Edición Médica

César Paz-y-Miño. Investigador en Genética y Genómica Médica. Universidad UTE.  
 
Una perspectiva publicada en JAMA sostiene que, hacia 2030, la inteligencia artificial podría decidir mejor sola que acompañada por médicos. La réplica de Robert Wachter y la evidencia más reciente muestran por qué la medicina es mucho más que acertar un diagnóstico.
 
Cada cierto tiempo alguien firma el acta de defunción del médico. Hace más de una década, el inversionista Vinod Khosla vaticinó que las máquinas harían el 80 por ciento del trabajo clínico. En agosto de 2026 el anuncio llegó con un sello de mayor prestigio: la revista JAMA publicó una perspectiva titulada, sin rodeos: ¿Superará la IA autónoma a los médicos asistidos por IA como la mejor atención médica?(1). Sus autores responden que sí. Y añaden algo más incómodo: cuando el médico interviene para corregir a la máquina, el resultado empeora.
 
La conclusión merece discusión seria, no pánico gremial ni aplauso tecnológico. Como médico y genetista, sostengo que la consulta clínica sigue siendo el espacio insustituible donde se resuelven los problemas de salud reales, y que la evidencia disponible, leída con rigor, respalda esa posición más de lo que los entusiastas admiten.
 
Lo que propone JAMA
 
El texto lo firman Ezekiel Emanuel, bioético de la Universidad de Pensilvania y uno de los arquitectos de la reforma sanitaria de Obama; su asistente Abe Baker-Butler; Neal Khosla, director de Curai Health, empresa de atención primaria virtual basada en IA; y su padre, Vinod Khosla, inversionista en OpenAI y en Curai (1,2). Esto es clave, porque dos de los cuatro autores tienen intereses económicos directos en que su predicción se cumpla. No invalida el argumento, pero obliga a leerlo con sumo cuidado.
 
Los autores identifican cinco tareas cognitivas en las que, según los estudios publicados desde 2024, la IA ya iguala o supera al médico: recoger la historia clínica, construir el diagnóstico diferencial, pedir exámenes, prescribir según guías y manejar enfermedades crónicas. Citan, por ejemplo, una comparación en la que un modelo acertó el diagnóstico en 60 por ciento de los casos frente a 15,9 por ciento de los médicos. Concluyen que la IA autónoma podría operar en algunos flujos clínicos hacia 2030, siempre que cambien las reglas de responsabilidad legal, regulación, pago y formación médica (1).
 
La respuesta institucional fue inmediata. La Asociación Médica Estadounidense y el Colegio Estadounidense de Médicos sostienen que la IA debe apoyar, no reemplazar, el juicio clínico; y las objeciones se resumen en tres: no existen estructuras de licencia ni de responsabilidad para una IA autónoma; la medicina incluye un “arte” que no se reduce a algoritmos; y casi toda la evidencia favorable proviene de simulaciones, no de pacientes reales (3). En Ecuador aún no hay un posicionamiento gremial sobre esta temática.
 
La réplica es honesta, no gremial
 
La respuesta más equilibrada debería no negar el avance de la IA; sino al contrario, reconocerla como una importante herramienta (2). Ya que es real que el estudio más citado en el tema, es contundente: en un ensayo de razonamiento diagnóstico, los médicos acertaron 74 por ciento de las veces solos y con ayuda de IA 76 por ciento; mientras que la IA sola 90 por ciento (2, 4).
 
El estudio detecta tres debilidades humanas reales: nos cuesta mantener la vigilancia cuando confiamos en una máquina, tendemos a desobedecer al algoritmo incluso cuando tiene razón, y perdemos destrezas cuando dependemos de él. La conclusión de la literatura es clara: dados unos hechos ya ordenados, la IA a menudo supera al médico. Pero ese “dados unos hechos ya ordenados” es exactamente el punto débil de toda la conclusión central.
 
