Un análisis de 70 estudios publicados entre 2016 y 2025 identifica cuatro roles distintos de la IA en relación con el estigma sanitario, desde su medición en redes sociales hasta su capacidad para reproducirlo o reducirlo.
Investigadores de la Universidad Nacional de Singapur y NTT, Tokio, publicaron en npj Digital Medicine una revisión de alcance que sistematiza el estado de la investigación sobre inteligencia artificial y estigma relacionado con la salud. El estudio, que analizó 11,769 registros y seleccionó 70 publicaciones entre 2016 y 2025, identificó cuatro líneas temáticas principales que describen cómo la IA interactúa con los procesos de estigmatización en contextos sanitarios.
El estigma relacionado con la salud es un proceso social que implica la exclusión y devaluación de personas o grupos asociados con determinadas condiciones médicas, y constituye una barrera persistente para el acceso equitativo a la atención. La revisión partió de la premisa de que la IA puede tanto contribuir a reducir ese estigma como reproducirlo o amplificarlo, y que la investigación sobre esta intersección se encontraba hasta ahora fragmentada entre disciplinas.
La línea temática más frecuente, presente en 42 de los 70 estudios analizados (60%), fue el uso de IA para medir el estigma. La mayoría de estos trabajos empleó procesamiento de lenguaje natural y aprendizaje automático para detectar y cuantificar contenido estigmatizante en plataformas digitales como Twitter, Reddit y Weibo. La prevalencia del estigma reportada en estos análisis varió ampliamente según la condición de salud analizada, con tasas inferiores al 1% para contenido relacionado con obesidad y hasta 47% en publicaciones vinculadas a esquizofrenia.
El segundo grupo temático, compuesto por 15 estudios (21%), examinó cómo el estigma influye en la adopción de herramientas de IA en salud, como chatbots, sistemas de diagnóstico y aplicaciones de terapia digital. Los hallazgos fueron mixtos, pues en algunos casos, la percepción de anonimato que ofrecen estas herramientas facilitó la consulta de condiciones sensibles, mientras que en otros, los usuarios expresaron temor a que los algoritmos reprodujeran o amplificaran el sesgo. Los estudios cuantitativos encontraron que la disposición a usar herramientas de IA aumentaba cuando la condición de salud era estigmatizada o personalmente sensible.
Nueve estudios (13%) documentaron casos en que la IA incrementó el estigma. Las evaluaciones de sesgo en modelos de lenguaje mostraron que los indicios referidos a condiciones estigmatizadas, como enfermedad mental o discapacidad, producían respuestas más negativas que términos neutros. Los análisis de representaciones vectoriales indicaron que los conceptos asociados al estigma se agrupaban en espacios semánticos negativos, mientras que modelos de generación de imágenes reprodujeron estereotipos visuales reductivos sobre enfermedades. Un estudio experimental adicional mostró que el uso de evaluaciones predictivas basadas en aprendizaje automático modificó los juicios de estigma de profesionales de salud frente a los pacientes.
El grupo temático con menor representación, con apenas cuatro estudios (6%), exploró el potencial de la IA para reducir el estigma mediante intervenciones interactivas. Estos trabajos emplearon agentes conversacionales que expusieron a los participantes a narrativas en primera persona sobre personas con enfermedades mentales, con reducciones medibles en actitudes estigmatizantes. Los efectos más pronunciados se observaron cuando los agentes compartían experiencias personales y modelaban perspectivas no estigmatizantes.
Los autores identificaron varias limitaciones en el cuerpo de investigación revisado. Casi tres cuartas partes de los estudios se concentraron en trastornos de salud mental, con escasa atención a otras condiciones históricamente estigmatizadas como la lepra, la epilepsia o las enfermedades crónicas. La mayor parte de la evidencia proviene de datos textuales, con muy pocos estudios que incorporen análisis de voz, imagen o video, modalidades relevantes dado que el estigma opera frecuentemente a través de señales visuales y auditivas. A esto se suma la falta de definiciones estandarizadas de estigma entre los estudios, la escasa representación cultural fuera del mundo anglosajón y la ausencia de evaluaciones de impacto en entornos clínicos reales.
El artículo concluye que avanzar en este campo requerirá una integración más estrecha de perspectivas computacionales, clínicas y sociales, junto con enfoques multimodales y transculturales que permitan diseñar sistemas de IA más equitativos y responsables en los contextos de salud.
