Un análisis de 240 políticas registradas en el Health & AI Policy Index revela que solo 9% tiene alto impacto y que las obligaciones concretas recaen principalmente sobre proveedores, reguladores y desarrolladores, no sobre pacientes.
La gobernanza de la inteligencia artificial (IA) en el sector salud se ha expandido rápidamente en los últimos años, pero lo ha hecho de manera dispersa y sin una arquitectura regulatoria unificada. Esa es la conclusión central de un análisis publicado en npj Digital Medicine por investigadores de Mount Sinai, que examinaron un conjunto de 240 políticas registradas en el Health & AI Policy Index (HAPI) con corte al 1 de enero de 2026. El índice, de acceso público y carácter no partidista, agrega políticas estadounidenses a nivel estatal y federal, regulaciones sectoriales, marcos internacionales y estándares voluntarios en una sola base de datos estructurada.
El análisis identificó tres patrones descriptivos, el primero es el predominio de instrumentos orientados a la transparencia y la gobernanza: la etiqueta temática Transparency & Governance aparece en 144 de las 240 políticas, equivalente a 60% del corpus. Le siguen Safety & Risk con 48%, Clinical Quality & Efficacy con 35%, Equity & Bias con 26% y Privacy & Data con 25%. En cuanto al nivel de impacto, 91% de las políticas fue clasificado como de impacto medio o bajo, y solo 22, es decir el 9%, alcanzaron la categoría de alto impacto. Esto indica que la regulación de la IA en salud sigue estando gobernada en su mayor parte por orientaciones, comisiones y estándares voluntarios, más que por reglas prescriptivas que especifiquen cuándo y cómo los médicos pueden usar herramientas de IA.
El segundo patrón es la aceleración y dispersión de la actividad regulatoria, pues el volumen anual de políticas se mantuvo bajo y relativamente estable en los primeros años de la serie histórica, para luego crecer de forma pronunciada entre 2024 y 2025, período en el que se emitió la mayoría de las políticas del corpus. El número de organismos emisores pasó de apenas unos pocos a varias decenas en ese mismo lapso, lo que indica que la gobernanza de la IA en salud se está difundiendo a través de múltiples jurisdicciones e instituciones en lugar de concentrarse en unos pocos reguladores especializados. En Estados Unidos no existe una ley integral de IA en salud ni un regulador único responsable de todos los aspectos de supervisión, lo que ha dado lugar a un mosaico de medidas impulsadas por legislaturas estatales, agencias federales, organismos internacionales, asociaciones profesionales y organizaciones de estándares.
El tercer patrón concierne a la equidad, la seguridad y la distribución de responsabilidades. El análisis muestra que las preocupaciones sobre equidad y seguridad rara vez se abordan de forma independiente: entre las políticas etiquetadas como Equity & Bias, 79% también lleva la etiqueta de Transparency & Governance, y entre las de Safety & Risk, 86% comparte ese mismo etiquetado. Esto sugiere que la equidad y el riesgo se gestionan a través de requisitos de documentación, monitoreo y rendición de cuentas insertos en marcos de gobernanza más amplios, no mediante políticas autónomas. En cuanto a los destinatarios, los proveedores y sistemas de salud, los reguladores y los desarrolladores son los grupos más frecuentemente señalados como responsables, mientras que los pacientes y los pagadores aparecen con menor frecuencia como sujetos de obligaciones directas.
Entre las 22 políticas de alto impacto, casi la mitad (10 de 22) establece condiciones sustantivas de uso y restricciones sobre cuándo y cómo puede desplegarse la IA en el sector salud, y nueve de esas diez corresponden a legislación estatal. Los autores señalan que incluso los instrumentos de mayor impacto tienden a estructurar la gobernanza, la documentación y la gestión del riesgo alrededor del uso de la IA, antes que imponer prohibiciones amplias o permisos explícitos. El estudio advierte que este entorno produce una acumulación más rápida de expectativas sobre documentación y supervisión que de reglas claras y ejecutables para usos clínicos específicos, lo que representa un desafío para los sistemas de salud, los desarrolladores y los responsables de políticas que deben interpretar señales superpuestas mientras planifican implementaciones.
Los autores reconocen que el análisis corresponde a un momento particular de un panorama en rápida evolución, que la cobertura del índice es selectiva y que las asignaciones de etiquetas y niveles de impacto son juicios editoriales con acuerdo interobservador moderado. El índice HAPI está disponible en healthaipolicy.org.
