Inteligencia artificial quirúrgica

La inteligencia artificial entró a la neurocirugía por la puerta más natural: las imágenes. Detectar, segmentar, clasificar. De ahí avanzó hacia terrenos más delicados —predecir el riesgo de una operación, anticipar complicaciones, reconocer estructuras en el video quirúrgico— y hacia uno completamente nuevo, el de los modelos de lenguaje.

Este es probablemente el campo donde más se necesita distinguir entre lo que se anuncia y lo que está demostrado, porque el ruido es máximo y la evidencia, escasa y desigual. Vale la pena recorrerlo aplicación por aplicación.

Donde ya está en la vía clínica

El caso más avanzado es el triaje de imágenes en el accidente cerebrovascular: un software que analiza la tomografía apenas se adquiere, detecta una oclusión de gran vaso y alerta simultáneamente al equipo que puede tratarla, sin esperar la cadena habitual de llamadas.

Un estudio observacional sobre más de cuatrocientas cincuenta mil admisiones por accidente cerebrovascular en el sistema público inglés encontró que en los hospitales que implementaron esa herramienta la tasa de trombectomía se duplicó¹. Es una cifra impresionante y hay que leerla con dos advertencias que el propio trabajo permite hacer. Primera: es un diseño antes-después, no aleatorizado, y coincidió en el tiempo con la expansión deliberada de la red británica de trombectomía; separar el efecto del software del efecto de la política sanitaria no es posible. Segunda, y más importante: tres de los firmantes trabajan para el fabricante del software evaluado, y el autor de correspondencia tiene doble filiación con esa empresa¹. La cifra es real. La atribución causal no está demostrada. Y un artículo que cite ese estudio sin decir quién lo firma no está divulgando: está haciendo publicidad.

En el quirófano y en la mesa de patología

Aquí los resultados son más limpios y más acotados. La histología estimulada por Raman combinada con redes neuronales permite obtener un diagnóstico de tumor cerebral durante la cirugía en menos de tres minutos, contra los veinte o treinta de la técnica convencional. En un ensayo prospectivo multicéntrico, la exactitud fue equivalente a la interpretación del patólogo². La palabra clave es "equivalente", no "superior": la ventaja es de tiempo y de independencia del laboratorio, no de acierto. Y también aquí hay conflictos declarados: el autor principal es asesor y accionista del fabricante del equipo, y varios coautores son empleados de esa empresa².

El resultado más sólido del campo es probablemente el clasificador molecular intraoperatorio por nanoporos, sin autores del fabricante, con un diseño que se abstiene en lugar de equivocarse³. En veinticinco cirugías reales acertó en dieciocho y en siete no alcanzó el umbral de confianza. Eso es una herramienta útil. No es un patólogo digital.

También existe la lectura automática del video quirúrgico: sistemas capaces de reconocer las fases del procedimiento, los gestos del cirujano y hasta la calidad con que se ejecutan⁴. Está validado en cirugía robótica urológica, en tres hospitales de dos continentes. Extrapolarlo a la neurocirugía es, por ahora, extrapolación.

Donde todavía no hay nada

La predicción de riesgo y complicaciones es el terreno donde la distancia entre expectativa y evidencia es mayor. Una revisión sistemática de los modelos de aprendizaje profundo publicados en neurocirugía encontró que casi todos desarrollan su propio modelo y casi ninguno valida uno ajeno; que el código está disponible en menos de uno de cada diez trabajos; y que una parte considerable de la información necesaria para reproducirlos simplemente no se reporta. Su conclusión es literal y no admite interpretación: ningún estudio describió su modelo como listo para uso clínico⁵.

En el conjunto de la medicina el panorama no es mejor. Hasta 2021 se habían publicado apenas cuarenta y un ensayos aleatorizados de intervenciones basadas en aprendizaje automático en toda la disciplina, la mitad monocéntricos, más de un tercio concentrados en un solo campo, y ninguno cumplía íntegramente la guía de reporte específica⁶.

El fracaso que hay que conocer

Existe un caso documentado que conviene tener siempre a mano. Un modelo comercial de predicción de sepsis, integrado en el sistema informático de cientos de hospitales estadounidenses, fue sometido por primera vez a validación externa independiente sobre casi cuarenta mil hospitalizaciones. Su capacidad de discriminación resultó pobre: no detectó a dos de cada tres pacientes que efectivamente desarrollaron sepsis, y generó alertas en casi una de cada cinco internaciones⁷.

Ese es el ejemplo a citar cuando alguien diga que un modelo "ya está en uso en cientos de centros". Estar desplegado y estar validado son cosas distintas.

A eso se suma un problema del que se habla poco porque incomoda: los clasificadores de imagen entrenados con grandes bases de datos infradiagnostican de manera selectiva a mujeres, a pacientes negros y a pacientes de bajo nivel socioeconómico, con el peor efecto en quienes pertenecen a más de uno de esos grupos⁸. El infradiagnóstico etiqueta como sano a alguien enfermo y le retrasa el tratamiento: es el modo de fallo clínicamente más peligroso y el que menos se mide.

Los modelos de lenguaje

La evidencia seria es escasa y, leída completa, desconcertante. En un ensayo aleatorizado, dar a los médicos acceso a un modelo de lenguaje no mejoró su razonamiento diagnóstico; sin embargo, el modelo trabajando solo puntuó por encima de los médicos que lo usaban⁹. En otro ensayo del mismo grupo, con una tarea distinta, la asistencia sí mejoró el desempeño, aunque a costa de más tiempo por caso — y otra vez el modelo solo igualó al médico asistido⁹.

Sea cual sea la lectura, ambos ensayos se hicieron sobre viñetas clínicas, no sobre pacientes. No existe todavía ningún ensayo aleatorizado de un modelo de lenguaje con un desenlace clínico real. Y una revisión de más de quinientos estudios publicados en JAMA aporta el dato que ordena todo el resto: apenas el cinco por ciento usó datos de pacientes reales, la exactitud fue la métrica principal en la enorme mayoría, y las cuestiones de sesgo y equidad se evaluaron en una minoría de los trabajos¹⁰.

Lo que hay que retener

La agencia estadounidense declara más de mil dispositivos con inteligencia artificial autorizados, casi todos de radiología, y advierte en su propia página que la lista no es exhaustiva y que se construyó buscando términos relacionados con IA en los resúmenes de autorización¹¹. Autorizar no es validar: la vía regulatoria más frecuente demuestra equivalencia sustancial con un dispositivo previo, no que alguien viva más o mejor.

Existen desde 2020 guías específicas para reportar ensayos, protocolos, evaluaciones tempranas y modelos de predicción con inteligencia artificial¹². Existen, y se cumplen mal.

Nada de esto es un argumento contra la inteligencia artificial en medicina. Es un argumento sobre el orden de las preguntas. La pregunta operativa de esta década no será "¿inteligencia artificial sí o no?", sino validada cómo, supervisada por quién, y evaluada contra qué desenlace. Y una más, específica de quien escribe sobre esto: quién firma el estudio que cita. En este campo, que el fabricante esté entre los autores no es la excepción; es la norma. Decirlo en voz alta es lo que separa la divulgación rigurosa del folleto.