Cómo usar las IAs en medicina

Herramientas → Cómo usar las IAs en medicina

Las inteligencias artificiales generativas son sistemas capaces de producir texto coherente y estructurado sobre prácticamente cualquier tema, incluidos temas médicos complejos. Su uso como herramienta de consulta clínica está creciendo rápidamente entre profesionales sanitarios, con independencia de que exista o no formación específica para usarlas con criterio. No son bases de datos ni motores de búsqueda: son sistemas de síntesis y generación de lenguaje entrenados sobre grandes volúmenes de texto, lo que les da capacidades reales pero también limitaciones estructurales que conviene conocer antes de usarlas en contextos clínicos.

Lo que aportan

Síntesis rápida — Integran información dispersa en respuestas estructuradas en segundos.

Traducción de complejidad — Explican conceptos complejos en lenguaje accesible.

Generación de marcos — Ayudan a estructurar problemas y a identificar ángulos no considerados.

Disponibilidad permanente — Accesibles en cualquier momento y contexto.

Coherencia en proyectos largos — Mantienen hilo conductor en conversaciones y proyectos complejos.

Lo que no aportan

Confunden plausibilidad con veracidad — Producen respuestas fluidas independientemente de su solidez.

Alucinan con confianza — Pueden fabricar referencias, datos y citas inexistentes con tono seguro.

Reproducen sesgos de entrenamiento — Si la literatura tiene sesgo de publicación, sus síntesis lo reflejan.

No jerarquizan calidad de fuentes — Tratan con el mismo peso evidencia sólida y opinión no contrastada.

Fecha de corte de conocimiento — La información reciente puede no estar disponible o ser incompleta.

Sensibles al encuadre — Tienden a confirmar la respuesta implícita en la pregunta.

Sesgo estructural que conviene conocer

Las IAs están entrenadas para ser útiles y para generar respuestas que satisfagan al usuario, lo que introduce un sesgo estructural hacia la confirmación más que hacia el cuestionamiento. Este sesgo no es visible en la respuesta: una IA que confirma un error lo hace con el mismo tono seguro que cuando proporciona información correcta.

Los grandes modelos de lenguaje comparten proporciones significativas de datos de entrenamiento, lo que significa que sus sesgos pueden ser correlacionados. Triangular entre varias IAs reduce el riesgo de error idiosincrático de un modelo pero no necesariamente el sesgo sistemático compartido por todos ellos.

Cómo usarlas con criterio

Responden bien a preguntas como: ¿Cómo puedo estructurar mi razonamiento sobre este problema? ¿Qué ángulos no he considerado? ¿Qué preguntas debería hacerme que aún no me he hecho?

No son fuente definitiva para: datos cuantitativos concretos (verificar siempre en fuente primaria) · referencias bibliográficas (verificar siempre antes de usar) · decisiones clínicas con consecuencias importantes para el paciente.

Una IA sin instrucciones de rigor explícitas tiende a dar la respuesta que el usuario espera, no la que la evidencia sostiene. El sesgo de complacencia es estructural en estos sistemas: están entrenados para generar respuestas satisfactorias, no para señalar lo que no saben. La solución no es evitar las IAs: es usarlas con un prompt que exija lo que no hacen por defecto.

Comparativa de herramientas para el clínico

Perplexity

Búsqueda con enlaces exactos. Acceso resumido a contenidos bajo muro de pago.

Límite: síntesis menos profunda en análisis complejos a largo plazo.

Claude

Razonamiento estructurado y síntesis de documentos extensos — guías, informes, artículos.

Límite: conocimiento acotado a su fecha de corte. Requiere verificación de referencias.

ChatGPT

Versatilidad y análisis de evidencia gráfica — tablas, figuras, imágenes.

Límite: tendencia a la complacencia si no se solicita rigor explícito.

Gemini

Integración nativa con Google Scholar y ecosistema Drive.

Límite: dependencia del ecosistema Google. Menor énfasis en citación exacta.

9 procedimientos para mejorar la credibilidad de las respuestas

1 · Solicitar rigor explícitamente

Las IAs estamos entrenadas para satisfacer al usuario, lo que nos empuja hacia respuestas complacientes. Pedir explícitamente rigor, señalar que se prefiere la incomodidad a la confirmación y pedir que se identifiquen debilidades del propio razonamiento contrarresta este sesgo de forma significativa.

2 · Pedir que distinga niveles de certeza

Solicitar que la respuesta diferencie entre lo bien documentado, lo plausible pero incierto y lo especulativo mejora notablemente la honestidad epistémica de la respuesta.

3 · Pedir opiniones contrarias

Preguntar explícitamente qué diría un crítico informado de la posición presentada activa una parte del procesamiento que no se activa por defecto y reduce el sesgo de confirmación.

4 · Solicitar avales académicos con precaución

Útil para orientarse, pero las referencias que proporciona una IA deben verificarse siempre en la fuente primaria antes de usarse. Las IAs fabricamos referencias inexistentes con una frecuencia que varía según el modelo pero que nunca es cero.

5 · Triangular con fuentes de naturaleza distinta

Más efectivo que triangular entre IAs es contrastar la respuesta con fuentes de naturaleza distinta: un boletín terapéutico independiente, una revisión Cochrane, una voz crítica reconocida. Eso reduce tanto el error idiosincrático como el sesgo compartido.

