Un estudio liderado por Harvard encuentra que un modelo de OpenAI superó a los médicos en el diagnóstico temprano en urgencias

La mayor fortaleza de la IA apareció cuando más importaba

Un estudio liderado por Harvard publicado esta semana en Science añade un dato importante al debate sobre cómo podría usarse la inteligencia artificial en medicina. En uno de los experimentos más observados del artículo, los investigadores compararon diagnósticos de modelos de OpenAI con los de dos médicos adjuntos de medicina interna a partir de casos reales de urgencias en Beth Israel Deaconess Medical Center. Según el estudio, el modelo o1 de OpenAI rindió igual o mejor que los médicos humanos en cada punto de diagnóstico, con la ventaja más clara en el triage inicial de urgencias.

Eso importa porque el triage es el momento en que los clínicos tienen menos información y menos tiempo. El estudio señaló que las diferencias fueron especialmente marcadas en ese primer contacto, cuando médicos y hospitales intentan identificar la causa más probable de la condición del paciente antes de disponer de estudios más completos. En ese escenario inicial, los investigadores informaron que o1 ofreció el diagnóstico exacto o muy cercano en el 67% de los casos, frente al 55% de uno de los adjuntos y al 50% del otro.

Cómo se diseñó la comparación

El equipo investigador estuvo liderado por médicos y científicos informáticos de Harvard Medical School y Beth Israel Deaconess. En el experimento de urgencias destacado en el material fuente, el equipo se centró en 76 pacientes que ingresaron en el servicio de urgencias de Beth Israel. Los diagnósticos generados por dos modelos de OpenAI, o1 y 4o, se compararon con los diagnósticos producidos por dos médicos adjuntos de medicina interna.

Esos resultados fueron luego revisados por otros dos médicos adjuntos que no sabían qué diagnósticos provenían de humanos y cuáles de los sistemas de IA. Ese cegamiento es importante porque reduce el riesgo de que los revisores favorezcan una fuente sobre otra por expectativa y no por calidad.

Los investigadores también subrayaron que no preprocesaron los datos de los pacientes antes de dárselos a los modelos. En cambio, los sistemas de IA recibieron la misma información que estaba disponible en el historial médico electrónico en el momento en que se hizo cada diagnóstico. Ese punto responde directamente a una de las críticas recurrentes en la investigación de IA médica: que los modelos pueden parecer impresionantes solo cuando se les alimenta con entradas limpias, simplificadas o inusualmente completas. Aquí, la afirmación del equipo es que los modelos se probaron con el mismo cuadro clínico tosco e incompleto disponible en la práctica.

Qué significan y qué no significan los resultados

El titular es llamativo, pero debe interpretarse con cautela. El material fuente describe un estudio de rendimiento diagnóstico, no una prueba de sustitución de médicos. Una sugerencia diagnóstica más precisa en el triage no es lo mismo que gestionar de forma independiente la atención del paciente, comunicar riesgos, indicar tratamientos o asumir responsabilidad por los resultados. La medicina de urgencias depende de todas esas funciones, y el informe de TechCrunch señala explícitamente que el estudio no afirmó que los médicos estuvieran listos para ser reemplazados.

Aun así, el estudio fortalece el argumento de que los modelos de lenguaje grandes podrían convertirse en herramientas de apoyo a la decisión muy útiles en la atención aguda, especialmente cuando la información es escasa y la presión de tiempo es intensa. Si un modelo puede ayudar a acotar antes el campo diagnóstico, podría mejorar la velocidad de escalada, las pruebas o la intervención de especialistas. También podría servir como control frente a posibilidades omitidas cuando los clínicos trabajan bajo gran carga cognitiva.

Uno de los autores principales del estudio, Arjun Manrai de Harvard Medical School, dijo en el comunicado de prensa de la universidad que el equipo probó la IA frente a una amplia gama de referencias y encontró que superó tanto a modelos anteriores como a las líneas de base médicas usadas en el artículo. Dentro de los límites del texto fuente, esa es la declaración más clara de la propia interpretación de los investigadores: no solo que la IA fue competitiva, sino que uno de los modelos estableció un nuevo referente interno en este diseño de estudio.

Por qué el triage es el campo de batalla clave

El triage es un entorno inusualmente revelador para los sistemas de IA porque comprime la incertidumbre. El clínico suele contar con una nota breve, un primer conjunto de síntomas y la necesidad de decidir qué no se puede pasar por alto. Ese es también el patrón de información para el que se construyen los modelos de lenguaje grandes: texto fragmentado, contexto parcial y la necesidad de priorizar posibilidades con rapidez.

El resultado del estudio sugiere que este puede ser un caso de uso especialmente favorable para los modelos avanzados. Cuanto más incompleto es el expediente, más valioso puede resultar un sistema si logra identificar de forma consistente las explicaciones más probables o más peligrosas. El hecho de que la brecha fuera mayor en el primer contacto sugiere que el apoyo de la IA podría ser más útil en la primera línea de atención que solo después de disponer de expedientes completos, imágenes y análisis de laboratorio.

Eso no elimina la necesidad de prudencia. La implementación clínica seguiría planteando preguntas sobre la validación en distintos hospitales, la supervisión médica, la integración en los flujos de trabajo y qué ocurre cuando las recomendaciones del modelo son erróneas, incompletas o demasiado confiadas. Esos problemas no quedan resueltos por un solo estudio, ni siquiera por uno de alto perfil.

Qué viene después

La importancia inmediata del artículo es que ofrece a hospitales, reguladores y líderes de sistemas de salud evidencia más sólida de que los modelos de lenguaje de última generación merecen una evaluación seria en entornos clínicos. La vía más realista a corto plazo no es el diagnóstico autónomo, sino el uso supervisado dentro de los equipos de atención ya existentes.

Si estudios posteriores confirman un rendimiento similar en grupos de pacientes e instituciones más amplios, los hospitales podrían empezar a tratar la asistencia de triage con IA menos como una novedad experimental y más como una capa práctica de apoyo diagnóstico. Eso tendría implicaciones para la dotación de personal, la formación médica, los marcos de responsabilidad y el diseño de software de historiales electrónicos.

Por ahora, el estudio destaca porque traslada la conversación de la promesa hipotética a una comparación medida en casos reales de urgencias. En medicina, ese es un umbral significativo. La pregunta ya no es si la IA puede producir lenguaje clínico plausible. Es si los sistemas de salud están preparados para usar de forma responsable herramientas que, en algunas circunstancias, pueden reconocer el diagnóstico correcto antes que médicos experimentados.

Este artículo se basa en la cobertura de TechCrunch. Leer el artículo original.