Evolución regulatoria de una década: reglas e investigación globales sobre dispositivos médicos de IA, 2015—2025

Una década de evolución regulatoria: regulación e investigación global sobre dispositivos médicos de IA, 2015—2025

Introducción

Cuando el algoritmo de un producto de IA médica se actualiza cada pocos meses debido a nuevos datos, ¿qué debería aprobar exactamente un regulador? ¿Una versión fija del software o un conjunto de reglas que le permitan evolucionar continuamente dentro de ciertos límites?

Esta cuestión pasó, en la última década, de ser una hipótesis académica a un verdadero proyecto de ingeniería de políticas. El 17 de julio de 2025, la sección de Ciencias Regulatorias de《Frontiers in Medicine》publicó la revisión《A decade of review in global regulation and research of artificial intelligence medical devices (2015–2025)》, realizada conjuntamente por investigadores de la Universidad Farmacéutica de Shenyang y del Hospital Peking Union Medical College de la Academia China de Ciencias Médicas. El estudio utilizó el proceso PRISMA para revisar sistemáticamente las políticas regulatorias y la investigación académica sobre AIMD en los cinco principales mercados —Estados Unidos, la Unión Europea, China, Japón y Corea del Sur— entre 2015 y 2025, e incluyó finalmente 73 artículos académicos y 27 estudios de políticas.

No es una revisión técnica. Trata de reglas; y las reglas se están convirtiendo en la variable más tangible de la industrialización de la IA médica.

Contexto de la industria

Los dispositivos médicos de IA (AIMD) se refieren al software o a combinaciones de software y hardware que utilizan algoritmos de aprendizaje automático para analizar datos médicos multimodales y que están regulados como dispositivos médicos; sus aplicaciones abarcan ámbitos como la predicción de sepsis en tiempo real, el cribado automatizado de retinopatía y la estratificación del riesgo de cáncer.

El problema radica en dos características técnicas: el aprendizaje adaptativo (adaptive learning) y la opacidad algorítmica (algorithmic opacity).

La lógica regulatoria de los dispositivos médicos tradicionales se basa en una premisa implícita: la forma que el producto tiene cuando se aprueba es la forma que tendrá después de salir al mercado. Sin embargo, el SaMD (software como dispositivo médico) basado en aprendizaje automático es exactamente lo contrario: cambia continuamente a medida que se acumulan datos. Esto obliga a los reguladores a responder al mismo tiempo dos preguntas que tiran en direcciones opuestas: cómo garantizar la seguridad del paciente y cómo no sofocar la innovación en atención médica en el proceso de aprobación.

Desarrollos claveEstados Unidos: de los pilotos de precertificación al plan de control de cambios predeterminados. La ruta de la FDA es la más completa. El Digital Health Innovation Action Plan de 2017 impulsó la modernización regulatoria de los productos de salud digital y puso en marcha proyectos piloto como la precertificación de software (Pre-Cert); el documento de debate de 2019, «Proposed Regulatory Framework for Modifications to AI/ML-Driven Software as a Medical Device», propuso un modelo regulatorio orientado a todo el ciclo de vida del producto (TPLC, por sus siglas en inglés), cuyo mecanismo central es el plan de control de cambios predeterminados (PCCP, por sus siglas en inglés), que permite a los fabricantes predefinir parámetros de actualización del algoritmo en la presentación previa a la comercialización, para realizar modificaciones posteriores a la aprobación dentro de los límites de seguridad aprobados. El plan de acción de software de IA/ML de 2021 formalizó este marco y enfatizó la monitorización del rendimiento poscomercialización; el borrador de guía de 2023 para presentaciones de comercialización de PCCP aclaró aún más las condiciones permitidas para cambios de algoritmo y los requisitos de presentación.

Unión Europea: un enfoque basado en la clasificación de riesgos. La Ley de Inteligencia Artificial (AI Act) de la UE introdujo requisitos de clasificación basados en riesgos para los AIMD, vinculando las obligaciones de cumplimiento de los sistemas de IA con su nivel de riesgo para la salud y la seguridad.

China: primero las guías de evaluación técnica. La Administración Nacional de Productos Médicos (NMPA) de China publicó en 2022 los principios rectores para la evaluación técnica de dispositivos médicos con IA, proporcionando una base de evaluación relativamente clara para las solicitudes nacionales de AIMD.

Japón: un marco para la “IA que cambia”. La Agencia de Productos Farmacéuticos y Dispositivos Médicos de Japón (PMDA) construyó un marco regulatorio para la IA adaptativa, tratando de lograr un equilibrio entre la rendición de cuentas algorítmica y la flexibilidad regulatoria.

Corea del Sur: avance en paralelo. El Ministerio de Seguridad de Alimentos y Medicamentos de Corea del Sur (MFDS) también está estableciendo su propia ruta regulatoria para AIMD.

La revisión presenta de forma yuxtapuesta, en una tabla comparativa, las diferencias en los enfoques regulatorios de las cinco regiones; estas diferencias son precisamente la verdadera fuente de los costos de cumplimiento de las empresas multinacionales.

Implicaciones de mercado

La forma del marco regulatorio determina directamente qué tipo de empresas está dispuesto a financiar el capital.

