Los modelos de lenguaje grandes superan a los médicos en el diagnóstico de triaje de urgencias
Un nuevo estudio con participación de Harvard y Stanford encontró que la versión preliminar del modelo o1 de OpenAI superó significativamente a los médicos en la realización de diagnósticos basados en datos limitados del departamento de urgencias. La mayor brecha de precisión se observó precisamente cuando había menos información disponible.
Desde hace varios días, observo cómo la comunidad médica y la industria tecnológica bullen por un estudio publicado en Science. Harvard y Stanford han vuelto a lanzar el guante: su investigación conjunta muestra que el modelo de lenguaje grande o1-preview de OpenAI diagnostica con más precisión que los médicos. Especialmente durante el triaje en urgencias, donde la información es mínima y el costo del error es la vida.
Pero los resúmenes de noticias, como siempre, se quedan en la superficie. Reportan el hecho de la "victoria del hardware" pero pasan por alto los cambios tectónicos que esta victoria desencadena en el derecho médico, las finanzas hospitalarias y la jerarquía médica. Como consultor para startups de tecnología sanitaria, veo detrás de las gráficas de precisión no un triunfo de la tecnología, sino el principio del fin de la "intuición clínica" como argumento legal.
[El núcleo]: Lo que realmente está sucediendo
Formalmente, hablamos de números: 67.1% de precisión para la IA frente al 55.3% y 50% de los médicos en vivo en la etapa de triaje. Pero el punto no son los números. El punto es que la IA ha vencido a los humanos no en tareas "estériles" de conocimiento de libros de texto, sino en datos del mundo real "desordenados": notas no estructuradas de historias clínicas electrónicas (EHR).
Esto significa que el modelo ha aprendido a extraer señal del ruido creado por los propios médicos (notas confusas, errores tipográficos, datos contradictorios). Solíamos pensar que la IA necesitaba conjuntos de datos perfectamente etiquetados. Resulta que el caos crudo de un hospital real es un medio nutriente suficiente. o1-preview funciona como un residente ideal que lee toda la historia clínica en un segundo y no sufre sesgos cognitivos después de un turno nocturno difícil.
Cronología y contexto
Esto no es un rayo en cielo sereno. Es un asedio metódico que comenzó en 1959, cuando se probaron computadoras por primera vez en tareas de diagnóstico clínico.
- 2021–2024: Modelos como GPT-4 ya respiraban en la nuca de los médicos en tareas de razonamiento clínico (Managing Reasoning), pero en ese entonces se comparaban con herramientas de referencia como Google, y la IA ganaba por goleada (89% vs 34%).
- 2025: OpenAI lanza la línea o1 con "cadena de pensamiento". Este es un punto de inflexión: el modelo dejó de adivinar el siguiente token y comenzó a imitar el proceso de pensamiento de un diagnosticador: dudar, considerar hipótesis, verificarse a sí mismo.
- Abril–mayo 2026: Publicación en Science y pruebas a gran escala en Beth Israel Deaconess. La brecha se volvió estadísticamente innegable. Y lo más preocupante para la profesión: los revisores que evaluaban los textos de diagnóstico no podían distinguir si una conclusión fue escrita por un médico o una máquina en el 83.6% y 94.4% de los casos.
Quién gana y quién pierde
Pierde: el clínico de la vieja escuela. Esto no es una figura retórica. El estudio encontró que la brecha de calidad es especialmente grande en el "razonamiento de manejo"—elegir tácticas de tratamiento, antibióticos, objetivos terapéuticos. Esto alguna vez se consideró la cúspide de la habilidad, combinando experiencia y juicio subjetivo. Ahora es un algoritmo.
Gana: el personal médico de nivel medio. El beneficiario más infravalorado. Las enfermeras de urgencias a menudo intuyen que un paciente está "crítico" pero carecen de autoridad para desafiar a un médico. Ahora tienen una herramienta que diagnostica formalmente con más precisión que un médico en el 67% de los casos. Esto es un arma en la lucha de poder dentro del departamento. El modelo reduce la ansiedad: si el personal alguna vez temió que la IA los reemplazara, después de la implementación real ese miedo disminuye—porque se vuelve claro que la IA requiere supervisión e interpretación humana.
Pierde: la industria de seguros en su forma actual. Si la IA puede predecir la necesidad de hospitalización con alta precisión en el triaje, socava el modelo de negocio de muchas aseguradoras estadounidenses que se benefician de negar el pago por hospitalizaciones "injustificadas". Negar la cobertura cuando un algoritmo superior a un médico recomendó la hospitalización sería un suicidio legal.
Lo que los medios omiten
Todos los artículos brillantes han eludido el problema de los "diagnósticos que no se pueden pasar por alto". Este es un secreto conocido solo por los lectores cuidadosos de revistas científicas.
En los mismos experimentos donde la IA brilló en precisión, no mostró una superioridad estadísticamente significativa sobre los médicos en la identificación de condiciones potencialmente mortales. El modelo es excelente generando un diagnóstico diferencial amplio, detecta enfermedades raras, pero cuando se trata de la "máscara" clásica de un infarto o sepsis, los médicos se desempeñan igual de bien. La IA no tanto previene catástrofes como evita la "deriva diagnóstica" en casos complejos y raros. Pero para fines de relaciones públicas, es más ventajoso mostrar el porcentaje de precisión promedio general que admitir que en seguridad crítica casi no hay diferencia. Este es un matiz crucial que saldrá a la luz en demandas contra hospitales que confíen ciegamente en el algoritmo.
Pronóstico: Próximos 30 días y 90 días
Próximos 30 días. Veremos una ola de declaraciones de ejecutivos de alto nivel de las principales cadenas hospitalarias estadounidenses sobre "asociación", no reemplazo. Nadie quiere conflictos con las asociaciones médicas. Pero los departamentos legales de los hospitales ya han comenzado a reescribir protocolos. Implementar la IA como "segunda opinión" se volverá obligatorio no por conveniencia, sino para reducir el riesgo de mala praxis. Si la IA está disponible y un médico comete un diagnóstico erróneo en el triaje, se considerará negligencia. El argumento "no lo sabía" desaparece.
90 días. Aquí comienza el juego decisivo. El estudio se realizó con la versión preliminar de o1-preview, que ya está obsoleta. OpenAI ha lanzado o3, que está muy por encima. La brecha de precisión crecerá del ~12% actual al 20–25%. Esto desencadenará la primera crisis grave.
Además, nos enfrentaremos al "efecto Leiden". En los Países Bajos, un intento de implementar una herramienta de ML en el trabajo real de urgencias fracasó no por precisión, sino por falta de integración con EHR y protocolos claros para actuar según las señales de la IA. Los administradores se darán cuenta de que comprar una suscripción a OpenAI es solo el 1% del problema. Los principales $50 millones (o más) tendrán que gastarse en renovar la infraestructura informática hospitalaria, que actualmente es un mosaico de software de los 90. Sin eso, cualquier IA inteligente seguirá siendo solo una bonita demo en una conferencia TED, no una herramienta que salve vidas.
— Editorial Team
