Un sistema de inteligencia artificial clínica diseñado para funcionar dentro de la infraestructura tecnológica de las instituciones de salud alcanzó una precisión diagnóstica de 98,9% en un subconjunto de casos que el propio modelo identificó como altamente consistentes. El hallazgo, publicado el 15 de septiembre de 2026 en Nature Medicine, plantea una estrategia de “autonomía selectiva” en la que los casos con menor confiabilidad son derivados a revisión profesional en lugar de ser resueltos automáticamente por la IA.
El resultado no significa que el sistema haya diagnosticado correctamente al 98,9% de todos los pacientes evaluados. Esa precisión se obtuvo después de aplicar un umbral de consistencia que conservó únicamente el 49,4% de los casos. En las evaluaciones generales, el mejor modelo instalado localmente alcanzó una precisión de 90,04% en una tarea de siete enfermedades y de 83,8% en otra evaluación con cuatro condiciones clínicas.
La investigación pone así el foco en uno de los principales desafíos para trasladar los grandes modelos de lenguaje a la práctica asistencial: no solo determinar si una inteligencia artificial puede llegar a un diagnóstico, sino establecer cuándo su respuesta es suficientemente confiable y cuándo debe intervenir un profesional. Este enfoque coincide con las discusiones sobre validación local, evaluación independiente y supervisión humana que ya acompañan la incorporación de la inteligencia artificial en salud.
Un agente clínico diseñado para operar dentro de los hospitales
Los investigadores desarrollaron un agente de inteligencia artificial completamente “on-premise”, es decir, instalado y ejecutado dentro de una infraestructura controlada localmente. A diferencia de sistemas que dependen de modelos alojados en servicios externos, esta arquitectura busca mantener bajo control institucional aspectos como el procesamiento de los datos, la privacidad, la auditabilidad, las versiones de los modelos y las condiciones bajo las cuales funciona la herramienta.
La arquitectura simula una consulta clínica mediante la interacción entre un agente que representa al médico y otro que reproduce la información disponible del paciente. Durante el proceso, el sistema puede solicitar antecedentes, hallazgos del examen físico y resultados de laboratorio, microbiología o radiología antes de formular un diagnóstico final acompañado de un razonamiento clínico. Los datos utilizados durante el estudio permanecieron dentro del entorno controlado y no fueron enviados a proveedores externos de modelos.
Esta característica introduce una dimensión adicional en la discusión sobre inteligencia artificial aplicada a instituciones sanitarias. El rendimiento diagnóstico deja de ser el único criterio de evaluación y se incorporan variables relacionadas con gobernanza, privacidad y control operativo, particularmente relevantes cuando los modelos necesitan procesar información clínica protegida.
La IA alcanzó un desempeño cercano al modelo utilizado en la nube
La evaluación principal utilizó MIRA-v2, un conjunto derivado de MIMIC-IV que incluyó 551 casos correspondientes a siete condiciones diagnósticas. Bajo una misma arquitectura de agentes se compararon cuatro modelos abiertos instalados localmente frente a un modelo de referencia ejecutado en la nube.
El mejor modelo local obtuvo una precisión de 90,0%, mientras que la referencia en la nube alcanzó 90,7%, una diferencia de 0,7 puntos porcentuales. En una segunda prueba, denominada Clinical Decision Making y también derivada de MIMIC-IV, el agente evaluado alcanzó una precisión de 83,8% en cuatro categorías de enfermedad. Los errores restantes tendieron a concentrarse en diagnósticos clínicamente superpuestos.
Los investigadores realizaron además una revisión médica ciega sobre una muestra de 181 casos del primer conjunto. En el 81,8% de los casos revisados, los médicos consideraron clínicamente válidos tanto el diagnóstico generado por el agente como la etiqueta utilizada como referencia. En otro 4,4%, la respuesta de la IA fue considerada clínicamente válida pese a no coincidir con el diagnóstico registrado en el conjunto de datos.
La consistencia de las respuestas permitió estimar la confiabilidad
El componente central del trabajo estuvo en evaluar diferentes señales que permitieran anticipar, antes de aceptar una decisión, qué tan probable era que el diagnóstico de la IA fuera correcto. Los investigadores analizaron información procedente de las probabilidades internas del modelo, el lenguaje empleado para expresar certeza o incertidumbre y la estabilidad de las respuestas cuando un mismo caso era procesado varias veces.
