De lo abstracto a lo aplicado: cómo Desjardins puede replantear la protección de las patentes para la IA en el ámbito sanitario
Durante una década, los innovadores en la intersección de la inteligencia artificial (IA) y la medicina de precisión se han enfrentado a una paradoja persistente: los avances en software y aprendizaje automático que permiten la detección precoz del cáncer y las recomendaciones terapéuticas personalizadas a menudo no obtienen la protección de las patentes estadounidenses. Bajo el imprevisible marco Alice/Mayo, los examinadores de patentes y los tribunales suelen clasificar los modelos de IA adaptativa como «ideas abstractas», equiparándolos a ejercicios matemáticos en lugar de avances tecnológicos que merecen protección.
El resultado ha sido un efecto disuasorio sobre la inversión y la divulgación en uno de los ámbitos más prometedores de la asistencia sanitaria y, potencialmente, una amenaza para el liderazgo de Estados Unidos en IA biomédica.
La nueva audiencia del caso Ex parte Desjardins[i] celebrada por la Oficina de Patentes y Marcas Registradas de los Estados Unidos (USPTO) el 25 de septiembre de 2025 supone el reconocimiento más claro de que las innovaciones en materia de inteligencia artificial, incluidas aquellas con aplicaciones en el ámbito de la atención sanitaria, pueden ser patentables. El Panel de Revisión de Apelaciones (ARP) anuló una denegación en virtud del artículo 101 contra el marco de aprendizaje continuo de DeepMind, sosteniendo que integraba un concepto matemático en una aplicación práctica al mejorar 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 la decisión fue redactada por John A. Squires, el nuevo director de la Oficina de Patentes y Marcas de los Estados Unidos.
Las reclamaciones 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] dice lo siguiente:
1. 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 los múltiples parámetros, una medida respectiva de la importancia del parámetro para la primera tarea de aprendizaje automático, que comprende:
computación, basada 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 a posteriori sobre los valores posibles de la pluralidad de parámetros, asignando, utilizando la aproximación, un valor a cada uno de la pluralidad de parámetros, siendo el valor la medida respectiva de la importancia del parámetro para la primera tarea de aprendizaje automático y aproximando 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 con el fin de optimizar el rendimiento del modelo de aprendizaje automático en la segunda tarea de aprendizaje automático, al tiempo que se protege el rendimiento del modelo de aprendizaje automático en la primera tarea de aprendizaje automático;
en el que el ajuste de los primeros valores de la pluralidad de parámetros comprende el ajuste de los primeros valores de la pluralidad de parámetros para optimizar una función objetivo que depende en parte de un término de penalización basado 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 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 determinante. En el paso 2A, apartado 1, la investigación se centra en si la reivindicación recoge una idea abstracta. En este caso, el ARP no discutió la posición de la Junta de que el cálculo de una aproximación sobre parámetros constituye un cálculo matemático y, por lo tanto, una idea abstracta.[v]
A continuación, el panel pasó al paso 2A, apartado 2, en el que la investigación se centra en si la idea abstracta se integra en una aplicación práctica. Aquí es donde el ARP discrepó con la Junta por varios motivos. En primer lugar, el ARP consideró que las reivindicaciones aportaban mejoras técnicas en el funcionamiento del propio modelo de aprendizaje, al conservar 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, y no meras limitaciones del campo de aplicación.[vii]
El ARP citó la jurisprudencia del Tribunal Federal de Apelación para fundamentar la decisión, en particular Enfish, LLC. contra Microsoft Corp., 822 F.3D 1327, 1339 (Fed. Cir. 2016) y McRO, Inc. contra Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016), que determinó que las mejoras estructurales o lógicas basadas en software pueden ser patentables.[viii]El ARP hizo especial hincapié en Enfish, afirmando que el caso se encuentra «entre los casos más destacados del Circuito Federal sobre la elegibilidad de las mejoras tecnológicas» y citó la decisión en Enfish afirmando que «el software puede aportar mejoras no abstractas a la tecnología informática, al igual que las mejoras de hardware». El ARP procedió a señalar el lenguaje de la especificación que describe cómo la invención reivindicada utiliza menos capacidad de almacenamiento y permite reducir la complejidad del sistema, lo que refleja una mejora técnica susceptible de ser patentada. Cada uno de los puntos que el ARP planteó a la luz del paso 2A, apartado 2, de la prueba Alice/Mayopareceestablecer que las mejoras en los modelos o algoritmos de aprendizaje automático son en sí mismas mejoras tecnológicas y, por lo tanto, susceptibles de ser patentadas.
