Inteligencia artificial médica · global
Diagnósticos más precisos, pero también más falsos positivos: el equilibrio clínico de la IA de razonamiento
Un estudio que abarcó 12 especialidades halló que la IA de razonamiento identifica mejor el diagnóstico principal, pero también enumera más enfermedades incorrectas. La verificación por parte de médicos puede mejorar su desempeño, aunque los avances observados en historias clínicas retrospectivas aún deben validarse en la práctica clínica real.
En la consulta, considerar una enfermedad adicional puede evitar que pase inadvertida, pero también puede llevar al paciente a someterse a pruebas y tratamientos innecesarios. Un estudio publicado el 29 de octubre en Nature Communications revela este dilema de la inteligencia artificial de razonamiento: los modelos aciertan con mayor frecuencia el diagnóstico principal, pero también tienden a añadir más diagnósticos incorrectos. En la práctica clínica, la capacidad de acertar y la de controlar los falsos positivos deben evaluarse conjuntamente.
El equipo de investigación creó AIMS-LDR, una evaluación diagnóstica basada en historias clínicas extensas, y comparó seis pares de modelos de lenguaje de gran tamaño, cada uno formado por un modelo de razonamiento y uno convencional, en 12 especialidades. Según la información recopilada por i10X en su cobertura del mismo estudio, los datos incluían 1,157 registros de hospitalización de MIMIC-IV y 1,821 casos de eICU, con un total de 2,978 registros. Los modelos debían formular diagnósticos a partir de información como los antecedentes clínicos, los signos vitales, los resultados de laboratorio y los informes de pruebas de imagen.
Los resultados de LDR-MIMIC citados por i10X concretan este equilibrio: la exactitud del diagnóstico principal fue del 52.8% en los modelos de razonamiento y del 38.7% en los convencionales; sin embargo, el promedio de diagnósticos falsos positivos por caso también aumentó de 1.09 a 1.47, un incremento aproximado del 34.8%. Aquí, los falsos positivos son enfermedades enumeradas por el modelo que no coincidían con las respuestas de referencia del estudio; no representan el número de tratamientos erróneos que recibieron realmente los pacientes.
El estudio también halló que los diagnósticos diferenciales propuestos por los modelos de razonamiento —es decir, las posibles enfermedades que los médicos pueden comparar— tenían mayor relevancia clínica, pero las respuestas eran menos consistentes al repetir la ejecución. La cobertura de Scienmag sobre el mismo artículo señala que el aumento tanto de la exactitud como de los falsos positivos persistía con distintos diseños de instrucciones, parámetros de los modelos y métodos de evaluación, lo que indica que resulta difícil resolver el problema mediante una única técnica de formulación de instrucciones.
Por ello, el equipo probó una división clara de tareas: el modelo ampliaba las posibilidades diagnósticas y los médicos verificaban su fiabilidad. En una validación con 15 médicos, esta colaboración estructurada mejoró la exactitud y redujo los falsos positivos. Los resultados respaldan la incorporación de la selección y el criterio de los médicos al proceso, pero la evidencia sigue procediendo de pruebas retrospectivas controladas y aún no demuestra una mejora de los resultados asistenciales de pacientes reales.
La verificación también requiere tiempo. Según i10X, los médicos necesitaban entre 15 y 20 minutos por caso para leer el razonamiento completo, frente a entre 5 y 8 minutos para revisar una versión concisa de la respuesta. Para incorporar estas herramientas a entornos clínicos con una elevada carga de trabajo, facilitar que los médicos encuentren rápidamente las pruebas que respaldan el diagnóstico y las lagunas del razonamiento influirá directamente en la viabilidad de la colaboración.
Las limitaciones del estudio también son claras: la evaluación principal utilizó una lista fija de enfermedades candidatas y tomó como referencia los códigos de diagnóstico al alta, por lo que podría verse afectada por las restricciones de la lista y los errores de codificación. Las historias clínicas existentes tampoco permiten reproducir por completo el proceso de preguntas adicionales del médico, pruebas complementarias y cambios en el estado del paciente. El siguiente paso requiere estudios clínicos prospectivos para confirmar si una mayor exactitud diagnóstica puede traducirse en menos errores de diagnóstico y mejores resultados para los pacientes en la práctica clínica cotidiana.