La «tercera parte» en la consulta: Inteligencia artificial y la rehumanización de la relación médico-paciente en atención primaria

Revista de Medicina Familiar y Comunidad 2025; 2(2): 89–93 ARTICULO DE OPINION La «tercera parte» en la consulta: Inteligencia artificial y la rehumanización de la relación médico-paciente en atención primaria Alcides Chaux1,2 1 Programa de Especialización en Medicina Familiar, Facultad de Ciencias Médicas, Universidad Nacional de Asunción, Paraguay 2Facultad de Medicina, Universidad del Norte, Asunción, Paraguay DOI: 10.5281/zenodo.17783383 Publicado: 2 de diciembre, 2025 Resumen Introducción: La integración de la inteligencia artificial (IA) en la atención primaria de salud (APS) constituye una fuerza disruptiva que reconfigura la dinámica tradicional de la relación médico-paciente. Este artículo examina críticamente si la IA actúa como una barrera tecnológica deshumanizante o, paradójicamente, como un catalizador para recuperar la dimensión humana de la medicina. Objetivo: Evaluar el impacto de la IA en la comunicación clínica, la empatía, la carga administrativa y la equidad sanitaria, con énfasis en contextos de recursos limitados. Métodos: Se realizó una revisión bibliográfica narrativa exhaustiva de literatura reciente (2020-2025), priorizando estudios sobre medicina familiar, ética clínica y salud digital. Resultados y discusión: La evidencia indica que la IA ambiental y los sistemas de documentación automatizada pueden reducir sustancialmente la carga burocrática, liberando tiempo crítico para la interacción presencial. No obstante, emergen riesgos éticos significativos, como la erosión de la confianza fiduciaria, la opacidad algorítmica y la potencial despersonalización del cuidado si la tecnología suplanta el juicio clínico. En países de ingresos bajos y medianos, la brecha digital y la infraestructura deficiente plantean desafíos estructurales para una implementación equitativa. Conclusión: La IA posee el potencial de rehumanizar la APS al automatizar la burocracia, siempre que su implementación garantice la supervisión humana, la transparencia ética y la mitigación activa de las disparidades socioeconómicas. Palabras clave: Inteligencia Artificial, Atención Primaria de Salud, Relación Médico-Paciente, Empatía Clínica, Ética Médica, Brecha Digital 1. INTRODUCCIÓN La atención primaria de salud (APS) se cimienta históricamente en la relación longitudinal, fiduciaria y de confianza entre el médico de familia y el paciente. Sin embargo, en las últimas décadas, este vínculo fundacional se ha visto erosionado por la creciente Chaux burocratización de la práctica médica. Fenómenos como la «medicina de escritorio» y la exigencia de documentación exhaustiva en historias clínicas electrónicas consumen actualmente más del 50 % del tiempo laboral del médico, restando un espacio vital a la interacción humana directa y empática (1). En esta coyuntura crítica, la irrupción de la inteligencia artificial (IA) emerge no solo como una innovación técnica, sino como un determinante estructural de doble filo. Por un lado, la IA promete integrarse como una «tercera parte» en la consulta, asumiendo tareas cognitivas rutinarias y cargas administrativas, lo que teóricamente permitiría al facultativo redirigir su atención hacia el paciente. Tecnologías emergentes, como el procesamiento de lenguaje natural y la inteligencia ambiental, ofrecen oportunidades sin precedentes para optimizar flujos de trabajo y personalizar la atención sanitaria (2). Por otro lado, persiste un temor fundado a que la intermediación tecnológica exacerbe la despersonalización, introduzca sesgos algorítmicos opacos y fracture la confianza que sostiene el acto médico (3). El presente artículo examina críticamente el rol de la IA en la medicina familiar contemporánea. A través de una revisión rigurosa de la literatura reciente, sostenemos que la IA no debe concebirse como un sustituto del juicio clínico, sino como una herramienta auxiliar que, si se implementa con rigor ético y conciencia social, ostenta el potencial paradójico de rehumanizar la atención sanitaria, incluso en entornos de recursos limitados. 