salud, triaje emergencias, inteligencia artificial
 |
| El estudio reveló que la ventaja de la IA era particularmente notable en situaciones de triaje que requerían decisiones rápidas con información mínima. Fotografía: Cherdchai Chawienghong/Getty Images |
Los investigadores afirman que los resultados marcan un "cambio profundo en la tecnología que transformará la medicina".
30 abril 2026.- Un estudio pionero de Harvard ha descubierto que los sistemas de IA superaron a los médicos humanos en el triaje de urgencias médicas de alta presión, diagnosticando con mayor precisión en los momentos potencialmente críticos de vida o muerte en los que las personas son trasladadas de urgencia al hospital.
Los resultados fueron descritos por expertos independientes como una muestra de "un verdadero paso adelante" en el razonamiento clínico de las IA, y se obtuvieron en el marco de ensayos que pusieron a prueba las respuestas de cientos de médicos frente a una IA.
Un equipo de investigadores de Harvard Medical School, el Beth Israel Deaconess Medical Center (BIDMC) y la Universidad de Stanford ha publicado en la revista Science los resultados de un ensayo que podría marcar un antes y un después en la medicina de urgencias: un modelo de inteligencia artificial (IA) basado en grandes modelos de lenguaje (LLM) ha superado consistentemente a médicos especialistas en tareas de razonamiento diagnóstico, con resultados especialmente pronunciados durante el triaje de urgencias, el momento más crítico y el de menor información disponible para el clínico.
Los investigadores califican sus hallazgos como evidencia de un "cambio profundo en la tecnología que transformará la medicina", en línea con una visión que la propia revista Science planteó hace más de 65 años.
El estudio: metodología y diseño
El trabajo está liderado por Peter G. Brodeur y Thomas A. Buckley como co-primeros autores, y por los doctores Jonathan Chen (Stanford), Arjun K. Manrai y Adam Rodman (Harvard/BIDMC) como co-directores del estudio. El equipo de investigación reúne a especialistas de medicina interna, medicina de urgencias, cuidados intensivos, hematología, epidemiología, informática biomédica y ciencias de la computación procedentes de Harvard, Stanford, MIT, la Universidad de Minnesota, la Universidad de Maryland, el sistema de salud de Veteranos de Palo Alto y Microsoft Research.
El diseño del ensayo combina cinco experimentos controlados sobre viñetas clínicas estandarizadas con un estudio de casos reales y no estructurados en el servicio de urgencias del BIDMC, un gran hospital universitario terciario de Boston. En total, el modelo fue evaluado frente a cientos de médicos certificados —residentes, médicos adjuntos y médicos de cabecera— en tareas representativas del trabajo clínico cotidiano.
El modelo evaluado fue OpenAI o1, accedido a través de una API privada de Azure, y fue comparado también con su predecesor GPT-4o y con médicos expertos. Los evaluadores que adjudicaron los resultados fueron médicos que desconocían si el diagnóstico diferencial provenía de un humano o de una máquina. El nivel de enmascaramiento fue muy alto: uno de los evaluadores identificó correctamente el origen humano o artificial solo en el 14,8 % de los casos, y el otro en el 2,7 %, lo que valida la solidez metodológica del cegamiento.
Los cinco experimentos y sus resultados
1. Diagnósticos diferenciales sobre casos del New England Journal of Medicine
El equipo empleó 143 casos clínicos publicados en la sección de conferencias clinicopatológicas (CPC) del NEJM, el estándar de referencia para evaluar sistemas de razonamiento médico desde la década de 1950. El modelo o1 incluyó el diagnóstico correcto en su diagnóstico diferencial en el 78,3 % de los casos, siendo el primer diagnóstico sugerido el correcto en el 52 % de los casos. En comparación, su predecesor GPT-4 acertó en el 72,9 % de los mismos casos.
2. Razonamiento clínico documentado (casos NEJM Healer)
En 20 casos clínicos del currículo NEJM Healer, evaluados con la escala validada R-IDEA (0-10 puntos), el modelo o1 obtuvo una puntuación perfecta en 78 de los 80 casos evaluados. Esto supera ampliamente el rendimiento de GPT-4 (47/80), de los médicos adjuntos (28/80) y de los médicos residentes (16/80). La diferencia fue estadísticamente significativa en todos los casos (p < 0,0001).
