El informe de la mamografía dice que un sistema marcó una zona, y la primera pregunta es si eso reemplaza al médico. No. Ya ayuda a leer imágenes repetitivas. No hace la visita: no te examina, no junta tu historia y no responde si se equivoca. Sirve como segunda lectura. La primera, y la última, siguen siendo de una persona.
Por qué acierta en una tarea y se pierde en la siguiente
Estos sistemas ven miles de imágenes y cazan un patrón fino, una mancha, una sombra. En esa tarea estrecha rinden. Si el caso no se parece a los que vieron, bajan. Un modelo de neumonía leyó peor las radiografías de otro hospital que las de donde se entrenó: había aprendido marcas del centro, no solo el pulmón. El determinismo clínico pide que la misma evidencia lleve a una decisión que se pueda explicar. Muchos de estos sistemas no dicen por qué marcaron.
Tres resultados, cada uno con su límite
- Mama. En un estudio internacional, el sistema bajó los falsos positivos 5,7 % en Estados Unidos y 1,2 % en Reino Unido, y los falsos negativos 9,4 % y 2,7 %. Es apoyo a la lectura, no un alta.
- Piel. Un modelo igualó a dermatólogos al clasificar fotos en una prueba controlada. Eso no es el lunar visto en consulta, con luz, historia y seguimiento.
- Otro hospital. El mismo modelo de tórax rindió peor fuera de su centro. Cambiar de máquina o de población cambia el acierto.
Un sistema puede reducir errores en una tarea concreta. La responsabilidad del diagnóstico sigue en quien te conoce y puede explicar la decisión
Cómo usarla sin soltar la visita
Lleva tres preguntas: si se usó una herramienta, quién validó la marca y qué cambia en tu caso. Esa supervisión humana es el uso sano. Un sesgo algorítmico o una imagen distinta a las del entrenamiento no se ve desde casa. Los límites de la IA están ahí: señala, no cierra. En RedSana la segunda opinión se comenta con quien tiene la historia. Eso es Medicina Integrativa: la máquina suma un ojo, no reemplaza el criterio.
Referencias científicas:
1. McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94. doi:10.1038/s41586-019-1799-6. PMID: 31894144.
2. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118. doi:10.1038/nature21056. PMID: 28117445.
3. Zech JR, Badgeley MA, Liu M, Costa AB, Titano JJ, Oermann EK. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: a cross-sectional study. PLoS Med. 2018;15(11):e1002683. doi:10.1371/journal.pmed.1002683. PMID: 30399193.
- Challen R, Denny J, Pitt M, Gompels L, Edwards T, Tsaneva-Atanasova K. Artificial intelligence, bias and clinical safety. BMJ Qual Saf. 2019;28(3):231-237. doi:10.1136/bmjqs-2018-008370. PMID: 30636200.