La medicina de emergencia es, por definición, un ejercicio de incertidumbre procesada bajo presión. Un nuevo estudio publicado en Science, liderado por investigadores de la Facultad de Medicina de Harvard, ha puesto sobre la mesa una cifra que sacude los cimientos de la práctica clínica: el modelo o1 de OpenAI superó a médicos especialistas en el diagnóstico inicial de pacientes en urgencias.
Los datos son contundentes, pero requieren una lectura técnica rigurosa. En situaciones de triaje, donde la información es escasa y el tiempo apremia, el modelo o1 alcanzó un diagnóstico preciso o cercano en el 67% de los casos. Los médicos contra los que se comparó, especialistas en medicina interna, obtuvieron un 55% y un 50%. La brecha no es menor.
La trampa de los benchmarks y la realidad clínica
Mi lectura es distinta a la euforia inicial que ha rodeado este reporte. Si bien la capacidad de procesamiento de los LLM actuales para destilar grandes volúmenes de registros médicos electrónicos es innegable, la comparación tiene matices que no podemos ignorar. El estudio enfrentó a modelos de lenguaje contra médicos especialistas en medicina interna, no contra médicos de urgencias. Hay un abismo metodológico ahí.
Como bien ha señalado la comunidad médica, el objetivo principal de un facultativo en urgencias no es necesariamente alcanzar el diagnóstico final al primer contacto, sino descartar condiciones críticas que amenacen la vida del paciente. El triaje es un proceso de gestión de riesgos, no solo de clasificación semántica. La IA, por potente que sea, aún carece del criterio para jerarquizar peligros inmediatos en un entorno caótico.
Si me preguntan, estamos ante una herramienta de soporte que estamos tratando de validar como un sustituto. Las empresas de tecnología médica suelen caer en el sesgo de medir el rendimiento basándose en "casos cerrados" con información limpia. Pero en el mundo real, los datos están incompletos, el ruido de fondo es constante y las variables no siempre están estructuradas.
El riesgo de la caja negra en el quirófano
El detalle que importa es la ausencia de un marco legal y ético. Podemos tener el mejor motor de inferencia del mundo, pero si no hay una estructura de rendición de cuentas, su adopción en sistemas hospitalarios —ya sean en grandes centros de salud en México o en clínicas privadas en Chile— será extremadamente lenta. La tecnología es, hoy por hoy, una caja negra. La medicina exige transparencia absoluta.
Además, el estudio se limita exclusivamente a datos de texto. En la práctica clínica, un médico de urgencias evalúa la coloración de la piel, la frecuencia respiratoria, los sonidos cardíacos y, sobre todo, la intuición clínica basada en la observación física. Los LLM actuales siguen siendo ciegos ante la realidad física del paciente. Son excelentes sintetizadores de historial clínico, pero mediocres evaluadores del estado fisiológico dinámico.
Lo que pocos están viendo es que esta tecnología ya está siendo integrada en herramientas de software hospitalario bajo el discurso de la "eficiencia". Los inversores están presionando para que estas soluciones lleguen al mercado rápidamente, buscando escalar modelos de suscripción que prometan reducir el agotamiento de los médicos (burnout). El riesgo es que la presión financiera acelere la implementación clínica antes de que los ensayos prospectivos demuestren seguridad real.
Mi tesis es clara: los modelos de lenguaje están alcanzando una superioridad técnica en el razonamiento diagnóstico, pero eso no los hace médicos. La medicina no es un problema que deba ser "resuelto" por una IA, sino un proceso de acompañamiento y decisión. Vigilaremos de cerca cómo los hospitales comienzan a integrar estos sistemas. Lo más probable es que veamos una etapa de transición donde la IA actúe como un "segundo par de ojos" para evitar errores de omisión, pero el juicio final sigue siendo, y debe seguir siendo, humano. No hay atajos hacia la confianza del paciente.
