Los grandes modelos de lenguaje(LLM) han dejado de ser una curiosidad tecnológica para convertirse en una herramienta que empieza a asomarse a hospitales, facultades de medicina y laboratorios farmacéuticos. Una revisión reciente publicada en la revista Bioengineering repasa de forma sistemática cómo sistemas como GPT-4, Med-PaLM o LLaMA se están aplicando al diagnóstico, la educación médica, la documentación clínica y el descubrimiento de fármacos. El trabajo, firmado por investigadores de la Universidad de Memphis, no se limita a enumerar casos de éxito: también pone sobre la mesa los riesgos de sesgo, privacidad y falta de transparencia que rodean a estas tecnologías. A continuación repasamos los puntos más relevantes de ese análisis, desde los fundamentos técnicos hasta los retos que quedan por resolver antes de que estos sistemas puedan integrarse de forma segura en la práctica clínica diaria.

De los chatbots generalistas a los modelos entrenados para medicina

La distinción de partida es sencilla pero importante. Por un lado están los modelos generalistas, como ChatGPT, que sin haber sido entrenados específicamente para sanidad han demostrado un conocimiento médico sorprendentemente sólido. Por otro, existen sistemas diseñados desde cero para este ámbito, como Med-PaLM, PMC-LLaMA o GatorTronGPT, que se preentrenan con grandes volúmenes de literatura biomédica, notas clínicas y bases de datos hospitalarias. Este segundo grupo suele pasar después por un proceso de ajuste fino orientado a tareas muy concretas, desde responder preguntas de exámenes de licenciatura médica hasta resumir historiales clínicos.

La arquitectura que sustenta a todos estos sistemas es la del transformer, presentada en 2017, cuyo mecanismo de atención permite ponderar la relevancia de cada palabra dentro de un contexto y capturar relaciones a larga distancia dentro de un texto. Ese salto técnico es el que ha permitido que modelos con miles de millones de parámetros, como GPT-4 o LLaMA, sean capaces de manejar terminología médica compleja y generar respuestas coherentes con el razonamiento clínico. El estudio, disponible en pmc.ncbi.nlm.nih.gov, subraya que esta capacidad emergente no aparece en modelos pequeños, sino que depende directamente de la escala tanto de los parámetros como del volumen de datos de entrenamiento.

El papel protagonista de GPT-4 y los modelos especializados

Si hay un producto que domina buena parte de los ejemplos recogidos en la revisión, ese es GPT-4. El modelo de OpenAI aparece citado en prácticamente todas las categorías de aplicación analizadas, desde el apoyo a la decisión clínica hasta la generación de informes radiológicos automatizados mediante sistemas como ChatCAD. Uno de los datos más llamativos del trabajo es el rendimiento de GPT-4 en el examen de licenciatura médica estadounidense, donde alcanzó una precisión del 93,1 por ciento, una cifra que ilustra hasta qué punto estos sistemas han evolucionado en apenas un par de años. Por su parte, Med-PaLM 2, la versión especializada de Google, logró mejoras de precisión superiores al 19 por ciento respecto a modelos anteriores en el conjunto de pruebas MultiMedQA, que incluye el examen MedQA basado en el USMLE.

Más allá de los exámenes teóricos, el estudio destaca iniciativas de validación en entornos reales, como el marco RWE-LLM, que ha involucrado a más de 6.200 clínicos con licencia y ha procesado más de 300.000 interacciones clínicas para comprobar la seguridad y la detección de errores de estos sistemas en condiciones de uso cotidiano. Estos números dan una idea de la escala que ya han alcanzado los ensayos de validación, aunque los propios autores advierten de que la mayoría de los estudios analizados evaluaron modelos cerrados sin ofrecer información suficiente para identificarlos con precisión, lo que complica la reproducibilidad de los resultados.

