De lo abstracto a lo aplicado: Cómo Desjardins puede reformular la protección de patentes para la IA en la atención sanitaria

Durante una década, los innovadores en la intersección de la inteligencia artificial (IA) y la medicina de precisión se han enfrentado a una paradoja obstinada: los mismos avances en software y aprendizaje automático que permiten la detección precoz del cáncer y recomendaciones terapéuticas personalizadas a menudo se les niega la protección de patentes de Estados Unidos. En virtud del impredecible marco Alice/Mayo, los examinadores de patentes y los tribunales suelen calificar los modelos adaptativos de IA de "ideas abstractas", equiparándolos a ejercicios matemáticos más que a avances tecnológicos merecedores de protección.

El resultado ha sido un efecto amedrentador sobre la inversión y la divulgación en una de las fronteras más prometedoras de la atención sanitaria y, potencialmente, una amenaza para el liderazgo de Estados Unidos en IA biomédica.

La nueva audiencia de la USPTO de 25 de septiembre de 2025, Ex parte Desjardins,[i ] marca el reconocimiento más claro de que las innovaciones de IA, incluidas las que tienen aplicaciones sanitarias, pueden ser patentables. El Panel de Revisión de Apelaciones ("ARP") anuló un rechazo de § 101 contra el marco de aprendizaje continuo de DeepMind, sosteniendo que integraba un concepto matemático en una aplicación práctica mediante la mejora de la propia funcionalidad del modelo. Cabe destacar que el ARP no solo revocó la decisión de la Junta y consideró que las reivindicaciones eran patentables,[ii ] sino que además la decisión fue redactada por John A. Squires, el nuevo Director de la Oficina de Patentes y Marcas de Estados Unidos. 

Las alegaciones rechazadas

Las reivindicaciones objeto de examen se refieren a un método implementado por ordenador para entrenar un modelo de aprendizaje automático. La reivindicación independiente representativa 1[iii] reza:

1. Un método implementado por ordenador para entrenar un modelo de aprendizaje automático,

en el que el modelo de aprendizaje automático tiene al menos una pluralidad de parámetros y ha sido entrenado en una primera tarea de aprendizaje automático utilizando primeros datos de entrenamiento para determinar primeros valores de la pluralidad de parámetros del modelo de aprendizaje automático, y en el que el método comprende:

determinar, para cada uno de la pluralidad de parámetros, una medida respectiva de una importancia del parámetro para la primera tarea de aprendizaje automático, comprendiendo:

calcular, basándose en los primeros valores de la pluralidad de parámetros determinados mediante el entrenamiento del modelo de aprendizaje automático en la primera tarea de aprendizaje automático, una aproximación de una distribución posterior sobre los posibles valores de la pluralidad de parámetros, asignando, utilizando la aproximación, un valor a cada uno de la pluralidad de parámetros, el valor es la medida respectiva de la importancia del parámetro para la primera tarea de aprendizaje automático y aproxima una probabilidad de que el primer valor del parámetro después del entrenamiento en la primera tarea de aprendizaje automático sea un valor correcto del parámetro dados los primeros datos de entrenamiento utilizados para entrenar el modelo de aprendizaje automático en la primera tarea de aprendizaje automático;

obtener segundos datos de entrenamiento para entrenar el modelo de aprendizaje automático en una segunda tarea de aprendizaje automático diferente; y entrenar el modelo de aprendizaje automático en la segunda tarea de aprendizaje automático entrenando el modelo de aprendizaje automático en los segundos datos de entrenamiento para ajustar los primeros valores de la pluralidad de parámetros para optimizar el rendimiento del modelo de aprendizaje automático en la segunda tarea de aprendizaje automático mientras se protege el rendimiento del modelo de aprendizaje automático en la primera tarea de aprendizaje automático;

donde ajustar los primeros valores de la pluralidad de parámetros comprende ajustar los primeros valores de la pluralidad de parámetros para optimizar una función objetivo que depende en parte de un término de penalización que se basa en las medidas determinadas de importancia de la pluralidad de parámetros para la primera tarea de aprendizaje automático.

Análisis jurídico

El ARP siguió la prueba de los dos pasos de Alice/Mayo y el marco analítico del MPEP § 2106.[iv] El panel limitó su análisis al Paso 2A (Paso 1 de Alice) porque la cuestión era dispositiva. Bajo el Paso 2A, Prong 1, la investigación se centra en si la reivindicación recita una idea abstracta. En este caso, ARP no discutió la posición de la Junta de que calcular una aproximación sobre parámetros constituye un cálculo matemático y, por tanto, una idea abstracta[v]. 

A continuación, el grupo de expertos pasó a la fase 2A, segunda etapa, en la que la investigación se centra en si la idea abstracta está integrada en una aplicación práctica. Aquí es donde el ARP discrepó de la Junta por varios motivos. En primer lugar, el ARP consideró que las reivindicaciones proporcionaban mejoras técnicas en el funcionamiento del propio modelo de aprendizaje, al preservar los conocimientos previos y reducir al mismo tiempo las necesidades de almacenamiento y la complejidad del sistema[vi]. En segundo lugar, estas mejoras son técnicas, no meras limitaciones del ámbito de uso[vii]. 

La ARP citó jurisprudencia del Circuito Federal para fundamentar la decisión, en particular Enfish, LLC. V. Microsoft Corp., 822 F.3D 1327, 1339 (Fed. Cir. 2016) y McRO, Inc. v. Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016), que encontraron que las mejoras estructurales o lógicas basadas en software pueden ser patentables.[viii] El ARP enfatizó específicamente Enfish, afirmando que el caso está "entre los principales casos del Circuito Federal sobre la elegibilidad de las mejoras tecnológicas" y citó la decisión en Enfish afirmando "[s]oftware puede hacer mejoras no abstractas a la tecnología informática, al igual que las mejoras de hardware." El ARP procedió a señalar el lenguaje en la especificación que describe cómo la invención reivindicada utiliza menos capacidad de almacenamiento y permite reducir la complejidad del sistema como reflejo de una mejora técnica patentable. Cada uno de los puntos planteados por el ARP en vista del Paso 2A, Prong 2 de la prueba Alice/Mayo parece establecer que las mejoras de los modelos o algoritmos de aprendizaje automático son en sí mismas mejoras de la tecnología y, por tanto, patentables.

En resumen, Desjardins establece un nuevo tono para la aplicación de la jurisprudencia actual del § 101 del Circuito Federal y destaca y reconoce la importancia de la IA para la innovación tecnológica de los Estados Unidos:

Excluir categóricamente las innovaciones de IA de la protección de patentes en Estados Unidos pone en peligro el liderazgo de Estados Unidos en esta tecnología emergente crítica. Sin embargo, según el razonamiento del panel, muchas innovaciones de IA son potencialmente no patentables, incluso si están adecuadamente descritas y no son evidentes, porque el panel esencialmente equipara cualquier aprendizaje automático con un "algoritmo" patentable y el resto de elementos adicionales como "componentes informáticos genéricos", sin una explicación adecuada. Los examinadores y los paneles no deberían evaluar las reivindicaciones con un nivel tan alto de generalidad[ix].

Además de anular la denegación en virtud del 35 U.S.C. 101, y de hacer una audaz declaración sobre la importancia de las tecnologías relacionadas con la IA, el Director Squires sitúa el 35 U.S.C. § 101 en el papel que le corresponde en el análisis de patentabilidad, señalando que "[e]ste caso demuestra que los §§ 102, 103 y 112 son las herramientas tradicionales y apropiadas para limitar la protección de las patentes a su ámbito adecuado. Estas disposiciones legales deberían ser el centro del examen"[x]. 

Reflexiones finales y recomendaciones[xi]

La IA en medicina personalizada suele integrar datos multiómicos, de imagen y clínicos, y aprende de pacientes anteriores al tiempo que se adapta a los nuevos. Según Desjardins, si se vinculan estos métodos a mejoras técnicas en la arquitectura o el entrenamiento del modelo, se puede argumentar que el aprendizaje continuo mejora su funcionamiento. Además, las herramientas de IA que mejoran la generalización del modelo, la interpretación o la eficiencia del entrenamiento, o utilizan arquitecturas híbridas, o reducen la deriva o el sobreajuste entre poblaciones de pacientes, no son meras ideas abstractas. En resumen, la IA de medicina personalizada que cambia la forma en que el ordenador aprende, no sólo lo que aprende, puede ser un nuevo puerto seguro para la patentabilidad de algunas invenciones sanitarias de IA.

[i] Ex parte Desjardins, Recurso 2024-000567, 26 de septiembre de 2025.

[ii] El ARP no revisó ni revocó el rechazo de la Junta de las reivindicaciones como obvias sobre 35 U.S.C. § 103.

[iii]Ex parte Desjardins, en 2-3.

[iv]Id. en 4-6.

[v]Id. en 6-7.

[vi]Id. en 8-9.

[vii]Id.

[viii]Id.

[ix]Id.en 9.

[x]Idem, se omiten las citas internas.

[xi] Aunque Desjardins no sienta precedente de la misma manera que una decisión emitida por los tribunales, las decisiones ARP son vinculantes para la USPTO bajo la autoridad del Director. Por lo tanto, los examinadores y los paneles de la PTAB deben seguir este razonamiento a menos que sea anulado por el Circuito Federal o por una futura decisión ARP.

Excluir categóricamente las innovaciones de IA de la protección de patentes en Estados Unidos pone en peligro el liderazgo de Estados Unidos en esta tecnología emergente crítica. Sin embargo, según el razonamiento del grupo de expertos, muchas innovaciones de la IA son potencialmente no patentables -incluso si están adecuadamente descritas y no son evidentes- porque el grupo de expertos equiparó esencialmente cualquier aprendizaje automático con un "algoritmo" no patentable y el resto de elementos adicionales como "componentes informáticos genéricos", sin una explicación adecuada. Los examinadores y los paneles no deberían evaluar las reivindicaciones con un nivel tan alto de generalidad.

Ver artículo de referencia