntó lo mismo, pero con una organización privada.
  • Se evaluaron cuatro modalidades de datos:
    1. Registros de salud electrónicos (texto y datos tabulares).
    2. Imágenes médicas (escaneos).
    3. Grabaciones de audio de consultas.
    4. Información genética.
  • Las opciones de respuesta fueron: "Sí", "No", "No lo sé".
• Análisis Estadístico:
  • Se aplicaron pesos de estabilización para corregir el sesgo de selección y alinear la muestra con la población de fondo.
  • Se utilizó regresión logística multinomial para analizar la asociación entre el grupo de aleatorización (receptor de datos) y la actitud de intercambio, utilizando "No lo sé" como categoría de referencia.

3. Contribuciones Clave

• Especificidad en IA: Es uno de los primeros estudios de gran escala que se centra explícitamente en la disposición a compartir datos para IA, diferenciándose de estudios generales sobre investigación secundaria.
• Comparación de Modalidades: Analiza simultáneamente cuatro tipos de datos con diferentes niveles de sensibilidad, incluyendo modalidades emergentes como las grabaciones de audio y datos genéticos.
• Diseño Experimental Riguroso: La aleatorización del receptor (público vs. privado) permite aislar el efecto de la institución en la percepción pública, minimizando factores de confusión.
• Escala y Representatividad: Con casi 40,000 participantes y ponderación basada en registros nacionales, ofrece una de las muestras más grandes y representativas hasta la fecha sobre este tema.

4. Resultados Principales

• Disposición General por Tipo de Datos:
  • La mayor disposición fue para imágenes médicas (46%), seguidas de textos de historiales clínicos (39%), información genética (35%) y grabaciones de audio (27%).
  • Los datos de audio y genéticos mostraron los niveles más altos de incertidumbre ("No lo sé"), oscilando entre el 34% y el 36%.
• Impacto del Sector (Público vs. Privado):
  • Hubo una mayor disposición a compartir datos con instituciones públicas en comparación con las privadas en todas las categorías de datos.
  • La diferencia fue de 12 a 16 puntos porcentuales a favor del sector público.
  • Odds Ratios (OR):
    • La probabilidad de responder "Sí" fue entre 1.37 y 1.78 veces mayor para el sector público frente al privado.
    • La probabilidad de responder "No" fue entre 0.51 y 0.67 veces menor para el sector público.
• Incertidumbre:
  • Se observó un alto nivel de incertidumbre ("No lo sé") en todas las categorías (29-36%), sin diferencias significativas entre los grupos público y privado. Esto sugiere que la falta de conocimiento o compromiso es un factor transversal, no solo ligado al tipo de institución.

5. Significado e Implicaciones

• Gobernanza y Confianza: Los resultados indican que la aceptación pública no depende solo de la tecnología, sino del contexto institucional. La percepción de que los datos se utilizan para el bien público (sector público) es un determinante clave de la confianza, mientras que los motivos comerciales generan escepticismo.
• Sensibilidad de los Datos: La reticencia hacia datos genéticos y de audio sugiere que se requieren marcos de gobernanza diferenciados y escalonados, con salvaguardas más estrictas y procesos de consentimiento más detallados para estas modalidades sensibles.
• Necesidad de Transparencia: El alto nivel de incertidumbre ("No lo sé") refleja una falta de alfabetización digital y comprensión sobre cómo funciona la IA. Se requiere una comunicación clara sobre:
  • El propósito específico del uso de datos.
  • Las medidas de anonimización y seguridad.
  • Quién tiene acceso a los datos.
• Política y Regulación: El estudio apoya la necesidad de marcos regulatorios robustos (como el Reglamento General de Protección de Datos - GDPR y la Ley de IA de la UE) que equilibren la innovación con los derechos individuales. Sugiere que las colaboraciones público-privadas deben estructurarse bajo una supervisión pública fuerte para mantener la confianza social.

Conclusión Final:
La disposición a compartir datos de salud para IA es moldeada por la sensibilidad percibida de los datos y el contexto institucional. Para lograr una implementación sostenible y socialmente aceptable de la IA en la salud, es fundamental priorizar la gobernanza pública, la transparencia en las salvaguardas y la mejora de la alfabetización pública sobre la IA.