Mala base de datos entrante, mala conclusión saliente
 
Un paciente real no llega con un caso clínico bien redactado. Llega con decenas, a veces cientos, de datos dispersos: síntomas, fármacos, antecedentes, viajes, mascotas, miedos, silencios. El trabajo central del clínico es destilar ese acopio, es decir, representar idóneamente el problema: las pocas piezas que realmente importan (2). Es el acto intelectual que la IA recibe ya hecho en los estudios que la hacen brillar.
 
Investigadores de Oxford diseñaron diez escenarios clínicos con médicos y los probaron de dos maneras. Cuando los modelos de lenguaje recibieron los casos directamente, identificaron las condiciones relevantes en 94,9 por ciento de las ocasiones. Cuando 1.298 personas comunes usaron esos mismos modelos para evaluar los escenarios, como si les ocurrieran en casa, las situaciones correctas surgieron en menos del 34,5 por ciento de los casos y la conducta adecuada: quedarse en casa, ir al médico o llamar a una ambulancia, se eligió en menos del 44,2 por ciento. No hubo diferencia con el grupo que usó buscadores de internet o su propio criterio (5).
 
Un ejemplo citado es elocuente, sobre el uso e interpretación con IA: ante el peor dolor de cabeza de mi vida, la IA piensa de inmediato en una hemorragia cerebral. Pero el paciente describe: “me desperté con dolor de cabeza”, y el sistema recomienda reposo y paracetamol (2). La máquina no falló por ignorancia; falló porque nadie le entregó la información correcta. El conocimiento médico no es lo mismo que la capacidad de obtenerlo de una persona asustada, confusa o que minimiza sus síntomas. Esa capacidad de detección los médicos la rescatamos de la anamnesis, y se entrena durante años junto a la cama del enfermo.
 
Enfermedades raras: donde el algoritmo todavía tropieza
 
Si hay un terreno que desnuda los límites de la IA autónoma es el de las enfermedades raras. Son miles de trastornos, en su mayoría de origen genético, que en conjunto afectan a cientos de millones de personas, y cuyos pacientes recorren años de consultas antes de obtener un nombre para su mal. En la Red de Enfermedades No Diagnosticadas, la mediana de esa odisea diagnóstica suele ser de 7 años; cuando se probaron modelos de lenguaje sobre esos casos, acertaron entre 10 por ciento y 13,3 por ciento, más que la revisión clínica previa (5,6 por ciento), pero lejos de cualquier autonomía (10).
 
La razón es biológica: aquí no hay patrones repetidos con millones de ejemplos, sino fenotipos únicos, variantes genéticas de significado incierto y árboles familiares que solo se reconstruyen conversando con el paciente y su familia.
 
En América Latina se suma otro sesgo: poblaciones mestizas, indígenas y afrodescendientes, siguen poco representadas en las bases genómicas con que se entrenan y calibran estos sistemas, de modo que un algoritmo puede acertar con el paciente promedio y equivocarse con el individuo concreto (9). En este campo la IA es un aliado valioso para ampliar el diagnóstico diferencial, pero el diagnóstico de una enfermedad rara sigue siendo un acto clínico: examinar, sospechar, pedir el estudio genómico correcto, interpretarlo a la luz de la historia familiar y acompañar el asesoramiento genético (11).
 
La falacia del portero
 
Otro argumento que cuestiona la idea del reemplazo del médico por la IA, es tomado de la publicidad británica. En los años setenta, los hoteles reemplazaron a sus porteros por puertas automáticas. Pronto descubrieron que el portero hacía mucho más que abrir: vigilaba, orientaba, recibía paquetes, sostenía el paraguas y daba a los huéspedes una presencia humana. Muchos edificios volvieron a contratarlos (2).
 
La medicina sufre la misma simplificación. Los médicos usamos a diario herramientas de IA y las consideramos un consultor de bolsillo más rápido que nosotros mismos. Aun así, se calcula que en su último y agotador turno hospitalario, la ayuda de IA reemplazó cerca del 10 por ciento del trabajo, no el 80 por ciento profetizado.
 
