Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

Este análisis sistemático y scientométrico revela que la investigación sobre inteligencia artificial para radiografías de tórax está dominada por países de altos ingresos, lo que genera disparidades significativas en la autoría y los datos de entrenamiento que podrían exacerbar las inequidades sanitarias globales.

Lo esencial

¡Claro que sí! Imagina que este estudio es como un gran mapa del tesoro que nos muestra quién está construyendo los "ojos de robot" (la Inteligencia Artificial) que van a ayudar a los médicos a leer radiografías de tórax en todo el mundo.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con algunas analogías para que sea fácil de entender:

🏗️ La Gran Fábrica de "Ojos de Robot"

Imagina que la Inteligencia Artificial (IA) médica es como un chef que quiere aprender a cocinar el mejor plato del mundo para curar enfermedades respiratorias (como neumonía o tuberculosis). Para aprender, este chef necesita ver miles de fotos de pacientes reales (radiografías).

El estudio de Vásquez y su equipo revisaron casi 1,000 recetas (artículos científicos) publicadas entre 2017 y 2025 para ver quién es el chef, de dónde viene y qué ingredientes usa.

🌍 ¿Quién está al mando? (El problema de los "Dueños de la Cocina")

El estudio descubrió algo muy preocupante: La cocina está casi vacía de gente de ciertas partes del mundo.

• Los Jefes de Cocina: La mayoría de las veces, los chefs que dirigen la investigación (los autores principales) viven en países ricos (como Estados Unidos, China, Corea del Sur).
  • La analogía: Imagina que quieres aprender a cocinar para una fiesta en un pueblo de África o Sudamérica, pero todos los maestros que te enseñan viven en Nueva York o Pekín. Ellos deciden qué se cocina, pero nunca han visitado tu pueblo.
• El Vacío Total: ¡Nadie de los países más pobres (de "bajos ingresos") tuvo la oportunidad de ser el jefe de la cocina! Es como si en una reunión global para decidir el menú, a los más necesitados simplemente no se les invitó a la mesa.

🥘 Los Ingredientes (Los Datos)

Para que el chef (la IA) aprenda bien, necesita ver ingredientes variados. Si solo le das manzanas, nunca sabrá cómo cocinar con plátanos o yuca.

• El Problema: El 73% de las "fotos de pacientes" que usa la IA para aprender vienen de países ricos (especialmente de EE. UU.).
• La Consecuencia: Es como si el chef solo hubiera practicado cocinando con ingredientes que se consiguen en un supermercado de lujo. Cuando intenta cocinar en un pueblo donde la gente come cosas diferentes o tiene enfermedades distintas, el plato sale mal. La IA puede fallar o diagnosticar mal a los pacientes que más la necesitan.
• El Secreto: Además, muchos de estos ingredientes (datos) están en cajas cerradas (datos privados). Nadie más puede verlos ni mejorar la receta.

🤝 ¿Se dan la mano? (Las Colaboraciones)

El estudio miró si los chefs de los países ricos se estaban dando la mano con los de los países pobres para cocinar juntos.

• La Realidad: ¡Casi nunca! Solo el 3.9% de las veces se unieron.
• La analogía: Es como si los dueños de los grandes restaurantes de la ciudad nunca contrataran a los mejores cocineros del campo, aunque el campo tenga los ingredientes más frescos. Se quedan trabajando solos en su torre de marfil, mientras el campo sigue sin tener buena comida.

⚠️ ¿Por qué es peligroso esto?

Si seguimos así, crearemos "ojos de robot" que son muy inteligentes para ver enfermedades en países ricos, pero se vuelven "tontos" o peligrosos cuando se usan en países pobres.

• Imagina un GPS que solo conoce las calles de Nueva York. Si lo usas en una aldea rural, te perderá.
• Esto podría hacer que la desigualdad en la salud sea aún peor: los ricos tendrán diagnósticos perfectos con IA, y los pobres recibirán diagnósticos erróneos o nada de nada.