La consistencia del diagnóstico entre ejecuciones repetidas fue la medida que mejor discriminó entre respuestas correctas e incorrectas, con un área bajo la curva —AUC— de 0,860. En una prueba adicional diseñada para reducir deliberadamente la cantidad de información clínica disponible, esta señal mantuvo capacidad discriminativa, con un AUC de 0,875.
El principio no supone que una respuesta repetida de forma consistente sea necesariamente correcta. De hecho, los investigadores identificaron situaciones en las que el sistema mantenía con alta consistencia un diagnóstico equivocado. Lo que muestran los resultados es que la estabilidad entre distintas ejecuciones aportó una señal más útil para estimar confiabilidad que otras métricas estudiadas y podría incorporarse a mecanismos de triaje antes de permitir decisiones autónomas.
La autonomía selectiva plantea un nuevo modelo de supervisión clínica
El estudio propone utilizar esas señales de confiabilidad para separar los casos que podrían ser gestionados de forma autónoma de aquellos que deberían ser escalados a un profesional. Bajo este esquema, la inteligencia artificial no recibiría el mismo nivel de autonomía ante todas las situaciones clínicas, sino que su capacidad para actuar dependería de la estabilidad mostrada ante cada caso.
Este planteamiento introduce un cambio relevante frente a modelos centrados exclusivamente en la precisión promedio. En un entorno asistencial, dos herramientas con rendimientos similares podrían tener perfiles de seguridad diferentes si una de ellas dispone de mecanismos capaces de identificar de manera confiable los escenarios en los que su respuesta es más incierta y activar entonces la intervención humana.
¿Cómo alcanzó la IA una precisión diagnóstica de 98,9%?
Para evaluar esa posibilidad, los investigadores aplicaron un umbral de consistencia de 0,90. Al hacerlo, el agente conservó el 49,4% de los casos, considerados suficientemente estables según el criterio utilizado. Dentro de ese subconjunto, la precisión diagnóstica alcanzó 98,9%. Los demás casos quedaron fuera del grupo previsto para manejo autónomo y serían candidatos a revisión.
Por esta razón, el 98,9% no puede extrapolarse al conjunto completo de pacientes ni interpretarse como la precisión general del sistema. La estrategia mejora el rendimiento del grupo seleccionado precisamente porque restringe la autonomía: aproximadamente la mitad de los casos analizados no superó el umbral establecido.
Los propios autores advierten además que un valor de consistencia de 0,90 no constituye una regla universal. Factores como la configuración utilizada para generar las respuestas, el modelo seleccionado y el número de repeticiones modificaron el comportamiento de estas métricas, por lo que cualquier umbral tendría que calibrarse para el sistema y el escenario concreto en el que pretenda implementarse.
¿Está esta IA lista para tomar decisiones clínicas de forma autónoma?
Los resultados todavía no permiten responder afirmativamente. Las evaluaciones se realizaron de forma retrospectiva y mediante simulaciones, no como parte de un flujo asistencial prospectivo con pacientes reales. Además, los dos principales conjuntos de prueba procedían de MIMIC-IV, que refleja datos de un entorno institucional específico, aunque los investigadores incorporaron posteriormente una evaluación externa con 990 casos procedentes de publicaciones clínicas y distribuidos entre diez grupos de especialidades.
El estudio también se concentró en razonamiento diagnóstico basado fundamentalmente en texto y no evaluó de manera directa capacidades como la interpretación nativa de imágenes médicas. Tampoco permite determinar todavía cómo este modelo de autonomía selectiva modificaría la carga de trabajo de los profesionales, la seguridad de los pacientes, los sesgos entre diferentes poblaciones o los resultados clínicos cuando la herramienta sea utilizada en la práctica cotidiana.
Los autores consideran necesarias evaluaciones prospectivas y análisis específicos de sesgo antes de trasladar estas señales de confiabilidad a entornos asistenciales reales. La investigación, por tanto, no demuestra que los agentes autónomos estén preparados para sustituir la decisión médica, sino que propone una posible arquitectura para establecer límites verificables a su participación.
El hallazgo desplaza así una parte del debate sobre inteligencia artificial clínica. Más allá de aumentar la precisión de los modelos, uno de los próximos retos será construir sistemas capaces de reconocer de forma suficientemente confiable sus propios límites. En ese escenario, la supervisión humana dejaría de funcionar únicamente como una revisión permanente de todas las respuestas y podría concentrarse especialmente en aquellos casos en los que la propia herramienta detecte que la incertidumbre exige una decisión profesional.
