Herramientasinteligencia artificial
Inteligencia artificial para detectar enfermedades
Entiende cómo puede ayudar la inteligencia artificial a detectar enfermedades, qué exige una evaluación clínica y cuáles son sus principales límites.
- Autor: humAIns
- 8 min de lectura
índice · 7 apartados
La inteligencia artificial puede ayudar a detectar patrones en imágenes médicas y a priorizar hallazgos para revisión, pero su utilidad depende de la indicación, la población y el entorno donde se evalúe. Antes de adoptarla hay que comprobar con datos pertinentes qué errores comete y cómo se supervisa; una predicción de software no es un diagnóstico individual ni sustituye al profesional sanitario.
Detectar, cribar y diagnosticar no significan lo mismo
Detectar es señalar una señal o patrón que merece atención. En un flujo de trabajo, un sistema podría marcar una imagen para que un especialista la revise. El cribado aplica una prueba a una población para identificar quién podría necesitar evaluación adicional. El diagnóstico integra historia, exploración, pruebas y criterio clínico para determinar qué ocurre en una persona.
Una alerta del sistema no confirma que exista una enfermedad. Tampoco una salida negativa demuestra que no la haya: el resultado depende de la tarea concreta, los datos disponibles y el umbral de decisión elegido. La IA puede ayudar a ordenar trabajo o aportar una segunda señal, pero la interpretación y las decisiones clínicas requieren contexto y supervisión humana.
La Organización Mundial de la Salud (OMS) señala que la IA puede apoyar la interpretación de imágenes radiológicas y otros usos de salud, y destaca la necesidad de seguridad, eficacia, transparencia, gestión del riesgo y validación externa. Es una orientación regulatoria general, no una certificación de un producto específico ni evidencia de que cualquier herramienta esté lista para cualquier hospital.
Ejemplos acotados: radiología y patología digital
En radiología, un sistema puede analizar imágenes para resaltar una zona o clasificar hallazgos dentro de una indicación definida. El profesional necesita saber qué modalidad, tipo de imagen, población y entorno se evaluaron, además de cómo se integra la alerta en el proceso asistencial. La OMS menciona la interpretación de imágenes radiológicas como un posible ámbito de apoyo, pero esa mención no valida un producto comercial ni permite atribuirle una precisión universal.
En patología digital, los algoritmos pueden procesar imágenes digitalizadas de muestras para localizar regiones de interés o apoyar tareas delimitadas de análisis. No basta con que un modelo funcione sobre imágenes de prueba: hay que comprobar el protocolo de preparación, el escáner, los criterios de anotación y la variabilidad de los casos frente a los que se utilizará.
En ambos ejemplos, evita afirmaciones del tipo «detecta el cáncer con X % de precisión» sin identificar el estudio primario, su fecha, el tipo de casos, la referencia clínica, la población y la métrica. Sensibilidad, especificidad y valor predictivo responden a preguntas distintas; una cifra aislada no predice necesariamente el rendimiento en otro centro.
Para una introducción a los límites de los asistentes conversacionales en salud, consulta ChatGPT en medicina gratis. Un modelo generalista que conversa no equivale a un sistema sanitario diseñado y evaluado para una finalidad clínica concreta.
Cómo evaluar un sistema antes de adoptarlo
Empieza por describir la finalidad prevista en términos operativos: qué tarea realiza, para quién, en qué etapa del proceso, con qué datos de entrada y qué acción se espera de la persona usuaria. Si esa descripción es vaga, tampoco se podrá juzgar si la evaluación responde a la necesidad real.
Después, revisa la evidencia de forma ordenada:
- Validez externa. Comprueba si se evaluó en datos distintos de los usados para desarrollar el modelo y en un contexto comparable al de uso previsto. Una prueba interna no demuestra por sí sola que funcione fuera del entorno de desarrollo.
- Representatividad. Pregunta qué centros, dispositivos, protocolos y grupos de pacientes aparecen en los datos. La OMS advierte que la falta de diversidad puede generar sesgos, imprecisiones o fallos para determinados grupos.
- Errores relevantes. Examina falsos positivos y falsos negativos, cómo se definió el estándar de referencia y qué consecuencias tendría cada error en el flujo asistencial. No hay un umbral óptimo que sirva para todos los usos.
- Desempeño por población y contexto. Busca resultados desglosados cuando sean pertinentes y metodológicamente válidos. El promedio global puede ocultar un rendimiento desigual; las diferencias observadas deben investigarse, no explicarse automáticamente.
