AGI en medicina: una promesa que exige evidencia clínica

El 30 de julio de 2026, hablar de inteligencia artificial general (AGI) en medicina exige separar dos planos. En el presente hay sistemas de IA autorizados o estudiados para usos sanitarios concretos: analizar una modalidad de imagen, estimar un riesgo o apoyar una decisión definida. En el plano hipotético, una AGI podría transferir conocimiento entre especialidades, integrar datos heterogéneos y afrontar tareas clínicas no previstas. Presentar el primer plano como prueba del segundo confunde una herramienta delimitada con una capacidad general y, en salud, esa confusión puede alterar decisiones sobre personas reales.

La pregunta útil no es si una demostración «parece médica», sino qué afirmación clínica sostiene y qué evidencia la acompaña. Esta guía enseña a recorrer una escalera: finalidad prevista, rendimiento técnico, validación externa, interacción con profesionales, beneficio para pacientes y vigilancia tras el despliegue. La etiqueta AGI no permite saltarse ningún peldaño.

La medicina evalúa usos, no una inteligencia abstracta

La lista de dispositivos médicos con IA de la FDA enlaza cada producto con su expediente público y explica que la revisión considera su seguridad y eficacia para una finalidad prevista. La propia agencia advierte que la lista no es exhaustiva. Lo importante aquí no es contar entradas, sino observar su forma: nombre, empresa, especialidad, código de producto y decisión regulatoria. La autorización no certifica «inteligencia general»; se refiere a un dispositivo y un uso concretos.

Ese principio obliga a traducir cualquier promesa amplia. «Detecta enfermedades» debe convertirse en algo como: identifica una alteración determinada, en cierto tipo de estudio, dentro de una población y un flujo de trabajo definidos. «Personaliza tratamientos» requiere precisar resultado, alternativas, momento clínico y quién toma la decisión. Si no puede escribirse esa frase, todavía no hay una intervención evaluable.

Primera prueba: ¿qué población vio el modelo?

Un resultado interno responde a cómo funcionó un sistema sobre datos próximos a los usados para desarrollarlo. Puede degradarse al cambiar hospital, equipo, protocolo, prevalencia, idioma o perfil de pacientes. Por eso la división entre entrenamiento y prueba es necesaria, pero no suficiente: ambos conjuntos pueden compartir los mismos sesgos institucionales.

La validación externa usa datos realmente independientes y debe informar quién quedó incluido y excluido. La guía TRIPOD+AI actualiza las recomendaciones para describir modelos de predicción de diagnóstico o pronóstico, tanto de aprendizaje automático como de regresión. Ayuda a buscar datos que una cifra aislada esconde: fuente de participantes, definición del resultado, predictores disponibles, tratamiento de datos ausentes y evaluación del rendimiento.

También hay que comprobar prevalencia y espectro clínico. Sensibilidad y especificidad no dicen por sí solas cuántos avisos serán verdaderos en el lugar de uso; los valores predictivos cambian con la frecuencia del problema. Un modelo probado sobre casos claros frente a controles sanos puede rendir peor entre pacientes consecutivos con síntomas ambiguos. La muestra debe parecerse a las decisiones difíciles que encontrará, no solo al conjunto más cómodo de etiquetar.

Discriminación, calibración y utilidad no son sinónimos

Una herramienta puede ordenar correctamente a pacientes de mayor a menor riesgo y, sin embargo, asignar probabilidades mal calibradas. Si predice un 30 % para un grupo, la calibración pregunta si aproximadamente esa proporción presenta el desenlace bajo las condiciones estudiadas. La discriminación pregunta si coloca por delante a quienes lo tendrán. Son propiedades diferentes y ambas pueden cambiar fuera del centro de origen.

La utilidad clínica añade otra capa: ¿qué decisión cambia y con qué consecuencias? Un umbral produce falsos positivos y falsos negativos con costes distintos. Adelantar una prueba puede ayudar, causar ansiedad, consumir recursos o desencadenar un procedimiento innecesario. La métrica debe conectar con ese balance. Una mejora estadística sobre una referencia inadecuada no demuestra que los pacientes vivan más, sufran menos o reciban atención más segura.

