A cuatro kilómetros bajo tierra no hay nube: la IA de tuberculosis de Google tardó siete años

A unos cuatro kilómetros bajo la superficie de la mina de oro Mponeng, en Sudáfrica, ahora se hace cribado de tuberculosis a los mineros en el lugar. Un equipo portátil de radiografía digital toma la imagen, un modelo de IA la lee sin conexión a internet y quien queda marcado se deriva a una prueba molecular de confirmación en la misma visita.

El modelo que lo hace posible se describió por primera vez en un artículo de investigación en 2019. Google Research publicó el 23 de octubre la historia de lo que ocurrió entre medias, y es uno de los relatos más claros que hay sobre cuánto dura de verdad el camino de un modelo validado al uso clínico rutinario.

La línea de tiempo es la lección

Del artículo a la mina

20192026

1. InvestigaciónEl modelo iguala a radiólogos en tuberculosis activa (Radiology)
2. Evaluación independienteStop TB Partnership lo sitúa entre los mejores algoritmos; la OMS recomienda detección asistida por computadora
3. Validación prospectivaEstudio multisitio (NEJM AI)
4. CertificaciónCE MDR Clase IIb e ISO 13485 vía Nexus AI
5. DespliegueUnas 40 instalaciones, sin conexión en una mina

En 2019, un estudio en Radiology mostró que el modelo de deep learning igualaba a radiólogos experimentados en la detección de tuberculosis pulmonar activa. En 2021, una evaluación independiente de Stop TB Partnership, publicada en The Lancet Digital Health, lo situó entre los algoritmos de cribado con mejor desempeño, y la Organización Mundial de la Salud recomendó ese año la detección asistida por computadora para el cribado y el triaje de tuberculosis. En 2024, una validación prospectiva multisitio en NEJM AI confirmó una alta sensibilidad en poblaciones diversas.

Nada de eso lo convirtió en un producto sanitario. Ese paso llegó de la mano de Nexus AI, una empresa de tecnología médica de Pretoria que convirtió los algoritmos de Google en una herramienta clínica certificada: CE MDR Clase IIb bajo el Reglamento europeo de productos sanitarios e ISO 13485 para su sistema de gestión de la calidad. La precalificación de la OMS se está buscando mediante un acuerdo con FIND, y hay una “vía en curso” hacia la autorización de la FDA de EE. UU. Ninguna de las dos se ha concedido.

Así se ve el despliegue

Google informa de unas 40 instalaciones sanitarias en seis países, con uso actual en Sudáfrica, Sierra Leona y Côte d’Ivoire y expansión en marcha en la República Democrática del Congo, Zambia y Camerún. Más de 90 clínicos han evaluado más de 25.000 radiografías de tórax, y los resultados llegan en tan solo 45 segundos en lugar de semanas. Más de 3.000 cribados gratuitos se destinaron a clínicas públicas con pocos recursos, hacia un objetivo de 10.000 al año.

Dos hechos de diseño importan más que los recuentos. Primero, el cribado no es diagnóstico: el modelo hace triaje, los pacientes marcados pasan a una prueba de confirmación y los clínicos toman las decisiones finales. Segundo, el sistema funciona sin conexión. En una mina, en una clínica rural o en cualquier lugar con conectividad intermitente, un modelo que solo funcione en la nube sencillamente no estaría allí cuando se necesita. Hemos defendido que la IA soberana se define por lo que sigue funcionando cuando se corta la conexión; esta es la versión clínica de esa prueba.

El siguiente capítulo: modelos abiertos, datos nacionales

El trabajo más reciente usa los modelos médicos abiertos de Google. MedGemma, disponible en versiones de 4B y 27B, y MedSigLIP, un modelo ligero de visión y lenguaje, se pueden ajustar con pequeños conjuntos de datos locales. El Ministerio de Salud de Indonesia está ajustando ambos con radiografías de tórax nacionales y ejecutándolos en infraestructura local, para que los datos de los pacientes permanezcan en el país, mientras integra el cribado de tuberculosis en su programa nacional. Su objetivo de cribar a 50 millones de personas al año es una ambición, no un resultado, y la publicación lo presenta así.

Este es un modelo de propiedad distinto del de la vía Nexus AI. Un producto certificado pone a un fabricante a responder por el desempeño. Un ministerio que ajusta pesos abiertos asume por su cuenta las obligaciones de validación, monitorización y regulación.

Qué se traslada a cualquier programa de IA regulada

Para las organizaciones que construyen IA para decisiones reguladas, en salud o en otros ámbitos, el relato es útil por lo que no se salta:

1. La evidencia llega por capas. Un benchmark retrospectivo, una evaluación independiente y un estudio prospectivo responden a preguntas distintas. Las compras y los reguladores pedirán las tres.
2. La certificación es un proyecto aparte. Convertir un modelo en un producto sanitario exigió una empresa con un sistema de calidad, y la certificación depende de cada jurisdicción: el marcado CE no otorga la autorización de la FDA ni la precalificación de la OMS. En España, como en el resto de la UE, el marcado CE bajo el MDR es la vía que rige para este tipo de software. En América Latina no basta: cada país exige su propio registro sanitario, por ejemplo COFEPRIS en México o INVIMA en Colombia.
3. El límite de la decisión debe ser explícito. “Hacer triaje y luego confirmar” es un diseño, no una advertencia legal, y es lo que hizo aceptable el despliegue.
4. El entorno fija la arquitectura. La operación sin conexión fue un requisito descubierto sobre el terreno, no una función elegida en un laboratorio.

El modelo estaba listo en 2019. El sistema que podía usarse a cuatro kilómetros bajo tierra llevó la mayor parte de los siete años siguientes, y casi todo ese trabajo estuvo fuera del modelo.