La próxima prueba médica podría elegirla una IA que imagina primero qué diría el resultado

Cómo ACTMED transforma los resultados imaginados en la selección de pruebas

De los resultados imaginados nace la elección.

ACTMED pide a un modelo de lenguaje que anticipe resultados plausibles para cada prueba candidata y evalúa cuánto moverían esos resultados la probabilidad de padecer la enfermedad. En el ejemplo práctico de una enfermedad renal crónica, el sistema compara la creatinina sérica con el sodio. Para cada opción, imagina dos resultados posibles, calcula la nueva probabilidad de enfermedad renal tras cada uno y determina qué prueba alteraría más esa probabilidad si se solicitara.

Un valor alto de creatinina eleva la probabilidad a 0,65, mientras que un valor normal la sitúa en 0,22. Un resultado bajo de sodio solo alcanza el 0,45, y una lectura normal lo baja hasta el 0,18. Dado que los resultados imaginados para la creatinina desplazarían más la probabilidad, ACTMED selecciona la creatinina sérica frente al sodio.

El equipo denomina a esto ganancia esperada de información: es una medida de cuánto afinaría un resultado el diagnóstico. El método considera cada prueba como un experimento cuyo valor no reside solo en su coste, sino en el cambio de creencia que puede generar antes de extraer cualquier muestra. Ruhrberg Estévez y colaboradores escriben que «el marco emite recomendaciones de pruebas en lugar de decisiones fijas, permitiendo a los clínicos anular sugerencias basándose en el contexto y volver a consultar con resultados alternativos de las pruebas».

Por qué la calidad del simulador condiciona el funcionamiento del sistema

El simulador marca el techo del sistema. ACTMED selecciona una prueba imaginando primero qué resultados podría arrojar y luego evaluando cuál de ellos modificaría más el diagnóstico. Si esas proyecciones son erróneas, la elección resultante también lo será.

Un simulador deficiente puede fallar de dos formas distintas. Un modelo de código abierto generaba a veces valores clínicamente inverosímiles, como cifras decimales para embarazos previos. Otro devolvía repetidamente el mismo valor en muestras sucesivas, incluso cuando se aumentaba la aleatoriedad del muestreo. En ambos casos, el sistema no podía estimar cuánto alteraría un nuevo resultado su probabilidad de enfermedad.

Ese fallo se traduce en menor precisión. En hepatitis C, el simulador médico menos fiable hizo que ACTMED fuera menos exacto que un clasificador simple que utilizaba todas las pruebas disponibles (0,489 frente a 0,511). Ruhrberg Estévez y colaboradores sugieren que esto ocurre porque dichos modelos tienen dificultades para capturar la incertidumbre específica de cada paciente.

Un simulador generalista más potente funcionó mejor: sus resultados simulados se ajustaban más a las distribuciones reales, y ACTMED superó a la selección aleatoria, a un conjunto fijo de pruebas óptimas y a la selección implícita por LLM en el conjunto más amplio de casos tipo OSCE. El equipo señala que los grandes modelos de lenguaje actuales aún no están listos para un diagnóstico autónomo directo.

El papel de los clínicos frente a las limitaciones del método

Los clínicos conservan la última palabra. El sistema puede proponer pruebas, pero el médico revisa las estimaciones iniciales de riesgo, comprueba si los resultados simulados son plausibles, descarta las pruebas inviables y anula las decisiones inseguras. Ruhrberg Estévez y sus colaboradores escriben que «los LLM actuales aún no están listos para un diagnóstico autónomo directo».

El equipo también señala que su marco de trabajo está limitado actualmente a la clasificación binaria: cada tarea se plantea como una única decisión de sí o no, aunque el estudio incluye una colección más amplia de casos al estilo OSCE. La evaluación futura debería cubrir comorbilidades y escenarios multietiqueta si el método ha de llegar a las salas reales.

El coste es otra limitación. Estimar el valor esperado de una prueba candidata tardó unos 20 segundos con GPT-4o o GPT-4o-mini, mientras que un clasificador estático puede usar todas las características en un solo paso. Los autores argumentan que esta latencia es aceptable porque las pruebas innecesarias y el diagnóstico retrasado suponen mayores costes médicos y financieros.

El método también excluye informes de texto libre, como notas de imagenología o patología. Se podrían añadir versiones estructuradas de esos registros más adelante, pero hasta entonces el sistema solo funciona con características categóricas y numéricas.

Un asistente útil, no un reemplazo

Lo interesante de ACTMED es que transforma el diagnóstico en una sucesión de decisiones, no en un solo tanteo. El sistema pregunta qué revelaría probablemente cada prueba y recomienda la que más reduciría la incertidumbre. Así se aleja de la caja negra que simplemente emite una etiqueta.

Ruhrberg Estévez y colaboradores presentan ACTMED como un sistema que ofrece recomendaciones de pruebas, no decisiones cerradas. También advierten que los LLM actuales «aún no están listos para el diagnóstico autónomo directo», aunque podrían encajar mejor como herramientas de apoyo a la decisión clínica. La oportunidad es real: menos pruebas innecesarias, una triaje más ágil en consultas concurridas y un registro del motivo por el que se eligió cada prueba.

Los médicos pueden mantenerse en el circuito, revisando las sugerencias, interpretando los resultados intermedios y aplicando su juicio clínico durante todo el proceso. El método depende de simuladores capaces de imaginar resultados plausibles. Una dependencia que los modelos más débiles dejan al descubierto cuando generan valores imposibles para un paciente o se estancan en una única respuesta repetida. La evaluación incluyó un conjunto amplio de casos tipo OSCE con variaciones clínicas, aunque cada tarea se plantea como una decisión diagnóstica binaria.

El marco se aplicó a enfermedades distintas y no dentro de un único escenario multietiqueta. El equipo señala las comorbilidades como trabajo futuro. El texto libre de escaneos e informes patológicos sigue fuera de su alcance. Aun así, la dirección apunta hacia una medicina en la que las máquinas ayudan a elegir el siguiente paso mientras los médicos conservan el juicio final.