Usar ayudas de decisión e IA junto a la cama del paciente
- Tema
Un puntaje o una sugerencia de IA es una pista más, no la respuesta. Dentro del propio razonamiento evita omisiones; obedecido a ciegas añade errores.
Qué es
Esta página trata del momento de uso: qué hacer con el puntaje de una regla de predicción, una alerta automática de riesgo o la respuesta de un chatbot mientras se razona sobre un paciente. Cómo se construyen, validan y gobiernan estos sistemas se explica en Sistemas de apoyo a la decisión clínica e Inteligencia artificial en medicina: usos y límites. Junto a la cama, el resultado es evidencia para el razonamiento diagnóstico, nunca su reemplazo.
Paso a paso
- Fije primero su propia probabilidad preprueba, a partir de la anamnesis y el examen, antes de mirar cualquier puntaje o sugerencia.
- Verifique el ajuste: ¿la herramienta se validó en pacientes como este (entorno, edad, frecuencia de la enfermedad)? Si no, dé poco peso a su resultado.
- Lea el resultado como una prueba: un valor alto o bajo sube o baja su probabilidad; no reemplaza su estimación inicial.
- Pregúntese qué no pudo ver la herramienta: un hallazgo, un antecedente o un resultado que no recibió.
- Si discrepa de usted, busque el hallazgo que explica la diferencia y reexamine al paciente; no la acepte ni la descarte por reflejo.
- Anúlela cuando el paciente la contradiga: un paciente grave pesa más que un puntaje tranquilizador, y uno estable más que uno alarmante.
- Ante la respuesta de un chatbot, confirme cada dato y referencia en una guía o fuente primaria antes de actuar, y nunca ingrese datos identificables.
- Registre su razonamiento y, si anuló la herramienta, el porqué.
Cuánto vale cada resultado junto a la cama y cuándo contradecirlo.
| Resultado | Trátelo como | Verifique antes de actuar | Contradígalo cuando |
|---|---|---|---|
| Puntaje de una regla de predicción que usted calcula (por ejemplo, el de Wells) | Una estimación estructurada de la probabilidad preprueba | Que su paciente coincida con la población de validación y que cada ítem se haya puntuado con honestidad | Un hallazgo que la regla no incluye apunta a otra cosa, o el paciente está fuera de su población |
| Alerta o puntaje automático de riesgo (por ejemplo, una alerta de sepsis) | Un aviso para volver a mirar, con muchas falsas alarmas y omisiones | Qué datos la alimentaron y si el paciente se ve como dice la alerta | El cuadro clínico no coincide: un puntaje bajo nunca descarta a un paciente grave |
| Sin alerta o puntaje bajo | Ausencia de aviso, no prueba de salud | Que la herramienta tuviera los datos necesarios, y su propia evaluación | Siempre que el paciente se vea mal: las herramientas pasan por alto casos |
| Respuesta de un chatbot | Un borrador sin verificar que puede contener datos o referencias inventados | Cada dato y referencia en una guía, la ficha técnica o una fuente primaria | No se puede rastrear hasta una fuente, o la contradice |
Correlación clínica
- El sesgo de automatización es la dependencia excesiva de la herramienta. Produce dos tipos de error: omisión (no ver un problema porque la herramienta calló) y comisión (seguir un consejo equivocado).
- El sesgo de automatización crece con la carga de trabajo, la presión de tiempo y la complejidad; lo reducen la formación, recalcar que el usuario sigue siendo responsable y las herramientas que dan información en lugar de órdenes.
- Una herramienta callada no tranquiliza: un modelo de sepsis usado en cientos de hospitales de EE. UU. no detectó dos tercios de los casos y aun así alertó en el 18 % de todos los hospitalizados.
- Las cifras de un puntaje solo valen en pacientes como los de su validación; en otro entorno o casuística su estimación de probabilidad puede errar mucho.
- Primero pensar, luego mirar: formarse una impresión antes de ver el resultado permite que la herramienta lo verifique a usted en lugar de guiarlo.
- Las destrezas se pierden con la dependencia: tras introducir la colonoscopia asistida por IA, la detección de adenomas sin IA de los endoscopistas bajó de 28,4 % a 22,4 % en un estudio multicéntrico.
- Los modelos de lenguaje pueden redactar respuestas fluidas y seguras que son falsas, incluidas referencias que no existen; rastree hasta una fuente cada afirmación sobre la que vaya a actuar.