En esta época de decisiones sobre la vida, el testamento vital, cuidados paliativos o eutanasia, conversar sobre el final de la vida con los hijos que discrepaban sobre qué hacer con su padre, averiguar si un paciente con enfisema grave podía tener oxígeno de alto flujo en su casa, decidir cómo administrar semanas de antibiótico intravenoso a un enfermo sin seguro médico (2), es muy diferente y complejo, ya que la IA, no evalúa los sentimientos familiares ni del propio paciente y sus necesidades.
 
Aplicar solo un algoritmo de una máquina no es un diagnóstico, ni es medicina. Todo el conjunto si lo es. La dimensión social, económica y afectiva de la enfermedad, la que ningún conjunto de datos de entrenamiento captura, porque no está en los datos: está en la vida concreta del paciente.
 
Medicina de primera y de segunda
 
Las publicaciones analizadas, prevén un sistema de dos niveles: una perteneciente a una “clase económica” de atención primaria guiada por IA para problemas algorítmicos, como la hipertensión, el colesterol o la diabetes, con mecanismos de derivación a un humano cuando el caso se complica; y una “clase ejecutiva” con médicos que usan IA, para la complejidad clínica o emocional (2). Es evidente que la diferencia podría ser de inhumanidad, inequidad y no necesariamente de seguridad diagnóstica o terapeútica.
 
Aquí conviene una lectura crítica desde América Latina y Ecuador. En sistemas profundamente desiguales, la “clase económica” no será una elección: será el destino de los pobres. Los que pueden pagar tendrán un médico que escucha; los demás, un chatbot. Si la IA autónoma se implanta primero donde faltan médicos, no como complemento sino como sustituto, la tecnología no reducirá la inequidad sanitaria: la automatizará. La justicia y equidad en salud exige lo contrario: que la IA libere tiempo del médico para estar más, no menos, con quien más lo necesita: el paciente comprendido integralmente.
 
El caso ecuatoriano
 
Ecuador ilustra bien esta paradoja. Según el INEC, en 2020 el país tenía 40.587 médicos, unos 23 por cada 10.000 habitantes, el umbral que recomienda la OMS; menos de la mitad eran especialistas (6). Otras fuentes del Ministerio de Salud y de la academia elevan la tasa a cerca de 38 o 40 por 10.000 (7). Pero el promedio engaña: mientras en las ciudades la concentración supera los 30 médicos por 10.000 habitantes, en zonas rurales puede caer a dos o tres (7).
 
El problema ecuatoriano no es de cerebros para el diagnóstico, sino de distribución, especialización, empleo y acceso a los servicios. Una IA puede ayudar a un médico rural a interpretar un examen o a decidir una derivación; pero en nuestras reales condiciones, no puede llegar en lancha a una comunidad amazónica, examinar a un niño deshidratado ni convencer a una madre de que lo lleve al hospital.
 
La tentación de sustituir médicos por algoritmos en la periferia desatendida, donde la conectividad es precaria y los datos clínicos escasos, sería el experimento perfecto para confirmar las conclusiones de las grandes revistas médicas: la IA, no puede reemplazar la atención por el médico presencial.
 
Lo que los médicos deben hacer
 
Defender la consulta médica no es rechazar la IA. Sería un error y además una derrota anunciada. Es clave usar estas herramientas a diario y aprender cuándo ayudan y cuándo no. Para esto, la educación médica debería considerar reorganizar el currículo: incorporar nuevas destrezas, como el uso crítico de la IA; reforzar las que ninguna máquina reemplaza: comunicación, coordinación del cuidado y examen físico como fuente de datos confiables; y restar peso a conocimientos memorísticos que hoy se consultan en segundos (2).
 
Hay que tomar en serio, además, el riesgo de la pérdida de destrezas. Un estudio multicéntrico europeo, encontró que tras la introducción rutinaria de IA en colonoscopias, la tasa de detección de lesiones precancerosas por endoscopistas experimentados, cuando trabajaban sin la herramienta, bajó de 28,4 por ciento a 22,4 por ciento (8). El estudio es observacional y ha sido cuestionado, pero la advertencia es pertinente: un médico que delega su juicio puede perderlo, y entonces sí se vuelve prescindible.
 
