TecnologíaPensamiento lógico matemático03 de oct de 2026
Cuando la máquina piensa por ti: qué se sabe del desentrenamiento médico con inteligencia artificial
Una columna de opinión reabre el debate sobre las habilidades que se pierden al delegar en la inteligencia artificial. La evidencia ya tiene cifras: endoscopistas habituados a un detector automático de pólipos encontraron menos adenomas cuando trabajaron sin él, y radiólogos de todos los niveles siguieron sugerencias erróneas de un sistema simulado.
De dónde sale la pregunta
El punto de partida es una columna de opinión publicada en un medio sanitario español: una reflexión sobre la capacidad de pensar que se deja de usar cuando una máquina piensa por uno. No trae datos nuevos, pero toca una pregunta que la medicina ya empezó a medir: ¿qué le pasa a la habilidad de un médico cuando se acostumbra a trabajar con IA (inteligencia artificial: programas entrenados con miles de ejemplos que reconocen patrones, como un pólipo en un video o una lesión en una mamografía)?
Aquí tienes lo que dice la evidencia, con sus cifras y sus límites.
El caso de las colonoscopias
El dato más citado viene de cuatro centros de endoscopia de Polonia que incorporaron a finales de 2021 un sistema de CADe (detección asistida por computadora: un programa que mira el video de la colonoscopia en tiempo real y enmarca en pantalla lo que parece un pólipo). Fue un estudio observacional y retrospectivo, en humanos: compararon las colonoscopias hechas sin la ayuda en los tres meses anteriores y en los tres posteriores a la llegada del sistema, 1443 pacientes en total.
La medida fue la TDA (tasa de detección de adenomas: porcentaje de colonoscopias de un endoscopista en las que encuentra al menos un adenoma; es el principal indicador de calidad de la prueba).
| Colonoscopias sin ayuda | Pacientes | Tasa de detección de adenomas |
|---|---|---|
| Antes de usar el sistema | 795 | 28,4 % |
| Después de usarlo a diario | 648 | 22,4 % |
- La caída fue de 6 puntos absolutos, estadísticamente significativa.
- Al ajustar por edad y sexo del paciente, haber estado expuesto al sistema siguió asociado a menos detección.
¿Por qué importa una tasa? Porque es una cifra que se paga en cánceres. En más de 314 000 colonoscopias de 136 gastroenterólogos, cada punto de más en esa tasa se asoció con un 3 % menos de cáncer de intervalo (cáncer colorrectal que aparece en los años siguientes a una colonoscopia que se informó como normal; casi siempre es una lesión que estaba ahí y no se vio).
El mecanismo: el sesgo de automatización
El sesgo de automatización (tendencia a aceptar lo que propone la máquina sin revisarlo: el cerebro ahorra esfuerzo delegando la vigilancia, deja de buscar por su cuenta y no detecta cuando el sistema se equivoca) está bien descrito. Una revisión sistemática reunió 74 estudios y halló que crece con la carga de trabajo, la prisa, la complejidad de la tarea y la confianza en el sistema, y que baja con la formación y cuando el médico sabe que responde por la decisión.
Un experimento en mamografía lo mostró con claridad: 27 radiólogos leyeron 50 mamografías con un supuesto sistema de apoyo que, sin que lo supieran, daba una categoría equivocada en 12 de ellas.
| Experiencia del radiólogo | Aciertos si el sistema acertaba | Aciertos si el sistema fallaba |
|---|---|---|
| Poca | 79,7 % | 19,8 % |
| Intermedia | 81,3 % | 24,8 % |
| Mucha | 82,3 % | 45,5 % |
Nadie quedó a salvo: hasta los más expertos bajaron casi a la mitad cuando la máquina se equivocaba.
Qué significa y qué no
- El estudio de las colonoscopias es observacional: muestra una asociación, no prueba la causa. Otros cambios en esos meses (más carga, otros pacientes) podrían explicar parte de la caída.
- Midió solo tres meses. Nadie ha medido todavía si la habilidad se recupera al volver a trabajar sin ayuda, ni cuánto tarda; tampoco si el efecto se repite con otros sistemas.
- El experimento de mamografía usó un sistema simulado: mide la tendencia a obedecer, no el rendimiento real en consulta.
- La propuesta de quienes estudian el tema no es prohibir, sino calibrar: usar la herramienta según la etapa de formación, hacer parte del trabajo sin ella y revisar siempre lo que propone.
La inteligencia artificial suma cuando la usas como segunda mirada; resta cuando reemplaza la primera.
Fuentes del contexto
- Budzyń K, Romańczyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025;10(10):896-903. https://doi.org/10.1016/S2468-1253(25)00133-5
- Corley DA, Jensen CD, Marks AR, et al. Adenoma detection rate and risk of colorectal cancer and death. N Engl J Med. 2014;370(14):1298-306. https://doi.org/10.1056/NEJMoa1309086
- Spadaccini M, Hassan C, Mori Y, et al. Variability in computer-aided detection effect on adenoma detection rate in randomized controlled trials: a meta-regression analysis. Dig Liver Dis. 2025;57(6):1141-8. https://doi.org/10.1016/j.dld.2025.01.192
- Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012;19(1):121-7. https://doi.org/10.1136/amiajnl-2011-000089
- Dratsch T, Chen X, Rezazade Mehrizi M, et al. Automation bias in mammography: the impact of artificial intelligence BI-RADS suggestions on reader performance. Radiology. 2023;307(4):e222176. https://doi.org/10.1148/radiol.222176
- Patel N, Kumar A, Chi J, et al. The long road to AI-physician partnership starts with learners: a map for AI in medical education. BMJ Digit Health AI. 2026;2(1):e000056. https://doi.org/10.1136/bmjdh-2026-000056
La fuente
Redacción Médica
Leer el original ↗Esta nota se redactó con ayuda de inteligencia artificial a partir de la fuente, y se revisó antes de publicarla.