Inteligencia artificial y biobancos cardiovasculares: promesa tecnológica y responsabilidad ética compartida Authors: Gerardo Rivera-Silva, María Guadalupe Moreno-Treviño, Claudia Cristina Santos-Lozano, Pablo Martínez-Fernández Published: 2026 ABSTRACT ResumenLa implementación de la inteligencia artificial (IA) en biobancos y bancos de tejidos cardiovasculares constituye una transformación estructural con impacto en la medicina de precisión, la investigación traslacional y la gestión de recursos biomédicos. Estas tecnologías permiten optimizar la clasificación, almacenamiento y asignación de tejidos, mejorar la trazabilidad de las muestras y analizar de forma integrada grandes volúmenes de datos clínicos, histológicos y genómicos. No obstante, su adopción introduce desafíos éticos, técnicos y epistemológicos que superan una visión meramente instrumental. El uso de algoritmos en contextos clínicos plantea riesgos como la automatización excesiva, la opacidad de los modelos predictivos, la reproducción de sesgos, la vulneración de la privacidad de los donantes y el manejo de datos genómicos sensibles. Además, la dependencia de sistemas automatizados puede desplazar el juicio experto y generar una falsa percepción de objetividad. Este artículo analiza estas implicaciones y propone un marco para la implementación responsable de la IA en biobancos cardiovasculares, basado en equidad, transparencia, gobernanza de datos, aplicabilidad clínica y respeto a la autonomía, y destaca que su valor depende de su solidez ética y científica. Todo ello orientado a fortalecer la confianza social, la calidad científica y el beneficio clínico sostenible. Introducción Los biobancos y los bancos de tejidos cardiovasculares constituyen infraestructuras esenciales para la medicina moderna. Su función como repositorios estructurados de muestras humanas permite sostener actividades de investigación, docencia y, en algunos casos, aplicaciones clínicas directas. En el ámbito cardiovascular, donde la calidad y la adecuada caracterización de los tejidos influyen en los resultados quirúrgicos, la trazabilidad y la integridad de la información asociada son pilares indispensables para garantizar seguridad, calidad y reproducibilidad científica.1 Estos repositorios almacenan tejidos cardiacos y vasculares, sangre, ADN, ARN y otros fluidos que permiten estudiar fisiopatología y biomarcadores. Globalmente existen al menos 2663 biobancos.2 Europa concentra más de 700 en 23 países, mientras que América Latina posee cerca de 44, sobre todo oncológicos. En México hay 3 principales: OriGen Health Research Center, colaboración entre el Tecnológico de Monterrey y la Universidad de Texas en Austin; BIOMEM, del Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán (INCMNSZ); y el Banco de Tejidos Cardiovasculares de la Universidad de Monterrey. Esto pone en evidencia la necesidad de expandirlos en nuestra región para fortalecer la investigación, la innovación biomédica y el diagnóstico clínico equitativo y sostenible.3 Tradicionalmente, estos repositorios han operado mediante sistemas manuales o semiautomatizados, los cuales presentan limitaciones relevantes: registros heterogéneos, variabilidad humana en la evaluación macroscópica y microscópica, dificultades en la estandarización de metadatos y restricciones para integrar información clínica, histológica y genómica. En el tenor de la medicina de precisión, surge la necesidad de evolucionar hacia plataformas digitales robustas y capaces de sostener análisis complejos. En este escenario, la IA se proyecta como una herramienta transformadora a lo largo del ciclo completo del tejido, desde su recepción hasta su almacenamiento y uso.4 La IA, particularmente el aprendizaje maquinal, el aprendizaje profundo y la visión computarizada, ha demostrado capacidad para procesar grandes volúmenes de datos biomédicos, identificar patrones imperceptibles para el ojo humano y generar modelos predictivos de alta precisión.5 En biobancos cardiovasculares, estas tecnologías pueden mejorar el control de calidad mediante algoritmos de clasificación tisular, automatizar la detección de alteraciones estructurales en imágenes digitales, optimizar inventarios y predecir la degradación tisular con base en condiciones de almacenamiento (figura 1).6 