2. LA PARADOJA DE LA EFICIENCIA Y LA EMPATÍA Uno de los hallazgos más consistentes y prometedores en la literatura actual es la capacidad de la IA para mitigar el agotamiento profesional (burnout) derivado de la saturación administrativa (4). La implementación de sistemas de «inteligencia ambiental» y documentación automatizada ha demostrado reducir el tiempo dedicado a la redacción de notas clínicas en aproximadamente un 22 %, liberando un tiempo valioso para la atención directa (5). Al fungir como «escribas digitales», estas herramientas permiten que la dinámica de la consulta se desplace desde la pantalla del ordenador hacia la narrativa del paciente, lo cual impacta positivamente tanto en la satisfacción del profesional como en la experiencia del usuario (6). La empatía, definida como la competencia para comprender y compartir los sentimientos del otro, constituye la piedra angular de la APS. El debate sobre si la IA potencia o debilita esta cualidad permanece vigente. Mientras detractores advierten que la dependencia tecnológica podría inducir una «atrofia» de las habilidades interpersonales y fomentar una visión mecanicista del paciente (7), otros autores postulan que la IA puede amplificar la capacidad empática. Esto se lograría al proveer al médico de información contextual y personalizada en tiempo real, facilitando una comprensión más profunda y holística de las necesidades del paciente (8). Más aún, se ha teorizado sobre el concepto de «IA empática», sistemas capaces de simular respuestas emocionales para entrenamiento o soporte clínico, aunque esto plantea interrogantes filosóficos sobre la autenticidad de la conexión humana (9). El consenso sugiere que la clave reside en la educación: los médicos deben ser formados para utilizar la IA como un andamiaje que amplifica, y jamás reemplaza, su presencia emocional y humana en la 90 Revista de Medicina Familiar y Comunidad consulta (10). 3. CONFIANZA, ÉTICA Y LA OPACIDAD ALGORÍTMICA La integración de sistemas de soporte a la decisión clínica (CDSS) basados en IA introduce complejidades éticas inéditas. La confianza del paciente, esencial para la adherencia terapéutica, es vulnerable; puede verse comprometida si el paciente percibe que la tecnología usurpa el juicio clínico o la autonomía de su médico (11). La opacidad inherente a ciertos algoritmos de aprendizaje profundo —el problema de la «caja negra»— dificulta la explicabilidad de las decisiones, un factor determinante para la aceptación y validación por parte del paciente (12). Adicionalmente, la relación fiduciaria enfrenta riesgos sustanciales vinculados a la confidencialidad y la privacidad de los datos. La voracidad de los modelos de IA por grandes volúmenes de datos personales entra en tensión con el deber deontológico del secreto médico, exigiendo la implementación de marcos de gobernanza de datos robustos y transparentes (13). En este escenario, el consentimiento informado debe evolucionar para explicitar el uso de IA en los procesos diagnósticos y terapéuticos, garantizando que el paciente mantenga su agencia y autonomía (14). 4. DESAFÍOS ESTRUCTURALES EN CONTEXTOS DE RECURSOS LIMITADOS La discusión académica sobre IA en salud no puede soslayar las profundas disparidades globales. En países de ingresos bajos y medianos (LMIC), categoría que engloba a gran parte de Latinoamérica, la adopción de IA enfrenta barreras estructurales críticas. Estas incluyen una infraestructura digital deficiente, insuficiencia financiera crónica y una escasez de capital humano capacitado para gestionar estas tecnologías (15,16). Existe un riesgo latente de que la brecha digital exacerbe las inequidades en salud preexistentes. Si los algoritmos se entrenan predominantemente con conjuntos de datos provenientes de poblaciones de altos ingresos, pueden resultar inaplicables o sesgados al implementarse en comunidades diversas y vulnerables (17). Estudios recientes subrayan la necesidad de que los conjuntos de entrenamiento incluyan poblaciones diversas, tanto urbanas como rurales, para evitar profundizar las disparidades (18). Por consiguiente, la «justicia algorítmica» se erige como un imperativo ético: la IA debe ser diseñada e implementada considerando los determinantes sociales de la salud y las realidades locales para evitar que las poblaciones marginadas queden aún más rezagadas en el acceso a una medicina de calidad (19). 