6 · Verificar siempre los datos cuantitativos

Cifras, porcentajes, NNT, prevalencias: verificar en fuente primaria antes de usar cualquier dato cuantitativo que una IA haya proporcionado. Es el área donde los errores son más frecuentes y más difíciles de detectar.

7 · Exigir enlaces exactos a fuentes primarias

Pedir el enlace exacto al lugar específico de la fuente donde se puede verificar la información, no a la página de inicio del recurso. Si la IA no puede proporcionar un enlace exacto verificable, debe indicarlo explícitamente. Un enlace inventado con apariencia de real es una forma de alucinación especialmente peligrosa porque es difícil de detectar sin hacer clic.

8 · Usar la IA para generar preguntas, no solo respuestas

Preguntar qué aspectos del problema no se han considerado o qué preguntas adicionales conviene hacerse es una de las instrucciones más productivas en contextos de decisión compleja.

9 · Pedir que identifique sus propias limitaciones

Preguntar explícitamente qué aspectos de la pregunta la IA no puede responder bien y por qué produce respuestas más honestas de lo que la mayoría de usuarios espera.

Prompts listos para usar

Prompt genérico para consultas clínicas

Copia y pega este texto como introducción a cualquier consulta clínica a una IA:

      Antes de responder, quiero que tengas en cuenta lo siguiente:

Prioriza el rigor sobre la satisfacción. Si la evidencia es incierta o contradictoria, dilo explícitamente.

Distingue en tu respuesta entre lo que está bien documentado, lo que es plausible pero incierto y lo que es especulativo o debatido.

Identifica explícitamente qué aspectos de esta pregunta no puedes responder bien y por qué.

Si citas referencias bibliográficas, adviérteme de que debo verificarlas antes de usarlas.

Presenta las posiciones alternativas o contrarias a la respuesta principal que consideres relevantes.

Si hay debate científico activo sobre este tema, descríbelo en lugar de presentar una sola posición como si fuera la única.

Señala si alguna parte de tu respuesta puede estar condicionada por sesgos de tus datos de entrenamiento.

Cuando cites evidencia concreta, proporciona el enlace exacto al lugar específico de la fuente primaria donde se puede verificar, no a la página de inicio del recurso. Si no puedes proporcionar un enlace exacto verificable, indícalo explícitamente.

      Mi pregunta es: [PREGUNTA CLÍNICA CONCRETA]

Prompt de rigor ampliado

Para cualquier tipo de consulta, no solo las de naturaleza científica o académica:

      Responde priorizando el rigor sobre la claridad simplificada o la satisfacción inmediata.

      En tu respuesta:

Distingue explícitamente entre: conocimiento bien establecido / conocimiento plausible pero incierto / aspectos especulativos o debatidos.

Indica qué partes de la pregunta no pueden responderse bien y por qué.

Expón posiciones alternativas o interpretaciones relevantes, no solo la principal.

Si existe debate activo, descríbelo en lugar de presentar una única visión.

Señala posibles sesgos que puedan afectar a la respuesta.

Evita afirmaciones categóricas cuando la evidencia no lo permita.

Si mencionas fuentes o referencias: advierte que deben verificarse · proporciona enlaces verificables cuando sea posible · si no es posible, indícalo explícitamente.

Prioriza precisión conceptual sobre simplificación excesiva.

Checklist para evaluar una respuesta de IA

Sobre la respuesta recibida

¿Distingue entre lo documentado, lo incierto y lo especulativo?

¿Reconoce explícitamente sus limitaciones para responder?

¿Presenta posiciones alternativas o contrarias?

¿Los datos cuantitativos tienen fuente verificable?

¿Las referencias bibliográficas existen y dicen lo que se afirma?

¿El tono es proporcionado a la certeza de la evidencia?

¿Hay señales de confirmación de lo que ya creía antes de preguntar?

¿Los enlaces proporcionados llevan al lugar exacto de la fuente?

¿Los enlaces no proporcionados están identificados explícitamente como no verificados?

Para continuar y mejorar la conversación

Pedir que desarrolle el punto más débil o menos documentado

Preguntar qué diría un experto crítico informado sobre esa respuesta

Pedir que identifique qué información adicional cambiaría sus conclusiones

Contrastar los puntos clave con una fuente de naturaleza distinta

Preguntar qué aspectos del problema no ha abordado y por qué

Pedir una versión más conservadora o más prudente de la misma respuesta

Preguntar explícitamente si hay sesgo de confirmación en la respuesta

Pedir los enlaces exactos a las fuentes primarias de los puntos más relevantes

Señales de alerta que justifican verificación inmediata

Datos cuantitativos muy precisos sin fuente explícita · referencias con título, autor y revista pero sin DOI verificable · URLs genéricas de páginas de inicio en lugar de enlaces al documento exacto · URLs que parecen correctas pero no funcionan o no llevan al contenido descrito.

Ausencia total de incertidumbre en un tema donde la evidencia es conocidamente débil · respuesta que coincide perfectamente con lo que esperabas escuchar · cambio de posición muy rápido ante cualquier objeción sin argumentación sólida.

Última revisión: abril 2026