Aparece una alerta en la historia clínica: riesgo elevado de complicación. El algoritmo ha detectado una señal, pero ¿qué debe hacer la enfermera, que ya está atendiendo a varios pacientes? ¿Llamar al médico, repetir una medición, esperar? Toda la cuestión de la inteligencia artificial médica reside en esa distancia entre una predicción y una decisión útil. Un programa informático puede superar una prueba estadística sin mejorar la atención sanitaria. De cara a septiembre de 2026, el reto no consiste, por tanto, únicamente en construir modelos de alto rendimiento: consiste en demostrar que realmente son útiles.
La puntuación solo cuenta una parte de la historia
En un estudio, una IA suele evaluarse con una colección de imágenes o historias clínicas cuyo diagnóstico final se conoce. Debe reconocer un tumor, anticipar una infección o clasificar lesiones. Los investigadores miden su sensibilidad, su especificidad o su capacidad para distinguir a los pacientes enfermos de los demás. Estos indicadores son indispensables. Pero no describen, por sí solos, lo que ocurrirá en un servicio hospitalario.
Una base de datos es un mundo organizado: la información está disponible, las categorías están definidas y los resultados son verificables. El hospital es menos predecible. Faltan pruebas, los horarios son irregulares y las prácticas varían. Un modelo también puede recurrir a un atajo: reconocer la huella de un equipo o los hábitos de un centro en lugar de la enfermedad. Y si en el entrenamiento y en la prueba aparecen datos demasiado similares, su rendimiento parece artificialmente mejor.
Otra trampa es la frecuencia de la enfermedad. Incluso con buenos indicadores, una herramienta utilizada en una población donde el problema buscado es poco frecuente puede generar muchas falsas alertas. Para los equipos, esto supone comprobaciones adicionales; para los pacientes, a veces ansiedad y pruebas innecesarias. El valor de una predicción depende de su contexto y de sus consecuencias.
Cuando los primeros resultados se enfrentan a la práctica real
El ejemplo de las herramientas de detección de la sepsis, una reacción peligrosa del organismo ante una infección, ilustra esta dificultad. Una validación externa publicada en 2021 en JAMA Internal Medicine mostró las limitaciones de un modelo comercial de Epic en el centro estudiado: casos no detectados y una carga considerable de alertas. Este resultado no invalida toda predicción automatizada de la sepsis. Recuerda que un modelo ampliamente implantado aún debe demostrar su pertinencia local.
En el cribado del cáncer de mama, el ensayo sueco MASAI ofrece un enfoque más instructivo que una simple competición entre humanos y máquinas. Sus resultados provisionales, publicados en 2023 en The Lancet Oncology, examinaban la lectura de mamografías asistida por IA dentro de un programa organizado. Apuntaban a una reducción de la carga de lectura, con una detección de cánceres al menos comparable en ese análisis. Es alentador, aunque todavía no responde a todas las preguntas sobre los beneficios a largo plazo.
Porque detectar más no siempre es sinónimo de atender mejor. Algunas lesiones descubiertas quizá nunca habrían amenazado la salud de las personas afectadas: ese es el riesgo de sobrediagnóstico. Por el contrario, no detectar una lesión agresiva puede tener consecuencias graves. Por tanto, es necesario examinar la naturaleza de los cánceres detectados, los diagnosticados entre dos cribados, los tratamientos iniciados y, cuando el seguimiento lo permita, los efectos sobre la salud.
Evaluar una organización, no solo un algoritmo
La comparación adecuada no suele enfrentar a «la IA» con «el médico». Enfrenta a un equipo dotado de una herramienta con un equipo que trabaja según las prácticas habituales. El resultado depende de la interfaz, del momento en que aparece la recomendación, de la formación y del tiempo disponible. Una alerta correcta, mostrada después de la decisión terapéutica, sirve de poco. Una recomendación mal comprendida puede incluso provocar un error.
El sesgo de automatización complica aún más la ecuación: bajo presión, un profesional puede conceder demasiado crédito al programa. Por el contrario, una sucesión de alertas irrelevantes puede llevarlo a ignorar la pertinente. Estas reacciones no son detalles secundarios. Forman parte del funcionamiento real del dispositivo y deben observarse durante su evaluación.
Las etapas de una demostración creíble
- Validar en otros entornos: probar el modelo en otros centros, con poblaciones y equipos diferentes.
- Observar sin intervenir: hacerlo funcionar de forma prospectiva, sin mostrar sus resultados a los equipos, para comprobar su rendimiento en los flujos reales.
- Comparar los itinerarios asistenciales: estudiar la herramienta en condiciones de uso, idealmente en un ensayo aleatorizado cuando sea pertinente y viable.
- Vigilar tras la implantación: buscar errores, efectos adversos y caídas de rendimiento a lo largo del tiempo.
La aleatorización puede aplicarse a pacientes, servicios o centros. Limita el riesgo de atribuir a la IA una mejora debida, en realidad, a un refuerzo de personal o a un cambio de protocolo. Cuando no es viable, existen otros métodos, pero sus limitaciones deben explicitarse. Una comparación antes-después no siempre basta para establecer una relación causal.
Medir lo que importa a los pacientes
El criterio principal debe corresponderse con la promesa. Si la herramienta pretende agilizar una atención urgente, se medirá el tiempo hasta el tratamiento adecuado, no solo la velocidad de cálculo. Si automatiza una tarea administrativa, se comprobará el tiempo realmente ahorrado, incluidas las correcciones. Si promete prevenir complicaciones, habrá que observar esas complicaciones y no conformarse con una mejor puntuación de riesgo.
No es necesario exigir una reducción de la mortalidad a cada programa informático. Una disminución demostrada de las pruebas innecesarias, una mejor calidad de vida o un acceso más rápido a un especialista pueden constituir beneficios pertinentes. Pero los criterios intermedios deben presentarse como tales. Un aumento del número de lesiones detectadas no demuestra automáticamente una reducción de las formas graves de la enfermedad.
La media también puede ocultar desigualdades. Es necesario examinar los resultados según los grupos pertinentes: edad, sexo, comorbilidades, origen geográfico o características de los equipos. El tamaño de las muestras debe permitir una interpretación prudente. Una herramienta satisfactoria a escala de un centro podría ser menos fiable para una parte de sus pacientes, especialmente si estaba poco representada en los datos de entrenamiento.
Una evidencia que debe mantenerse
Una autorización regulatoria no responde a todas las preguntas sobre compra, organización o reembolso. Cada centro debe conocer el uso previsto, las limitaciones, las condiciones de validación y el coste total: integración informática, formación, mantenimiento y comprobaciones adicionales. El tiempo ahorrado en un servicio puede trasladarse a otro en lugar de eliminarse realmente.
¿Y ahora qué? Para septiembre de 2026 y en adelante, una evolución deseable sería supeditar en mayor medida las implantaciones a objetivos clínicos verificables, con reglas de suspensión si los beneficios no se confirman. Cada actualización importante debería dar lugar a una reevaluación proporcional al riesgo. La madurez de la IA médica no se medirá por el número de demostraciones espectaculares, sino por su capacidad para mejorar de forma duradera la atención sanitaria, tanto para los equipos como para los pacientes.