5. EL FUTURO DEL ROL DEL MÉDICO DE FAMILIA La identidad profesional del médico de familia se encuentra en una fase de transición y redefinición. Se anticipa una evolución desde el rol tradicional de depositario único del conocimiento hacia el de un colaborador en simbiosis humano-máquina, donde el facultativo integra las capacidades analíticas de la IA con su juicio clínico, intuición y valores éticos (20). Lejos de la obsolescencia, los médicos generales que adopten 91 Chaux estas herramientas podrán redirigir su enfoque hacia tareas de alto valor humano: la gestión de la incertidumbre, el acompañamiento en el sufrimiento y la toma de decisiones compartida (21). Sin embargo, este cambio de paradigma exige una reforma urgente en la educación médica, incorporando competencias digitales, éticas y de comunicación desde el pregrado para preparar a los profesionales ante los desafíos de la era algorítmica (22). 6. CONCLUSIÓN La IA ha llegado a la APS para establecerse como una «tercera parte» inevitable en la consulta. La revisión de la evidencia sugiere que, lejos de constituir una amenaza existencial para la profesión, la IA ofrece una oportunidad histórica para desmantelar la burocracia que asfixia al sistema sanitario y recuperar el tiempo necesario para el vínculo humano. No obstante, este horizonte optimista no es automático. Requiere una vigilancia activa y crítica para asegurar que la tecnología sirva a las personas y no a la inversa. Es imperativo desarrollar marcos éticos adaptados a la realidad local, asegurar la equidad en el acceso y la formación, y mantener inquebrantablemente la supervisión humana en el centro de las decisiones clínicas. Solo bajo estas premisas podremos garantizar que la medicina del futuro sea, gracias a la tecnología, más humana que nunca. REFERENCIAS 1. Toscano F, O’Donnell E, Broderick JE, May M, Tucker P, Unruh MA, et al. How physicians spend their work time: An ecological momentary assessment. J Gen Intern Med. 2020;35(11):3166–72. Disponible en: http://dx.doi.org/10.1007/s11606-020-06087-4 2. Holtz B, Nelson V, Poropatich RK. Artificial intelligence in health: Enhancing a return to patientcentered communication. Telemed J E Health. 2023;29(6):795–7. Disponible en: http://dx.doi.org/10. 1089/tmj.2022.0413 3. Maltaş E, Gümüş M, Kızılkaya E, Orhan S. Effects of artificial intelligence used in healthcare on confidence on patient and physician. Gevher Nesibe Journal IESDR. 2022;7(16):30–6. Disponible en: http://dx.doi.org/10.46648/gnj.301 4. Ghatnekar S, Faletsky A, Nambudiri VE. Digital scribe utility and barriers to implementation in clinical practice: a scoping review. Health Technol (Berl). 2021;11(4):803–9. Disponible en: http: //dx.doi.org/10.1007/s12553-021-00568-0 5. Kanaparthy NS, Villuendas-Rey Y, Bakare T, Diao Z, Iscoe M, Loza A, et al. Real-world evidence synthesis of digital scribes using ambient listening and generative artificial intelligence for clinician documentation workflows: Rapid review. JMIR AI. 2025;4:e76743. Disponible en: http://dx.doi.org/10. 2196/76743 6. Ma SP, Liang AS, Shah SJ, Smith M, Jeong Y, Devon-Sand A, et al. Ambient artificial intelligence scribes: utilization and impact on documentation time. J Am Med Inform Assoc. 2025;32(2):381–5. Disponible en: http://dx.doi.org/10.1093/jamia/ocae304 7. Kerasidou A, Horn R. Making space for empathy: supporting doctors in the emotional labour of clinical care. BMC Med Ethics. 