Más allá del laboratorio: Por qué la próxima revolución sanitaria debe ser portátil

Valentina Agudelo, CEO de Salva Health

Cuando pensamos en Deep Tech o innovación médica, a menudo imaginamos laboratorios estériles, enormes resonancias magnéticas e infraestructuras millonarias. Pero para millones de mujeres en la América Latina rural, esa versión de la innovación no solo es cara: es invisible. Simplemente no llega hasta ellas. 

En Colombia, como en muchos países en desarrollo, la lucha contra el cáncer de mama tiene un enemigo geográfico: la distancia. El estándar de oro para la detección, la mamografía, está centralizada en las grandes ciudades. Para una mujer en una aldea remota —como las de San Marcos, donde trabajamos— hacerse una prueba implica un viaje costoso, días sin trabajar y un procedimiento doloroso al que teme. El resultado: no va. Y cuando el sistema finalmente la «ve», a menudo es demasiado tarde. 

En Salva Health comprendimos que el algoritmo más sofisticado es inútil si no puede caber en una mochila y viajar hasta la mitad de la selva tropical. Esa comprensión dio forma a Julieta, nuestro dispositivo impulsado por IA para la estratificación del riesgo de cáncer de mama. Ganar el MWCapital Award no es solo un reconocimiento a nuestra tecnología; es la validación de una nueva filosofía: la innovación debe medirse por su alcance, no solo por su complejidad. 

Cerrar la brecha: Excelencia frente a asequibilidad 

Una de las preguntas más difíciles para una startup es equilibrar el rigor tecnológico con la accesibilidad a bajo coste. ¿Cómo conseguir que lo barato no signifique inferior? 

Nuestra estrategia fue cambiar la pregunta. Dejamos de intentar replicar una mamografía (que captura imágenes morfológicas) y nos centramos en la fisiología (cómo se comporta el tejido). Al utilizar la Bioimpedancia Eléctrica combinada con Inteligencia Artificial, pudimos construir un dispositivo que no requiere blindaje radiológico ni redes eléctricas masivas. 

Desplazamos la propuesta de valor, del diagnóstico a la clasificación de prioridades (Triage). Julieta actúa como la Alarma Doméstica que detecta si algo va mal, mientras que la mamografía sigue siendo la Cámara de Seguridad que muestra el detalle. Al posicionarnos como el filtro que prioriza el riesgo, reducimos la carga sobre el sistema sanitario y hacemos que la tecnología sea lo bastante asequible para desplegarla en centros de atención primaria. Para nosotros, excelencia significa eficiencia en la ruta asistencial. 

Precisión científica en entornos de baja infraestructura 

Llevar la IA al terreno es complejo. No hay internet constante, no hay control climático y no hay radiólogos especializados in situ. 

Para equilibrar precisión y accesibilidad, diseñamos Julieta para que fuese independiente de la infraestructura. Funciona con baterías, trabaja sin conexión y procesa los datos mediante modelos de IA ligeros que no requieren un superordenador en el lugar. Pero el verdadero reto fue la confianza. 

Realizamos rigurosas validaciones clínicas para asegurar que nuestra sensibilidad (75%) y especificidad (79%) fueran lo bastante robustas como para servir de filtro fiable. Aprendimos que, en entornos de pocos recursos, la tecnología debe ser transparente. No puede ser una caja negra. Nuestra interfaz no solo arroja un código; educa a la enfermera local y a la paciente, convirtiendo la exploración en un momento de alfabetización en salud. Cuando la tecnología respeta el contexto del usuario, precisión y adopción van de la mano. 

Cambios sistémicos para la integración nacional 

Para que innovaciones como Julieta pasen de ser una iniciativa piloto a un estándar nacional, los sistemas sanitarios deben pasar de un Modelo Reactivo a un Modelo Preventivo de Clasificación de Prioridades. 

Actualmente, los gobiernos gastan millones en tratamientos de cáncer en fase avanzada, pero dudan a la hora de reembolsar herramientas de cribado precoz porque no encajan en los códigos tradicionales. Necesitamos una actualización sistémica de las políticas públicas que valore —y pague— la estratificación del riesgo. Si podemos demostrar a los pagadores que detectar hoy a una paciente de alto riesgo cuesta una fracción de lo que costará tratarla el año que viene, la integración se vuelve inevitable. Necesitamos entornos regulatorios de prueba (regulatory sandboxes) que permitan a las herramientas de IA demostrar su valor en escenarios del mundo real más rápido. 

Una lección para futuros innovadores 

Si pudiera compartir una lección con los innovadores del mañana, sería esta: no diseñéis solo para el usuario; diseñad para su realidad. 

Es fácil diseñar para la paciente que entra en un hospital de primer nivel. Es mucho más difícil, pero infinitamente más gratificante, diseñar para la mujer que nunca ha visto a un médico. La verdadera disrupción ocurre cuando tomas la ciencia más avanzada y haces que se sienta sencilla, humana y accesible para quien más la necesita. La empatía no es una habilidad blanda; es la especificación de diseño definitiva.