IA en medicina y biología: cómo seguir la cadena de evidencia

El 30 de julio de 2026, decir que el aprendizaje automático «se aplica a la medicina» explica muy poco. Un modelo puede clasificar una imagen, señalar una variante genética o proponer una estructura proteica, pero ninguna de esas salidas equivale por sí sola a un diagnóstico, un tratamiento o un fármaco. Para leer una promesa biomédica con rigor hay que seguir la cadena completa: uso previsto, datos de entrada, referencia correcta, validación externa, intervención humana y resultado que de verdad importa al paciente o al experimento.

Empiece por el uso previsto y la acción que desencadena

La misma puntuación puede cumplir funciones distintas. Un sistema puede priorizar estudios para que un profesional los revise antes, actuar como segunda lectura, recomendar una prueba adicional o emitir una alerta. Cada posición en el flujo cambia el riesgo. Si solo ordena una cola, un error altera tiempos; si descarta casos, un falso negativo puede impedir que alguien llegue a revisión. «Detecta enfermedad» no basta: hacen falta población, usuario, momento, entrada, salida y acción posterior.

Esta distinción también separa investigación de producto sanitario. La página de [dispositivos médicos habilitados por IA de la FDA] reúne productos identificados en documentación de autorizaciones de comercialización en Estados Unidos. Estar en esa lista no significa que una agencia haya certificado una inteligencia general ni que el dispositivo sirva fuera de su indicación. Hay que abrir la autorización concreta y leer para qué población, modalidad y tarea fue evaluado.

La FDA, Health Canada y la agencia británica MHRA publicaron [principios de buenas prácticas de aprendizaje automático] que recorren el ciclo completo del producto: experiencia multidisciplinar, datos representativos, independencia entre entrenamiento y prueba, interacción entre humano y sistema, información clara al usuario y seguimiento del rendimiento desplegado. El mensaje duradero es que el algoritmo es solo un componente de una intervención sociotécnica.

Los datos y la referencia deciden qué significa acertar

Un conjunto grande puede seguir siendo estrecho. Imágenes de un hospital, un fabricante de escáner o una población concreta contienen regularidades que un modelo puede aprovechar sin aprender la señal clínica buscada. La partición aleatoria no evita que estudios del mismo paciente, duplicados o adquisiciones casi idénticas caigan a ambos lados. La separación debe hacerse en la unidad que podría filtrar información y, cuando se afirma transportabilidad, probarse en otros centros, periodos, equipos y grupos.

También importa contra qué se compara. La etiqueta puede proceder de anatomía patológica, una prueba molecular, seguimiento, consenso de especialistas o el informe rutinario. Esas referencias no son intercambiables y pueden incorporar desacuerdo o errores. Un modelo entrenado para imitar informes históricos aprende la práctica documentada, no una verdad clínica sin ruido. Una lectura responsable pregunta quién etiquetó, con qué información, si desconocía la predicción y cuánto tiempo medió hasta conocer el desenlace.

Accuracy, sensibilidad y especificidad describen errores diferentes; la prevalencia transforma el valor predictivo de una alerta. Además de discriminación, una probabilidad clínica necesita calibración: un riesgo de 20 % debería corresponder aproximadamente a veinte eventos de cada cien en casos comparables. La guía [TRIPOD+AI] pide describir fuentes de datos, participantes, desenlace, desarrollo, evaluación y disponibilidad. Seguir una guía mejora la transparencia del informe; no convierte automáticamente un diseño débil en buena evidencia.

Los datos ausentes forman parte del sistema. Una prueba solicitada, una imagen repetida o un campo vacío pueden revelar decisiones clínicas previas, y el modelo aprende ese rastro. Si cambia el protocolo del hospital, la señal desaparece. Por eso hay que informar cómo se trataron los valores ausentes, si la entrada podía obtenerse en el momento de uso y qué hace el producto cuando la calidad es insuficiente. Rechazar una entrada puede ser más seguro que producir una confianza falsa.

Imagen y genómica comparten método, no significado

En imagen médica, una red puede segmentar una región, clasificar un estudio, detectar un hallazgo o predecir un desenlace. Compararla con «el médico» borra tareas y condiciones: quizá el profesional tuvo historia clínica y estudios previos mientras el modelo solo recibió una imagen, o al revés. La comparación justa mantiene la misma información, define si se mide al humano solo o al equipo humano-modelo y registra tiempo, derivaciones, casos no evaluables y consecuencias de automatización.

