Un estudio de la Unidad Académica de Enfermedades Infecciosas de la Facultad de Medicina de la Universidad de la República evaluó la precisión diagnóstica de tres grandes modelos de inteligencia artificial (IA): ChatGPT, Claude y Gemini, a partir de historias clínicas reales de pacientes con enfermedades infecciosas.
Aunque investigaciones previas habían registrado precisiones de entre 70% y 80% en escenarios simulados, trasladar esos resultados a la práctica clínica presenta limitaciones: las historias reales suelen contener información fragmentada, redundante o contradictoria. Además, la evidencia disponible sobre el desempeño de estos modelos en enfermedades infecciosas era escasa y se concentraba principalmente en ChatGPT.
La investigación buscó determinar si los diagnósticos propuestos por cada modelo coincidían con los definitivos y evaluar otras dimensiones del razonamiento clínico, como la selección de estudios complementarios y la fundamentación de las respuestas.
El estudio incluyó 100 historias clínicas anonimizadas de pacientes atendidos entre 2016 y 2025 en el Hospital de Clínicas y el Instituto Nacional de Ortopedia y Traumatología (INOT). Se seleccionaron casos con diagnóstico final confirmado y se excluyeron aquellos cuya documentación era insuficiente.
Para el análisis se utilizó la información clínica disponible al ingreso, incluidos los antecedentes, la enfermedad actual y el examen físico. Se excluyeron los diagnósticos previamente planteados y otros datos que pudieran orientar explícitamente hacia ellos. Cada historia clínica fue anonimizada y analizada de forma independiente por cada IA.
Los modelos recibieron primero las instrucciones y la información clínica inicial. Posteriormente, se incorporaron los resultados de los análisis de laboratorio y los informes de imágenes que cada uno solicitó. Las evaluaciones se realizaron entre abril y diciembre de 2025, con las versiones gratuitas disponibles de las tres plataformas.
El desempeño se midió mediante dos sistemas. El primero clasificó cada respuesta como correcta o incorrecta según coincidiera con el diagnóstico definitivo y el segundo consistió en una escala ponderada, desarrollada específicamente para la investigación, que evaluó distintas dimensiones del razonamiento clínico y podía otorgar entre −25 y 100 puntos.
Los tres modelos alcanzaron una precisión diagnóstica elevada: ChatGPT y Gemini acertaron en 90 de los 100 casos, mientras que Claude lo hizo en 87. La comparación global no mostró diferencias estadísticamente significativas entre ellos.
Trabajaron con historias clínicas redactadas por profesionales y con estudios complementarios que un investigador incorporó a medida que los solicitaban. Por lo tanto, los resultados no permiten concluir que puedan diagnosticar con la misma precisión a una persona que consulta directamente a una herramienta de IA.
“El modelo no te avisa cuándo se está equivocando”
En entrevista con la diaria, Julio Medina, titular de la Cátedra de Enfermedades Infecciosas y tutor de Líber Fernández, autor de la investigación, destacó el rendimiento de los modelos, pero subrayó la importancia de evaluar cómo llegan a sus conclusiones y de mantener la supervisión médica.
¿Qué es lo que más destacás de los resultados y qué hallazgos te parecen más relevantes?
Destaco dos cosas: la primera es que, con historias clínicas reales de pacientes asistidos en el Hospital de Clínicas y en el INOT, los tres modelos acertaron el diagnóstico en casi nueve de cada diez casos. No eran viñetas de examen prolijas. Más de la mitad eran casos de alta complejidad, con inmunosupresión, varias comorbilidades o historias fragmentadas.
Es un rendimiento superior al 70-80% que se venía reportando. Creemos que se explica en parte por la evolución rápida de estos sistemas y en parte porque trabajamos con ellos de forma escalonada, como se razona en la práctica: primero la historia, después los planteos, después los estudios. La segunda, que para mí es la más importante, es que acertar al diagnóstico no lo es todo. Cuando evaluamos cómo llegaba cada modelo a ese diagnóstico, aparecieron diferencias que el porcentaje de aciertos no mostraba.
Miramos si priorizaba bien los datos, si pedía estudios innecesarios o potencialmente dañinos, si se basaba en criterios diagnósticos y si se extendía de más. Dos modelos que aciertan lo mismo pueden ser muy distintos en cuán seguros y útiles son para el médico. Ese es un mensaje metodológico que nos interesa dejar.
¿Qué hay que tener en cuenta al interpretar ese 87–90% y qué limitaciones siguen teniendo estos modelos, incluso cuando aciertan?
Lo primero es entender qué recibió el modelo. Le dimos una historia escrita por médicos, que ya habían hecho la parte más difícil: interrogar al paciente, examinarlo y decidir qué era relevante anotar. Después, los resultados de laboratorio e imagen los cargó un investigador a medida que el modelo los pedía. O sea, el modelo razonó sobre información ya depurada por profesionales.
Ese porcentaje no equivale a “la IA diagnostica bien a nueve de cada diez personas”. Lo segundo es que se trata de una muestra seleccionada, de dos centros asistenciales, con instrumentos de evaluación que diseñamos nosotros y que todavía no están validados.
