Inteligencia Artificial con rostro de Mujer: El horizonte de la Partería/Matronería Profesional
Profesora María Begoña Carroza Escobar
Matrona. Departamento de Promoción de la Salud de la Mujer y el Recién Nacido, Escuela de Obstetricia y Puericultura, Facultad de Medicina, Universidad de Chile, Santiago, Chile.
Centro Colaborador OPS/OMS para el Desarrollo de la Partería en Latinoamérica y el Caribe.
Miembro del Grupo de Ciencia de Datos para la Salud Pública.
Profesora Sandra Flores Alvarado
Programa de Bioestadística, Escuela de Salud Pública, Facultad de Medicina, Universidad de Chile, Santiago, Chile.
Fundadora y coordinadora del Grupo de Ciencia de Datos para la Salud Pública.
Directora de la Sociedad Chilena de Estadística (SOCHE).
Ex-Vicepresidenta e integrante activa de la Sociedad Chilena de Antropología Biológica (SOCHIAB).
Editorial breve
La transformación digital en América Latina y el Caribe no es una opción técnica, sino un imperativo ético. Este sexto boletín del Centro Colaborador de la OMS/OPS para el desarrollo de la Partería, explora cómo la Inteligencia Artificial (IA) puede ser el catalizador para superar el estancamiento en los indicadores de salud materna y perinatal de nuestra región. Entendiendo que estos indicadores funcionan como proxis del impacto de la Partería/Matronería, el uso de la IA no busca reemplazar el juicio clínico, sino fortalecer la labor profesional con herramientas basadas en evidencia que permitan decidir a tiempo y con precisión. Les invitamos a liderar esta transición, asegurando que la innovación tecnológica cierre brechas de equidad en lugar de profundizarlas.
Artículo central
Cerrar la brecha digital es una prioridad donde el acceso es limitado.Cerca del 30% de la población en América Latina y el Caribe (ALC) carece de acceso a internet, cifra que se agrava en zonas rurales y de menores ingresos (García Saisó et al., 2022). En salud materna y perinatal, esta brecha no es un dato estadístico abstracto: es una atención prenatal que no se agenda, una alerta de preeclampsia que no se activa o una derivación que llega demasiado tarde. Si la Inteligencia Artificial requiere estar “siempre online” para funcionar, se convierte en un nuevo filtro de exclusión social en lugar de una innovación (WHO, 2024).
Bajo este horizonte, este boletín busca mostrar la evidencia actual sobre el potencial de la IA en salud materna y perinatal —la cual muestra resultados positivos en áreas como el apoyo diagnóstico y la predicción de riesgos—, pero enfatiza la necesidad de robustecer dicha evidencia mediante la validación regional. Asimismo, se subraya la urgencia de avanzar en los marcos regulatorios y de gobernanza propuestos por la OPS/OMS, condiciones indispensables para que estas herramientas se integren de manera ética y segura en el fortalecimiento de la partería profesional (OPS/OMS, 2021).
El contexto: Alta cobertura, resultados estancados
ALC enfrenta una situación compleja: a pesar de contar con coberturas de atención institucional del parto superiores al 96% (PAHO, 2024), la razón de mortalidad materna muestra señales de estancamiento con aproximadamente 7.200 muertes anuales (WHO, 2025). La evidencia sugiere que la reducción de esta mortalidad depende en un 61,2% de mejoras directas en la calidad de la atención y el fortalecimiento de la planificación familiar, más que del acceso físico a los centros (Ahmed et al., 2026). Aquí reside el punto de inflexión: no se trata solo de llegar al hospital, sino de recibir una atención oportuna, segura y basada en la mejor información disponible. En este escenario, la IA y las nuevas tecnologías pueden ser herramientas poderosas para detectar riesgos precozmente y ordenar la respuesta de las redes de salud.
¿Qué dice la evidencia sobre el uso de IA en salud materna y perinatal?
Al analizar la literatura científica más reciente, la promesa de la IA en salud materna y perinatal (Tabla 1), muestra resultados concretos, aunque desiguales:
- Diagnóstico y tamizaje: La evidencia confirma que el desarrollo de la IA está fuertemente concentrado en el apoyo diagnóstico. Una revisión reciente de más de 2.600 estudios indicó que el 74,2% de las aplicaciones se enfocan en detectar y clasificar condiciones, sostenidas principalmente por el análisis de imágenes médicas (Mengistu et al., 2025). Esto ofrece un apoyo para la partería al actuar como un sistema de «doble lectura» o apoyo a la decisión que reduce la variabilidad entre observadores en el cálculo de la edad gestacional, sobre todo en zonas con escasez de especialistas (Atia et al., 2025).