Figura 1Proceso de integración de inteligencia artificial en biobancos cardiovasculares desde recepción de muestras hasta retroalimentaciónCajas azules: etapas técnicas y analíticas; blancas: control, seguridad y gobernanza; naranja: evaluación de representatividad y sesgos. El logging es el registro automático de actividades para garantizar trazabilidad, supervisión y cumplimiento normativoFigura 1 Proceso de integración de inteligencia artificial en biobancos cardiovasculares desde recepción de muestras hasta retroalimentación Cajas azules: etapas técnicas y analíticas; blancas: control, seguridad y gobernanza; naranja: evaluación de representatividad y sesgos. El logging es el registro automático de actividades para garantizar trazabilidad, supervisión y cumplimiento normativo Sin embargo, la incorporación de IA no debe concebirse únicamente como un avance técnico orientado a la eficiencia. Su impacto alcanza la estructura epistemológica de la ciencia biomédica al introducir sistemas de decisión automatizados cuya transparencia y auditabilidad no siempre están garantizadas. La relevancia clínica de los tejidos cardiovasculares exige marcos normativos rigurosos y estrategias de gobernanza que aseguren que la automatización no comprometa la calidad ni la ética.7 En este contexto, el presente artículo tiene como propósito desarrollar un marco integral para la integración responsable de IA en biobancos y bancos de tejidos cardiovasculares, abordando 4 ejes centrales: (1) fundamentos técnicos y operativos de implementación, (2) aplicaciones biomédicas y analíticas, (3) riesgos éticos y regulatorios y (4) estrategias de gobernanza y validación orientadas a la práctica clínica y científica. Desarrollo De repositorios pasivos a ecosistemas inteligentes Durante décadas, los biobancos operaron principalmente como repositorios pasivos destinados al almacenamiento, la conservación y el resguardo de muestras biológicas, con una participación limitada en la generación activa de conocimiento científico. Su función se centraba en garantizar la integridad física y biológica de las muestras, así como en su disponibilidad para estudios futuros, sin una integración profunda con los procesos analíticos, clínicos o decisionales. Este modelo tradicional, aunque fundamental para el desarrollo inicial de la investigación biomédica, mostraba limitaciones frente a la creciente complejidad y volumen de los datos generados en la medicina moderna. No obstante, el avance sostenido de la digitalización, junto con la incorporación progresiva de herramientas de IA, ha impulsado una transformación profunda de este paradigma. Este proceso ha permitido que los biobancos evolucionen hacia ecosistemas inteligentes capaces de analizar información de manera dinámica, generar conocimiento en tiempo casi real y participar activamente en redes biomédicas interconectadas local, nacional e internacionalmente.8 De esta forma, los biobancos dejan de ser entidades aisladas para integrarse en infraestructuras de datos que apoyan la medicina de precisión, la investigación traslacional y la toma de decisiones basada en evidencia. La IA ofrece la capacidad de integrar, procesar y analizar grandes volúmenes de datos heterogéneos, entre los que se incluye información clínica, histopatológica, genómica, proteómica, imagenológica y logística. Mediante el uso de modelos predictivos y sistemas de aprendizaje automático, es posible anticipar necesidades futuras, optimizar la organización y rotación del inventario, predecir la vida útil de las muestras y sugerir rutas más eficientes para su procesamiento, trazabilidad y distribución.9 En el caso específico de los bancos de tejidos cardiovasculares, esta transición tecnológica puede traducirse en una mejora sustancial de la disponibilidad, calidad y seguridad de los injertos, una asignación más precisa basada en perfiles de riesgo clínico y biológico, y un fortalecimiento de los sistemas de bioseguridad, control de calidad y gobernanza de datos.10 En conjunto, estos avances permiten consolidar el concepto de biobancos inteligentes, orientados no solo al resguardo de muestras, sino a la generación activa de valor científico, clínico y social (figura 2). Figura 2Etapas de conformación de un biobanco inteligenteIA: inteligencia