Si mecanismos como el PCCP son adoptados por más jurisdicciones, significa que las empresas de AIMD podrían lograr “una aprobación, iteración continua”, de modo que las actualizaciones de algoritmo no tengan que pasar cada vez por el proceso completo de revisión previa a la comercialización. Esto cambiaría significativamente la estructura de costos del ciclo de vida del producto de las empresas de software médico con IA, y también convertiría la “capacidad de monitorización poscomercialización” de una carga de cumplimiento en un activo competitivo.Los segmentos afectados son bastante claros: los desarrolladores de IA para imágenes médicas y SaMD son los primeros en resentirlo; las plataformas de Salud Digital y los fabricantes de dispositivos wearables y de monitorización remota que cuentan con capacidad de recopilación de datos del mundo real y monitorización del rendimiento obtendrán un nuevo espacio de valor a medida que aumenten las exigencias de evidencia por parte de los pagadores; en el lado hospitalario, los hospitales son los receptores finales de las reglas: las decisiones de compra y de pago de seguros médicos dependen cada vez más de evidencia clínica verificable.

Pero la revisión también ofrece dos conjuntos de datos desalentadores. Primero, menos del 30% de los AIMD divulgan la diversidad demográfica de sus conjuntos de datos de entrenamiento, por lo que los sesgos algorítmicos carecen de una base auditable. Segundo, alrededor del 43% de los AIMD ya aprobados o autorizados por la FDA carecen de datos de validación clínica, y solo el 28% se ha sometido a pruebas prospectivas de validación del dispositivo.

Para la industria de la salud, esto significa que un entorno regulatorio laxo no equivale a un mercado laxo. Los pagadores, los comités de compras de los hospitales y los departamentos clínicos utilizarán estándares más estrictos que los regulatorios para filtrar productos de IA médica.

Desafíos y riesgos

Costo de globalización derivado de la divergencia de estándares. Aunque las reglas de los cinco mercados muestran indicios de convergencia, los criterios de clasificación de riesgos, los requisitos de control de cambios y los estándares de evidencia siguen sin estar unificados, por lo que es difícil evitar la inversión duplicada en presentaciones regulatorias transnacionales.

El desafío de la vigilancia poscomercialización de algoritmos adaptativos. Cuando los algoritmos aprenden continuamente en el mundo real, lo que las autoridades regulatorias necesitan es capacidad de monitorización continua, no una conclusión de aprobación única; esto plantea nuevas exigencias a la propia capacidad técnica de los reguladores.

Diversidad de datos y equidad algorítmica. La divulgación insuficiente de los datos de entrenamiento hace difícil cuantificar los sesgos y también difícil atribuir responsabilidades en los documentos regulatorios.

Brecha de validación clínica. Una gran cantidad de AIMD ya aprobados carecen de validación prospectiva; esta brecha no se cerrará automáticamente con la mejora del marco regulatorio, sino que requiere que las empresas de tecnología sanitaria y las instituciones médicas inviertan conjuntamente en investigación del mundo real.

El relativo retraso de la ciencia regulatoria. El ritmo de evolución tecnológica sigue siendo más rápido que el de iteración de las reglas, una tensión estructural de larga data en los campos de la innovación biotecnológica y los dispositivos médicos.

Perspectivas futuras

En los próximos 3 a 5 años, la regulación de los AIMD probablemente avanzará en tres direcciones.

Primero, pasar de un “punto de aprobación” a una “gobernanza del ciclo de vida”. Los mecanismos de gestión de cambios basados en el enfoque PCCP podrían ser adoptados o adaptados localmente por más jurisdicciones, y la monitorización del rendimiento poscomercialización pasará de ser una actividad voluntaria a un requisito de cumplimiento obligatorio.

Segundo, la evidencia del mundo real entra en el núcleo de la regulación y el pago. A medida que la brecha de validación del 43% se menciona repetidamente, las exigencias de las autoridades regulatorias, los hospitales y los pagadores sobre los datos de rendimiento en el mundo real poscomercialización aumentarán de forma sincronizada.Tercero, la coordinación transnacional pasa de las iniciativas a un plano operativo. El enfoque de clasificación de riesgos del AI Act de la UE podría convertirse en una plantilla de referencia para que otros mercados diseñen las reglas de clasificación de AIMD, y el reconocimiento mutuo de estándares entre los cinco grandes mercados será la variable clave que determine la velocidad de globalización de los productos de AI Healthcare.

Conclusión

En una década, la regulación de AIMD ha completado una migración de paradigma: los reguladores ya no solo preguntan “¿es preciso este algoritmo?”, sino que empiezan a preguntar “¿cómo cambiará este algoritmo en un entorno clínico real y quién será responsable de esos cambios?”. Para las empresas de HealthTech, esto significa que el cumplimiento ya no es un umbral que se aprueba y se olvida, sino una capacidad que requiere gestión continua a largo plazo. Cuando las reglas empiezan a alcanzar a la tecnología, también aparece la verdadera línea divisoria: la competencia en IA médica de la próxima etapa no radicará en quién tiene más parámetros en su modelo, sino en quién puede demostrar de forma continua que su modelo sigue siendo seguro, eficaz y explicable en el mundo real.