En genómica, DeepVariant ofrece un ejemplo concreto. El sistema transforma lecturas alineadas alrededor de variantes candidatas en representaciones que una red convolucional clasifica como genotipos. El [artículo original en Nature Biotechnology] describe llamadas de polimorfismos de un solo nucleótido y pequeñas inserciones o deleciones. Eso no significa que la red diagnostique una enfermedad: llamar una variante es una etapa técnica anterior a anotarla, interpretar su evidencia y relacionarla con fenotipo y contexto familiar.

Esa separación impide inflar el alcance. Una métrica de concordancia con un conjunto de referencia evalúa el variant calling bajo determinadas tecnologías, regiones y filtros. La utilidad clínica exige otras preguntas: ¿la variante era detectable en el tipo de muestra?, ¿cambia la clasificación?, ¿altera una decisión?, ¿aparece el mismo rendimiento en poblaciones y plataformas distintas? La cadena debe conservar incertidumbre y procedencia en lugar de transformar cada salida del modelo en una respuesta binaria.

Una estructura predicha no es un fármaco descubierto

AlphaFold mostró hasta dónde puede llegar una tarea bien formulada. En la evaluación ciega CASP14, el sistema predijo estructuras de proteínas con una precisión competitiva con estructuras experimentales en una mayoría de casos, según el [paper de Nature]. La formulación precisa importa: predice una estructura a partir de una secuencia y ofrece estimaciones de confianza. No reproduce automáticamente dinámica, función, interacción en cada entorno celular ni respuesta terapéutica.

La [base de datos AlphaFold del EMBL-EBI] permite consultar modelos y señales de confianza. Las zonas de confianza baja no deben leerse como coordenadas observadas, y una predicción de alta confianza sigue siendo una hipótesis computacional cuando el experimento requiere estados alternativos, ligandos o complejos. El valor está en priorizar preguntas, diseñar ensayos y aportar contexto estructural, no en abolir la cristalografía, la criomicroscopía o la validación bioquímica.

En descubrimiento de fármacos hay más eslabones: representar moléculas, predecir afinidad o propiedades, cribar candidatos, sintetizarlos, medir actividad, toxicidad y farmacocinética, y finalmente estudiar seguridad y beneficio en personas. Una red de grafos puede aprender patrones sobre átomos y enlaces, pero su evaluación depende de cómo se dividieron familias químicas y de si se probaron estructuras realmente nuevas. Un acierto retrospectivo o una puntuación de acoplamiento no es un medicamento.

La evidencia sube de rendimiento técnico a beneficio real

Un resultado offline demuestra que una salida coincide con una referencia en datos conservados. Una validación externa pregunta si se transporta. Un estudio prospectivo observa entradas y flujos futuros. Una evaluación clínica temprana estudia seguridad, factores humanos e integración. Por último, un ensayo comparativo puede medir si la intervención mejora decisiones, resultados del paciente o uso de recursos frente a una alternativa. Saltar peldaños transforma una posibilidad en una afirmación que la evidencia aún no sostiene.

La guía de consenso [DECIDE-AI] se ocupa precisamente de la evaluación clínica temprana y pide describir el sistema y su versión, participantes, usuarios, flujo de trabajo, modificaciones, errores, seguridad y factores humanos. Para ensayos aleatorizados, [CONSORT-AI] amplía el estándar de publicación con elementos específicos de las intervenciones de IA. Son mapas de qué debe quedar visible para poder juzgar la evidencia.

Ante cualquier titular biomédico, la comprobación cabe en siete preguntas: cuál era la tarea exacta; quién usaría la salida; qué referencia definió el acierto; cómo se separaron y representaron los datos; dónde se validó; qué ocurrió cuando falló; y si se midió rendimiento técnico, decisión o beneficio. Si el texto solo ofrece una arquitectura y un porcentaje, falta la mayor parte del camino. Aprender a localizar ese peldaño permite apreciar avances reales sin convertir una predicción útil en una cura imaginaria.