¿Qué pasó con la IA clínica en 2026? ¿Estamos donde pensábamos estar?

La inteligencia artificial (IA) clínica alcanzó un punto de inflexión operativo y conceptual. Durante los últimos dos años, los LLMs, las arquitecturas multimodales y los agentes autónomos han demostrado capacidades analíticas sobresalientes, llegando a igualar o superar el rendimiento de médicos especialistas en escenarios diagnósticos controlados y pruebas estandarizadas.

No obstante, este vertiginoso desarrollo técnico contrasta con una adopción asistencial que avanza con mayor rapidez que la propia evidencia empírica que debería respaldarla.

A la fecha, de los más de 1200 dispositivos médicos basados en IA y aprendizaje automático (IA/ML) autorizados por la Food and Drug Administration (FDA) de los Estados Unidos, menos del 5 % cuenta con evaluaciones rigurosas publicadas y revisadas por pares. Asimismo, los ensayos clínicos prospectivos y aleatorizados continúan siendo infrecuentes. Los sistemas de frontera manifiestan fallas persistentes en calibración de incertidumbre (correspondencia entre la confianza emitida y la precisión real), carecen de metacognición clínica (la capacidad del algoritmo para reconocer los límites de su propio conocimiento) y sufren una notable fragilidad ante desplazamientos distributivos (distributional shift), donde la precisión decae al exponerse a poblaciones, centros de salud o formatos de datos no contemplados en la etapa de entrenamiento.

La metodología de evaluación clínica de IA abarca cuatro niveles con una validez cada vez mayor en el mundo real: pruebas de referencia del conocimiento clínico, evaluación del razonamiento mediante viñetas simuladas, validación retrospectiva de conjuntos de datos reales de pacientes y ensayos clínicos prospectivos en entornos de atención en vivo. Cada etapa incrementa el nivel de rigor metodológico y, por tanto, proporciona más información sobre la seguridad y la proximidad a un despliegue clínico real. IA, inteligencia artificial; EHR, historial médico electrónico.

En evaluaciones diagnósticas y de soporte para la toma de decisiones clínicas estructuradas, los modelos de frontera más recientes han superado las marcas históricas de referencia. En series complejas de conferencias clinicopatológicas (CPC) del New England Journal of Medicine (NEJM), el modelo o3 de OpenAI alcanzó una exactitud diagnóstica del 60 % en su primera opción (top-1) y del 84 % entre sus primeras diez hipótesis (top-10).

Más allá del ejercicio meramente nosológico, las herramientas contemporáneas abordan la formulación de planes de manejo. El sistema AMIE (Articulate Medical Intelligence Explorer, desarrollado por Google) evidenció no inferioridad ante 20 médicos de atención primaria respecto a la planificación terapéutica y seguimiento longitudinal, logrando mayor precisión en las indicaciones y superando a los profesionales en interrogantes sobre farmacoterapia y ajuste de medicación.

Paralelamente, el empleo de agentes autónomos estructurados, como AgentMD —diseñado para seleccionar y ejecutar dinámicamente más de 2000 calculadoras clínicas validadas— incrementó la exactitud predictiva de riesgo individualizado a un 87,7 % en la batería RiskQA, en comparación con el 40,9 % obtenido por modelos genéricos.

Sin embargo, persiste un fenómeno caracterizado como "inteligencia dentada" (jagged intelligence): sistemas capaces de resolver con brillantez dilemas de alta complejidad que fallan estrepitosamente en tareas elementales. Al modificar enunciados de opción múltiple sustituyendo la respuesta correcta por la opción "Ninguna de las anteriores", el rendimiento global de los modelos decayó entre un 9 % y un 38 %.

La práctica de evaluar algoritmos mediante exámenes de licenciamiento médico (como el USMLE) ha alcanzado un techo de saturación técnica. Una revisión sistemática de 519 publicaciones (2022-2024) documentó que el 95 % de las validaciones de LLM se apoyaban de modo casi exclusivo en métricas simplificadas de precisión teórica, con un 45 % evaluando exámenes de selección múltiple y únicamente un 5 % incorporando historiales clínicos reales.

Para superar este sesgo, en 2025 emergieron baterías multidimensionales diseñadas para evaluar la práctica ecológica. MedHELM (Medical Holistic Evaluation of Large Language Models) estructuró taxonomías validadas por clínicos sobre 121 tareas asistenciales diferenciadas. De manera similar, HealthBench y CRAFT-MD evaluaron el razonamiento conversacional dinámico a través de miles de interacciones dialógicas simuladas médico-paciente.

