En 2016, el premio Nobel Geoffrey Hinton predijo que los radiólogos —los médicos que leen radiografías, ecografías y otras imágenes para ayudar al diagnóstico— serían sustituidos por ordenadores en cinco años. Una década después, la especialidad sigue en pie. De hecho, se espera que el número de profesionales crezca un 26 por ciento o más en las próximas tres décadas.
Pero que Hinton se equivocara sobre la dinámica del mercado laboral no debería tapar la parte en la que acertó: los médicos tienen ahora en la sala un colega de silicio que iguala o supera su rendimiento.
Para ver la diferencia hay que mirar la cifra: Hinton predijo que la profesión desaparecería; lo que ocurrió es que creció mientras cambiaba su contenido. Esa distinción se confunde una y otra vez en los debates sobre el efecto de la IA en el empleo.
Por eso importa la radiología. Es el punto caliente de la inteligencia artificial en medicina y, como tal, un indicador adelantado de cómo se adoptarán los sistemas expertos de decisión en la sanidad y quizá en otros campos.
La escala
A comienzos de 2026, cerca de tres cuartas partes de los 1.400 dispositivos médicos con inteligencia artificial autorizados en Estados Unidos correspondían a radiología. Estas herramientas hacen dos trabajos distintos:
- Eficiencia: redactar informes o señalar las imágenes que requieren atención urgente.
- Rendimiento: detectar anomalías que el ojo humano puede no ver e interpretar imágenes tan bien como un radiólogo formado, y a veces mejor.
Un análisis de 43 ensayos clínicos concluyó que las colonoscopias asistidas por inteligencia artificial revelan más pólipos que las convencionales.
Mejorar la precisión importa, porque la tasa media de error humano en imágenes diagnósticas se estima entre el 3 y el 5 por ciento: millones de errores cada año en todo el mundo. Aun así, la solución no es tan simple como sustituir personas por máquinas. Una década después de la predicción de Hinton, la pregunta no es si el humano o la inteligencia artificial rinden mejor estadísticamente en una tarea, sino cómo combinar la precisión técnica de la máquina con la experiencia y la flexibilidad humanas.
Dos clases distintas de inteligencia
Curtis Langlotz, radiólogo que dirige el Centro de Inteligencia Artificial en Medicina e Imagen de Stanford, lo explica con un ejemplo. Supongamos que una herramienta detecta el 95 por ciento de los nódulos pulmonares en una tomografía torácica, mientras que los radiólogos detectan el 90 por ciento.
"Algunos dirían: 'La IA es mejor que los radiólogos, así que deberíamos sustituirlos a todos por IA'", señala. "Pero les diré una cosa: el radiólogo va a detectar parte de ese 5 por ciento que la máquina pasó por alto. Y eso es porque la inteligencia de la máquina y la humana son clases distintas de inteligencia".
La diferencia está aquí: la inteligencia artificial puede examinar cada píxel de una imagen sin cansarse ni distraerse y compararla con todas las imágenes que ha visto. La comprensión de la enfermedad que tiene un radiólogo le permite interpretar imágenes de maneras que la máquina no alcanza.
El nuevo trabajo: evaluar cada decisión
Esto cambia la descripción del puesto. El radiólogo pasa a evaluar cada decisión de la máquina —la inmensa mayoría serán correctas— y a identificar los casos raros en que el algoritmo se equivocó.
Paul Yi, radiólogo del Hospital Infantil de Investigación St. Jude, lo resume: "Esto exige recablear la mente por completo".
Este papel difiere del patrón habitual en el que decide la persona y la máquina ayuda. Aquí decide primero la máquina y la persona la audita. El orden de la decisión se ha invertido mientras la responsabilidad sigue donde estaba.
Los médicos están acostumbrados a desautorizar ordenadores. Las alertas de las historias clínicas electrónicas, activadas por algoritmos basados en reglas, llevan décadas avisando de cosas como interacciones peligrosas entre fármacos, y los médicos las ignoran aproximadamente la mitad de las veces. Pero este momento es distinto.
El problema de la caja negra
La diferencia viene del tipo de herramienta. Los algoritmos basados en reglas dan respuestas que el médico interpreta rápido con su propio conocimiento. Los sistemas de análisis de imagen en radiología se apoyan por lo general en redes neuronales capaces de identificar subtipos de tumor, delimitar lesiones y realizar tareas diagnósticas con alta precisión. Pero no revelan cómo llegaron a una decisión.
Charles Kahn, editor de Radiology: Artificial Intelligence, describe la dificultad: "¿Es realmente una anomalía o se me está escapando algo que la IA, con su mente sutil o lo que sea, está identificando? Y eso resulta verdaderamente difícil para nosotros".
Una trampa que va en dos direcciones
Interpretar una imagen admite dos tipos de error: un falso negativo pasa por alto la enfermedad y un falso positivo ve una que no existe. En enfermedades poco frecuentes —y la mayoría lo son— cualquier prueba tiende a producir muchos falsos positivos, simplemente porque se encuentra con gran número de personas sanas.