3. Razonamiento en gestión clínica (casos Grey Matters)
En cinco viñetas basadas en casos reales y puntuadas por consenso de 25 expertos, el modelo o1 obtuvo una mediana del 86 % frente al 42 % de GPT-4, el 41 % de médicos con acceso a GPT-4 y el 34 % de médicos con recursos convencionales. La diferencia de más de 49 puntos porcentuales sobre los médicos sin asistencia de IA fue estadísticamente muy significativa (p < 0,001).
4. Razonamiento probabilístico
En cinco casos de atención primaria evaluados sobre una muestra nacional representativa de 553 profesionales sanitarios (residentes, médicos adjuntos y enfermeras practicantes), el modelo o1 mostró un rendimiento comparable al de GPT-4 en la estimación de probabilidades diagnósticas pre y post-test, con un desempeño superior al grupo humano en la prueba de esfuerzo para enfermedad arterial coronaria.
5. El ensayo en urgencias reales: el resultado más relevante
El experimento de mayor impacto clínico consistió en comparar la capacidad del modelo o1, de GPT-4o y de dos médicos adjuntos para elaborar diagnósticos diferenciales sobre 79 casos reales del servicio de urgencias del BIDMC, evaluados en tres puntos de decisión clínica predefinidos: el triaje inicial de urgencias, la evaluación por el médico de guardia y el ingreso en planta o en UCI.
Los resultados muestran que o1 superó a ambos médicos en los tres puntos de decisión:
| Punto de decisión | o1 (IA) | Médico 1 | Médico 2 |
|---|---|---|---|
| Triaje inicial en urgencias | 65,8 % | 54,4 % | 48,1 % |
| Evaluación por médico de guardia | 69,6 % | 60,8 % | 50,6 % |
| Ingreso en planta/UCI | 79,7 % | 75,9 % | 68,4 % |
(Porcentaje de casos con diagnóstico exacto o muy próximo, Bond scores 4-5)
La ventaja de la IA fue especialmente marcada en el triaje inicial, el momento con menor información disponible y mayor urgencia de decisión, donde la diferencia respecto a los médicos alcanzó entre 11 y 17 puntos porcentuales.
Validez médica del estudio: fortalezas y limitaciones
Los propios autores reconocen las fortalezas metodológicas del ensayo, pero también enumeran con rigor sus limitaciones, algo que la comunidad médica debe considerar antes de extraer conclusiones precipitadas.
Fortalezas:
- Los evaluadores estaban cegados al origen humano o artificial de los diagnósticos, eliminando el sesgo de confirmación.
- El ensayo incluye tanto casos controlados (viñetas estandarizadas) como datos reales y no estructurados del entorno clínico.
- Los resultados son consistentes en seis experimentos independientes con diferentes métricas y muestras.
- La muestra de referencia incluye cientos de médicos de distinto nivel de formación, lo que aporta solidez estadística a la comparación.
- El estudio es independiente del fabricante del modelo (OpenAI), con investigadores del sistema de salud público universitario.
Limitaciones reconocidas:
- El estudio evalúa el rendimiento del modelo de forma aislada, sin medir la interacción real entre el médico y la IA en un flujo de trabajo integrado.
- La tarea estudiada en urgencias —proporcionar una segunda opinión diagnóstica en puntos predefinidos— es un prueba de concepto, no un despliegue clínico completo. Las decisiones de triaje real implican también disposición del paciente, manejo inmediato y comunicación directa, aspectos no evaluados.
- El estudio se centra en medicina interna y urgencias, y no es representativo de la práctica quirúrgica, la medicina pediátrica u otras especialidades con habilidades técnicas específicas.
- No se han estudiado posibles sesgos del modelo en función del diagnóstico, las características del paciente o la localización geográfica del centro.
- El modelo evaluado es o1-preview (septiembre de 2024) y o1 (diciembre de 2024), por lo que la velocidad de actualización de los modelos puede hacer que los resultados queden desactualizados con rapidez.
Contexto científico: 65 años de historia cumplida
El estudio cita explícitamente un artículo publicado en Science en 1959 por Ledley y Lusted, que estableció los casos clínicos complejos como el estándar de evaluación para los sistemas de diagnóstico computarizado. Durante más de seis décadas, ningún sistema de IA había conseguido superar sistemáticamente ese estándar frente a médicos humanos en condiciones rigurosas. El presente ensayo concluye que ese desafío histórico ha sido consistentemente superado, lo que los investigadores describen como el cumplimiento de una visión científica de más de medio siglo.
