La IA de razonamiento supera preguntas médicas, pero la puerta de la clínica aún no es el consultorio

Los momentos más difíciles en una sala de urgencias no suelen deberse a la falta de datos, sino a la necesidad de ordenar rápidamente, entre historias clínicas desordenadas, resultados de pruebas y presión de tiempo, qué posibilidades son las más peligrosas y qué pistas vale más la pena seguir. Una nueva investigación trasladó este trabajo de razonamiento que los médicos enfrentan a diario a escenarios puramente textuales para probar modelos grandes de lenguaje, con resultados que obligan al sector médico a tomarse más en serio una pregunta: la IA no solo sabe organizar historiales clínicos, sino que quizá empieza a acercarse al proceso central con el que los médicos piensan la enfermedad.

Según informó The Guardian, un estudio liderado por Harvard University y Beth Israel Deaconess Medical Center, y publicado en Science, encontró que el modelo de razonamiento o1 de OpenAI tuvo un desempeño superior al de médicos en varios puntos de referencia de razonamiento clínico, con tareas que incluían emitir juicios diagnósticos de urgencias a partir de historias clínicas escritas. Tanto el equipo investigador como los reportes externos subrayaron que esto no es evidencia para permitir que la IA atienda pacientes de forma independiente, sino un hito claro para la IA biomédica: los modelos están pasando de “responder preguntas de conocimiento médico” a inferencias clínicas más complejas.

El preprint de este estudio muestra que el equipo evaluó OpenAI o1-preview, con pruebas que abarcaron cinco tipos de tareas de razonamiento médico: generar diagnósticos diferenciales, presentar razonamiento diagnóstico, diagnósticos diferenciales en escenarios de triaje de urgencias, razonamiento probabilístico y razonamiento de manejo. Las salidas del modelo fueron interpretadas por médicos expertos mediante herramientas psicométricas y de puntuación existentes, y se compararon con controles humanos históricos y con referencias de modelos grandes de lenguaje anteriores; esto hizo que el estudio no se limitara a ver si el modelo acertaba, sino que también intentara medir cómo desarrollaba razones, ordenaba posibilidades y proponía el siguiente paso.

Los resultados no fueron una victoria total. El resumen del preprint señala que o1-preview mostró mejoras claras en la generación de diagnósticos diferenciales, la calidad del razonamiento diagnóstico y el razonamiento de manejo; pero no mostró la misma mejora en razonamiento probabilístico ni en diagnóstico diferencial para triaje de urgencias. Dicho de otro modo, el modelo es hábil para desplegar posibles diagnósticos y explicar rutas de razonamiento, pero eso no significa que ya pueda dominar de forma estable la calibración del riesgo, las prioridades clínicas y la toma de decisiones bajo la presión real de urgencias.

The Atlantic también situó posteriormente este estudio en el contexto más amplio de la adopción de IA en hospitales: la demanda clínica de resúmenes automáticos, búsqueda en historiales, apoyo a la decisión y asistencia al triaje está aumentando, y este tipo de estudios con puntuaciones altas acelerará la imaginación de instituciones médicas y empresas tecnológicas. Sin embargo, ese reporte mencionó que Adam Rodman, uno de los autores del estudio, advirtió en una conferencia de prensa que esto sigue siendo una prueba académica y no demuestra que ChatGPT u otras herramientas de IA estén listas para formar parte de la atención médica estándar.

Las limitaciones aparecen en el propio diseño del estudio. Estas tareas se centran en datos textuales, lo que permite controlar mejor las entradas y la puntuación, pero también evita elementos habituales del consultorio real: expresiones faciales ambiguas, aclaraciones del paciente, observaciones de enfermería, restricciones de recursos médicos y atribución de responsabilidades. Aunque el modelo supere a médicos en textos de casos, aún podría mostrar brechas cuando los datos son incompletos, cambia la forma de formular las indicaciones, se modifica la distribución de poblaciones o se requiere interactuar con pacientes.

El verdadero siguiente paso no es empujar la IA a la primera línea, sino situarla dentro de un marco clínico verificable y atribuible: a qué tipo de médicos debe asistir, en qué punto del flujo de trabajo debe ofrecer recomendaciones, quién detecta y asume los errores, si necesita revisión de organismos reguladores como la FDA, y cómo los hospitales monitorearán sesgos y daños tras su adopción. La importancia de este estudio reside precisamente en que desplaza la pregunta de “si la IA entiende la medicina” a un nivel más agudo: cuando la IA ya puede imitar e incluso superar en papel parte del razonamiento médico, ¿puede el sistema sanitario diseñar formas de uso lo suficientemente prudentes?