Qué puede y qué no puede hacer la inteligencia artificial con un examen médico

Casi todo lo que se lee sobre inteligencia artificial en salud está escrito en uno de dos tonos: el que anuncia que los algoritmos van a diagnosticar mejor que las personas, y el que responde que nada de eso es serio.

Vale la pena mirar el terreno intermedio, que es donde la tecnología está haciendo un trabajo real, poco espectacular y bastante útil.

Lo que sí hace bien hoy: leer documentos

Un equipo médico produce un archivo —un PDF, un ZIP, un DICOM— que contiene datos perfectamente estructurados por dentro pero presentados como texto para que los lea una persona. Nombre, identificador, fecha, mediciones, hallazgos.

Extraer esos datos y dejarlos ordenados es una tarea que los modelos de lenguaje hacen bien, y que antes solo se podía hacer a mano. No requiere criterio clínico: requiere leer con cuidado.

Por qué importa: porque la transcripción manual es donde se producen los errores administrativos que después cuestan caro. Un dígito equivocado en un identificador no es un problema de eficiencia, es un problema de seguridad del paciente.

Lo segundo que hace bien: verificar que el archivo corresponda

Este uso es menos obvio y probablemente más valioso.

Si el sistema puede leer el identificador que viene dentro del documento, puede compararlo con el del paciente que está en pantalla. Cuando no coinciden, el examen se detiene en vez de guardarse en la ficha equivocada.

Es un control aburrido, sin ninguna gracia, que evita exactamente el tipo de error que nadie descubre hasta que ya es tarde.

Notemos lo que no está haciendo el modelo ahí: no está interpretando nada clínico. Está comparando dos cadenas de texto. Y sin embargo es probablemente el uso de más impacto de todos.

Lo tercero: ordenar hallazgos según guías

Un modelo puede clasificar hallazgos descritos en el documento según los criterios de las guías clínicas vigentes y ordenarlos por relevancia, de modo que el profesional no tenga que buscarlos dentro del PDF.

Esto ya está más cerca del terreno clínico, y por eso conviene ser preciso sobre su naturaleza: es una ayuda de lectura, no una conclusión. El valor está en que el médico llegue antes a los datos, no en que el sistema opine.

Lo que no hace, y no debería presentarse como que hace

No diagnostica. Un diagnóstico es un acto médico que integra el examen con la historia del paciente, el examen físico, el contexto y el criterio profesional. Un modelo que ve un archivo no tiene nada de eso.

No firma. La firma de un informe tiene consecuencias legales y responsabilidad asociada a una persona identificada. En Chile eso está regulado por la Ley 19.799 sobre firma electrónica: firma un profesional, no un sistema.

No decide sola qué es urgente. Puede marcar y priorizar, pero la responsabilidad de la conducta clínica no se delega.

No reemplaza el criterio cuando el dato es ambiguo. Y en medicina el dato es ambiguo bastante seguido.

La pregunta útil para evaluar una herramienta

Cuando alguien ofrece "IA para salud", la pregunta que separa lo serio de lo demás no es qué modelo usa. Es esta:

¿Qué pasa cuando el sistema se equivoca?

Una herramienta bien diseñada tiene respuesta: el error queda visible, hay un camino para corregirlo, y queda registro de quién lo corrigió. Una herramienta que no puede responder eso está pidiendo confianza sin ofrecer control.

Dónde va a estar el avance de los próximos años

Probablemente no en algoritmos que diagnostiquen, sino en algo menos vistoso: que la información clínica deje de estar fragmentada entre carpetas, correos y sistemas que no se hablan.

El cuello de botella de la salud digital hoy no es la falta de inteligencia. Es que los datos no llegan enteros a donde se necesitan.