Por Pesach Benson • 25 de octubre de 2026

Jerusalén, 25 de octubre de 2026 (TPS-IL) — Los modelos de inteligencia artificial pueden recomendar pruebas médicas innecesarias incluso cuando es poco probable que los pacientes se beneficien de ellas, y la probabilidad varía drásticamente según el modelo que se utilice, según descubrió un estudio israelí. Las diferencias fueron mayores en los casos en que los propios médicos no estaban de acuerdo sobre el curso de acción adecuado.

El estudio, llevado a cabo por Servicios de Salud Clalit y la Universidad Ben-Gurión del Néguev, evaluó seis modelos de inteligencia artificial para determinar si podían reconocer cuándo una intervención médica no estaba justificada. Los investigadores descubrieron que los modelos recomendaron pruebas o tratamientos innecesarios en el 5,4 % de los casos en los que la intervención no estaba justificada, mientras que aconsejaron erróneamente en contra de la atención necesaria en el 0,6 % de los casos en los que la intervención sí era requerida.

Los hallazgos destacan una debilidad potencial a medida que los proveedores de atención médica exploran el uso de la inteligencia artificial para ayudar a guiar las decisiones médicas: los modelos pueden tener un buen desempeño general, pero ofrecer recomendaciones notablemente diferentes cuando la evidencia médica o las directrices profesionales no son concluyentes.

Las pruebas innecesarias pueden revelar anomalías inofensivas que derivan en exámenes adicionales, derivaciones y, en ocasiones, procedimientos invasivos o cirugías. Dicha atención de seguimiento puede causar ansiedad, consumir recursos sanitarios y exponer a los pacientes a riesgos evitables. Al mismo tiempo, una cautela excesiva con respecto a las pruebas puede ser perjudicial si conduce a que se retenga una atención necesaria.

“Los pacientes sienten que otra prueba infunde confianza, pero una resonancia magnética innecesaria de la espalda a veces revela una hernia de disco o una erosión que también existe en personas sanas sin ningún dolor, y a partir de ahí el camino hacia la ansiedad, las pruebas adicionales e incluso los tratamientos innecesarios puede ser corto”, afirmó el Dr. Dean Ariel, médico de familia en Servicios de Salud Clalit e investigador de inteligencia artificial médica que dirigió el estudio.

“Los modelos lingüísticos aprendieron medicina de nuestros textos, incluidos nuestros hábitos menos buenos, y queríamos comprobar si también absorbieron la capacidad de contenerse cuando es necesario”, añadió Ariel. “En la mayoría de los casos, saben cómo detenerse, y tropiezan principalmente donde nosotros, los médicos, dudamos”.

Los investigadores desarrollaron escenarios médicos basados en las recomendaciones de la iniciativa Choosing Wisely, una campaña internacional lanzada en 2012 para desaconsejar pruebas y tratamientos médicos que ofrecen poco o ningún beneficio. Probaron seis modelos lingüísticos desarrollados por Google, Anthropic y OpenAI y analizaron miles de respuestas.

Los escenarios contrastaban situaciones en las que una misma prueba podía ser innecesaria o esencial. Un hombre joven que experimenta dolor de espalda tras mover muebles, por ejemplo, generalmente no necesita pruebas de diagnóstico por imagen inmediatas. Por el contrario, una mujer con antecedentes de cáncer de mama que desarrolla un nuevo dolor de espalda que empeora por la noche puede requerir diagnóstico por imagen para investigar un problema potencialmente grave.

Cuando los médicos no están de acuerdo

Los modelos tuvieron más dificultades con dos tipos de recomendaciones. Sugirieron ecografías tiroideas innecesarias para nódulos pequeños en el 42,8 % de las respuestas y electrocardiogramas de rutina, que registran la actividad eléctrica del corazón, en el 28,3 % de las respuestas que involucraban a pacientes de bajo riesgo.

Estos hallazgos resaltan la dificultad de determinar cuándo una prueba está justificada. Las organizaciones médicas difieren en sus recomendaciones para evaluar algunos nódulos tiroideos pequeños. Del mismo modo, la necesidad de un electrocardiograma depende de los síntomas y de las circunstancias clínicas del paciente, incluso cuando el riesgo general es bajo.

Las diferencias entre los modelos fueron particularmente notables en escenarios donde los profesionales médicos no estaban de acuerdo sobre el curso de acción adecuado. Un modelo recomendó una prueba innecesaria en menos del 10 % de las respuestas, mientras que otro lo hizo en el 80 % de las respuestas a los mismos escenarios. Los hallazgos sugieren que la elección del modelo de inteligencia artificial podría afectar sustancialmente el asesoramiento que reciben los pacientes en situaciones de incertidumbre médica.

“Escuchamos la respuesta de un modelo lingüístico como una única voz autorizada, como si existiera una ‘postura de la inteligencia artificial’”, dijo el Dr. Guy Lavan, investigador académico sénior en el Departamento de Ingeniería y Gestión Industrial de la Universidad Ben-Gurión.

Lavan también expresó su preocupación de que los modelos lingüísticos pudieran cambiar sus recomendaciones cuando los usuarios insisten en recibir una prueba, lo que podría socavar su capacidad para brindar una orientación médica coherente.

Los investigadores señalaron que los sistemas de inteligencia artificial deberían evaluarse no solo por su capacidad para identificar la atención necesaria, sino también por su capacidad para reconocer cuándo las pruebas o los tratamientos no están justificados. Sin embargo, dado que el estudio examinó respuestas a escenarios médicos diseñados, no establece cómo se desempeñarían los modelos al asesorar a pacientes reales.

El estudio se publicó en la revista revisada por pares Annals of Internal Medicine.