Un reciente estudio publicado en la revista Nature ha encendido las alarmas en el sector salud: los planes de atención clínica sugeridos por modelos de lenguaje de gran escala (LLM, por sus siglas en inglés) resultan hasta tres veces más costosos que aquellos implementados por médicos humanos. El hallazgo, que se dio a conocer en las últimas semanas, plantea serias dudas sobre la viabilidad económica de delegar decisiones médicas a la inteligencia artificial sin una supervisión adecuada.
El costo oculto de la IA en la medicina
La investigación comparó las recomendaciones de tratamiento generadas por modelos como GPT-4 con las de profesionales de la salud en escenarios clínicos reales. Los resultados fueron contundentes: los planes propuestos por la IA incluían pruebas diagnósticas más caras, tratamientos más agresivos y un mayor número de derivaciones a especialistas, lo que elevaba el costo total de la atención.
Los autores del estudio señalan que esta discrepancia no se debe a un error técnico, sino a la forma en que los modelos priorizan la seguridad y la exhaustividad. Al no tener restricciones presupuestarias, la IA tiende a sugerir “todo lo posible” para descartar enfermedades, lo que en la práctica se traduce en facturas astronómicas para pacientes y sistemas de salud.
¿Por qué la IA gasta más?
Existen varias razones que explican este fenómeno. En primer lugar, los LLM están entrenados con grandes volúmenes de textos médicos, muchos de ellos enfocados en la detección temprana y la medicina defensiva. Esto los lleva a recomendar pruebas adicionales que un médico experimentado podría considerar innecesarias.
En segundo lugar, los modelos carecen de la capacidad de evaluar el contexto socioeconómico del paciente. Un médico humano ajusta sus recomendaciones según la cobertura del seguro, la disponibilidad de recursos y las preferencias del paciente. La IA, en cambio, aplica un enfoque uniforme que no distingue entre un paciente con seguro privado y otro con recursos limitados.
Finalmente, la falta de retroalimentación sobre costos en el entrenamiento de estos modelos contribuye a que sus sugerencias ignoran el impacto económico. Los investigadores proponen incorporar variables de costo-efectividad en el diseño de futuras versiones.
Implicaciones para el sistema de salud
El estudio llega en un momento en que los sistemas de salud de todo el mundo buscan integrar la IA para reducir la carga administrativa y mejorar la eficiencia. Sin embargo, estos hallazgos sugieren que una adopción acrítica podría tener el efecto contrario: aumentar el gasto sin necesariamente mejorar los resultados clínicos.
Los expertos recomiendan que las herramientas de IA sean utilizadas como apoyo a la decisión médica, no como sustituto. La supervisión humana sigue siendo crucial para equilibrar la calidad de la atención con la sostenibilidad financiera.
Reacciones y próximos pasos
La comunidad médica ha recibido el estudio con interés y cautela. Algunos profesionales señalan que la IA puede ser útil para identificar opciones que los médicos podrían pasar por alto, pero coinciden en que se requiere una capa de validación económica.
Los desarrolladores de modelos de lenguaje, por su parte, han comenzado a explorar formas de incorporar restricciones presupuestarias en sus algoritmos. Una de las ideas es entrenar a los modelos con ejemplos que incluyan información sobre costos y efectividad, para que aprendan a sugerir alternativas más asequibles.
Mientras tanto, el debate sobre el papel de la IA en la medicina continúa. Lo que está claro es que, por ahora, los “doctores” de silicio tienen una factura muy alta.