Del laboratorio al equipo humano

Un estudio retrospectivo puede medir predicciones sin observar lo que ocurre cuando la herramienta entra en una consulta. En vivo aparecen tiempos de respuesta, alertas ignoradas, automatización excesiva, duplicación de tareas y casos en que el profesional no dispone del dato que el modelo espera. DECIDE-AI propone una guía para informar evaluaciones clínicas tempranas de sistemas de apoyo a la decisión e incluye el rendimiento real, la seguridad y los factores humanos.

Esto cambia la unidad de análisis. No basta con comparar algoritmo y médico como rivales aislados: hay que evaluar al equipo humano-IA dentro del flujo. ¿Quién recibe la salida? ¿Puede impugnarla? ¿Qué explicación necesita? ¿Qué ocurre si el sistema no responde? ¿Se registra cuándo influyó en la decisión? Los principios de transparencia de FDA, Health Canada y MHRA destacan precisamente el rendimiento del equipo humano-IA y la información relevante para quienes usan el dispositivo.

Un ensayo debe declarar la intervención completa

Cuando la hipótesis es que la IA mejora la atención, la comparación prospectiva debe describir tanto el modelo como la manera de incorporarlo. SPIRIT-AI amplía las recomendaciones para protocolos de ensayos con una intervención de IA. Su pareja, CONSORT-AI, orienta el informe de los resultados. Son guías de transparencia, no sellos automáticos de calidad, pero permiten detectar si faltan el entorno de uso, la versión, la interacción, los errores o el análisis previsto.

La distinción evita titulares engañosos. «Comparable a especialistas» puede describir una prueba sin contexto, mientras que «mejora la atención» exige observar una decisión o un resultado clínico. Y «funciona en varias tareas» sigue sin ser AGI si cada una fue seleccionada, entrenada y validada dentro de un repertorio cerrado. La transferencia debe probarse con tareas y condiciones que no sean otra variante del mismo examen.

Un modelo que cambia requiere control de cambios

En software convencional, la versión evaluada puede mantenerse fija. Un sistema que se actualiza con nuevos datos introduce otra pregunta: ¿la modificación conserva la seguridad y el rendimiento? La guía final de la FDA sobre planes predeterminados de control de cambios, emitida en agosto de 2025, describe recomendaciones para modificaciones planificadas de funciones de software médico con IA. No autoriza aprendizaje irrestricto; pide anticipar qué cambiará y cómo se validará.

La vigilancia debe buscar deriva en entradas, resultados y uso. Un hospital puede cambiar de equipo, una práctica clínica puede modificar la población remitida o una nueva política puede alterar el resultado que se mide. Conviene fijar responsables, umbrales de alerta, frecuencia de revisión y procedimiento para retirar o revertir una versión. «Sigue aprendiendo» no es una ventaja clínica si nadie puede reconstruir qué versión produjo una recomendación.

Gobernanza: la capacidad amplía el radio del daño

Cuanto más transversal sea un sistema, más datos, decisiones y equipos puede afectar. La guía de la OMS sobre ética y gobernanza de la IA para la salud articula principios de autonomía, seguridad, transparencia, responsabilidad, inclusión y sostenibilidad. Aplicarlos exige mecanismos: consentimiento y base jurídica, acceso limitado, documentación, vías de reclamación, evaluación por subgrupos y una persona o institución responsable de detener el sistema.

La integración de historia clínica, genómica, imágenes y hábitos puede enriquecer una evaluación, pero también multiplica superficies de error y exposición. Más modalidades no garantizan una inferencia causal ni una recomendación personalizada. Hay que demostrar qué aporta cada fuente respecto a una base más sencilla y si ese incremento compensa coste, inequidad, fragilidad y riesgo de privacidad.

La lista de comprobación que sobrevive a la palabra AGI

Ante cualquier proyecto, el lector puede pedir siete elementos: finalidad prevista; población y centro; comparador clínico; discriminación y calibración; efecto sobre decisiones o resultados; papel humano y manejo de fallos; versión, vigilancia y control de cambios. Después debe localizar cada elemento en el protocolo, el estudio, la decisión regulatoria o la documentación del fabricante, no en una nota promocional.

La capacidad transferible es distinguir amplitud técnica de utilidad clínica: una IA puede integrar muchas modalidades y seguir sin demostrar beneficio para un solo paciente. Si algún día aparece un sistema con transferencia genuinamente general, la medicina no necesitará menos evidencia, sino más: cada nueva capacidad abrirá nuevas condiciones de fallo. La promesa puede ser amplia; la prueba siempre debe ser concreta.