La IA también recomienda exámenes de más: qué pasó al probarla con casos simulados

Recibir una lista de exámenes puede dar la impresión de que alguien está revisando tu salud con más cuidado. Si esa lista sale de una inteligencia artificial, queda una pregunta: ¿cada prueba tiene una razón para estar ahí? Un estudio publicado el 20 de octubre de 2026 en Annals of Internal Medicine examinó precisamente esa decisión. Encontró recomendaciones de más en situaciones donde correspondía abstenerse, aunque los fallos se concentraron en algunos tipos de casos.

Qué hicieron

Dean Ariel, Stav Endelman y Guy Laban, vinculados a instituciones de Israel, entre ellas Clalit Health Services y las universidades de Tel Aviv y Ben-Gurión del Néguev, construyeron 225 escenarios a partir de 15 recomendaciones de Choosing Wisely. Esta iniciativa identifica situaciones en las que una prueba o un tratamiento pueden usarse en exceso, pero también reconoce circunstancias que justifican hacerlos. La evaluación incluía tanto casos donde convenía evitar una intervención como otros donde sí correspondía actuar.

Los investigadores probaron seis modelos comerciales de OpenAI, Anthropic y Google entre febrero y marzo de 2026. Accedieron mediante las conexiones que estas empresas ofrecen para integrar sus modelos en programas informáticos. Cada modelo completó tres ejecuciones del conjunto de escenarios y se reunieron 4.050 respuestas. Las preguntas estaban formuladas desde la perspectiva de un médico. No hubo personas atendidas, consultas clínicas observadas ni seguimiento de pacientes.

El equipo buscó errores en ambas direcciones: recomendar una intervención cuando correspondía evitarla y omitirla cuando era apropiada. Así, responder siempre que no se hiciera nada tampoco garantizaba un buen resultado. Para clasificar las respuestas se utilizó otro modelo de lenguaje como evaluador, con adjudicación médica, es decir, con intervención de médicos en la decisión sobre cómo calificarlas.

Qué encontraron

La tasa de recomendaciones innecesarias fue del 5,4 % en los escenarios donde correspondía abstenerse. El intervalo de confianza del 95 % fue de 0,6 % a 12,2 %: esa amplitud muestra que la estimación tiene incertidumbre y no debe leerse como una medida exacta del comportamiento de cualquier IA. Además, el promedio reúne situaciones con resultados muy diferentes. En ocho de las 15 recomendaciones evaluadas no se detectó sobreuso.

La mayoría de las recomendaciones excesivas se concentró en dos situaciones. Una era pedir una ecografía de tiroides ante un pequeño nódulo encontrado de manera incidental, es decir, por casualidad. En los casos de esa categoría donde la prueba no correspondía, se recomendó en el 42,8 % de las respuestas. La otra era realizar un electrocardiograma rutinario en adultos de bajo riesgo: allí el sobreuso apareció en el 28,3 %.

Esos porcentajes ayudan a entender por qué el promedio no cuenta toda la historia. Un sistema puede responder adecuadamente en muchas situaciones y fallar con mayor frecuencia ante una decisión concreta. Tampoco significan que las ecografías tiroideas o los electrocardiogramas sean innecesarios en general. Lo que se evaluó fue si correspondían dadas las condiciones descritas en cada escenario, usando las recomendaciones seleccionadas como referencia.

El error en la dirección opuesta fue menos frecuente: los modelos omitieron una acción apropiada en el 0,6 % de las respuestas correspondientes. Ese resultado describe otra parte del examen. No demuestra que detectaran todas las enfermedades ni que acertaran en todos los tratamientos posibles, porque el trabajo se limitó a las decisiones incluidas en su conjunto de casos.

Lo que el estudio no dice

El límite principal es que una respuesta escrita a un caso preparado no equivale a una consulta. Los autores utilizaron preguntas aisladas, sin conversación posterior. Por tanto, no se observó qué ocurriría si el sistema pidiera aclaraciones, recibiera nuevos datos o cambiara su respuesta después de una repregunta. Los propios investigadores advierten que sus hallazgos pueden no extenderse al uso que hacen los consumidores.

Tampoco se midió si alguien terminó haciéndose un examen innecesario, cuánto costó o si produjo algún daño. No existe aquí una tasa de errores para Perú o América Latina, ni una comparación con profesionales atendiendo a pacientes de la región. Los resultados corresponden a los modelos evaluados y al periodo de prueba. Presentarlos como una propiedad permanente de toda inteligencia artificial iría más allá de lo que se investigó.

La clasificación también tiene límites: combinar un evaluador automático con adjudicación médica no convierte las respuestas en resultados clínicos. En cuanto a financiación, el resumen declara que no hubo una fuente principal. Sobre los conflictos de interés, remite a formularios alojados por la revista que no pudimos consultar por su bloqueo de acceso automatizado; por eso no podemos afirmar que estén ausentes.

Qué significa para ti

Si buscas información de salud con un chatbot, este estudio ofrece una razón concreta para no confundir una respuesta detallada con una decisión clínica bien fundamentada. La lista más extensa no garantiza que cada examen sea pertinente. Lo que corresponde hacer en tu caso depende de una evaluación profesional. El aporte de esta investigación es mostrar dónde aparecieron recomendaciones excesivas y recordar que evaluar una IA también exige comprobar cuándo sabe abstenerse.