Un análisis exhaustivo de estudios entre 2015 y 2024 no encuentra evidencia sólida de que los algoritmos cuánticos superen a los métodos clásicos en entornos clínicos reales.
Con el auge de la digitalización en la salud, investigadores han explorado si el quantic machine learning (QML) o aprendizaje automático cuántico, podría ofrecer ventajas sobre los enfoques tradicionales de inteligencia artificial. Una revisión sistemática publicada en npj Digital Medicine evaluó rigurosamente 4915 estudios sobre QML aplicados a Salud Digital y concluyó que, hasta el momento, no hay pruebas consistentes que respalden un beneficio empírico del uso de estos algoritmos en contextos clínicos reales.
El estudio, realizado por un equipo de la Universidad de Queensland, Australia, aplicó criterios de calidad para analizar evidencia empírica sobre el desempeño de algoritmos cuánticos frente a los clásicos en tareas como diagnóstico clínico y predicción de riesgos. De los miles de estudios revisados, solo 169 cumplieron con los criterios de elegibilidad, y de estos, solo 16 fueron considerados de alta calidad y probados bajo condiciones operativas realistas, como el uso de hardware cuántico real o simulaciones ruidosas.
Asimismo, los autores encontraron que la mayoría de los estudios usaban simulaciones ideales que no reflejan el ruido y limitaciones del hardware cuántico actual. Además, muchas investigaciones presentaban métricas de desempeño sin reportar márgenes de error o pruebas de escalabilidad. Las comparaciones con algoritmos clásicos eran limitadas o inconsistentes, lo que dificultaba extraer conclusiones confiables.
Por otro lado, un hallazgo clave es que casi todos los algoritmos evaluados eran modelos cuánticos lineales, que requieren más recursos y ofrecen menos beneficios que sus contrapartes no lineales. Además, la mayoría de los estudios utilizaban bases de datos de salud abiertas, dejando de lado datos clínicos más complejos como historiales médicos electrónicos. Tampoco se encontró evidencia de que QML mejore la eficiencia en la prestación de servicios de salud o aplicaciones de salud pública.
Los autores señalaron la necesidad de estándares más rigurosos para estudios que busquen demostrar “ventaja cuántica” en Salud Digital. Propusieron una guía de requisitos mínimos, como el análisis del impacto del ruido, escalabilidad del desempeño y acceso abierto a datos y código, para fortalecer futuras investigaciones.
La revisión concluye que, si bien el QML o aprendizaje automático cuántico es un campo prometedor, su utilidad en Salud Digital aún no está demostrada empíricamente bajo condiciones realistas. Por ello, para avanzar hacia aplicaciones clínicas significativas, será necesario un enfoque más riguroso en la evaluación del rendimiento de estos algoritmos, así como una mejor alineación entre las técnicas cuánticas y los desafíos reales en medicina digital.