artificialFigura 2 Etapas de conformación de un biobanco inteligente IA: inteligencia artificial No obstante, esta evolución tecnológica exige el desarrollo de estructuras de gobernanza avanzadas, una interoperabilidad efectiva entre plataformas clínicas, laboratoriales y de investigación, así como mecanismos robustos para la protección de datos sensibles. En este nuevo escenario, el biobanco deja de ser un mero espacio de almacenamiento para convertirse en un nodo estratégico de información biomédica, cuya operación debe alinearse estrictamente con estándares de calidad, ética, seguridad y responsabilidad social.11 La tensión entre automatización y juicio profesional La utilización de algoritmos de IA en la clasificación de tejidos, la interpretación de imágenes histológicas y la predicción del deterioro de las muestras ofrece un potencial significativo para reducir la variabilidad diagnóstica y mejorar la estandarización de los procesos evaluativos. Por medio de tecnologías de visión computarizada y aprendizaje automatizado, estos sistemas pueden identificar patrones y características microscópicas que resultan imperceptibles o difíciles de cuantificar para el observador humano, lo cual favorece evaluaciones más homogéneas, reproducibles y eficientes.12 Esta capacidad resulta especialmente relevante en el ámbito de los biobancos cardiovasculares, donde la calidad estructural y funcional del tejido tiene un impacto directo en los resultados clínicos, la viabilidad de los injertos y la seguridad de los pacientes. No obstante, la creciente automatización de estos procesos no está exenta de riesgos. Una dependencia excesiva de sistemas algorítmicos, particularmente aquellos con arquitecturas opacas, puede desplazar el juicio experto y generar una falsa sensación de certeza diagnóstica. Los modelos denominados de “caja negra”, característicos de ciertos enfoques de aprendizaje profundo, pueden ofrecer altos niveles de precisión predictiva, pero carecen de explicación respecto a los criterios que sustentan sus decisiones. En un entorno en el que se toman decisiones de alto impacto clínico y ético, esta falta de transparencia puede erosionar la confianza de los profesionales, dificultar la detección de errores y limitar los procesos de auditoría y validación externa. Por ello, el juicio profesional continúa siendo un componente indispensable del proceso de evaluación. Patólogos, cardiólogos, ingenieros biomédicos y especialistas en control de calidad deben participar activamente en la interpretación crítica de los resultados generados por los algoritmos, identificar posibles inconsistencias y contextualizar las predicciones dentro del marco clínico y biológico correspondiente.13 En este sentido, la IA debe concebirse como una herramienta de apoyo que amplifique las capacidades humanas y no como un sustituto del razonamiento experto. El diseño e implementación de estas tecnologías debe priorizar principios de transparencia, trazabilidad algorítmica y posibilidad de revisión independiente, los cuales constituyen la base de un desarrollo tecnológico responsable y confiable. Sesgos y desigualdades algorítmicas Los algoritmos de IA aprenden a partir de los datos que reciben, lo que los hace particularmente susceptibles a reproducir y amplificar desigualdades estructurales preexistentes en los conjuntos de datos.14 En el contexto de los biobancos cardiovasculares, esta vulnerabilidad adquiere especial relevancia, ya que la subrepresentación de determinados grupos demográficos, étnicos o genéticos puede conducir a errores sistemáticos en la clasificación de muestras, a la subestimación de la calidad tisular o a decisiones de asignación inequitativas. Tales sesgos pueden afectar de manera directa la validez de los estudios derivados y comprometer la generalización de los resultados científicos. Este riesgo tiene una dimensión ética considerable debido a la responsabilidad social inherente a los biobancos. Estos constituyen un recurso de interés público que influye de forma directa en el acceso equitativo a la investigación biomédica, en la calidad de los trasplantes y en la generación de estrategias terapéuticas innovadoras. En este sentido, un algoritmo sesgado podría restringir inadvertidamente la inclusión de ciertos donantes, infravalorar la