El informe State of Clinical AI (2026), elaborado conjuntamente por Stanford y Harvard, también refleja este salto cualitativo, señalando que varios estudios de 2025 muestran modelos de lenguaje que igualan o superan a los médicos en razonamiento diagnóstico, con algunos trabajos descritos como demostración de capacidad "sobrehumana".
Posibles consecuencias para los profesionales de urgencias hospitalarias
Los hallazgos abren un debate de fondo sobre el futuro del trabajo clínico en los servicios de urgencias. Los investigadores son cautelosos y no propugnan la sustitución del médico, sino la integración de la IA como herramienta de apoyo. Pero las implicaciones estructurales son inevitables.
A corto plazo — apoyo a la decisión clínica: La aplicación más inmediata y menos controvertida es la de la IA como sistema de segunda opinión en tiempo real durante el triaje. En un entorno donde la saturación de urgencias, la fatiga del profesional y la presión temporal son factores de riesgo conocidos para el error diagnóstico, una herramienta que identifica el diagnóstico correcto con mayor precisión que el médico podría reducir los errores de triaje, mejorar la priorización de pacientes y acelerar el inicio de tratamientos críticos.
A medio plazo — reorganización de roles y flujos de trabajo: Si la IA demuestra en ensayos prospectivos la misma superioridad que en este estudio retrospectivo, los roles del personal de triaje podrían redefinirse. El enfermero o médico de triaje podría evolucionar hacia un supervisor de sistemas de IA, validando o cuestionando las recomendaciones del modelo en lugar de generar el diagnóstico diferencial desde cero. Esto requeriría una formación específica en interacción humano-IA y en evaluación crítica de sus resultados.
A largo plazo — impacto en el empleo y en la formación médica: La cuestión de si la IA reducirá la demanda de médicos de urgencias es objeto de debate activo en la comunidad médica. La postura predominante en la literatura científica actual es que la IA actuará como amplificador del profesional antes que como sustituto, especialmente en tareas que requieren habilidades físicas, comunicación empática con el paciente, toma de decisiones en entornos de alta incertidumbre no estructurada y responsabilidad legal. Sin embargo, la presión sobre determinados perfiles —como los sistemas de triaje telefónico, los servicios de consulta remota o los centros con escasez crónica de médicos— podría ser más inmediata.
En materia de formación, los autores del estudio señalan que los resultados obligan a replantearse cómo se enseña el razonamiento clínico en las facultades de medicina. Si un modelo de IA puede alcanzar puntuaciones perfectas en escalas de razonamiento clínico donde los médicos adjuntos obtienen un tercio de los aciertos, la pedagogía del diagnóstico diferencial deberá incorporar la colaboración con IA como competencia esencial.
El imperativo ético y regulatorio: Los propios investigadores subrayan la urgente necesidad de ensayos prospectivos que evalúen estas tecnologías en entornos clínicos reales, más allá de los estudios retrospectivos o de viñetas. También señalan la necesidad de desarrollar marcos de monitorización robustos para supervisar el despliegue de sistemas de apoyo a la decisión clínica basados en IA, así como de definir con claridad los mecanismos de responsabilidad cuando una recomendación de IA contribuye a un error médico.
Conclusión
El ensayo publicado en Science por el equipo de Harvard, BIDMC y Stanford no es el primer estudio que muestra a la IA superando a médicos en tareas diagnósticas, pero sí el más riguroso hasta la fecha por su combinación de escala, diversidad metodológica, cegamiento de evaluadores y uso de datos reales de urgencias. Sus resultados no deben interpretarse como la obsolescencia del médico de urgencias, sino como la señal más clara hasta ahora de que la integración de la IA en el flujo clínico ha dejado de ser una promesa tecnológica para convertirse en una necesidad médica inaplazable.
Los autores concluyen con una llamada explícita a la acción: la comunidad científica y los sistemas de salud deben pasar de los estudios observacionales a los ensayos clínicos prospectivos aleatorizados, única forma de determinar con certeza si el rendimiento sobrehumano de la IA en condiciones de laboratorio se traduce en vidas salvadas en los pasillos reales de los servicios de urgencias.
Referencia del estudio: Brodeur PG, Buckley TA, Kanjee Z, et al. "Superhuman performance of a large language model on the reasoning tasks of a physician." Science, DOI: 10.1126/science.adz4433. Beth Israel Deaconess Medical Center / Harvard Medical School / Stanford University, 2026.
Para más información: Arjun_Manrai@hms.harvard.edu / arodman@bidmc.harvard.edu
