Cuando una persona enfrenta un diagnóstico difícil, lo que más necesita es certeza y acompañamiento. Por eso resulta esperanzadora la promesa de que la inteligencia artificial (IA) apoye a los equipos de salud.
Pero hay una condición que no podemos pasar por alto: ninguna IA puede ser más confiable que los datos y el contexto clínico sobre los que trabaja. Un modelo puede sonar seguro y convincente, y aun así apoyarse en información incompleta. En medicina, esa diferencia importa.
Hablar bien no es saber medicina
Hoy se promueven modelos comerciales de IA de propósito general (sistemas creados para tareas amplias, no diseñados ni certificados para medicina) como asistentes clínicos. Sirven para explicar conceptos, resumir información o apoyar la redacción.
Eso no significa que estén validados para apoyar un diagnóstico o una decisión de tratamiento. La fluidez al hablar no equivale a competencia clínica. La evidencia clínica sugiere que una respuesta convincente puede, aún así, estar equivocada.
El dato clínico no es materia prima neutral
Se suele decir que "los datos son el nuevo petróleo". En salud, esa idea se queda corta. El expediente digital de una persona (su historia clínica electrónica) no es una fotografía perfecta de su estado.
Es el resultado de muchos factores: cómo documenta cada profesional, qué exige cada sistema, qué se registra por necesidad clínica y qué se omite por falta de tiempo. Usar esa información como verdad directa, sin revisarla, lleva a conclusiones frágiles.
La investigación lo confirma: la calidad de los datos condiciona la confiabilidad de la IA, y esos datos deben evaluarse por su exactitud, su vigencia y qué tan bien representan a la población, no solo por su cantidad (npj Digital Medicine, 2024).
Las notas médicas: valiosas, pero delicadas
Mucho conocimiento clínico vive en texto libre: notas de evolución, antecedentes e impresiones del profesional. Ignorarlo sería desperdiciar información valiosa.
Pero ese texto trae abreviaturas, negaciones e incertidumbre. Una frase como "descartar infarto" o "niega dolor" es clara para un médico, pero puede confundir a una máquina que no entiende el contexto. Convertir esas notas en datos confiables exige procesos cuidadosos de revisión y validación.
El idioma común de la salud
Para que la información signifique lo mismo en todos los sistemas existe la interoperabilidad (la capacidad de que distintas plataformas de salud intercambien y entiendan los mismos datos). Aquí entran herramientas como
SNOMED CT
un vocabulario que asigna un significado único a cada término médico
LOINC
un catálogo internacional que identifica de forma uniforme los exámenes y mediciones
FHIR
el estándar para intercambiar datos de salud entre plataformas
No existen para complicar el trabajo técnico. Existen porque la medicina necesita un significado compartido y verificable. Sin ese idioma común, la IA solo reconoce patrones de texto; con él, puede apoyarse en conceptos clínicos más estables.
Aprobar un examen no es estar listo para la consulta
Es cierto que los modelos más avanzados aprueban exámenes médicos tipo test. Algunos superan el 90% en pruebas como el examen de licencia médica de Estados Unidos (Scientific Reports, 2025). Pero ese dato, por sí solo, engaña.
Cuando la evaluación se parece a una consulta real, el desempeño baja de forma notable. Y frente a especialistas humanos en diagnóstico, los expertos siguen por delante: en un estudio sobre enfermedades de la córnea, los médicos promediaron 92,5% frente al 80% del mejor modelo.
Hay un dato que lo resume todo: ninguno de estos modelos comerciales está autorizado por las agencias regulatorias como apoyo a la decisión clínica. La FDA de Estados Unidos ha autorizado más de 950 dispositivos médicos con IA, pero ninguno usa este tipo de modelos de lenguaje (npj Digital Medicine, 2025).
Saca una buena nota en el examen, pero todavía no tiene licencia para ejercer.
De datos antiguos a personas reales
Buena parte de la evidencia sobre IA en salud se basa en datos retrospectivos (información ya registrada en el pasado). Esa prueba es necesaria, pero no suficiente.
En la atención real aparecen datos faltantes, diferencias entre hospitales y situaciones imprevistas. Un modelo que funciona con datos históricos puede fallar ante el día a día de un servicio de salud.
Por eso conviene preguntar siempre: ¿se probó en personas reales?, ¿en qué población?, ¿cómo se vigila su desempeño?, ¿quién responde ante un error?
Sin datos confiables, no hay IA confiable
La IA tiene un papel valioso en el futuro de la salud. Puede aligerar la carga administrativa, mejorar el acceso a la información y apoyar la investigación. Usada con criterio, ayuda a reducir el riesgo de errores.
Pero su adopción no puede basarse en la idea de que cualquier modelo, por responder bien, está listo para apoyar decisiones médicas. Su valor depende de mejores datos, mejor interoperabilidad y mejor evidencia.
El dato clínico es parte del acto médico. Si no es confiable ni representativo, la IA tampoco lo será. Y cuando se trata de la salud de las personas, esa confianza es lo primero.
Fuentes: Schwabe D. et al., npj Digital Medicine (2024); Wang Q. et al., npj Digital Medicine (2026); Weissman G. et al., npj Digital Medicine (2025); Scientific Reports (2025); estudio comparativo en enfermedades de la córnea (PMC, 2025); Organización Mundial de la Salud (OMS), Guía sobre modelos multimodales grandes en salud (2024).
Escrito por:
Senior Digital Health Advisor | Healthcare Data Architect | Interoperability & Standards Specialist (HL7, FHIR, OpenHIE, Terminologies) | CEO Meddyg