¿Puede la inteligencia artificial generativa revolucionar la medicina?
La inteligencia artificial generativa se está imponiendo progresivamente como una herramienta clave en el ámbito de la salud. Permite analizar grandes cantidades de datos médicos, ayudar en la toma de decisiones clínicas y mejorar la calidad de la atención. Un análisis reciente revisó 24 estudios para evaluar su uso, rendimiento e impacto ambiental.
Los modelos de inteligencia artificial generativa se dividen en dos grandes categorías: aquellos que procesan únicamente texto y los que combinan varios tipos de datos, como imágenes y texto. Los primeros, a menudo preentrenados en grandes bases de datos generales, se afinan posteriormente para tareas específicas en medicina. Este paso de afinamiento permite adaptar los modelos a necesidades precisas, como el diagnóstico de enfermedades o el análisis de historiales médicos, al tiempo que reduce el tiempo y los recursos necesarios en comparación con un entrenamiento completo.
Los modelos multimodales, aunque menos frecuentes, resultan especialmente prometedores. Son capaces de procesar simultáneamente imágenes médicas y textos, lo que los hace adecuados para tareas complejas, como la interpretación de escáneres teniendo en cuenta los antecedentes del paciente. Por ejemplo, algunos modelos han alcanzado tasas de precisión de hasta el 99,9 % para detectar enfermedades oftalmológicas o clasificar imágenes médicas.
Los estudios muestran que los modelos afinados suelen superar a los preentrenados en términos de precisión, con resultados que varían entre el 70,6 % y el 99,9 %. Se utilizan para diversas tareas: clasificación de enfermedades, respuesta a preguntas médicas o generación de informes. Sin embargo, su entrenamiento sigue siendo muy exigente en recursos. Pocos estudios han medido el impacto ambiental de estas tecnologías, pero uno de ellos reveló que el entrenamiento de un modelo emitió 486 kilogramos de CO₂, lo que subraya la huella de carbono a menudo ignorada de estas herramientas.
Otro desafío radica en la calidad de los datos utilizados. Los modelos suelen basarse en bases de datos públicas o historiales médicos electrónicos, pero existe el riesgo de contaminación de los datos. Esto puede falsear los resultados, ya que el modelo podría aprender a partir de información ya presente en los conjuntos de prueba, lo que sobrestimaría su rendimiento real.
Las aplicaciones conversacionales, como los asistentes capaces de responder preguntas médicas o resumir historiales, son las más extendidas. Desempeñan un papel clave en la interacción con pacientes y profesionales de la salud. No obstante, a pesar de su potencial, los modelos multimodales siguen infrautilizados, cuando podrían aprovechar mejor la diversidad de los datos médicos, como imágenes, textos y grabaciones.
La evaluación del rendimiento suele basarse en referencias estandarizadas, como conjuntos de datos diseñados para probar la capacidad de los modelos para responder preguntas médicas o analizar imágenes. Estas referencias permiten comparar objetivamente los diferentes sistemas. Sin embargo, aún no existen referencias específicas para ciertas especialidades, como la odontología, lo que limita la evaluación de los modelos en estos ámbitos.
Finalmente, la integración de estas tecnologías en la práctica clínica plantea cuestiones éticas y de confidencialidad. Al ser sensibles los datos médicos, su uso debe estar regulado para evitar cualquier riesgo de identificación de los pacientes. Aunque la mayoría de los modelos estudiados aún se encuentran en fase de validación interna, su despliegue a gran escala requerirá pruebas rigurosas para garantizar su fiabilidad y seguridad.
Bases documentaires
Rapport de référence
DOI : https://doi.org/10.1186/s44398-026-00029-6
Titre : Use of generative artificial intelligence models in healthcare – a scoping review
Revue : BMC Artificial Intelligence
Éditeur : Springer Science and Business Media LLC
Auteurs : Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer