El avance de la inteligencia artificial en el ámbito sanitario ha impulsado técnicas colaborativas como el aprendizaje federado, donde múltiples instituciones entrenan modelos sin compartir datos sensibles. Sin embargo, la llegada de normativas que exigen el derecho al olvido ha planteado un reto crucial: eliminar de forma efectiva la contribución de un paciente o centro una vez que el modelo global ya ha sido entrenado. En el contexto de imágenes médicas, la solución tradicional de sincronización obliga a toda la federación a detenerse mientras se completa el borrado, penalizando especialmente a los equipos con menor capacidad de cómputo. Un nuevo enfoque propone un desaprendizaje federado asíncrono combinado con calibración de invarianza para evitar que el modelo reincorpore los datos eliminados. Este mecanismo permite que el cliente objetivo realice el olvido sin interrumpir el entrenamiento global, mientras un proceso en el servidor ajusta los parámetros para que la información suprimida no reaparezca en futuras iteraciones. La técnica resulta especialmente valiosa en entornos hospitalarios donde la heterogeneidad de dispositivos y la latencia son críticas. En la práctica, implementar una arquitectura así requiere un desarrollo software a medida que integre servicios cloud como los que ofrecen Azure y AWS, junto con módulos de ciberseguridad para proteger las comunicaciones. Empresas como Q2BSTUDIO, especializadas en ia para empresas, proporcionan las capacidades necesarias para construir sistemas de este tipo, desde la creación de agentes IA hasta paneles de monitorización con power bi. La combinación de aplicaciones a medida, servicios inteligencia de negocio y un enfoque asíncrono permite a las organizaciones cumplir con las exigencias regulatorias sin sacrificar la eficiencia ni la precisión de sus modelos diagnósticos.