[Durgical](https://durgical.com/) › [DurgiPedia](https://durgical.com/durgipedia/) › [Epidemiología](https://durgical.com/epidemiologia/) › [Informática médica](https://durgical.com/epidemiologia/areas/informatics/) › Inteligencia artificial en medicina: usos y límites

# Inteligencia artificial en medicina: usos y límites

- Concepto

La IA puede leer una [retina](https://durgical.com/anatomia/retina/) en segundos y también inventar una referencia con total seguridad. Distinguir lo uno de lo otro ya es una destreza clínica.

Actualizado 19 nov 2026

## Lo esencial

- Aprendizaje supervisado: una tarea, datos etiquetados, una probabilidad como resultado; grandes modelos de lenguaje: generación general de texto que puede alucinar.
- Los usos probados son estrechos: tamizaje de [retinopatía diabética](https://durgical.com/enfermedades/retinopatia-diabetica/) en fotografías de retina y [priorización](https://durgical.com/enfermeria/asignacion-de-pacientes-y-priorizacion-entre-varios-pacientes/) que marca estudios de imagen para leerlos antes.
- Evalúe un modelo como una prueba: validación externa, sensibilidad y [especificidad](https://durgical.com/epidemiologia/especificidad/), calibración, desempeño por subgrupos y efecto en los desenlaces.
- Cambio en los datos (dataset shift): un modelo puede fallar si la población, los equipos o la práctica difieren de donde se entrenó.
- [Sesgo de automatización](https://durgical.com/semiologia/usar-ayudas-de-decision-e-ia-junto-a-la-cama-del-paciente/): las personas aceptan la sugerencia de la máquina aunque esté equivocada; la privacidad y la responsabilidad siguen en el clínico y la institución.
- Los seis principios de la OMS: autonomía; bienestar, seguridad e interés público; transparencia; responsabilidad y rendición de cuentas; inclusión y equidad; IA receptiva y sostenible.

En esta página

- Lo básico Lo esencial
- Qué es
- Cómo pensarlo
- Datos clave
- Ejemplo resuelto
- Dos familias de IA médica
- En la práctica
- Errores frecuentes
- Trampas frecuentes
- En otras secciones

- Estudio Póngase a prueba

- Conexiones Conexiones

## Qué es

La inteligencia artificial en medicina abarca dos familias principales. Los modelos supervisados aprenden de ejemplos etiquetados para una tarea estrecha, como clasificar una fotografía de retina, y entregan una probabilidad. Los grandes modelos de lenguaje aprenden de enormes cantidades de texto a predecir las siguientes palabras, así que escriben con fluidez sobre casi todo, pero pueden producir falsedades verosímiles. Ambos deben juzgarse como cualquier prueba diagnóstica: por su validación en la población propia, su calibración, su equidad y su efecto en los pacientes. El clínico sigue siendo responsable de la decisión.

## Cómo pensarlo

Trate un modelo de IA como a un residente nuevo brillante formado en otro hospital: rápido y a menudo acertado en lo que ya vio, demasiado seguro en lo que no ha visto, y sin notar la diferencia. Usted revisa su trabajo en proporción a lo que está en juego, y usted firma la nota.

## Datos clave

- La validación interna prueba el modelo con datos reservados de la misma fuente; la externa lo prueba en otros hospitales o poblaciones, y el desempeño suele caer.
- Calibración: si los riesgos predichos coinciden con las tasas observadas; un modelo puede ordenar bien a los pacientes y aun así sobrestimar el riesgo de todos.
- Sesgo y equidad: los grupos poco representados en los datos de entrenamiento pueden recibir peor desempeño; informe los resultados por sexo, edad, etnia y entorno.
- Aprendizaje por atajos: los modelos pueden aprender factores de confusión, como el hospital o el equipo, en vez de la enfermedad.
- Los modelos de lenguaje pueden inventar datos, dosis y referencias; verifique cada afirmación clínica contra una fuente primaria.
- No ingrese datos identificables de pacientes en herramientas que su institución no haya autorizado; los datos de salud son datos personales sensibles.

