Un piloto regulatorio en Estados Unidos habilita la renovación automática de recetas médicas mediante inteligencia artificial. Promete agilidad y acceso, pero reabre preguntas profundas sobre responsabilidad clínica, equidad y el futuro del acto médico.
Utah se convirtió en uno de los primeros estados de Estados Unidos en habilitar un piloto de renovación de recetas médicas mediante inteligencia artificial. A través de una alianza con la empresa Doctronic, el sistema permite que un chatbot de IA renueve —aunque no inicie— prescripciones de aproximadamente 200 medicamentos de uso común, excluyendo sustancias controladas, a cambio de una tarifa de 4 dólares por transacción.
La iniciativa se desarrolla dentro de un “sandbox” regulatorio aprobado por el Estado de Utah, que exige supervisión clínica y reportes por etapas. El objetivo oficial es reducir la carga administrativa, agilizar procesos y mejorar el acceso de los pacientes a tratamientos crónicos. Sin embargo, el alcance del piloto excede una simple mejora operativa. Se trata de un cambio regulatorio y sociotécnico profundo, que traslada la renovación de recetas desde una interacción profesional-paciente hacia una relación automatizada, directa con el paciente, bajo esquemas de supervisión limitados.
Salud en Línea dialogó con expertos y les pidió su mirada sobre este caso y su posible aplicación en Argentina, las trabas e impulsores; y los impactos en responsabilidades, gobernanza y trazabilidad.
Tres dilemas clave de gobernanza. El caso de Utah pone en evidencia debates que ya atraviesan al sistema de salud global: ¿Quién responde ante un error, un daño o una denegación de tratamiento? ¿El médico supervisor, el proveedor tecnológico, el sistema de salud o el propio paciente? ¿Son realmente auditables las decisiones tomadas por la IA?
También debates sobre equidad y acceso: El cobro de una tarifa, la alfabetización digital y sanitaria, las barreras lingüísticas y el acceso desigual a una eventual revisión humana pueden profundizar brechas existentes.Y la gobernanza de los datos: La verificación de identidad, el acceso a la historia clínica, la retención de información y los posibles usos secundarios de los datos de salud se convierten en puntos críticos.
Para Alfonso Fernández Pazos, de Innovamed, este tipo de sistemas no representan una hipótesis futura sino una certeza: “Estas cosas van a pasar. Son sistemas de prescripción automática, incluso sin humanos en el loop”, señaló.
Si bien reconoce beneficios claros —como la reducción del trabajo administrativo y la mejora del acceso—, Fernández Pazos, advierte sobre los riesgos: “Bastardea el acto médico, lo reduce a un acto meramente prescriptivo; no permite la reflexión, la reevaluación ni el vínculo”. Y la pregunta central, según Pazos, sigue sin respuesta:
“¿Quién es responsable? ¿El médico, el vendor, el paciente o el farmacéutico?”.
El límite del acto médico. Las críticas no apuntan necesariamente contra la tecnología, sino contra su uso sin salvaguardas adecuadas. “Está bien desburocratizar. Saquemos al médico del trabajo administrativo, no de la consulta”, destaca Fernández Pazos, citando advertencias del cardiólogo y divulgador Eric Topol sobre el riesgo de que la tecnología erosione el vínculo clínico y la responsabilidad profesional.
Desde una perspectiva local, el diagnóstico es claro para el ejecutivo de Innovamed: “No lo veo viable hoy en la Argentina. La receta electrónica requiere firma de un profesional habilitado. Que la tecnología exista no significa que tengamos que usarla”.
Barreras técnicas, legales y culturales. Iván Kustchevatzky, de Whoa, coincide en que la autorrenovación de recetas con IA resulta atractiva para prestadores, financiadores y pacientes, pero advierte que su implementación enfrenta múltiples barreras.
Entre ellas, la falta de estándares consolidados para identificar actos clínicos originados por IA: “Aún no existe un marco tecnológico estandarizado que permita identificar que un acto clínico fue originado por una IA. Recién con la llegada de FHIR R6 – estimada entre este año y el próximo – se comenzarán a contemplar formalmente estas situaciones. Será necesario, además, esperar a que la industria adopte dicha versión para contar con registros verdaderamente estandarizados”, explicó.
También habló de la heterogeneidad de los datos clínicos: Para Kutschevatzky, “en algunos casos, estos datos se presentan como texto libre y, en otros, mediante codificaciones tanto propietarias como estandarizadas. Transformar texto libre en codificación clínica manteniendo un alto nivel de precisión es una tarea compleja, ya que un dato mal codificado se convierte directamente en un riesgo para el paciente.
Asimismo, puso el foco en la complejidad de las reglas de renovación según patología y cobertura (las codificaciones nomencladores, vademécums, etc- evolucionan constantemente. Esto implica que cualquier solución basada en IA debe mantenerse actualizada para asegurar que la receta contenga códigos vigentes y pueda ser correctamente autorizada y dispensada; que respete larelación entre medicamentos genéricos y comerciales para que la receta no sea rechazada por sistemas de validación, y la muchas veces personalizadas reglas de renovación que dificultan los criterios utilizados), y en la baja explicabilidad de los modelos de lenguaje (LLM), que funcionan como “cajas negras” (por su propia naturaleza, estos modelos funcionan sobre parámetros y cálculos probabilísticos, y hace que no siempre sea posible comprender con certeza absoluta qué ocurre internamente en cada decisión).
“Vale también aclarar que estos desafíos no se presentan de la misma manera en todos los países”, destacó el Kutschevatzky de Whoa. En Estados Unidos, la industria se encuentra más adelantada en este tipo de implementaciones gracias a la existencia de marcos regulatorios claros que establecen reglas concretas sobre interoperabilidad y uso de datos en salud, impulsados por organismos como la ONC y las iniciativas de Health IT. A esto se suma la adopción generalizada de nomenclaturas uniformes, como RxNorm para medicamentos, CPT para procedimientos y, en algunos contextos, clasificaciones complementarias como ATC.
Un escenario posible. Frente a este panorama, Kutschevatzky propone enfoques graduales: IA asistida con validación humana, delimitación estricta de casos habilitados (por ejemplo, pacientes crónicos estables con patologías previamente definidas), pruebas en entornos controlados (por caso, en una institución específica y avanzar luego de forma progresiva hacia otros contextos) y un fuerte trabajo previo de normalización de datos (codificación de texto libre con altos niveles de precisión, habilitando reglas clínicas más confiables).