- Supervisión y vigilancia. Define quién revisa la salida, cómo se registran discrepancias y cómo se detectan cambios de rendimiento cuando varían equipos, protocolos o población. La evaluación no termina el día de la compra.
La ficha técnica, la documentación de evaluación y el plan de seguimiento deben permitir entender las limitaciones. Contrasta la evidencia con el uso concreto, implica a profesionales que trabajarán con el sistema y acuerda cómo actuar ante una alerta, una salida dudosa o una caída del servicio.
Producto sanitario y chatbot generalista: no son intercambiables
Un producto sanitario tiene una finalidad prevista y se somete al marco regulatorio aplicable según sus características y uso. En la Unión Europea, el Reglamento (UE) 2017/745 establece requisitos para productos sanitarios; no significa que toda herramienta que use IA en salud tenga idéntica clasificación o que una mención promocional equivalga a conformidad. La calificación concreta depende de la finalidad y del marco aplicable.
Un chatbot generalista genera texto para múltiples tareas y puede responder con seguridad aparente aunque la información sea errónea, sesgada o incompleta. La OMS recoge estos riesgos en su guía sobre modelos multimodales y salud, incluidos los errores y el sesgo de automatización. No está diseñado automáticamente para valorar síntomas individuales, revisar una historia clínica completa o asumir responsabilidad asistencial.
Si una persona tiene síntomas, una respuesta conversacional no permite descartar una urgencia ni establecer un diagnóstico. Debe acudir a los canales sanitarios adecuados. En el entorno profesional, cualquier herramienta debe usarse dentro de protocolos, competencias y responsabilidades establecidos; la automatización no elimina la obligación de revisar la pertinencia de sus resultados.
Datos de salud, privacidad y gobernanza
Los datos de salud son una categoría especial de datos personales bajo el Reglamento General de Protección de Datos (RGPD). El tratamiento requiere analizar tanto una base jurídica del artículo 6 como una condición aplicable del artículo 9, junto con las salvaguardas pertinentes. El consentimiento no es la única condición prevista y no debe asumirse una solución uniforme: el responsable debe evaluar finalidad, roles, acceso, conservación, seguridad y normativa aplicable al caso.
No copies información identificable de pacientes en un chatbot público o cuenta personal. Antes de probar una herramienta, consulta las políticas de tu organización, limita los datos a lo necesario y utiliza un entorno aprobado. La guía de privacidad de IA en el trabajo ayuda a plantear esa conversación desde la gobernanza general.
La OMS recomienda documentación, gestión del riesgo y participación de profesionales, pacientes, desarrolladores y reguladores a lo largo del ciclo de vida. Para ampliar el marco de valores y responsabilidades, puedes leer ética de la inteligencia artificial. Estas pautas no sustituyen asesoramiento jurídico, evaluación clínica ni la revisión regulatoria específica del producto.
Preguntas frecuentes
¿La IA diagnostica por sí sola?
No. Puede señalar patrones o apoyar tareas delimitadas, pero un resultado algorítmico no equivale a un diagnóstico personal. La interpretación clínica requiere considerar a la persona, el contexto y otras pruebas, con intervención profesional.
¿Qué son los falsos positivos?
Un falso positivo es una alerta que sugiere un hallazgo aunque no se confirme según el estándar de referencia. Puede añadir revisiones o pruebas innecesarias. Un falso negativo es un caso no señalado por el sistema cuando sí está presente; su impacto potencial depende de la enfermedad y del proceso.
¿Puede usarse ChatGPT para diagnosticar síntomas?
No debe utilizarse como sustituto de una valoración sanitaria. Los chatbots generalistas pueden equivocarse o no tener información suficiente, y una conversación no reproduce una exploración clínica. Evita compartir datos personales de salud y consulta a profesionales sanitarios.
¿Por qué debe validarse en la población de destino?
Porque una evaluación en un conjunto de datos no garantiza el mismo comportamiento en otro hospital, con otros dispositivos, protocolos o pacientes. La validación externa y la vigilancia ayudan a descubrir esas diferencias antes y después de la adopción.
Para seguir aprendiendo
La gobernanza responsable implica entender límites, datos, responsabilidades y controles, no convertir una herramienta generalista en instrumento clínico. El curso de IA legal aborda cuestiones generales de gobernanza y uso responsable; no es formación sanitaria ni habilita para diagnosticar.
Fuentes primarias: consideraciones de la OMS para regular la IA en salud (2023), guía de la OMS sobre ética y gobernanza de modelos multimodales (2024), Reglamento General de Protección de Datos (UE) 2016/679 y Reglamento de productos sanitarios (UE) 2017/745.