- Predicción de riesgo: Los modelos de aprendizaje automático están demostrando una capacidad superior a los métodos estadísticos tradicionales para anticipar complicaciones graves. En el caso la hemorragia postparto, primera causa de mortalidad materna, una revisión sistemática que abarcó a más de 380.000 pacientes mostró que los modelos de machine learning superan a los modelos estadísticos tradicionales, alcanzando un Odds Ratio (OR) de 1,95 en su desempeño predictivo, es decir, mayor probabilidad de éxito frente a modelos clásicos (Baeta et al., 2025). Esto significa herramientas más potentes para que la partera identifique a quién vigilar más estrechamente.
- Continuidad y decisión intraparto: Mientras que herramientas digitales como chatbots bilingües para el seguimiento postparto muestran altos niveles de satisfacción del 84% al 95% en ensayos controlados, el apoyo directo durante el trabajo de parto sigue siendo un desafío (Nguyen et al., 2026). El uso de IA basada en señales fisiológicas en tiempo real (como la cardiotocografía) para la monitorización intraparto, es aún minoritario, representando el 6,5% en la investigación actual (Mengistu et al., 2025). Esto indica que la prudencia clínica (entendida como la valoración integral y presencial del profesional), sigue siendo el estándar de oro.
La partería ante el desafío regional: De la exploración a la implementación de la IA
Mientras países como China y Estados Unidos lideran la evidencia, nuestra región contribuye con menos del 20% de las publicaciones científicas en esta materia (Mengistu et al., 2025). Según el relevamiento del Centro de Inteligencia Artificial y Salud para América Latina y el Caribe, de 143 experiencias de IA en Salud Sexual Reproductiva y Materna (SSRM), el 48% se mantiene en fases exploratorias y un 35% en etapa piloto. Entre las experiencias e iniciativas destacadas se encuentran: Chile, con su implementación de chatbots (SARA) para consejería en SSRM (fase de implementación); Argentina, con el uso de algoritmos para el tamizaje y seguimiento prenatal (fase piloto); y Brasil, con el desarrollo de modelos predictivos de mortalidad materna basados en grandes bases de datos nacionales (fase piloto) (CLIAS, 2024).
Solo un 9% de las iniciativas regionales ha logrado alcanzar la fase de implementación plena (CLIAS, 2024). La región no está vacía de innovación, sino que debe tener cuidado de no encontrarse siempre en la fase de “pilo eterno”. En ese sentido, este panorama sugiere que el reto no es el fracaso de los proyectos, sino la necesidad de validación externa (funcionalidad en distintos entornos) y marcos de gobernanza para que los pilotos escalen a implementación y con ello, a políticas públicas.
En ese marco, el desafío para la partería y los sistemas de salud ya no es solo inventar un modelo, sino demostrar su validez externa: que un algoritmo funcione con la misma precisión en una maternidad rural que en un hospital público de alta complejidad.
Conclusiones
La IA tiene el potencial de ser el motor (no el único) que mueva la aguja de los indicadores de salud materna y perinatal en ALC (OPS/OMS, 2021), transformando la alta cobertura institucional en una atención de alta calidad y precisión. Sin embargo, la evidencia analizada muestra que el éxito no depende solo del algoritmo, sino de superar la fase de «piloto» mediante la validación clínica regional y la creación de marcos regulatorios sólidos bajo los principios de la OPS/OMS (OPS/OMS, 2021; WHO, 2024).
Para que la tecnología sea un verdadero amplificador de la capacidad clínica y no un factor de exclusión, su implementación debe garantizar la ética, la transparencia y la soberanía de datos. En última instancia, el liderazgo activo de la partería profesional en la supervisión de estas herramientas —el modelo de «humano en el circuito»— asegurando que cada atención y nacimiento sea una experiencia segura y digna.
Tabla 1. Panorama de aplicaciones de IA en salud sexual, reproductiva y materna: evidencia global, madurez y brechas para su implementación en ALC a partir de la evidencia actual.
| ÁREA DE APLICACIÓN | HALLAZGOS DE LA EVIDENCIA (GLOBAL) | ESTADO Y DESAFÍOS |
| Diagnóstico e Imágenes | 74,2% de los estudios en SSR se concentran aquí. El 34,8% utiliza imágenes (ultrasonido). | Maduro: Reduce variabilidad y apoya biometría donde faltan especialistas. |
| Predicción de Riesgo | Desempeño superior en Hemorragia Posparto (HPP) con un OR de 1,95 (ML vs. estadístico). | Promisorio: Basado en datos de 383.648 pacientes. Requiere validación externa. |
| Decisión Intraparto | Uso minoritario de señales fisiológicas (CTG/Sensores): solo 6,5%. | Brecha: Los modelos son sensibles al estándar de referencia; requiere prudencia clínica. |
| Seguimiento Digital | Los chatbots bilingües logran una satisfacción del 84-95% en ensayos controlados. | Emergente: Alta efectividad en acompañamiento y resolución de dudas (preguntas y respuestas). |
| Realidad en ALC | 143 experiencias mapeadas; solo 9% en fase de implementación real. | Crítico: 48% exploratorio. Urge pasar del «piloto» a la política pública. |
Recursos adicionales
Otros enlaces de interés
About Post Author