Además, usamos las versiones gratuitas de 2025, que cambian todo el tiempo, a veces sin que el usuario sepa con qué versión está hablando. Son resultados alentadores, pero exploratorios. En cuanto a las limitaciones, aun cuando aciertan, los modelos pueden llegar al diagnóstico correcto proponiendo en el camino estudios que no corresponden o que pueden dañar al paciente. A veces se extienden de más o mencionan diagnósticos sin sustento. Y cuando se equivocan, suelen hacerlo con el mismo tono de seguridad con el que aciertan. Dicho de manera más clara, el modelo no te avisa cuándo se está equivocando.
¿Qué aporta el razonamiento clínico de un médico que estos modelos todavía no pueden aportar?
El modelo razona muy bien sobre un texto. El médico razona sobre una persona. Gran parte del diagnóstico ocurre antes de escribir la historia: saber qué preguntar y cómo, notar lo que el paciente no dice, ver que tiene un aspecto tóxico, palpar, oler, darse cuenta de que algo “no cierra”. En nuestro estudio, todo eso ya lo había hecho un equipo médico antes de que el modelo leyera una sola palabra. Después está el manejo de la incertidumbre. En infectología muchas veces hay que decidir antes de tener el diagnóstico: empezar un antibiótico, aislar a un paciente, esperar o no esperar. Esas decisiones implican ponderar riesgos, el contexto epidemiológico, los recursos disponibles y lo que el paciente quiere y puede hacer. Y hay algo más, que es la responsabilidad. El médico responde por su decisión, la revisa y acompaña al paciente en la evolución. Ahí está la diferencia, y por eso planteamos estas herramientas como apoyo al razonamiento médico y no como sustituto.
¿Hasta qué punto estos resultados se trasladan a los pacientes? ¿Qué riesgos hay en confiar solo en la IA?
No se pueden trasladar directamente, y quiero ser enfático en esto. Nuestro estudio evaluó los modelos alimentados con historias escritas por médicos y con estudios que pidió y cargó un investigador. Cuando consulta un paciente, lo que el modelo recibe es su propio relato: lo que la persona recuerda, lo que interpreta y lo que le parece importante. Le faltan el examen físico, los análisis y la mirada de alguien entrenado para detectar lo que no se dice. Es otro escenario, y no lo evaluamos. El riesgo más evidente es la falsa tranquilidad. Una respuesta bien redactada y convincente puede llevar a postergar una consulta en cuadros donde las horas importan, como una meningitis. También puede pasar lo contrario: que la persona se alarme por diagnósticos graves que no corresponden o reclame estudios innecesarios.
Y en infectología hay un riesgo que nos preocupa especialmente, la automedicación con antibióticos, porque su costo va más allá del paciente: alimenta la resistencia antimicrobiana, que es un problema de todos. A todo esto se suma que el modelo puede equivocarse con total seguridad, y quien no tiene formación médica no tiene cómo darse cuenta. Mi recomendación es que se use, si se quiere, para entender mejor lo que a uno le pasa o para llegar a la consulta con mejores preguntas. Pero el diagnóstico y la decisión terapéutica tienen que pasar por un médico.
¿Alguna reflexión final sobre cómo debería incorporarse la inteligencia artificial a la medicina?
Creo que la pregunta ya no es si la inteligencia artificial va a estar en la medicina, porque ya está. La pregunta es cómo la vamos a usar. Nuestro estudio muestra que estas herramientas razonan sobre casos reales complejos con una precisión que hace pocos años era impensable.
También muestra que la calidad de ese razonamiento varía y que el modelo puede equivocarse con la misma seguridad con la que acierta. Por eso estoy convencido de que el profesional que aprenda a usar la IA de forma eficiente va a potenciar su trabajo en beneficio de los pacientes. Eficiente significa saber qué preguntarle, cómo darle la información y, sobre todo, cómo evaluar críticamente lo que responde. La IA puede ayudarnos a no olvidar un diagnóstico poco frecuente, algo muy importante en infectología.
También puede ayudarnos a ordenar una historia fragmentada, a contrastar nuestro razonamiento con una segunda mirada o a actualizarnos en el momento en que surge la duda frente al paciente. Eso se traduce en tiempo, seguridad y calidad para el paciente. Pero esa ganancia no es automática. La evidencia disponible apunta a que el conocimiento clínico es lo que permite aprovechar la herramienta sin quedar expuesto a sus errores. El médico con formación sólida sabe cuándo la IA tiene razón y cuándo se está equivocando con convicción. Quien no tiene esa base puede mejorar con su ayuda, pero también es más vulnerable a seguirla cuando falla. Mi mensaje es doble.
A los colegas: no le tengan miedo, aprendan a usarla y mantengan siempre el juicio crítico, porque la responsabilidad sigue siendo nuestra. Y protejan la confidencialidad: nunca hay que ingresar datos que permitan identificar a un paciente. En nuestro estudio todas las historias se anonimizaron antes de usarlas, y ese debería ser el estándar en la práctica diaria. A la población: estas herramientas pueden hacer que su médico trabaje mejor, pero el diagnóstico y las decisiones deben pasar por un profesional. Lo mejor de la IA en medicina va a aparecer en manos de buenos médicos, no en su lugar.
