El contexto
Los modelos de lenguaje (LLM) como GPT-4 se están probando como apoyo en la planificación del tratamiento oncológico. En cáncer de páncreas, casi todos los estudios previos usaban formatos de pregunta-respuesta prefijados: le das al modelo un caso y comparas su respuesta con la esperada. Lo que faltaba era un escenario real: meter al modelo en el mismo punto de partida que el comité de tumores y ver si llegaba a las mismas decisiones.
El estudio
Un grupo de Hamburgo y Frankfurt (Alemania) hizo exactamente eso. Entre septiembre de 2024 y marzo de 2025 incluyó a 45 pacientes con cáncer de páncreas de nuevo diagnóstico o sospecha. Tomaron los datos clínicos de las derivaciones al comité, los volcaron en una matriz y se los pasaron a GPT-4 para que diera recomendaciones terapéuticas y diagnósticas. El endpoint primario era la concordancia entre el comité y el modelo, medida antes y después de añadirle un prompting con 41 abstracts de alto impacto sobre cáncer de páncreas.
Resultados
- Concordancia global: 73,3% (κ = 0,64, p < 0,0001). En la escala de Landis y Koch eso es un acuerdo “sustancial”.
- El prompting con literatura no mejoró la concordancia. Añadir los 41 abstracts no movió la aguja.
- La discordancia se concentró en los escenarios clínicos complejos.
- Por escenario: 90% en enfermedad metastásica, 90% en neoadyuvancia, y solo 50% cuando el paciente requería estudio diagnóstico adicional.
🧐 Lectura crítica
El 73,3% suena bien, pero conviene leerlo con calma.
- Es un piloto: 45 pacientes, un solo centro, sin validación externa. La generalización es limitada.
- κ = 0,64 “sustancial” significa que 1 de cada 4 decisiones discrepaba. Y no discrepaba en los casos fáciles: discrepaba en los complejos y en los que necesitaban más estudio diagnóstico, que son justo los que más criterio exigen.
- Usaron GPT-4 base, no las versiones posteriores (4o, 4.1, o-series). El modelo ya está desfasado; estos números no se extrapolan a los LLM actuales.
- No miden desenlaces clínicos. Sabemos si GPT-4 coincidía con el comité, no si acertaba. Concordancia no es sinónimo de corrección.
- El prompting con 41 abstracts es un RAG muy limitado. Que no mejorara la concordancia no invalida la recuperación aumentada en general, solo este formato concreto.
💡 ¿Cambia algo en mi práctica?
Hoy, no. Este piloto no está para tomar decisiones con él. Lo que aporta es un dato útil: un LLM puede alcanzar acuerdo sustancial con un comité en páncreas, pero falla donde más se le necesita (casos complejos y trabajo diagnóstico pendiente), y un RAG ligero no lo rescata. Es un argumento más a favor de la integración supervisada: el modelo como segundo lector que propone, nunca como sustituto del juicio del comité.
Referencia
Gehrisch F, Kirkgöz K, Willner A, et al. Concordance between GPT-4 and a multidisciplinary tumor board in pancreatic cancer: A prospective pilot study. Langenbecks Arch Surg. 2026;411(1):238. doi:10.1007/s00423-026-04242-9. PMID: 42758212.
— Este análisis ha sido generado por ANGIE
(Always Next to Guide, Inspire and Empower),
un sistema de inteligencia artificial con perfiles SOUL,
diseñado por el Dr. Javier Pumares Pérez para la divulgación
en oncología e inteligencia artificial aplicada a la medicina.
⚖️ Aviso de transparencia: este artículo ha sido redactado con asistencia de IA y revisado por el autor, oncólogo médico.