Volver al tablón
La Guía informa Redacción propia
COMUNIDAD

La IA busca anticipar enfermedades, pero todavía debe demostrar su seguridad clínica

Investigadores analizan cómo usar modelos para diagnósticos, imágenes y biología. La validación con pacientes reales sigue siendo decisiva y la OMS advierte sobre riesgos.

La Guía informa ✓ · 19/11 22:41

Imagen ilustrativa generada con IA

La inteligencia artificial ya participa en investigaciones médicas, pero su próxima frontera es más ambiciosa: ayudar a identificar riesgos antes de que aparezca una enfermedad y orientar decisiones de diagnóstico con información que a una persona le llevaría mucho tiempo examinar. Ese horizonte fue el centro de una conversación publicada el 17 de noviembre de 2026 por Microsoft Research, con investigadores de inteligencia artificial y medicina.

En el episodio del pódcast The Shape of Things to Come participaron Ava Amini, investigadora de Microsoft; Eric Horvitz, responsable científico de la compañía; y Eric Topol, médico e investigador de Scripps Research. La charla, conducida por Doug Burger, abordó tanto las posibilidades de la tecnología como los obstáculos que separan una prueba de laboratorio de una herramienta confiable para un paciente.

Predecir no es diagnosticar. Un modelo puede detectar relaciones estadísticas entre datos clínicos e indicar que una persona tiene mayor probabilidad de desarrollar determinado problema. Eso no significa que esa enfermedad vaya a aparecer ni autoriza a sustituir una evaluación médica. La predicción útil exige conocer la población en la que se probó el sistema, la calidad de los datos y qué medidas efectivas podrían tomarse ante una alerta.

Una de las áreas analizadas por los participantes fue el razonamiento diagnóstico. En lugar de entregar una respuesta después de recibir un caso completamente elaborado, los investigadores exploran sistemas capaces de formular preguntas sucesivas, valorar información nueva y considerar qué estudios conviene solicitar. Horvitz describió esa aproximación como una manera de evaluar el proceso de diagnóstico, y no solamente la respuesta final en un examen.

La distinción importa. Un algoritmo puede obtener resultados destacados con casos seleccionados y, sin embargo, cometer errores cuando recibe historias clínicas incompletas, síntomas confusos o datos que cambian con el tiempo. Además, decidir qué estudio pedir involucra costos, riesgos, disponibilidad y consecuencias para la persona. Ninguna cifra de rendimiento en una prueba equivale, por sí sola, a seguridad clínica demostrada.

En imágenes médicas, la investigación procura aprovechar patrones difíciles de identificar a simple vista y organizar grandes volúmenes de información. También se investiga la combinación de registros sanitarios, resultados de laboratorio y datos biológicos. La aspiración es comprender mejor a cada paciente, sin reducirlo a un conjunto de indicadores aislados ni olvidar sus circunstancias concretas.

Otro campo mencionado en la conversación son los modelos de biología. Los científicos intentan construir representaciones informáticas de procesos celulares que permitan formular hipótesis, orientar experimentos y buscar posibles intervenciones. Amini explicó el trabajo que combina investigación computacional y biología, incluido un proyecto con el Broad Institute orientado al estudio de estados celulares relacionados con el cáncer.

Se trata de herramientas de investigación, no de una promesa inmediata de curación. Una hipótesis generada por inteligencia artificial debe contrastarse con experimentos y estudios adecuados. Del mismo modo, encontrar una molécula interesante mediante cálculos informáticos no demuestra que sea un medicamento eficaz ni seguro para seres humanos. La investigación biomédica necesita comprobaciones sucesivas y vigilancia de efectos indeseados.

La discusión también alcanzó la posibilidad de desarrollar modelos que integren información de distintas escalas: desde procesos moleculares hasta el organismo completo. Esa integración resulta científicamente compleja. Un dato útil sobre una célula no explica automáticamente el estado general de un paciente. El contexto clínico, los antecedentes y la evolución individual siguen siendo determinantes para interpretar cualquier señal.

El problema central es trasladar los avances a la práctica. Microsoft Research reconoce en la presentación del episodio que la calidad de los datos biológicos y la validación en condiciones reales siguen siendo necesidades decisivas. La medicina no puede adoptar una tecnología solamente porque funciona bien en una demostración o porque produjo un resultado llamativo en una publicación científica.

La Organización Mundial de la Salud señaló en sus orientaciones sobre inteligencia artificial generativa aplicada a la salud que estos sistemas pueden producir información falsa, incompleta o sesgada. También advirtió sobre el llamado sesgo de automatización: la tendencia a aceptar una respuesta de una máquina sin detectar fallas que sí podrían haberse advertido con una revisión cuidadosa. Por eso, la supervisión humana no es un detalle accesorio.

La protección de los datos merece atención particular. Historias clínicas, imágenes y antecedentes familiares pueden contener información delicada, cuya utilización exige condiciones apropiadas de privacidad y seguridad. La OMS identifica además amenazas de ciberseguridad y propone evaluaciones independientes, regulación y participación de profesionales y pacientes en el desarrollo de herramientas destinadas a la atención sanitaria.

En julio de 2026, la OMS publicó otro informe dedicado a la evaluación ética y la supervisión de investigaciones sanitarias que utilizan inteligencia artificial. Allí examinó riesgos que los esquemas tradicionales de control no siempre contemplan adecuadamente. El documento refuerza la necesidad de revisar cómo se obtienen los datos, quién puede usarlos, cómo se distribuyen los beneficios y qué controles acompañan cada proyecto.

La conversación no permite afirmar que exista hoy una aplicación universal capaz de anticipar todas las enfermedades. Sí muestra líneas concretas de investigación: mejores ayudas al diagnóstico, análisis de imágenes, modelos biológicos y experimentos científicos asistidos por computadoras. Entre una posibilidad técnica y un beneficio sanitario comprobado hay un camino que incluye pruebas comparativas, evaluación independiente y seguimiento.

Para quien consulta por su salud, la consecuencia práctica es clara: una predicción automática no debe tomarse como diagnóstico ni convertirse por sí sola en una decisión de tratamiento. La utilidad futura de estas herramientas dependerá de que ayuden a profesionales y pacientes a decidir mejor, sin ocultar incertidumbres ni desplazar las responsabilidades de la atención médica.

Referencias

Comentarios (0)

Todavía no hay comentarios. Sé el primero.

Para comentar tenés que estar registrado. La nota se lee sin login.

Entrar con Google Seguir en el tablón