La inteligencia artificial generativa se est\u00e1 imponiendo progresivamente como una herramienta clave en el \u00e1mbito de la salud. Permite analizar grandes cantidades de datos m\u00e9dicos, ayudar en la toma de decisiones cl\u00ednicas y mejorar la calidad de la atenci\u00f3n. Un an\u00e1lisis reciente revis\u00f3 24 estudios para evaluar su uso, rendimiento e impacto ambiental.<\/p>\n
Los modelos de inteligencia artificial generativa se dividen en dos grandes categor\u00edas: aquellos que procesan \u00fanicamente texto y los que combinan varios tipos de datos, como im\u00e1genes y texto. Los primeros, a menudo preentrenados en grandes bases de datos generales, se afinan posteriormente para tareas espec\u00edficas en medicina. Este paso de afinamiento permite adaptar los modelos a necesidades precisas, como el diagn\u00f3stico de enfermedades o el an\u00e1lisis de historiales m\u00e9dicos, al tiempo que reduce el tiempo y los recursos necesarios en comparaci\u00f3n con un entrenamiento completo.<\/p>\n
Los modelos multimodales, aunque menos frecuentes, resultan especialmente prometedores. Son capaces de procesar simult\u00e1neamente im\u00e1genes m\u00e9dicas y textos, lo que los hace adecuados para tareas complejas, como la interpretaci\u00f3n de esc\u00e1neres teniendo en cuenta los antecedentes del paciente. Por ejemplo, algunos modelos han alcanzado tasas de precisi\u00f3n de hasta el 99,9 % para detectar enfermedades oftalmol\u00f3gicas o clasificar im\u00e1genes m\u00e9dicas.<\/p>\n
Los estudios muestran que los modelos afinados suelen superar a los preentrenados en t\u00e9rminos de precisi\u00f3n, con resultados que var\u00edan entre el 70,6 % y el 99,9 %. Se utilizan para diversas tareas: clasificaci\u00f3n de enfermedades, respuesta a preguntas m\u00e9dicas o generaci\u00f3n de informes. Sin embargo, su entrenamiento sigue siendo muy exigente en recursos. Pocos estudios han medido el impacto ambiental de estas tecnolog\u00edas, pero uno de ellos revel\u00f3 que el entrenamiento de un modelo emiti\u00f3 486 kilogramos de CO\u2082, lo que subraya la huella de carbono a menudo ignorada de estas herramientas.<\/p>\n
Otro desaf\u00edo radica en la calidad de los datos utilizados. Los modelos suelen basarse en bases de datos p\u00fablicas o historiales m\u00e9dicos electr\u00f3nicos, pero existe el riesgo de contaminaci\u00f3n de los datos. Esto puede falsear los resultados, ya que el modelo podr\u00eda aprender a partir de informaci\u00f3n ya presente en los conjuntos de prueba, lo que sobrestimar\u00eda su rendimiento real.<\/p>\n
Las aplicaciones conversacionales, como los asistentes capaces de responder preguntas m\u00e9dicas o resumir historiales, son las m\u00e1s extendidas. Desempe\u00f1an un papel clave en la interacci\u00f3n con pacientes y profesionales de la salud. No obstante, a pesar de su potencial, los modelos multimodales siguen infrautilizados, cuando podr\u00edan aprovechar mejor la diversidad de los datos m\u00e9dicos, como im\u00e1genes, textos y grabaciones.<\/p>\n
La evaluaci\u00f3n del rendimiento suele basarse en referencias estandarizadas, como conjuntos de datos dise\u00f1ados para probar la capacidad de los modelos para responder preguntas m\u00e9dicas o analizar im\u00e1genes. Estas referencias permiten comparar objetivamente los diferentes sistemas. Sin embargo, a\u00fan no existen referencias espec\u00edficas para ciertas especialidades, como la odontolog\u00eda, lo que limita la evaluaci\u00f3n de los modelos en estos \u00e1mbitos.<\/p>\n
Finalmente, la integraci\u00f3n de estas tecnolog\u00edas en la pr\u00e1ctica cl\u00ednica plantea cuestiones \u00e9ticas y de confidencialidad. Al ser sensibles los datos m\u00e9dicos, su uso debe estar regulado para evitar cualquier riesgo de identificaci\u00f3n de los pacientes. Aunque la mayor\u00eda de los modelos estudiados a\u00fan se encuentran en fase de validaci\u00f3n interna, su despliegue a gran escala requerir\u00e1 pruebas rigurosas para garantizar su fiabilidad y seguridad.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1186\/s44398-026-00029-6<\/a><\/p>\n Titre\u00a0:<\/strong> Use of generative artificial intelligence models in healthcare \u2013 a scoping review<\/p>\n Revue : <\/strong> BMC Artificial Intelligence<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer<\/p>\n","protected":false},"excerpt":{"rendered":" \u00bfPuede la inteligencia artificial generativa revolucionar la medicina? La inteligencia artificial generativa se est\u00e1 imponiendo progresivamente como una herramienta clave en el \u00e1mbito de la salud. Permite analizar grandes cantidades de datos m\u00e9dicos, ayudar en la toma de decisiones cl\u00ednicas y mejorar la calidad de la atenci\u00f3n. Un an\u00e1lisis reciente revis\u00f3 24 estudios para evaluar… Seguir leyendo \u00bfPuede la inteligencia artificial generativa revolucionar la medicina?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,3],"tags":[],"class_list":["post-24","post","type-post","status-publish","format-standard","hentry","category-ciencia-y-tecnologia","category-salud","entry"],"_links":{"self":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts\/24","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/comments?post=24"}],"version-history":[{"count":1,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts\/24\/revisions"}],"predecessor-version":[{"id":25,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts\/24\/revisions\/25"}],"wp:attachment":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/media?parent=24"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/categories?post=24"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/tags?post=24"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}