En resumen, Desjardins establece un nuevo tono para la aplicación de la jurisprudencia actual del Circuito Federal § 101 y destaca y reconoce la importancia de la IA para la innovación tecnológica de los Estados Unidos:
Excluir categóricamente las innovaciones en IA de la protección de patentes en Estados Unidos pone en peligro el liderazgo de este país en esta tecnología emergente tan importante. Sin embargo, según el razonamiento del panel, muchas innovaciones en IA son potencialmente no patentables, incluso si están adecuadamente descritas y no son obvias, porque el panel equiparó esencialmente cualquier aprendizaje automático con un «algoritmo» patentable y los elementos adicionales restantes con «componentes informáticos genéricos», sin una explicación adecuada. Los examinadores y los paneles no deben evaluar las reivindicaciones con un nivel de generalidad tan alto.[ix]
Además de anular la denegación en virtud del artículo 35 U.S.C. 101 y hacer una declaración audaz sobre la importancia de las tecnologías relacionadas con la IA, el director Squires sitúa el artículo 35 U.S.C. § 101 en su lugar adecuado en el análisis de la patentabilidad, señalando que «este caso demuestra que los artículos §§ 102, 103 y 112 son las herramientas tradicionales y adecuadas para limitar la protección de las patentes a su ámbito adecuado. Estas disposiciones legales deben ser el centro del examen».[x]
Reflexiones finales y recomendaciones[xi]
La IA en la medicina personalizada suele integrar datos multiómicos, de imagen y clínicos, y aprende de pacientes anteriores mientras se adapta a los nuevos. Según Desjardins, si se vinculan esos métodos con mejoras técnicas en la arquitectura o el entrenamiento del modelo, se puede argumentar que el aprendizaje continuo mejora el funcionamiento del modelo. Además, las herramientas de IA que mejoran la generalización, la interpretación o la eficiencia del entrenamiento del modelo, o que utilizan arquitecturas híbridas, o que reducen la deriva o el sobreajuste en las poblaciones de pacientes, no son meras ideas abstractas. En resumen, la IA para la medicina personalizada que cambia la forma en que el ordenador aprende, y no solo lo que aprende, puede ser un nuevo refugio seguro para la elegibilidad de las patentes de algunas invenciones de IA en el ámbito de la atención sanitaria.
[i] Ex parte Desjardins, Apelación 2024-000567, 26 de septiembre de 2025.
[ii] La ARP no revisó ni revocó el rechazo de la Junta de las reivindicaciones por considerarlas obvias según el artículo 35 U.S.C. § 103.
[iii]Ex parte Desjardins, en 2-3.
[iv]Ídem, págs. 4-6.
[v]Ídem, págs. 6-7.
[vi]Ídem, págs. 8-9.
[vii]Ídem.
[viii]Ídem.
[ix]Ídem, en 9.
[x]Ídem, citas internas omitidas.
[xi] Aunque Desjardins no sienta precedente de la misma manera que una decisión emitida por los tribunales, las decisiones del 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 revocado por el Circuito Federal o una futura decisión del ARP.
Excluir categóricamente las innovaciones en IA de la protección de patentes en Estados Unidos pone en peligro el liderazgo de este país en esta tecnología emergente tan importante. Sin embargo, según el razonamiento del panel, muchas innovaciones en IA podrían no ser patentables, incluso si se describen adecuadamente y no son obvias, porque el panel equiparó esencialmente cualquier aprendizaje automático con un «algoritmo» no patentable y los elementos adicionales restantes con «componentes informáticos genéricos», sin una explicación adecuada. Los examinadores y los paneles no deben evaluar las reivindicaciones con un nivel de generalidad tan alto.
Ver artículo de referencia
