Un modelo que razona mejor que yo en un caso escrito
En consulta uso herramientas que aciertan y que fallan. Un modelo de lenguaje puede resolver un caso clínico bien redactado mejor que muchos médicos y, aun así, fallar ante el paciente real, con sus comorbilidades y los datos que no están en el texto. Esa distancia entre el examen escrito y la habitación del enfermo es el tema de este informe.
Los modelos frontera, los más potentes, igualan o superan al médico en razonamiento diagnóstico simulado y en tareas de apoyo a la decisión clínica. La adopción, sin embargo, ha ido por delante de la evidencia: menos del 5% de los dispositivos de IA y aprendizaje automático autorizados por la FDA ha pasado una evaluación revisada por pares, y los ensayos aleatorizados prospectivos siguen siendo escasos. Implantamos más rápido de lo que medimos.
Qué revisa el informe
Es una revisión narrativa, no un ensayo clínico ni un metaanálisis. Sintetiza el State of Clinical AI Report 2026 de ARISE en seis dominios: rendimiento de los modelos y comparación con humanos, metodología de evaluación y validez de los benchmarks, métodos fundamentales como los sistemas multimodales y multiagente, integración en el flujo clínico, aplicaciones dirigidas al paciente y aplicaciones específicas de cada dominio.
Los autores hicieron una búsqueda dirigida en PubMed, medRxiv y arXiv, completada con nominación de expertos, e incluyeron estudios empíricos de IA en contextos clínicos. No fijaron un protocolo de revisión sistemática: seleccionaron e interpretaron la evidencia de forma narrativa.
Lo que funciona
Los modelos frontera razonan bien. En tareas acotadas, con criterios de valor claros, hay avances que aguantan. Los primeros ensayos prospectivos en apoyo a la decisión clínica y en imagen diagnóstica muestran resultados prometedores: cuando el problema está bien definido y el desenlace es medible, la IA empieza a demostrar algo.
También apuntan las nuevas arquitecturas: convertir datos médicos en tokens y construir sistemas multiagente y multimodales abre formas de representar el conocimiento clínico que antes no existían.
Lo que no
El progreso no es uniforme. Aunque sube la potencia del modelo, persisten tres fallos: la calibración de la incertidumbre, saber cuándo no está seguro; la metacognición, razonar sobre el propio razonamiento; y la robustez ante cambios de distribución, cuando la realidad que ve el modelo deja de parecerse a los datos con los que se entrenó.
Los benchmarks clásicos están saturados, ya no discriminan. De ahí el giro hacia marcos de evaluación multidimensional que midan seguridad, flujos de trabajo reales y capacidades agénticas en lugar de una única puntuación.
En el trabajo clínico aparecen dos riesgos que reconozco de inmediato. El sesgo de automatización, aceptar la sugerencia del sistema sin rebatirla porque viene de una máquina. Y la pérdida de competencia del clínico, el deskilling: las habilidades que no se ejercitan se atrofian. La colaboración entre humano y máquina, dice el informe, sigue siendo subóptima.
En las aplicaciones dirigidas al paciente el riesgo es el espejo: la confianza excesiva. Un asistente sanitario más personalizado también es uno en el que se puede creer demasiado, y eso eleva el listón de las salvaguardas.
Lectura crítica
Esto es una revisión narrativa, no un ensayo clínico ni un metaanálisis. No hay denominador común, ni protocolo registrado, ni cribado independiente de la selección. Los autores eligieron los estudios y los interpretaron, y la búsqueda incluyó nominación de expertos: un sesgo de selección que no se puede cuantificar.
Cada afirmación descansa en un tipo distinto de evidencia y conviene no mezclarlas. La comparación con médicos procede de tareas simuladas, no de desenlaces en pacientes: que un modelo razone mejor que un médico en un caso escrito no demuestra que mejore nada real. Los resultados prometedores en apoyo a la decisión y en imagen vienen de ensayos prospectivos tempranos, con la fragilidad de lo temprano. Los fallos persistentes se observan, pero el informe no da cifras que permitan medir su magnitud ni comparar modelos entre sí.
El dato del 5%, el más citado, describe una proporción de dispositivos autorizados sin evaluación por pares publicada. Es una foto del hueco regulatorio, no una medida de daño ni de inutilidad. No todos esos dispositivos necesitan el mismo nivel de evidencia, y el informe no los estratifica por riesgo.
De este documento no puedo extraer un efecto sobre supervivencia, toxicidad ni calidad de vida, porque no lo mide. Tampoco sé qué estudios concretos sostienen cada afirmación ni con qué financiación.
Qué cambia en mi práctica
No cambio ningún esquema de tratamiento por esto: no hay datos de desenlace que lo justifiquen. Cambia mi forma de mirar las herramientas que ya uso y las que vienen.
La conclusión útil del informe es sobria: el progreso creíble ocurre en tareas estrechas, con criterios de valor claros, y la autonomía clínica amplia espera a que mejoren la evaluación y la interacción entre humano y máquina. Bajado a la consulta, significa desconfiar del sistema que promete razonar como un médico en general y fiarse del que resuelve bien un problema concreto con un desenlace definido.
Y me deja una pregunta incómoda sobre mi propia práctica. El sesgo de automatización y la pérdida de competencia no son fallos del programa, son fallos del clínico que lo usa. Si delego el razonamiento, dejo de ejercitarlo. Eso no lo arregla una versión mejor del modelo.
Referencia
Worth JE, Perez A, Wu DJ, et al. State of clinical AI in 2026. BMJ Digit Health AI 2026;2(1):e000113. DOI: 10.1136/bmjdh-2026-000113. PMID: 42825240.
— ANGIE
— 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.