2016;17(1):8. Disponible en: http://dx.doi.org/10.1186/s12910-016-0091-7 8. Wojda T, Hoffman C, Jackson J, Conti T, Maier J. AI in healthcare: Implications for Family Medicine and Primary Care. In: Artificial Intelligence. IntechOpen; 2023. Disponible en: http://dx.doi.org/10. 5772/intechopen.111498 9. Decety J, Fotopoulou A. Why empathy has a beneficial impact on others in medicine: unifying theories. Front Behav Neurosci. 2014;8:457. Disponible en: http://dx.doi.org/10.3389/fnbeh.2014.00457 92 Revista de Medicina Familiar y Comunidad 10. Yu FSK, Yip BHK, Kung K, Fung CSC, Wong CKM, Lam AT, et al. The association of types of training and practice settings with doctors’ empathy and patient enablement among patients with chronic illness in Hong Kong. PLoS One. 2015;10(12):e0144492. Disponible en: http://dx.doi.org/10. 1371/journal.pone.0144492 11. Allen MR, Webb S, Mandvi A, Frieden M, Tai-Seale M, Kallenberg G. Navigating the doctor-patientAI relationship - a mixed-methods study of physician attitudes toward artificial intelligence in primary care. BMC Prim Care. 2024;25(1):42. Disponible en: http://dx.doi.org/10.1186/s12875-024-02282-y 12. Amann J, Blasimme A, Vayena E, Frey D, Madai VI, Precise4Q consortium. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020;20(1):310. Disponible en: http://dx.doi.org/10.1186/s12911-020-01332-6 13. Zahir L, Hussian L, Zia W, Haider I. The role of ChatGPT in clinical practice: perceptions, expectations and future implications amongst the clinical faculty. Pak J Med Sci Q. 2025;41(9):2441–7. Disponible en: http://dx.doi.org/10.12669/pjms.41.9.12131 14. Chew HSJ, Achananuparp P. Perceptions and needs of artificial intelligence in health care to increase adoption: Scoping review. J Med Internet Res. 2022;24(1):e32939. Disponible en: http://dx.doi.org/10. 2196/32939 15. Ciecierski-Holmes T, Singh R, Axt M, Brenner S, Barteit S. Artificial intelligence for strengthening healthcare systems in lowand middle-income countries: a systematic scoping review. NPJ Digit Med. 2022;5(1):162. Disponible en: http://dx.doi.org/10.1038/s41746-022-00700-y 16. Alami H, Rivard L, Lehoux P, Hoffman SJ, Cadeddu SBM, Savoldelli M, et al. Artificial intelligence in health care: laying the Foundation for Responsible, sustainable, and inclusive innovation in lowand middle-income countries. Global Health. 2020;16(1):52. Disponible en: http://dx.doi.org/10.1186/ s12992-020-00584-1 17. Wu Y, Li F, Chen H, Shi L, Yin M, Hu F, et al. Construct prediction models for low muscle mass with metabolic syndrome using machine learning. PLoS One. 2025;20(9):e0331925. Disponible en: http://dx.doi.org/10.1371/journal.pone.0331925 18. El Arab RA, Alshakihs AH, Alabdulwahab SH, Almubarak YS, Alkhalifah SS, Abdrbo A, et al. Artificial intelligence in nursing: a systematic review of attitudes, literacy, readiness, and adoption intentions among nursing students and practicing nurses. Front Digit Health. 2025;7:1666005. Disponible en: http://dx.doi.org/10.3389/fdgth.2025.1666005 19. Ahmed MM, Okesanya OJ, Olaleke NO, Adigun OA, Adebayo UO, Oso TA, et al. Integrating digital health innovations to achieve universal health coverage: Promoting health outcomes and quality through global public health equity. Healthcare (Basel). 2025;13(9):1060. Disponible en: http://dx.doi.org/10. 3390/healthcare13091060 20. Amann J, Vayena E, Ormond KE, Frey D, Madai VI, Blasimme A. Expectations and attitudes towards medical artificial intelligence: A qualitative study in the field of stroke. PLoS One. 2023;18(1):e0279088. Disponible en: http://dx.doi.org/10.1371/journal.pone.0279088 21. Blease C, Kaptchuk TJ, Bernstein MH, Mandl KD, Halamka JD, DesRoches CM. Artificial intelligence and the future of primary care: Exploratory qualitative study of UK general practitioners’ views. J Med Internet Res. 2019;21(3):e12802. Disponible en: http://dx.doi.org/10.2196/12802 22. Komasawa N, Yokohira M. Generative artificial intelligence (AI) in medical education: A narrative review of the challenges and possibilities for future professionalism. Cureus. 2025;17(6):e86316. Disponible en: http://dx.doi.org/10.7759/cureus.86316 93