La conversión de viñetas clínicas estáticas en diálogos clínicos provocó caídas de rendimiento sustanciales: la precisión de GPT-4 disminuyó de 0,82 a 0,63, descendiendo a 0,49 al suprimir pistas implícitas de opción múltiple.

Las plataformas que replican historias clínicas electrónicas (HCE), como MedAgentBench (300 tareas asistenciales complejas), subrayan que la navegación por interfaces de interoperabilidad FHIR/API, la interpretación de intenciones operativas y la planificación a largo plazo son deficientes en los agentes actuales.

En el ámbito de la seguridad, el consorcio NOHARM demostró que, en el 22 % de las consultas simuladas de atención primaria, los modelos de frontera emitieron recomendaciones con potencial de daño directo. Predominaron los "pecados de omisión": la falta de indicación de estudios diagnósticos críticos, monitorización de signos de alarma o tratamientos profilácticos indispensables para la seguridad del paciente.

Redes neuronales transformadoras preentrenadas como Delphi-2M (entrenada sobre más de 100 millones de historias) y COMET de Epic (115 000 millones de eventos procesados) permiten predecir la incidencia futura de patologías y readmisiones hospitalarias. Delphi-2M demostró un área bajo la curva (AUC) promedio de 0,76 al pronosticar la aparición de más de 1000 enfermedades y simular trayectorias de salud hasta con 20 años de horizonte. No obstante, sus diseñadores advierten que estas asociaciones no prueban causalidad mecanística y están condicionadas por factores estocásticos de la evolución biológica individual.

El desarrollo de sistemas multiagente ha demostrado que la coordinación estructural puede superar al escalado de un único modelo. El marco MAI Diagnostic Orchestrator emula un ateneo clínico de cinco facultativos virtuales que solicitan escalonadamente estudios diagnósticos; esta orquestación redujo los costos teóricos de evaluación diagnóstica en un 70 % frente a modelos no regulados y alcanzó un 80 % de acierto al dirimir casos de enfermedades raras mediante esquemas de discrepancia deliberativa supervisada.

Pese a ello, la arquitectura multiagente presenta la denominada "paradoja de optimización": en un ensayo con 2400 urgencias médicas, un sistema integrado por los componentes individualmente más destacados (best-of-breed) obtuvo solo un 68 % de exactitud diagnóstica global frente al 77 % de una configuración más modesta, debido a cuellos de botella y pérdidas de fidelidad en la transferencia de información intermodular.

En el plano de la implementación en tiempo real, un estudio multicéntrico desarrollado por Penda Health y OpenAI en 15 centros de atención ambulatoria en Kenia (39 849 consultas analizadas) constató que el soporte de un LLM redujo de forma relativa un 16 % los errores diagnósticos y un 13 % los deslices terapéuticos evaluados por pares médicos, aunque sin diferencias estadísticamente significativas en desenlaces finales percibidos por el paciente.

En interpretación diagnóstica complementaria, un estudio prospectivo en Alemania (12 centros de cribado mamográfico) registró un incremento en la tasa de detección de cáncer de mama entre los radiólogos que emplearon asistencia algorítmica (6,7 frente a 5,7 por cada 1000 exámenes; incremento relativo del 17,6 %; IC 95 %: 5,7 %-30,8 %) sin elevar la tasa de rellamada de pacientes sanas.

En la faz administrativa, los sistemas de redacción ambiental y resumen de notas clínicas han demostrado aliviar la carga cognitiva del profesional y facilitar una comunicación más empática. Empero, los ahorros cronométricos documentados resultan más modestos que los proyectados por los desarrolladores (con reducciones de apenas 20 segundos por nota en ciertos ensayos), persistiendo preocupaciones relativas a omisiones en los resúmenes de alta e introducción de datos inexactos.

El punto más crítico reside en la interacción humano-algoritmo: un metanálisis de 52 investigaciones evidenció que la complementariedad sinérgica estricta (el postulado donde el binomio médico + IA rinde sistemáticamente más que cualquiera de las partes de manera aislada) es un fenómeno sumamente infrecuente.

Asimismo, se han documentado los primeros indicios empíricos de sesgo por automatización y pérdida de pericia (deskilling):

• Vulnerabilidad al error algorítmico: En un ensayo controlado, facultativos expuestos a sugerencias deliberadamente incorrectas emitidas por un LLM redujeron su precisión diagnóstica en 14 puntos porcentuales (IC 95 %: -18,9 a -9,1) en comparación con el grupo control no expuesto.

