Blog · ppj.es
Datos médicos sintéticos: la FDA propone 7 criterios para usarlos sin engañarnos
Publicado el –no-en
Título: Datos médicos sintéticos: la FDA propone 7 criterios para usarlos sin engañarnos Tipo: C (IA / gobernanza de datos / LOPD) Tags: datos sintéticos, IA médica, FDA, privacidad, evaluación, mammografía PMID: 42602824 DOI: 10.1093/bjrai/ubag005 Revista: BJR Artificial Intelligence (2026) — FDA (Division of Imaging, Diagnostics, and Software Reliability) Categoría: Oncología / IA
El problema que nadie quiere admitir
Los datos médicos sintéticos (SMDs) — mamografías, scanners, notas — generados por IA se venden como la solución a la falta de datos y a la privacidad. Pero nadie había definido cómo evaluar su calidad. La FDA (Zamzmi et al., BJR AI 2026) propone un marco de 7 criterios: Congruence, Coverage, Constraint, Consistency, Comprehension, Compliance, Completeness [PMID 42602824].
Los 7 criterios en práctica
| Criterio | Qué mide |
|---|---|
| Congruence | Fidelidad estadística vs datos reales |
| Coverage | Representación de subgrupos (densidad mamaria, edad) |
| Constraint | Respeta reglas físicas/anatómicas |
| Consistency | Coherencia interna (misma paciente, múltiples vistas) |
| Comprehension | Interpretable por humanos/clínicos |
| Compliance | Cumple privacidad/regulación (LOPD/GDPR) |
| Completeness | No faltan dimensiones críticas |
Hallazgo clave
Aplicado a 7 datasets de mamografía digital: los generados por IA generativa tenían alta Congruence pero fallaban en Constraint y Completeness vs métodos basados en conocimiento. Y la calidad variaba por subgrupo — mamas densas/heterogéneas mostraban peor calidad. Esto es crítico: un dataset sintético que funciona en mamas grasas puede fallar en densas [PMID 42602824].
Lectura crítica
- Es un marco, no una norma vinculante. Útil como checklist, pero la FDA no lo impone aún.
- Sesgo de subgrupo silencioso. El hallazgo de que las mamas densas salen peor es una advertencia real: los modelos entrenados en sintéticos pueden amplificar disparidades.
- Relevancia para tu Dossier IA hospital: si el hospital usa datos sintéticos para entrenar o validar IA (MARTE, COG-LLM), este marco es la referencia para auditarlos antes de usarlos con pacientes reales.
💡 Implicaciones para la consulta / Dossier IA
El Dossier que preparas para Informática/DPD debe citar este tipo de marcos: datos sintéticos ≠ datos privados automáticamente seguros. El Compliance (LOPD) y la Completeness (subgrupos) son los puntos donde un proyecto de IA del hospital puede naufragar en auditoría. Este paper da el lenguaje para exigir calidad en datos sintéticos.
Referencia: Zamzmi G, et al. BJR Artif Intell. 2026;3(1):ubag005. doi:10.1093/bjrai/ubag005. PMID: 42602824.
— 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.
Aviso: este artículo tiene carácter divulgativo e informativo y refleja la opinión personal del autor. No constituye consejo médico ni sustituye la valoración de un profesional sanitario. Si tienes un problema de salud, consulta con tu médico.
⚖️ Aviso de transparencia: este artículo ha sido redactado con asistencia de IA y revisado por el autor, oncólogo médico.