Queda, finalmente, una pregunta que los promotores de la IA autónoma no han respondido: ¿quién responde cuando la máquina se equivoca? Hasta hoy ninguna empresa tecnológica ha asumido la responsabilidad legal por mala práctica, y ningún regulador ha autorizado a una IA a ejercer la medicina en lugar de un médico (3). Mientras la responsabilidad siga recayendo en el profesional, la decisión final también debe ser suya.
 
El diagnóstico no es la curación
 
La medicina nunca fue solo acertar un nombre para una enfermedad. Es transformar un malestar difuso en un problema comprensible, negociar un tratamiento posible con una persona situada en una familia, un ingreso, un territorio y una historia, y acompañarla cuando la ciencia ya no soluciona. Las máquinas son, y serán cada vez más formidables en la parte de la medicina que cabe en un cuadro de texto. La consulta médica existe precisamente para todo lo que no cabe.
 
La pregunta de fondo no es si la IA superará al médico en exámenes. Ya lo hace en muchos. La pregunta es qué modelo de sociedad queremos: uno donde la tecnología amplifique la capacidad humana de cuidar, o uno donde la rentabilidad decida que la mayoría puede conformarse con un algoritmo. Esa no es una pregunta técnica. Es una pregunta política y ética, y los médicos tenemos la obligación de participar en ella con evidencia, no con nostalgia.
 
Referencias

1. Emanuel EJ, Baker-Butler A, Khosla N, Khosla V. Will autonomous AI exceed AI-aided physicians as the best medical care? JAMA. 2026;336(11):915-8. doi:10.1001/jama.2026.15380
 
2. Wachter R. On straw men and doormen: (gently) rebutting Khosla and Emanuel on autonomous AI in medicine [Internet]. Pattern Recognition; 27 ago 2026 [citado 30 sep 2026]. Disponible en: https://robertwachter.substack.com/p/on-straw-men-and-doormen
 
3. The physicians vs AI debate goes another round [Internet]. Digital Health Wire; sep 2026 [citado 30 sep 2026]. Disponible en: https://digitalhealthwire.com/the-clinic-ai-debate-goes-another-round/
 
4. Goh E, Gallo R, Hom J, Strong E, Weng Y, Kerman H, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Netw Open. 2024;7(10):e2440969.
 
5. Bean AM, Payne RE, Parsons G, Kirk HR, Ciro J, Mosquera-Gómez R, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nat Med. 2026;32:609-15. doi:10.1038/s41591-025-04074-y
 
6. Instituto Nacional de Estadística y Censos. Registro Estadístico de Recursos y Actividades de Salud 2020. Quito: INEC; 2022.
 
7. La paradoja en la salud de Ecuador: exceso de médicos generales frente a una grave escasez de especialistas. Primicias [Internet]. 2026 [citado 30 sep 2026]. Disponible en: https://www.primicias.ec/sociedad/salud-ecuador-exceso-medicos-generales-falta-especialistas-maria-jose-pinto-vicepresidenta-114035/
 
8. Budzy? K, Roma?czyk M, Kitala D, Ko?odziej P, Bugajski M, Adami HO, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025;10(10). doi:10.1016/S2468-1253(25)00133-5
 
9. Paz-y-Miño C. Médico, paciente e inteligencia artificial: ¿quién responde cuando el diagnóstico falla? Edición Médica [Internet]. 12 ago 2026 [citado 30 sep 2026]. Disponible en: https://www.edicionmedica.ec/opinion/medico-paciente-e-inteligencia-artificial--quien-responde-cuando-el-diagnostico-falla--2391
 
10. Shyr C, Cassini TA, Tinker RJ, et al. Large language models for rare disease diagnosis at the Undiagnosed Diseases Network. JAMA Netw Open. 2025;8(8):e2528538. doi:10.1001/jamanetworkopen.2025.28538
 
11. Paz-y-Miño C. La genética silenciada del pueblo: enfermedades raras no diagnosticadas. Edición Médica [Internet]. 14 nov 2025 [citado 30 sep 2026]. Disponible en: https://www.edicionmedica.ec/opinion/la-genetica-silenciada-del-pueblo-enfermedades-raras-no-diagnosticadas-2309