🚀 ¿Qué proponen los autores? (El Plan de Rescate)

El estudio no solo señala el problema, sino que da un mapa para arreglarlo:

1. Abrir la cocina: Necesitamos crear bancos de datos con radiografías de todo el mundo, no solo de EE. UU. y China.
2. Invitar a todos a la mesa: Los países ricos deben dejar de tratar a los países pobres como simples proveedores de datos y empezar a tratarlos como socios iguales que lideran la investigación.
3. Compartir los utensilios: Compartir el poder de cómputo y el conocimiento para que todos puedan cocinar bien.

En resumen

La Inteligencia Artificial médica tiene el potencial de salvar millones de vidas, pero actualmente está siendo construida por una minoría para una minoría. Si no cambiamos las reglas ahora y hacemos que la investigación sea más justa y diversa, corremos el riesgo de crear una tecnología que, en lugar de ayudar a todos, deje atrás a los que más lo necesitan.

Es hora de que la cocina de la IA tenga un menú global, no solo uno local. 🌎🍲

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Título del Estudio

¿Quién lidera la IA médica? Una revisión sistemática y análisis scientométrico de la investigación en radiografías de tórax.

---

1. Planteamiento del Problema

Las aplicaciones de visión por computadora (CV) para la interpretación de radiografías de tórax (CXR) tienen un gran potencial para transformar la atención médica global, especialmente en la detección de enfermedades respiratorias. Sin embargo, el valor clínico de estos sistemas depende críticamente de su capacidad para funcionar de manera fiable en poblaciones diversas.

El problema central identificado es la brecha de generalización y la desigualdad estructural:

• La mayoría de los modelos de IA se entrenan con datos sesgados hacia países de altos ingresos (HIC), lo que provoca un rendimiento deficiente cuando se despliegan en entornos de bajos y medianos ingresos (LMIC).
• Existe una desconexión entre quienes lideran la investigación (principalmente países ricos) y las poblaciones que más se benefician de estas tecnologías (países con alta carga de enfermedades respiratorias).
• La falta de diversidad en los datos de entrenamiento y en la autoría de los estudios pone en riesgo la equidad en la salud global, potencialmente exacerbando las disparidades existentes.

---

2. Metodología

El estudio empleó un enfoque de revisión sistemática y análisis scientométrico siguiendo las directrices PRISMA 2020.

• Fuente de Datos: Se realizó una búsqueda sistemática en las bases de datos PubMed, Embase y SciELO.
• Criterios de Inclusión:
  • Período: Publicaciones entre 2017 y 2025.
  • Tema: Aplicaciones de visión por computadora (CV) o enfoques multimodales en radiografías de tórax.
  • Tipo de estudio: Artículos de revistas y conferencias revisados por pares.
  • Exclusiones: Preprints, revisiones (encuestas), artículos incompletos y estudios que no usaran modelos basados en CV (ej. solo NLP o ML tradicional).
• Proceso de Selección:
  • Se identificaron 1,555 artículos iniciales.
  • Tras eliminar duplicados y realizar cribado por título/resumen y revisión de texto completo, se excluyeron 620 artículos.
  • Muestra final: 928 estudios elegibles para el análisis cuantitativo.
• Análisis de Datos:
  • Se utilizó la API de Dimensions y extracción manual para obtener metadatos (afiliaciones institucionales, país de origen de los autores y datasets).
  • Clasificación de países según los indicadores de ingresos del Banco Mundial (Bajos, Medios-Bajos, Medios-Altos, Altos).
  • Normalización de contribuciones por población, PIB e inversión en I+D para evaluar la productividad relativa.
  • Análisis de patrones de colaboración (primero/último autor) y procedencia de los datasets.

