Un estudio israelí muestra que la IA suele evitar pruebas médicas innecesarias, salvo en dos decisiones difíciles
Por Redacción de The Israel DeskPublicado:
Seis modelos comerciales de inteligencia artificial reconocieron habitualmente cuándo una prueba o un tratamiento eran innecesarios, según un estudio israelí publicado el 20 de octubre en Annals of Internal Medicine. Los errores se concentraron en dos decisiones: solicitar ecografías por pequeños nódulos tiroideos descubiertos por casualidad y electrocardiogramas rutinarios en adultos de bajo riesgo. El trabajo evaluó respuestas a casos escritos; no incorporó ni trató a pacientes.
El equipo evaluó cuándo actuar y cuándo esperar
Participaron Dean Ariel, de Clalit y la Universidad de Tel Aviv; Guy Laban, de la Universidad Ben-Gurión del Néguev; y Stav Endelman, del Hospital Beilinson del Centro Médico Rabin y la Universidad de Tel Aviv. El objetivo era comprobar si la IA identifica intervenciones de escaso valor sin dejar de recomendar atención cuando hace falta.
Ese equilibrio estaba incorporado al experimento. Un sistema que rechazara cualquier prueba acertaría algunas respuestas y resultaría peligroso en otras. Por ello, los investigadores midieron por separado las intervenciones innecesarias y la decisión errónea de omitir una actuación justificada, con casos de una misma especialidad que exigían respuestas distintas.
De 225 escenarios a 4.050 respuestas
El equipo seleccionó 15 recomendaciones de Choosing Wisely, iniciativa de la Fundación de la Junta Estadounidense de Medicina Interna que fomenta conversaciones sobre la atención innecesaria. Para cada recomendación preparó 10 casos en los que convenía abstenerse y cinco en los que era apropiado intervenir. Así obtuvo 225 escenarios.
Seis modelos de OpenAI, Anthropic y Google respondieron tres veces a cada caso mediante sus interfaces comerciales de programación, entre febrero y marzo de 2026. Las 4.050 respuestas se evaluaron según ambos tipos de error. Las instrucciones adoptaban la perspectiva del médico. Un modelo juez clasificó las respuestas con adjudicación de facultativos, un elemento del método empleado para medir los resultados.
Dos recomendaciones concentraron las dificultades
La tasa global de recomendaciones excesivas fue del 5,4%. En ocho de los 15 grupos no se propuso ninguna intervención innecesaria. La omisión errónea de una actuación apropiada apareció en el 0,6% de las respuestas y estuvo ausente en 11 grupos. Su nivel más alto fue del 3,3%, en el cribado mediante antígeno prostático específico.
Las debilidades mayores aparecieron al recomendar pruebas de más. Los modelos solicitaron ecografías tiroideas innecesarias en el 42,8% de las respuestas pertinentes y electrocardiogramas rutinarios en el 28,3%. Esta concentración tiene consecuencias prácticas: una media tranquilizadora puede coexistir con recomendaciones poco fiables sobre una pregunta concreta de la consulta.
La discrepancia también existe entre médicos
La Universidad Ben-Gurión explicó que el resultado sobre tiroides refleja enfoques distintos de la Asociación Estadounidense de Tiroides y el Colegio Estadounidense de Radiología ante pequeños nódulos incidentales. En los casos de electrocardiogramas, mencionar palpitaciones complicaba la decisión, porque ese síntoma puede justificar un estudio adicional en el contexto adecuado.
Laban también señaló grandes diferencias entre modelos ante casos idénticos. En algunas situaciones controvertidas, uno recomendaba pruebas innecesarias en menos del 10% de las ocasiones y otro en el 80%. La universidad destacó que una respuesta fluida de un chatbot puede ocultar un desacuerdo considerable entre sistemas entrenados con información médica.
Por qué se eligió Choosing Wisely
La Fundación ABIM lanzó Choosing Wisely en 2012 con recomendaciones de sociedades médicas. Su finalidad era ayudar a profesionales y pacientes a discutir si una intervención aportaba suficiente beneficio en las circunstancias de esa persona. Abordaba las pruebas innecesarias como un problema de calidad asistencial, incluidos los daños que pueden causar procedimientos posteriores desencadenados por hallazgos casuales.
Ese planteamiento explica los casos emparejados del estudio. Una misma imagen diagnóstica, receta o prueba de cribado puede estar indicada cuando cambia la historia clínica. Comprobar ese cambio de decisión exige más que pedir al modelo que repita una recomendación aislada. También permite detectar dónde las propias guías admiten criterios contrapuestos.
La conversación real es el siguiente examen
En una entrevista publicada por The Jerusalem Post el 31 de octubre, Ariel explicó que los modelos solo se probaron en inglés y que faltaba investigación antes de validar su uso clínico. El trabajo utilizó instrucciones únicas, sin diálogo posterior, por lo que no midió si el asistente mantendría una recomendación adecuada ante la insistencia de un paciente preocupado.
Los autores señalaron esa interacción como una pregunta pendiente. Los estudios clínicos prospectivos deberán examinar resultados para los pacientes y medidas de protección, en lugar de medir el éxito únicamente por las pruebas evitadas. Por ahora, el equipo aporta un mapa detallado de las decisiones en las que los modelos se contuvieron correctamente, omitieron atención necesaria o siguieron encontrando dificultades.