## Ejemplo resuelto

- Un modelo de tamizaje de retina informa sensibilidad de 87 % y especificidad de 91 % en un ensayo donde el 24 % tenía enfermedad referible.
- En 1 000 personas con 24 %: 240 enfermos → 209 verdaderos positivos; 760 sanos → 68 falsos positivos. VPP = 209 / 277 ≈ 75 %.
- En atención primaria con 5 % de enfermedad: 50 enfermos → 44 verdaderos positivos; 950 sanos → 86 falsos positivos.
- VPP = 44 / 130 ≈ 34 %: dos de cada tres remisiones son falsas alarmas, aunque el modelo no cambió.
- Verificación de calibración: el modelo asigna 20 % de riesgo a un grupo en el que el 10 % tiene la enfermedad; sobrestima al doble.
- Lectura: informe el desempeño externo con su propia [prevalencia](https://durgical.com/epidemiologia/prevalencia/) y revise la calibración antes de confiar en una puntuación.

## Dos familias de IA médica

| Rasgo | Modelo supervisado | Gran modelo de lenguaje |
| --- | --- | --- |
| Aprende de | Ejemplos etiquetados para una tarea | Cantidades muy grandes de texto general |
| Resultado | Una probabilidad o una clase | Texto fluido sobre casi cualquier pregunta |
| Uso típico | Tamizaje de retina, priorización de imágenes, escalas de riesgo | Redactar, resumir, responder preguntas |
| Falla típica | Cambio en los datos, mala calibración, sesgo por subgrupos | Alucinación: falsedades seguras y verosímiles |
| Cómo se verifica | Sensibilidad, especificidad y calibración en datos externos | Contrastando cada afirmación con una fuente primaria |

## En la práctica

- Antes de usar una herramienta, pregunte: ¿qué tarea, en qué población se validó, cuáles son sus errores y quién responde?
- Use lo que produce un modelo de lenguaje como borrador, nunca como fuente: verifique datos, dosis y referencias, y quite antes los identificadores.
- Mantenga encendido su propio juicio: cuando la herramienta contradice el cuadro clínico, vuelva a examinar en lugar de ceder.
- Informe al paciente cuando una herramienta de IA contribuyó a su atención y registre la decisión como propia.

## Errores frecuentes

- Confiar en la exactitud medida con los datos del desarrollador sin validación externa.
- Leer sensibilidad y especificidad sin recalcular el valor predictivo con la prevalencia local.
- Ignorar la calibración porque el área bajo la curva es alta.
- Aceptar una respuesta fluida como si estuviera verificada.

## Trampas frecuentes

- **Alta exactitud en el artículo significa alta exactitud aquí**: el desempeño suele caer con datos externos, y los valores predictivos cambian con la prevalencia local
- **Una respuesta fluida de un modelo de lenguaje es una respuesta verificada**: estos modelos predicen texto verosímil y pueden inventar datos y referencias con total seguridad
- **Si el modelo discrimina bien, sus cifras de riesgo son correctas**: discriminación y calibración son distintas; un modelo puede ordenar bien a los pacientes y aun así sobrestimar el riesgo de todos
- **Decidió la IA, así que la IA es responsable**: el clínico y la institución siguen respondiendo por las decisiones tomadas con la herramienta
- **Los algoritmos son neutrales**: heredan los sesgos de sus datos de entrenamiento y pueden rendir peor en grupos poco representados

## Póngase a prueba

Piense la respuesta y toque la pregunta para verla.

## Un modelo de tamizaje con sensibilidad de 87 % y especificidad de 91 % se usa donde el 5 % tiene la enfermedad. ¿Qué parte de los positivos es verdadera?