• Atrofia competencial: Estudios observacionales multicéntricos han comenzado a reportar un descenso progresivo en la tasa de detección de adenomas entre endoscopistas tras periodos prolongados de práctica asistida por módulos algorítmicos, reproduciendo patrones de dependencia técnica observados en otras áreas tecnológicas.

Los agentes de salud orientados al paciente demuestran capacidad pedagógica, empatía contextual y formulación de indicaciones claras. En análisis comparativos a doble ciego con pacientes simulados, AMIE superó a 20 médicos en medidas de calidez comunicativa y calidad diagnóstica percibida. 

Pese a ello, emerge una severa vulnerabilidad de seguridad: los pacientes no son capaces de discernir con fiabilidad la solidez técnica de la orientación recibida. Evaluaciones metodológicas mostraron que los usuarios asignan niveles equivalentes o superiores de confianza a respuestas elaboradas por IA que contienen errores graves en comparación con juicios emitidos por facultativos. Más preocupante aún, los participantes manifestaron una probabilidad idéntica de adherir y ejecutar recomendaciones potencialmente lesivas provenientes de algoritmos inexactos que frente a indicaciones clínicamente correctas.

El mayor éxito traslacional de la IA clínica radica en el desarrollo de modelos fundacionales verticales, adaptados por dominios y aplicados sobre tareas específicas con desenlaces objetivos verificables:

• LCTfound: Modelo fundacional para tomografía computarizada (TC) de tórax que obtuvo un AUROC de 0,95 en patologías pulmonares infrecuentes, estratificando con precisión el pronóstico en cáncer de pulmón de células no pequeñas.

• EchoPrime: Arquitectura entrenada sobre 12,1 millones de ecocardiogramas y reportes ecográficos, logrando un AUC de 0,85-0,92 en cinco redes hospitalarias independientes.

• Woollie y Merlin: Modelos entrenados para predecir progresión neoplásica en oncología y resolver más de 750 subtareas analíticas en tomografía abdominal tridimensional.

• Estratificación cardiovascular y cribado: El modelo ROMIAE y la integración de IA en el electrocardiograma basal aportaron una reclasificación neta del 20 % al puntaje HEART en el despistaje de infarto agudo de miocardio en los servicios de urgencias.

• Trombectomía en accidente cerebrovascular: En el Servicio Nacional de Salud (NHS) de Inglaterra, la implementación del sistema Brainomix 360 en 26 centros derivó en una duplicación de la tasa de trombectomía mecánica, recortando tiempos de derivación y aumentando significativamente las probabilidades de evolución funcional favorable a largo plazo (OR: 1,16; IC 95 %: 1,07-1,25).

Tres hallazgos merecen consideración prioritaria:

1. La brecha entre el laboratorio y la práctica real: El hecho de que modelos con calificaciones superiores en exámenes de acreditación profesional fallen al no identificar la ausencia de una opción correcta, o vean reducida su precisión a la mitad al interactuar mediante lenguaje natural no estructurado, confirma que los benchmarks clásicos han quedado obsoletos.

2. El reto no resuelto de la colaboración clínico-algoritmo: Las evidencias que señalan que los equipos formados por médicos e IA no consiguen superar el rendimiento intrínseco del modelo aislado, sumadas al sesgo por automatización y el riesgo de atrofia de habilidades en áreas como la endoscopia, exigen rediseñar las interfaces operativas.

3. El desfase regulatorio y de seguridad: Que sistemas de frontera mantengan una tasa del 22 % de recomendaciones con potencial lesivo en atención primaria —predominantemente por omisión diagnóstica y terapéutica— resulta alarmante en un contexto en el que menos del 5 % de los dispositivos con aval comercial cuentan con estudios independientes publicados.

El balance de la IA clínica en 2026 marca un cambio de paradigma: la cuestión esencial ya no radica en determinar la potencia teórica de un modelo lingüístico o multimodal, sino en responder si es factible integrarlo de forma segura, costo-efectiva y sustentable en la atención cotidiana del paciente.

Los avances con mayor madurez traslacional no provienen de soluciones generalistas autónomas, sino de herramientas diseñadas verticalmente para problemas específicos —como la interpretación multimodal en diagnóstico por imágenes, la estratificación de eventos coronarios agudos o la priorización en el código ictus—, donde los objetivos asistenciales están claramente delimitados y protocolizados.

El cierre definitivo de la brecha entre la experimentación analítica y la cabecera del paciente exigirá el diseño de ensayos clínicos aleatorizados y multicéntricos, sistemas de evaluación que penalicen la falta de autoconciencia del error algorítmico y políticas de gobernanza que preserven, ante todo, el juicio crítico y la seguridad del acto médico.