Semáforo UOL: Atención
Un trabajo de la Facultad de Medicina probó ChatGPT, Claude y Gemini con 100 historias clínicas reales; sirve a clínicas y servicios profesionales que evalúan usar IA como apoyo.
ChatGPT y Gemini llegaron al diagnóstico correcto en 90 de 100 casos reales y Claude en 87, según un estudio de la Unidad Académica de Enfermedades Infecciosas de la Facultad de Medicina de la Universidad de la República (Udelar). El trabajo, firmado por Líber Fernández y Julio Medina, fue publicado en la Revista Médica del Uruguay, según informaron El Observador y la diaria esta semana. Los propios autores aclaran que la diferencia entre los tres asistentes no es estadísticamente significativa y que el resultado no habilita a usar estas herramientas sin un médico.
Qué hizo el estudio de la Udelar
Los investigadores tomaron 100 historias clínicas reales y anonimizadas de adultos atendidos entre 2016 y 2025 en el Hospital de Clínicas y en el Instituto Nacional de Ortopedia y Traumatología (INOT). Las pruebas se hicieron entre abril y diciembre de 2025, con las versiones gratuitas de cada asistente. Según El Observador, 55 casos eran de complejidad alta y 37 de complejidad moderada, e incluían infecciones del sistema nervioso central, infecciones abdominales, tuberculosis, endocarditis y cuadros menos frecuentes, como leptospirosis y malaria.
El procedimiento imitó una consulta por etapas:
- Se pidió a cada asistente que actuara como infectólogo.
- Recibió el texto del ingreso, sin las hipótesis del equipo médico tratante.
- Propuso diagnósticos posibles y pidió estudios.
- Los investigadores le entregaron los resultados de análisis e imágenes, y recién entonces dio un diagnóstico definitivo.
Además del acierto, se evaluó el razonamiento clínico con una escala ponderada creada para el estudio, que va de −25 a 100 puntos, según la diaria. Los promedios fueron 87,85 para ChatGPT, 85,50 para Claude y 82,75 para Gemini. Gemini dio respuestas más largas y recibió más penalizaciones por posible daño al paciente, es decir, por sugerir estudios o intervenciones que podían ser perjudiciales.
Por qué importa en Uruguay
Estudios previos con casos simulados habían informado aciertos de entre 70 % y 80 %. Los autores atribuyen la mejora a la evolución de los modelos y al ingreso de la información por etapas. Pero también marcan límites que cualquier prestador debería leer antes de sacar conclusiones:
- El rendimiento de estos modelos «no es una propiedad fija», sino que varía según cómo se formule la consulta.
- Toda información médica generada por IA requiere verificación profesional.
- Los sistemas de puntuación se diseñaron para este trabajo y no están validados.
- No fue posible determinar la versión exacta del modelo usada en cada consulta.
El infectólogo Julio Medina advirtió, en declaraciones recogidas por la diaria, que la herramienta puede equivocarse con la misma seguridad con la que acierta. Las historias clínicas reales, además, suelen traer información fragmentada, redundante o contradictoria. En otras palabras: un 90 % de aciertos en un estudio no equivale a un asistente apto para diagnosticar, y el profesional sigue siendo quien decide.
El tema ya está en la agenda local: la Facultad de Medicina discutió este mes los controles de la Prueba Única de Residencias ante el uso indebido de IA.
Qué puede hacer su empresa: un protocolo de verificación humana
Si su clínica, policlínica, estudio contable o jurídico piensa usar IA como apoyo, conviene definir por escrito cómo se revisa cada resultado antes de usarlo:
- Defina para qué tareas se admite la IA (borradores, resúmenes, listas de preguntas) y para cuáles no (decisiones clínicas o legales sin revisión).
- Designe quién revisa: una persona con la formación adecuada, con nombre y responsabilidad.
- Registre la herramienta, la fecha y la consulta usada, porque el resultado cambia según cómo se pregunte.
- No ingrese datos personales de pacientes o clientes en versiones gratuitas sin anonimizarlos.
- Compare cada respuesta con fuentes profesionales antes de comunicarla.
Un ejemplo hipotético: una policlínica que usa un asistente para ordenar una historia clínica deja constancia de que el médico tratante revisó y firmó el resumen antes de incorporarlo.
Transparencia: Claude es un producto de Anthropic, y el contenido de UOL se elabora con asistencia de herramientas de IA, entre ellas las de Anthropic.
Fuentes:
- El Observador: ChatGPT, Claude y Gemini, a prueba en el Hospital de Clínicas
- la diaria: la IA acertó hasta nueve de cada diez diagnósticos
- UOL: Prueba Única de Residencias, Medicina mantiene sus controles
Por Diego Pereira
Deje una respuesta