Hogar
El gran reto de la medicina basada en la IA: los modelos generativos aún carecen de razonamiento clínico independiente

Un estudio reciente del equipo de MESH Incubator del Hospital General de Massachusetts evaluó las capacidades de razonamiento clínico de la IA generativa. Aunque la IA está logrando avances significativos en el ámbito de la medicina, la investigación pone de manifiesto lagunas persistentes en la cadena lógica del diagnóstico clínico simulado en el mundo real. Publicados en la prestigiosa revista «JAMA Network Open», los resultados indican claramente que los modelos convencionales actuales aún no están preparados para realizar tareas de diagnóstico clínico de forma independiente.
El estudio evaluó 21 modelos de lenguaje a gran escala, entre ellos ChatGPT, DeepSeek, Claude, Gemini y Grok, utilizando 29 casos clínicos consolidados. El experimento imitó el proceso de diagnóstico dinámico de un médico al revelar gradualmente los síntomas del paciente, los datos de laboratorio y los resultados de las pruebas de imagen. Los datos mostraron que, cuando se les proporcionaba información completa, todos los modelos alcanzaban una precisión superior al 90 % a la hora de ofrecer el diagnóstico final correcto. Sin embargo, en el ámbito central del razonamiento clínico —el diagnóstico diferencial— más del 80 % de los modelos obtuvieron malos resultados, ya que no lograron analizar de forma sistemática ni priorizar las múltiples afecciones potenciales.
Para cuantificar esta brecha, los investigadores introdujeron el índice de evaluación integral PrIME-LLM, que abarca todo el proceso, desde la evaluación inicial y la selección de pruebas hasta la planificación del tratamiento. Las puntuaciones de la evaluación oscilaron entre el 64 % y el 78 % en todos los modelos, lo que pone de relieve que la IA es más hábil a la hora de «revelar respuestas» con información completa que a la hora de realizar un razonamiento lógico abierto con datos incompletos.
Aunque los modelos más recientes muestran una notable mejora en el manejo de datos complejos en comparación con sus predecesores, el equipo hizo hincapié en que, en la actualidad, los grandes modelos de lenguaje deben considerarse herramientas auxiliares. Su uso en la práctica clínica sin supervisión profesional sigue entrañando riesgos. Este estudio proporciona un punto de referencia racional para el futuro de la IA en la asistencia sanitaria: la transición de la simple «correspondencia de respuestas» al complejo «razonamiento lógico» será el umbral crítico para que los grandes modelos médicos alcancen una aplicación de nivel profesional.
Artículo relacionado
CEO de DeepMind, Hassabis: Duermo seis horas al día y generalmente me siento con energía alrededor de la 1 a. m.
Fortune ha presentado recientemente una entrevista con Demis Hassabis, director ejecutivo de Google DeepMind, en la que revela su enfoque poco convencional para el descanso y la productividad. Hassabis ha revelado que duerme muy poco, estructurando s
OpenAI y Anthropic compiten por la cuota de mercado a pesar de la caída de los ingresos
A pesar de los recientes informes que sugieren que OpenAI no ha alcanzado sus objetivos de ingresos —lo que ha generado presión sobre las acciones tecnológicas este martes—, los inversores privados en
Cumplimiento de la normativa sobre vehículos autónomos en California: una nueva era de multas, geovallas y 1 millón de millas
Guident opera un servicio de transporte de AuveTech en el sur de Florida, gestionando una ruta de cuatro millas en West Palm Beach y otra de una milla en Boca Ratón mediante su tecnología de monitoriz
Recomendaciones de temas especiales relacionados
comentario (0)
0/500

Un estudio reciente del equipo de MESH Incubator del Hospital General de Massachusetts evaluó las capacidades de razonamiento clínico de la IA generativa. Aunque la IA está logrando avances significativos en el ámbito de la medicina, la investigación pone de manifiesto lagunas persistentes en la cadena lógica del diagnóstico clínico simulado en el mundo real. Publicados en la prestigiosa revista «JAMA Network Open», los resultados indican claramente que los modelos convencionales actuales aún no están preparados para realizar tareas de diagnóstico clínico de forma independiente.
El estudio evaluó 21 modelos de lenguaje a gran escala, entre ellos ChatGPT, DeepSeek, Claude, Gemini y Grok, utilizando 29 casos clínicos consolidados. El experimento imitó el proceso de diagnóstico dinámico de un médico al revelar gradualmente los síntomas del paciente, los datos de laboratorio y los resultados de las pruebas de imagen. Los datos mostraron que, cuando se les proporcionaba información completa, todos los modelos alcanzaban una precisión superior al 90 % a la hora de ofrecer el diagnóstico final correcto. Sin embargo, en el ámbito central del razonamiento clínico —el diagnóstico diferencial— más del 80 % de los modelos obtuvieron malos resultados, ya que no lograron analizar de forma sistemática ni priorizar las múltiples afecciones potenciales.
Para cuantificar esta brecha, los investigadores introdujeron el índice de evaluación integral PrIME-LLM, que abarca todo el proceso, desde la evaluación inicial y la selección de pruebas hasta la planificación del tratamiento. Las puntuaciones de la evaluación oscilaron entre el 64 % y el 78 % en todos los modelos, lo que pone de relieve que la IA es más hábil a la hora de «revelar respuestas» con información completa que a la hora de realizar un razonamiento lógico abierto con datos incompletos.
Aunque los modelos más recientes muestran una notable mejora en el manejo de datos complejos en comparación con sus predecesores, el equipo hizo hincapié en que, en la actualidad, los grandes modelos de lenguaje deben considerarse herramientas auxiliares. Su uso en la práctica clínica sin supervisión profesional sigue entrañando riesgos. Este estudio proporciona un punto de referencia racional para el futuro de la IA en la asistencia sanitaria: la transición de la simple «correspondencia de respuestas» al complejo «razonamiento lógico» será el umbral crítico para que los grandes modelos médicos alcancen una aplicación de nivel profesional.
CEO de DeepMind, Hassabis: Duermo seis horas al día y generalmente me siento con energía alrededor de la 1 a. m.
Fortune ha presentado recientemente una entrevista con Demis Hassabis, director ejecutivo de Google DeepMind, en la que revela su enfoque poco convencional para el descanso y la productividad. Hassabis ha revelado que duerme muy poco, estructurando s
OpenAI y Anthropic compiten por la cuota de mercado a pesar de la caída de los ingresos
A pesar de los recientes informes que sugieren que OpenAI no ha alcanzado sus objetivos de ingresos —lo que ha generado presión sobre las acciones tecnológicas este martes—, los inversores privados en











