Los avances de la inteligencia artificial (IA) en el ámbito sanitario han dado un paso más hacia la práctica clínica cotidiana. Dos estudios publicados recientemente en la prestigiosa revista Nature muestran que sistemas de IA especializados pueden diagnosticar enfermedades y proponer tratamientos con una precisión comparable – y en algunos casos superior – a la de médicos experimentados, utilizando para ello entornos de simulación de pacientes. Lo que resulta llamativo es que ambos sistemas se basan en modelos foundationales que ya han quedado obsoletos, lo que plantea serias dudas sobre la sostenibilidad de estas promesas.

El primer estudio evaluó un sistema de IA aplicado a la dermatología. Mediante el uso de miles de imágenes de lesiones cutáneas, el modelo fue capaz de identificar con exactitud tipos de cáncer de piel y sugerir el tratamiento más adecuado en una serie de casos simulados. Los resultados mostraron que el sistema igualó o superó el rendimiento de dermatólogos con cinco años de experiencia, reduciendo además el tiempo de consulta de forma significativa. Sin embargo, el modelo subyacente es una versión anterior de un gran modelo de lenguaje que fue entrenado antes de la introducción de las últimas optimizaciones de arquitectura. Esto significa que su base de conocimiento no incluye los avances más recientes en patología cutánea, lo que podría mermar su eficacia en la práctica real.

El segundo ensayo se centró en la radiología torácica. Allí, una red neuronal entrenada para interpretar tomografías identificó lesiones pulmonares con una tasa de acierto similar a la de radiólogos especializados. La capacidad del sistema para priorizar casos urgentes también igualó la de los expertos humanos, lo que abre la puerta a un apoyo potencial en servicios de urgencias con escasez de personal. No obstante, al igual que en el caso dermatológico, el modelo de base es una versión ya superada de un modelo multimodal. La brecha tecnológica es relevante, ya que las nuevas versiones ofrecen mayor precisión en la interpretación de imágenes y una mejor compresión contextual de los informes médicos.

Estos hallazgos obligan a replantear el modo en que se evalúa el rendimiento de la IA en medicina. Las pruebas actuales suelen realizarse con instantáneas de sistemas que pueden haber quedado desfasados antes incluso de ser desplegados en hospitales. La regulación, tanto en Estados Unidos como en la Unión Europea, está empezando a abordar esta problemática mediante requisitos de evaluación continua y auditorías perioricas de los modelos. Sin embargo, la industria todavía carece de estándares unificados para garantizar que los modelos sean actualizados antes de su implantación clínica.

Desde el punto de vista de la salud pública, la igualada o superioridade de la IA con los médicos en entornos controlados es una noticia esperanzadora, especialmente en un momento en que la escasez de profesionales sanitarios se agrava en muchas regiones. La tecnología podría aliviar la carga de trabajo, acelerar los diagnósticos y mejorar la equidad en el acceso a una atención de calidad. Por otra parte, el problema de la obsolescencia plantea riesgos importantes: un modelo desactualizado puede generar recomendaciones erróneas, erosionando la confianza de los clínicos y exponiendo a los pacientes a errores evitables. Las instituciones deben, por tanto, invertir en actualizaciones constantes y en la validación continua de los sistemas antes de su adopción generalizada.

En definitiva, los estudios de Nature ilustran tanto el potencial como los límites actuales de la IA en medicina. La tecnología está demostrando su valía, pero los desarrolladores y los reguladores deben afrontar el desafío de la obsolescencia tecnológica para que estos avances perduren y beneficien realmente a los sistemas sanitarios del futuro.