{"id":67334,"date":"2026-02-09T09:56:56","date_gmt":"2026-02-09T15:56:56","guid":{"rendered":"https:\/\/saluddigital.com\/?p=67334"},"modified":"2026-02-09T10:08:37","modified_gmt":"2026-02-09T16:08:37","slug":"investigadores-de-harvard-explican-que-modelos-de-ia-medica-necesitan-mayor-contexto-para-su-uso-clinico","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/investigadores-de-harvard-explican-que-modelos-de-ia-medica-necesitan-mayor-contexto-para-su-uso-clinico\/","title":{"rendered":"Investigadores de Harvard explican que modelos de IA m\u00e9dica necesitan mayor contexto para su uso cl\u00ednico"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores de Harvard identifican los errores contextuales como una de las principales barreras para la adopci\u00f3n de la IA en hospitales y consultorios.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

La inteligencia artificial (IA) aplicada en la medicina promete transformar la atenci\u00f3n en salud al analizar grandes vol\u00famenes de datos, identificar patrones complejos y apoyar la toma de decisiones cl\u00ednicas. Sin embargo, a pesar del r\u00e1pido crecimiento de estos modelos en entornos acad\u00e9micos e industriales, muy pocos han logrado integrarse de forma efectiva en la pr\u00e1ctica cl\u00ednica cotidiana.<\/p>

Un nuevo estudio liderado por Marinka Zitnik, profesora asociada de inform\u00e1tica biom\u00e9dica en el Blavatnik Institute de Harvard Medical School, analiza las razones de esta brecha entre el desempe\u00f1o de los modelos en pruebas estandarizadas y los problemas que enfrentan cuando se utilizan en escenarios reales, como hospitales y consultorios. El trabajo fue publicado en Nature Medicine<\/em><\/a>.<\/p>

Los investigadores identifican los errores contextuales como factor clave detr\u00e1s de esta brecha. Estos ocurren cuando los modelos generan respuestas que parecen correctas y razonables, pero que no se ajustan al contexto espec\u00edfico en el que se aplican<\/strong>, como la especialidad m\u00e9dica, la ubicaci\u00f3n geogr\u00e1fica o las condiciones socioecon\u00f3micas del paciente.<\/p>

\u201cEsto no es una anomal\u00eda menor\u201d, se\u00f1al\u00f3 Zitnik. \u201cEs una limitaci\u00f3n generalizada de todos los tipos de modelos de IA m\u00e9dica que estamos desarrollando en el campo\u201d. Seg\u00fan la investigadora, muchos de los datos relevantes para la toma de decisiones cl\u00ednicas simplemente no est\u00e1n presentes en los conjuntos de datos con los que se entrenan estos sistemas.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El estudio explica que, ante la falta de informaci\u00f3n contextual, los modelos pueden ofrecer recomendaciones que no son accionables o relevantes para los pacientes<\/strong>. Para reducir este problema, el equipo propone tres l\u00edneas de acci\u00f3n: incorporar informaci\u00f3n contextual en los datos de entrenamiento, desarrollar pruebas computacionales m\u00e1s exigentes que eval\u00faen el desempe\u00f1o de los modelos tras su entrenamiento, e integrar el contexto directamente en la arquitectura de los sistemas de IA.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Uno de los principales ejemplos analizados es el de las especialidades m\u00e9dicas, por ejemplo, los pacientes pueden presentar s\u00edntomas complejos que involucran m\u00faltiples sistemas del cuerpo, pero un modelo entrenado principalmente con datos de una sola especialidad puede ignorar se\u00f1ales clave o enfocarse en informaci\u00f3n incorrecta. Los autores sugieren desarrollar modelos capaces de cambiar de contexto en tiempo real y adaptarse a distintas especialidades<\/strong> seg\u00fan la situaci\u00f3n cl\u00ednica.<\/p>

La ubicaci\u00f3n geogr\u00e1fica es otro factor cr\u00edtico, pues un mismo problema de salud puede requerir enfoques distintos dependiendo del pa\u00eds o regi\u00f3n, debido a diferencias en la prevalencia de enfermedades, la disponibilidad de tratamientos o las regulaciones locales. Zitnik subraya que un modelo que ofrece la misma respuesta sin considerar el lugar donde se atiende al paciente probablemente est\u00e9 equivocado.<\/p>

El tercer tipo de error contextual est\u00e1 relacionado con factores sociales, econ\u00f3micos y culturales que influyen en el comportamiento de los pacientes. Por ejemplo, un modelo puede recomendar que una persona asista a una consulta especializada sin considerar barreras como la distancia, la falta de transporte, responsabilidades laborales o de cuidado infantil. \u201cUn mejor modelo tendr\u00eda en cuenta estos factores para ofrecer recomendaciones m\u00e1s realistas y equitativas\u201d, explic\u00f3 Zitnik.<\/p>

M\u00e1s all\u00e1 de los errores contextuales, los investigadores se\u00f1alan otros desaf\u00edos para la implementaci\u00f3n de la IA m\u00e9dica, como la confianza de pacientes, profesionales y autoridades regulatorias<\/strong>. Zitnik destaca la importancia de modelos que ofrezcan recomendaciones transparentes, interpretables y que reconozcan expl\u00edcitamente cuando no tienen suficiente informaci\u00f3n para emitir una conclusi\u00f3n fiable.<\/p>

El art\u00edculo tambi\u00e9n plantea la necesidad de avanzar hacia sistemas de colaboraci\u00f3n humano-IA m\u00e1s sofisticados, en los que los modelos no solo respondan preguntas, sino que tambi\u00e9n puedan solicitar informaci\u00f3n adicional y adaptar sus respuestas al nivel de conocimiento del usuario, ya sea un paciente o un especialista.<\/p>

En su an\u00e1lisis conceptual, los autores proponen el \u201ccambio de contexto\u201d como una soluci\u00f3n emergente.<\/strong> Este enfoque permite que los modelos ajusten su razonamiento durante el uso, sin necesidad de reentrenamiento, adapt\u00e1ndose a distintos pacientes, especialidades, entornos cl\u00ednicos y regiones geogr\u00e1ficas. Seg\u00fan el art\u00edculo, este paradigma podr\u00eda sentar las bases para una inteligencia artificial m\u00e9dica capaz de escalar a una amplia diversidad de contextos sin perder fiabilidad.<\/p>

Zitnik aunque cautelosa, muestra optimismo sobre el futuro de la IA en salud. \u201cEsta tecnolog\u00eda ya se est\u00e1 utilizando, por lo que la comunidad debe trabajar unida para garantizar un desarrollo y una implementaci\u00f3n responsables\u201d, concluy\u00f3.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

HARVARD<\/strong><\/p>

https:\/\/hms.harvard.edu\/news\/medical-ai-models-need-more-context-prepare-clinic<\/a><\/p>

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41591-025-04184-7<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores de Harvard explican que modelos de IA m\u00e9dica necesitan mayor contexto para su uso cl\u00ednico<\/p>","protected":false},"author":1,"featured_media":67335,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-67334","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67334","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=67334"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67334\/revisions"}],"predecessor-version":[{"id":67340,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67334\/revisions\/67340"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/67335"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=67334"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=67334"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=67334"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}