---

3. Contribuciones Clave

Este trabajo aporta una de las evaluaciones más exhaustivas hasta la fecha sobre la equidad en la investigación de IA médica para imágenes torácicas:

1. Mapeo Global de Liderazgo: Cuantifica la dominancia de países de altos ingresos en la autoría de primera y última posición.
2. Análisis de Procedencia de Datos: Revela la concentración de los datasets de entrenamiento en países desarrollados, identificando la escasez de datos de poblaciones LMIC.
3. Evaluación de Colaboración: Demuestra la rareza de colaboraciones transfronterizas equitativas entre países de diferentes niveles de ingresos.
4. Identificación de Sesgos Estructurales: Vincula la procedencia de los datos con la afiliación de los autores, mostrando un ciclo de retroalimentación que excluye a investigadores de regiones en desarrollo.

---

4. Resultados Principales

A. Liderazgo en la Investigación (Autoría)

• Dominio de Países de Altos Ingresos (HIC): Representan el 55.6% de los autores principales y el 59.7% de los autores senior.
• Ausencia Total de Países de Bajos Ingresos: No hubo ningún autor principal afiliado a un país de bajos ingresos. Solo el 0.7% de los autores senior provenían de estos países.
• Países Líderes en Volumen:
  • China: 16.93% de autores principales.
  • Estados Unidos: 16.72% de autores principales.
  • Corea del Sur e India: Completan el top 4, sumando más del 50% del total con estos cuatro países.
• Instituciones: Ninguna institución individual domina el campo (la líder, Seoul National University, representa solo el 2.59%), pero las instituciones de HIC predominan claramente.

B. Patrones de Colaboración

• Las colaboraciones entre instituciones de HIC representan el 53.43% de las publicaciones.
• Las colaboraciones cruzadas entre ingresos son extremadamente raras:
  • HIC (autor senior) + LMIC (autor principal): 3.91%.
  • LMIC (autor senior) + HIC (autor principal): 1.68%.

C. Procedencia de los Datasets

• Origen de los Datos: El 73.6% de los datasets provienen de países de altos ingresos.
  • EE. UU. es el mayor contribuyente individual (40.45%).
  • China contribuye con el 14.80%.
  • Los datasets de LMIC son marginalmente representados.
• Tipo de Dataset: Los datasets privados son los más utilizados (20.52%), seguidos por públicos como ChestX-ray14 (8.24%) y CheXpert (6.31%).
• Correlación Autor-Datos: Existe una fuerte correlación: el 51.38% de los estudios que usan datos de HIC tienen autores principales de HIC, mientras que solo el 2.65% de los estudios con datos de LMIC tienen autores principales de LMIC.

---

5. Significado e Implicaciones

Los hallazgos de este estudio tienen implicaciones críticas para el futuro de la IA médica:

1. Riesgo de Inequidad Clínica: Los sistemas de IA desarrollados con datos predominantemente de EE. UU. y otros HIC probablemente tendrán un rendimiento inferior en LMIC, donde la carga de enfermedades respiratorias (tuberculosis, neumonía) es más alta. Esto podría llevar a diagnósticos erróneos y agravar las disparidades de salud.
2. Ciclo de Exclusión: La falta de autores de LMIC en posiciones de liderazgo significa que las prioridades de investigación, las métricas de evaluación y las estrategias de implementación no reflejan las necesidades reales de estas poblaciones.
3. Falta de Transparencia: El uso predominante de datasets privados dificulta la validación externa y la mejora iterativa de los modelos en diversos contextos.
4. Llamado a la Acción: El estudio propone un cambio de paradigma hacia:
   • Creación de datasets abiertos, diversos y geográficamente representativos.
   • Establecimiento de colaboraciones internacionales equitativas donde los investigadores de LMIC sean líderes y no solo proveedores de datos.
   • Políticas editoriales y de financiación que incentiven la diversidad de autoría y la soberanía de datos.

En conclusión, el ecosistema actual de investigación en CV para radiografías de tórax es sesgado y excluyente. Para que la IA médica cumpla su promesa de mejorar la salud global, es urgente democratizar la producción de conocimiento y los recursos de datos, asegurando que las herramientas diagnósticas sean robustas y justas para todas las poblaciones, independientemente de su ubicación geográfica o estatus económico.