Inteligencia artificial generativa en medicina interna: de la fascinación a la práctica responsable
Med Int Méx 2025; 41 (10): 579-581. https://doi.org/10.24245/mim.v41i10.10778
La inteligencia artificial generativa llegó para quedarse. En 2025, el debate dejó de ser si debemos usarla y pasó a ser cómo integrarla con seguridad, transparencia y valor clínico real. En medicina interna –donde el juicio clínico integra probabilidades, valores del paciente y contextos cambiantes– la inteligencia artificial generativa no es un sustituto del criterio médico: es una herramienta cognitiva que puede acelerar tareas, enriquecer el razonamiento y apoyar decisiones más informadas, siempre que se despliegue con gobernanza y capacitación continua.
Tres verdades incómodas guían este editorial. Primera: el entusiasmo por la inteligencia artificial generativa supera la evidencia de impacto clínico a escala; necesitamos métricas, diseños de evaluación y estudios del “mundo real” para saber cuándo, dónde y con quiénes aporta valor. Segunda: los modelos alucinan, se desactualizan y pueden amplificar sesgos si no se “anclan” a fuentes fiables. Tercera: el personal de salud –desde residentes hasta adscritos– requiere formación estructurada, no solo tutoriales dispersos, para usarla de modo competente, ético y seguro. Estas verdades ya están documentadas en la bibliografía reciente y deben orientar la acción institucional.1
¿Dónde aporta la inteligencia artificial generativa hoy?
Comunicación clínica y seguimiento. Los agentes de voz generativos, capaces de entender y producir lenguaje en tiempo real, están listos para ampliar el alcance de equipos clínicos: educación al alta, recordatorios, navegación del sistema y priorización telefónica, con potencial para liberar tiempo clínico sin perder calidez. Su adopción exige validación rigurosa, diseño centrado en el paciente e integración con flujos de trabajo.2
Documentación y síntesis de información. En el consultorio y en el hospital, la inteligencia artificial generativa ya resume notas, estructura antecedentes, propone borradores y ayuda a estandarizar informes. Pero el “texto bonito” no equivale a razonamiento correcto; por ello la inteligencia artificial generativa debe operar bajo controles de veracidad (vinculación a fuentes, revisiones humanas, límites de autonomía) y trazabilidad de lo que se usó para generar una recomendación.1
Decisiones informadas por evidencia viva. La estrategia técnica más prometedora para reducir alucinaciones y desactualización es la generación aumentada por recuperación, que obliga al modelo a citar y razonar con documentos externos (guías, sumarios, artículos) y favorece la transparencia y la actualización. En salud, la generación aumentada por recuperación se perfila como un puente práctico entre inteligencia artificial generativa y medicina basada en evidencia.3
La deuda de la formación: del “uso curioso” a la competencia profesional
Una encuesta publicada en 2025 acerca de escuelas de medicina en Estados Unidos mostró brechas notables: ausencia de políticas y de capacitación formal para estudiantes y docentes, y planes incipientes para desarrollar ambas. Este panorama es un espejo de lo que muchos servicios clínicos viven: uso espontáneo, pero sin marcos, ni objetivos de aprendizaje, ni evaluación de competencias. La lección es clara: sin programa de capacitación continua, la inteligencia artificial generativa incrementa la variabilidad y el riesgo.4
Transparencia obligatoria: reportar el uso de inteligencia artificial generativa
En investigación y en la práctica clínica necesitamos declarar cómo y para qué se usó la inteligencia artificial generativa. El GAMER Statement (BMJ Evidence-Based Medicine, 2025) ofrece una lista de verificación para reportar herramientas generativas: qué modelo y versión, en qué se aplicó (edición de lenguaje vs generación de contenido), cómo se verificó y con qué salvaguardas. Este estándar es trasladable a procesos clínicos y docentes (por ejemplo, en comités, sesiones bibliográficas o notas automatizadas), y debe adoptarse por revistas, hospitales y residencias.5
Una hoja de ruta mínima para medicina interna
1) Política institucional y consentimiento informado. Definir usos permitidos, datos que nunca se comparten, responsables de revisión humana y registro explícito de uso de inteligencia artificial generativa en notas y reportes (estilo GAMER).
2) Currículum de competencias (para residentes y adscritos):
• Alfabetización en inteligencia artificial generativa: límites, sesgos, privacidad y seguridad.
• Técnicas de verificación: lectura crítica, contraste con guías, uso de generación aumentada por recuperación y enlaces a fuentes.
• Habilidad para proporcionar instrucciones claras y específicas (prompting): estructurar entradas (contexto, restricciones, criterios de éxito) y reconocer señales de salida riesgosa.
3) Integración con la evidencia. Priorizar las herramientas que expongan sus fuentes y permitan la auditoría. Cuando sea posible, preferir despliegues con generación aumentada por recuperación sobre repositorios locales de guías y sumarios institucionales.
4) Evaluación de impacto. Medir procesos (tiempo de documentación, retrabajo, apego a guías), resultados intermedios (calidad de notas, satisfacción del paciente) y, cuando proceda, resultados duros (eventos adversos, readmisiones). Evitar confundir adopción con beneficio clínico.1
5) Casos de uso de “bajo riesgo-alto valor”
• Educación al paciente y navegación del sistema con agentes de voz supervisados.2
• Borradores de notas con revisión humana obligatoria.
• Preparación de decisiones compartidas con resúmenes trazables de la evidencia (generación aumentada por recuperación).3
Un cambio cultural, no solo tecnológico
La inteligencia artificial generativa no resolverá la incertidumbre clínica ni reemplazará el juicio del internista; puede, sin embargo, ordenar la complejidad y acelerar el acceso a evidencia si aprendemos a formular preguntas de calidad, a exigir fuentes y a medir el impacto. La bibliografía de 2025 converge: avanzar con entusiasmo crítico, gobernanza explícita y formación continua es más seguro y efectivo que prohibir o adoptar acríticamente. Si la especialidad de medicina interna lidera este proceso –con estándares de transparencia, currículos claros y evaluación en la vida real– la inteligencia artificial generativa será una aliada para decisiones más informadas, pacientes mejor acompañados y equipos clínicos menos saturados. Ese es el camino de la información basada en evidencia a la práctica responsable.1
REFERENCIAS
1. Maddox TM, Embí P, Gerhart J, et al. Generative AI in medicine—evaluating progress and challenges. N Engl J Med 2025; 392 (24): 2479-2483. https://doi.org.10.1056/NEJMsb2503956P
2. Adams SJ, Acosta JN, Rajpurkar P. How generative AI voice agents will transform medicine. NPJ Digit Med 2025; 8: 353. https://doi.org.10.1038/s41746-025-01776-yNa
3. Yang R, Ning Y, Keppo E, et al. Retrieval-augmented generation for generative artificial intelligence in health care. NPJ Health Syst 2025; 2: 2. https://doi.org.10.1038/s44401-024-00004-1
4. Ichikawa T, Olsen E, Vinod A, et al. Generative artificial intelligence in medical education—Policies and training at US Osteopathic Medical Schools: Descriptive cross-sectional survey. JMIR Med Educ 2025; 11: e58766. https://doi.org.10.2196/58766
5. Luo X, Tham YC, Giuffrè M, et al.; GAMER Working Group. Reporting guideline for the use of Generative Artificial intelligence tools in MEdical Research: the GAMER Statement. BMJ Evid Based Med 2025. https://doi.org.10.1136/bmjebm-2025-113825
Rodolfo Palencia Díaz,
Rodolfo de J Palencia Vizcarra
Médicos internistas
Sin comentarios