- Un chatbot público no es lugar para datos de pacientes: retire los identificadores o use solo herramientas aprobadas por su institución, y mantenga la decisión bajo control humano.
Trampas frecuentes
- Un puntaje bajo o la ausencia de alerta significa que el paciente está bien: las herramientas pasan por alto casos (errores de omisión), así que un paciente grave pesa más que una pantalla en silencio.
- El resultado de la herramienta reemplaza mi estimación clínica: es una evidencia más que mueve la probabilidad preprueba, que sigue partiendo del paciente.
- Un puntaje validado sirve en cualquier paciente: solo vale en pacientes como los de su validación; fuera de ellos, dele poco peso.
- Una respuesta fluida de un chatbot con referencias ya está verificada: los modelos de lenguaje pueden inventar datos y referencias; abra la fuente antes de actuar.
- Seguir la herramienta me protege: el clínico que actúa según ella decide y responde, sugiera lo que sugiera la herramienta.
Póngase a prueba
Piense la respuesta y toque la pregunta para verla.
El puntaje automático de sepsis de una paciente es bajo, pero está hipotensa, febril y con confusión nueva. ¿Qué hace?
Actuar según la paciente, no según el puntaje: estas herramientas pasan por alto muchos casos, así que un puntaje bajo no descarta sepsis. Evaluar y tratar según el cuadro clínico, y registrar por qué se anuló la herramienta.
Un residente firma un ECG con la lectura del equipo sin mirar el trazado y pasa por alto un hallazgo que el equipo no marcó. ¿Qué error es este y cómo se previene?
Sesgo de automatización, un error de omisión: se confió en la herramienta callada. Leer primero el trazado y luego compararlo con el equipo; la formación y la responsabilidad personal clara lo reducen.
Su probabilidad preprueba de embolia pulmonar es baja, pero una ayuda de decisión validada da un resultado de alto riesgo. ¿Cómo debe cambiar su razonamiento?
Tratarlo como evidencia: sube la probabilidad tanto como su exactitud lo justifique, si el paciente encaja en su población. Buscar el hallazgo que la herramienta vio y usted no, y elegir las pruebas con la nueva estimación.
Un chatbot le da un diferencial ordenado y cita una guía. ¿Cómo lo usa con seguridad?
Como borrador: contrastar cada diagnóstico con los hallazgos, abrir la guía para confirmar que existe y dice eso, y nunca introducir datos identificables del paciente en una herramienta pública. La decisión sigue siendo suya.
¿Por qué formarse una impresión propia antes de mirar una sugerencia de IA?
Para que la herramienta lo verifique a usted y no lo guíe: ver primero su respuesta ancla el juicio y alimenta el sesgo de automatización. Además conserva las destrezas, que se pierden con la dependencia.
En otras secciones
- Validez interna y validez externa
- Sesgo de espectro
- Razones de verosimilitud
- Probabilidad preprueba y posprueba
- Medicina basada en la evidencia
- Seguridad del paciente y eventos adversos
- La historia clínica electrónica: Ley 2015 de 2020
Conexiones
Relacionados5
- De los hallazgos al diagnóstico: lista de problemas, diferencial y nota SOAP
- Signos de trombosis venosa profunda: Homans y la escala de Wells
- Escalas de alerta temprana: NEWS2 y qSOFA
- Qué imagen pedir para cada pregunta: abdomen, riñón, sangre, cerebro
- Toma de decisiones compartida en la consulta: opciones, cifras y método de repetición
Enfermedades relacionadas3
Contenido educativo sobre el examen clínico; se aprende y se practica con supervisión docente. No reemplaza la valoración de un profesional de la salud ni sirve para autodiagnóstico.
Fuentes: Framework for the impact analysis and implementation of Clinical Prediction Rules (Wallace y colaboradores, BMC Medical Informatics and Decision Making 2011) (Europe PMC, 2011); External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients (Wong y colaboradores, JAMA Internal Medicine 2021) (Europe PMC, 2021); Automation bias: a systematic review of frequency, effect mediators, and mitigators (Goddard y colaboradores, JAMIA 2012) (Europe PMC, 2012); Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study (Budzyń y colaboradores, Lancet Gastroenterology & Hepatology 2025), resumen (Europe PMC, 2025); The future landscape of large language models in medicine (Clusmann y colaboradores, Communications Medicine 2023) (Europe PMC, 2023); WHO issues first global report on Artificial Intelligence (AI) in health and six guiding principles for its design and use (Organización Mundial de la Salud, 2021).
¿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.