De ahí surgen dos sesgos distintos:
- Sesgo de automatización: creer demasiado deprisa el resultado de la máquina.
- Complacencia con la automatización: aceptar sin cuestionar algo que la máquina pasó por alto, como sangre en el cerebro.
Nina Kottler, directora médica de inteligencia artificial en Mosaic Clinical Technologies, los conecta: "Ambos son casos en los que se deja que la IA cambie el nivel de sospecha del radiólogo sin que este se dé cuenta". Con el tiempo se puede acabar creyendo demasiado en las respuestas de la máquina. Un estudio halló que incluso radiólogos experimentados sufrían caídas notables de precisión en mamografía cuando decidían bajo la influencia de predicciones erróneas.
La dirección contraria resulta más intuitiva. Desconfiar de una tecnología nueva —sobre todo de una acusada de quitar empleos— es natural hasta que demuestra su valor. Un detalle lo alimenta: sistemas por lo demás fiables cometen errores evidentes que no se parecen a los humanos. "Ves un error tonto, un falso positivo absurdo, y piensas: 'Claro, la IA no es inteligente', y puedes descartarla", dice Kottler.
Enfermedad rara, falsas alarmas abundantes
Entender por qué se acumulan los falsos positivos es la clave para entender el trabajo del radiólogo. El problema no es que la herramienta sea mala, sino que la enfermedad es poco frecuente.
Una prueba de cribado se encuentra con gran número de personas que no tienen la enfermedad. Cada una de ellas es otra oportunidad para que la herramienta dé una falsa alarma. Cuanto más rara sea la enfermedad, más falsas alarmas se acumulan por cada diagnóstico correcto, aunque la precisión de la herramienta no cambie.
La consecuencia es que el trabajo del radiólogo consiste en buena medida en decir que no. Debe desautorizar la mayor parte de lo que la máquina señala sin perderse el raro diagnóstico correcto que hay entre todo ello. Es un trabajo mental agotador que exige a la vez sospecha constante y atención constante.
Cómo se gestiona
La propuesta de Kottler es medir: vigilar a lo largo del tiempo cuánto coinciden los radiólogos con sus colegas de silicio e intervenir si se desvían demasiado en cualquier dirección. "Si los radiólogos aceptan el resultado de la IA 99 de cada 100 veces y sabemos que solo acierta el 95 por ciento, vamos a hablar con ese radiólogo".
Pero decir que una herramienta acierta el 95 por ciento no basta. La formación resulta esencial para que el médico sepa qué mirar y cuándo. Necesita saber, por ejemplo, que cierta herramienta se equivocará en el 30 por ciento de las exploraciones si el paciente se movió.
Aquí hay un vacío. En una encuesta a médicos de 2026, más de una cuarta parte dijo no haber recibido ninguna formación sobre inteligencia artificial; solo el 11 por ciento afirmó haber recibido mucha.
Kottler defiende además que las herramientas informen de una estimación de confianza en cada evaluación en lugar de un simple sí o no. El razonamiento es práctico: no puede esperarse que un radiólogo conozca las particularidades de varios sistemas, y esos sistemas solo van a multiplicarse.
La cifra de la caja no es la cifra de su hospital
Una implicación merece subrayarse. La mayoría de las herramientas de imagen con inteligencia artificial se entrenan con datos de poblaciones de pacientes concretas, y la precisión de un modelo puede caer en una población distinta de aquella con la que aprendió.
Eso agudiza el hallazgo central del artículo: la precisión impresa en la caja puede no ser la precisión de su hospital. Por eso mismo la medición que propone Kottler —seguir con qué frecuencia coinciden los radiólogos con la herramienta— debe hacerse en el propio centro. Una herramienta comprada que no se mide sobre el terreno funciona con una precisión desconocida.
Más allá de la radiología
El resumen de Langlotz refleja la madurez del campo: "Estamos apenas en el principio de entender cómo optimizar el sistema humano-máquina".
Este cuadro no concierne solo a los radiólogos. Toda profesión donde el juicio experto reciba apoyo de una máquina seguirá la misma secuencia: primero llega la herramienta, después cambia la descripción del puesto y solo al final aparecen la formación y la medición para gestionar ese cambio. Lo que siempre falta es lo último.
El orden también importa. Cuando una institución compra primero la herramienta y piensa después en la formación, durante ese intervalo el personal la usa por intuición, y esa intuición se desliza hacia uno de los dos sesgos descritos. Unos confían de más en la máquina; otros la descartan por completo tras un error absurdo. Ninguna de las dos cosas se ve si no se mide.
Lo que dijo Langlotz hace una década, al rebatir la predicción del padrino de la IA, sigue vigente: la inteligencia artificial no sustituirá a los radiólogos. Los radiólogos que usen IA sustituirán a los que no.