Cerca de un tercio: por 1 000, 44 verdaderos positivos y 86 falsos positivos, así que el VPP ≈ 34 %.

## Un modelo de lenguaje le da una respuesta segura con tres referencias. ¿Qué hace antes de usarla?

Verificar cada afirmación y cada referencia contra una fuente primaria; los modelos de lenguaje pueden inventar datos y citas verosímiles.

## Una escala de sepsis entrenada en otro país funciona mal en su hospital. ¿Cuál es el problema probable y cómo se corrige?

Cambio en los datos: otros pacientes, otra práctica u otros datos. Validarla y recalibrarla con datos locales antes de usarla, y vigilarla después.

## ¿Por qué el sesgo de automatización es peligroso incluso con un buen modelo?

El clínico tiende a aceptar la sugerencia de la máquina cuando está equivocada, por encima de su propio juicio correcto; los errores raros pasan sin revisión.

[Agregar a mis tarjetas (4)](https://durgical.app/estudiar/?add=/epidemiologia/inteligencia-artificial-en-medicina-usos-y-limites/)

## En otras secciones

- [Ley 1581 de 2012: datos personales en salud](https://durgical.com/etica-medica/ley-1581-de-2012-datos-personales-en-salud/)
- [Telesalud y telemedicina en Colombia: Ley 1419 de 2010 y Resolución 1644 de 2026](https://durgical.com/etica-medica/telesalud-y-telemedicina-en-colombia-ley-1419-de-2010-y-resolucion-1644-de-2026/)
- [Consultas por teléfono y por video: consultar con seguridad a distancia](https://durgical.com/habilidades-clinicas/consultas-por-telefono-y-por-video-consultar-con-seguridad-a-distancia/)

## Conexiones

## Relacionados 7

- [Sensibilidad](https://durgical.com/epidemiologia/sensibilidad/)
- [Especificidad](https://durgical.com/epidemiologia/especificidad/)
- [Efecto de la prevalencia en los valores predictivos](https://durgical.com/epidemiologia/efecto-de-la-prevalencia-en-los-valores-predictivos/)
- [Curva ROC](https://durgical.com/epidemiologia/curva-roc/)
- [Validez interna y validez externa](https://durgical.com/epidemiologia/validez-interna-y-validez-externa/)
- [Sesgo de selección](https://durgical.com/epidemiologia/sesgo-de-seleccion/)
- [Sistemas de apoyo a la decisión clínica](https://durgical.com/epidemiologia/sistemas-de-apoyo-a-la-decision-clinica/)

[← Toda la epidemiología](https://durgical.com/epidemiologia/)

Contenido educativo sobre métodos epidemiológicos y estadísticos; los ejemplos usan números inventados para enseñar el cálculo. No es una guía clínica ni normativa: las normas colombianas vigentes se consultan en las fuentes oficiales.

Fuentes: [Ethics and governance of artificial intelligence for health](https://www.who.int/publications/i/item/9789240029200) (Organización Mundial de la Salud, 2021); [Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models](https://www.who.int/publications/i/item/9789240084759) (Organización Mundial de la Salud, 2025); [Key challenges for delivering clinical impact with artificial intelligence](https://pmc.ncbi.nlm.nih.gov/articles/PMC6821018/) (BMC Medicine (PubMed Central), 2019); [Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices](https://pmc.ncbi.nlm.nih.gov/articles/PMC6550188/) (npj Digital Medicine (PubMed Central), 2018).

## **¿Ha detectado un error?** Siempre buscamos mejorar para la comunidad. Cuéntenos qué está mal y nuestro equipo lo revisa. Reportar un error

Modelo representativo, solo con fines educativos.

---
Source: https://durgical.com/epidemiologia/inteligencia-artificial-en-medicina-usos-y-limites/
License: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Cite as: DurgiPedia (durgical.com), https://durgical.com/epidemiologia/inteligencia-artificial-en-medicina-usos-y-limites/