calidad de sus tejidos o influir negativamente en la asignación de recursos, lo cual profundizaría desigualdades ya existentes en los sistemas de salud.15 La mitigación de estos riesgos exige la implementación de estrategias metodológicas robustas y sistemáticas. Entre ellas se incluyen el diseño deliberado de bases de datos diversas e inclusivas, la validación externa de los modelos en poblaciones independientes, la realización de auditorías multicéntricas y la supervisión por comités interdisciplinarios que integren perspectivas clínicas, éticas y computacionales. Asimismo, el monitoreo continuo del desempeño algorítmico resulta esencial para detectar y corregir desviaciones a lo largo del tiempo. En este marco, la equidad algorítmica no solo representa un imperativo ético, sino también un requisito científico fundamental para garantizar resultados confiables, reproducibles y socialmente responsables. Privacidad, gobernanza y consentimiento informado dinámico La integración intensiva de datos clínicos, histológicos y genómicos en biobancos modernos plantea desafíos sustanciales para los modelos tradicionales de consentimiento informado, los cuales se basaban en usos predecibles, delimitados y temporalmente estables. En la actualidad, estos datos pueden ser reutilizados de forma continua y combinados mediante algoritmos de IA capaces de generar aplicaciones futuras que no siempre pueden ser anticipadas en el momento de la donación inicial. En este contexto, el consentimiento informado debe concebirse como un proceso dinámico, renovable y sensible a la evolución tecnológica, el cual permita a los donantes actualizar sus preferencias y niveles de autorización conforme cambian los usos potenciales de sus datos.16 Si bien la anonimización y la pseudoanonimización robustas constituyen herramientas fundamentales para la protección de la privacidad, estas estrategias no son infalibles, particularmente cuando se integran datos genómicos con metadatos clínicos detallados que incrementan el riesgo de reidentificación. Por ello, los biobancos deben implementar estructuras sólidas de gobernanza de datos que incluyan controles estrictos de acceso, segmentación de la información, trazabilidad del uso de los datos y auditorías periódicas.17 El cumplimiento de los marcos regulatorios nacionales e internacionales representa únicamente el punto de partida. Una protección efectiva de los donantes exige además el desarrollo de una cultura institucional sustentada en la transparencia, la comunicación clara de riesgos y beneficios, y el respeto continuo a la autonomía de las personas participantes.18 Hay biobancos cardiovasculares que han incorporado la IA para mejorar la predicción y el diagnóstico clínico. En Gran Bretaña, el UK Biobank ha permitido crear modelos que estiman riesgo cardiovascular, edad vascular y cardiopatías mediante datos masivos y aprendizaje automático. En España, el Centro Nacional de Investigaciones Cardiovasculares desarrolló el CARMINA, un sistema que analiza bases protegidas para investigación. Asimismo, repositorios clínicos como los de la Mayo Clinic han desarrollado algoritmos capaces de detectar disfunción ventricular a partir de electrocardiogramas. Estos avances muestran que la integración de grandes bases biológicas con IA impulsa la cardiología predictiva y fortalece la medicina personalizada en poblaciones amplias globales de forma sostenible. Discusión La utilización de la IA en los biobancos y en los bancos de tejidos cardiovasculares ha despertado un notable interés por su potencial para transformar la gestión de muestras biológicas, mejorar la toma de decisiones y dinamizar la generación de conocimiento científico.19 Este interés se fundamenta en la capacidad de los sistemas algorítmicos para integrar y analizar grandes volúmenes de datos complejos, procedentes de fuentes clínicas, moleculares y administrativas, lo que permite identificar relaciones y tendencias que exceden las posibilidades de los métodos analíticos convencionales. Sin embargo, este escenario de entusiasmo tecnológico también puede ocultar desafíos estructurales relevantes. La IA no opera de manera aislada: tiende a reproducir y amplificar las condiciones organizativas, técnicas y éticas de las instituciones en las que se implementa, lo que