Dr. Marco V. Benavides Sánchez. Medmultilingua.com
¿Y si el mejor diagnóstico fuera reconocer que aún no hay diagnóstico? Suena contradictorio, pero es exactamente lo que hacen los mejores médicos cada día: saber cuándo esperar antes de decidir. Ahora, por primera vez, una inteligencia artificial ha aprendido a hacer lo mismo.
El problema que nadie quería admitir
Los algoritmos médicos tradicionales funcionan como un interruptor: encendido o apagado, enfermo o sano, eficaz o ineficaz. Pero cualquier médico sabe que la realidad clínica no es binaria. Un paciente mejora, empeora, se estabiliza, vuelve a empeorar… La medicina ocurre en el tiempo, no en un clic.
Y ahí está la falla: hemos estado forzando a la inteligencia artificial a tomar decisiones instantáneas en un mundo que requiere paciencia clínica.
La revolución de las tres opciones
Un equipo de investigadores acaba de publicar en Artificial Intelligence in Medicine un sistema que rompe con esta limitación (Jin et al., 2026). Su propuesta es simple pero radical: darle a la IA una tercera opción.
En lugar de clasificar un tratamiento como “funciona” o “no funciona”, el algoritmo puede decir: “espera, necesito más información”. Esta “zona de incertidumbre” es donde la medicina real sucede, donde un médico experimentado sabe que precipitarse puede ser peligroso.
Es como si la IA hubiera aprendido la lección más difícil de la medicina: dudar inteligentemente.
Cuando el arrepentimiento se convierte en ciencia
Pero la verdadera innovación está en cómo el sistema toma decisiones. Los investigadores incorporaron algo inesperado: la teoría del arrepentimiento, un concepto que viene de la economía del comportamiento.
La idea es brillante en su simplicidad: el algoritmo no solo calcula el error de una decisión, sino el costo de haberse equivocado cuando podría haber esperado. Es el mismo razonamiento que hace un médico cuando piensa: “¿Y si hubiera dado 48 horas más antes de cambiar el tratamiento?”
Este enfoque, originalmente desarrollado para entender las decisiones financieras (Loomes & Sugden, 1982), resulta ser perfectamente aplicable a la clínica. Porque tanto en la bolsa como en la consulta, el arrepentimiento por actuar demasiado rápido puede ser devastador.
Datos imperfectos, decisiones reales
El sistema fue diseñado para el mundo real, no para el laboratorio. Reconoce que los datos clínicos:
- Llegan fragmentados y en momentos distintos
- Mezclan números con observaciones cualitativas
- Nunca están perfectamente balanceados entre grupos de tratamiento
- Cambian con cada visita del paciente
Para manejar esta complejidad, los investigadores crearon un modelo “multigranular” que agrupa pacientes según el tratamiento recibido y rastrea su evolución a lo largo del tiempo, construyendo reglas de decisión que se adaptan a cada momento del proceso terapéutico.
Artritis reumatoide: la prueba de fuego
El método se puso a prueba con datos reales de pacientes con artritis reumatoide, una enfermedad donde la evolución es notoriamente variable y las decisiones terapéuticas requieren ajustes constantes.
Los resultados fueron contundentes: el sistema superó en precisión y claridad a otros enfoques de inteligencia artificial. Pero lo más importante es que demostró ser útil para recomendar tratamientos, acercándose al santo grial de la medicina de precisión.
El futuro ya no es un conocedor absoluto, es ser prudente
Este trabajo representa un cambio de paradigma en cómo pensamos la IA médica. Durante años, el objetivo ha sido crear sistemas cada vez más “seguros” de sus respuestas. Pero quizás el verdadero avance es crear sistemas que saben cuándo no estar seguros.
Como señala el creciente cuerpo de investigación sobre IA en medicina (Topol, 2019), los mejores algoritmos no son los que siempre tienen una respuesta, sino los que saben cuándo su respuesta importa de verdad.
En una era donde la inteligencia artificial amenaza con automatizarlo todo, este enfoque nos recuerda algo fundamental: la mejor medicina no siempre es la más rápida, sino la más sabia.
Y la sabiduría, al parecer, se puede programar.
Referencias
- Jin, Y., Sun, B., Zhan, J., & Chu, X. (2026). Regret theory-based clinical efficacy evaluation method with three-way decision. Artificial Intelligence in Medicine, 172, 103333. https://doi.org/10.1016/j.artmed.2025.103333
- Loomes, G., & Sugden, R. (1982). Regret theory: An alternative theory of rational choice under uncertainty. The Economic Journal, 92(368), 805–824. https://doi.org/10.2307/2232669
- Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
- Yao, Y. (2010). Three-way decisions with probabilistic rough sets. Information Sciences, 180(3), 341–353. https://doi.org/10.1016/j.ins.2009.09.021
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Deja un comentario