puede traducirse en errores operativos, vulnerabilidades en la seguridad de la información o decisiones influenciadas por sesgos preexistentes.20 La adopción intensiva de herramientas digitales introduce nuevas formas de riesgo. Fallos técnicos, problemas de interoperabilidad o una calibración inadecuada de los modelos pueden afectar la calidad del tejido biológico y distorsionar los procesos de clasificación, priorización y uso de las muestras. Asimismo, existe la posibilidad de que la búsqueda de eficiencia tecnológica desplace principios éticos esenciales.21 El respeto a la autonomía de los donantes, la justicia en la retribución de recursos y la imparcialidad en el acceso a los beneficios de la investigación pueden verse comprometidos cuando los sistemas algorítmicos se desarrollan sin una supervisión crítica y transparente.22 Desde esta perspectiva, la integración de la IA debe orientarse a complementar el juicio humano y no a sustituirlo.23 Los profesionales involucrados en la gestión de biobancos y bancos de tejidos cardiovasculares mantienen un rol insustituible en la elucidación, validación y contextualización de los resultados generados por los algoritmos. La innovación tecnológica pierde valor cuando se desvincula del discernimiento experto y de un marco ético claramente definido.24,25 En este sentido, la cooperación interdisciplinaria resulta fundamental. El desarrollo y uso responsable de la IA depende de la interacción continua entre especialistas en ingeniería, medicina, bioética, derecho y políticas públicas.26 Solo mediante un diálogo sostenido entre estas disciplinas será posible construir sistemas que refuercen la calidad científica sin comprometer valores centrales de la práctica biomédica.27 La implementación de la IA en los biobancos y bancos de tejidos cardiovasculares es una coyuntura estratégica para fortalecer la medicina de precisión y mejorar la administración de los recursos biomédicos. La capacidad de los algoritmos para analizar grandes volúmenes de datos, anticipar tendencias y respaldar decisiones clínicas puede mejorar la eficiencia operativa y acelerar la generación de conocimiento.28,29 Esta transformación tiene el potencial de elevar la calidad del tejido disponible, facilitar la estandarización de procesos y ampliar el alcance científico de estas instituciones. No obstante, dicho potencial solo se materializará plenamente si la adopción tecnológica se acompaña de un marco ético sólido y de una gobernanza de datos clara y transparente. La trazabilidad de los procesos algorítmicos, la supervisión independiente, la protección de la privacidad y la equidad en el uso de los datos deben asumirse como principios fundamentales.30,31 La tecnología por sí sola no puede sustituir el juicio experto ni los valores que orientan la práctica biomédica.32 Si bien la IA permite analizar grandes volúmenes de datos, determinar modelos complejos y sustentar la toma de decisiones, al optimizar la eficiencia operativa y ampliar el impacto científico,33 su uso responsable exige una metodología clara de rendición de cuentas. En este contexto, la trazabilidad algorítmica, la supervisión por instancias externas y la salvaguarda efectiva de la privacidad deben consolidarse como ejes centrales de cualquier estrategia de implementación.34 El objetivo final no debe limitarse a la creación de biobancos tecnológicamente avanzados, sino orientarse a la construcción de biobancos éticamente inteligentes, en los que la innovación coexista con el respeto a los donantes, la equidad y el compromiso con la excelencia científica. Conclusión La incorporación de la IA en biobancos y bancos de tejidos cardiovasculares ofrece oportunidades significativas para optimizar procesos, analizar grandes volúmenes de información y potenciar el desarrollo científico, lo cual favorece el progreso de la medicina de precisión. No obstante, para que estos beneficios se concreten, es indispensable que su aplicación se acompañe de supervisión especializada, principios éticos firmes, transparencia en los algoritmos y una gestión responsable de los datos. Solo al equilibrar la innovación tecnológica con el criterio humano y los valores biomédicos será posible maximizar su utilidad sin poner en riesgo la calidad, la justicia y la integridad científica.