Diagnóstico, formación y comunicación con el paciente

Uno de los usos más comentados es el apoyo a la decisión clínica. Investigadores de Stanford han empleado LLMs para sugerir posibles tratamientos en patologías cardíacas, mientras que GatorTron, desarrollado con financiación del NIH estadounidense, se utiliza para rastrear historiales electrónicos en busca de posibles interacciones farmacológicas. Los propios profesionales sanitarios, según recoge la revisión, se muestran más cómodos cuando estos sistemas actúan como asistentes o como si fueran residentes en formación, es decir, apoyando el razonamiento clínico sin sustituir la decisión final del médico.

En el terreno educativo, los modelos de lenguaje permiten simular encuentros con pacientes de perfiles y complejidades variadas, lo que da a los estudiantes un espacio seguro para practicar razonamiento diagnóstico antes de enfrentarse a casos reales. También se emplean para mantener actualizados a los clínicos en ejercicio, resumiendo la literatura científica más reciente y facilitando su incorporación a la práctica diaria.

En cuanto a la relación con el paciente, sistemas como el chatbot Florence del NHS británico o Babylon Health se usan para triaje inicial, evaluación de síntomas y orientación sobre el nivel de atención necesario. La capacidad de estos modelos para traducir jerga médica a un lenguaje accesible se plantea como una vía para mejorar la comprensión de diagnósticos y planes de tratamiento, especialmente en pacientes con menor alfabetización sanitaria o barreras idiomáticas.

Descubrimiento de fármacos e imagen médica

El estudio dedica un apartado específico al uso de estos modelos en el desarrollo de medicamentos, donde se emplean para analizar estructuras moleculares complejas, identificar compuestos con potencial terapéutico y predecir su perfil de eficacia y seguridad. Los modelos de lenguaje químico, entrenados específicamente para aplicaciones farmacéuticas, han mostrado resultados destacados en el diseño de moléculas desde cero, y los sistemas que parten de modelos bioquímicos preentrenados superan de forma consistente a los enfoques que arrancan sin ese conocimiento previo.

En radiología, modelos multimodales como Med-Flamingo o LLaVA-Med combinan el análisis de imágenes con información textual para apoyar la identificación temprana de anomalías. La automatización de la redacción de informes radiológicos, mediante sistemas como ChatCAD, se plantea como una forma de aliviar la carga de trabajo en entornos con alto volumen de estudios, permitiendo que los radiólogos dediquen más tiempo a los casos que realmente requieren su criterio especializado.

Los riesgos que frenan una adopción más rápida

No todo son ventajas. La revisión insiste en que el fenómeno de la alucinación, es decir, la generación de información plausible pero incorrecta, sigue siendo uno de los mayores obstáculos para un despliegue clínico seguro, especialmente cuando el modelo se enfrenta a lagunas de conocimiento. A esto se suma la limitación temporal: estos sistemas arrastran un corte de conocimiento fijado en el momento de su entrenamiento, lo que reduce su capacidad para incorporar avances médicos recientes o amenazas sanitarias emergentes.

El sesgo algorítmico es otro punto sensible. El trabajo recoge estudios que han detectado sesgos raciales en el diagnóstico generado por algunos modelos, un problema que suele originarse en la infrarrepresentación de determinados grupos de población dentro de los datos de entrenamiento. La privacidad tampoco queda al margen: existe la preocupación de que estos sistemas puedan memorizar o filtrar información sanitaria sensible procedente de sus datos de entrenamiento, lo que obliga a extremar las medidas de protección para cumplir normativas como la HIPAA estadounidense.

Uno de los datos más reveladores de la revisión sistemática citada dentro del propio estudio, disponible en jmir.org a través de su DOI, es que el 99,3 por ciento de los trabajos analizados evaluaron modelos cerrados sin aportar información suficiente para identificarlos, y que el 64,5 por ciento se apoyó en criterios subjetivos como referencia de verdad a la hora de valorar el rendimiento. Menos de un tercio de los estudios abordó además las implicaciones éticas, regulatorias y de seguridad del paciente derivadas de integrar estos sistemas en la práctica clínica, lo que deja patente que la parte técnica avanza más rápido que los marcos de gobernanza necesarios para respaldarla.

Reflexiones finales

Lo que se desprende de este repaso es que la sanidad se ha convertido en uno de los terrenos más fértiles para los modelos de lenguaje, pero también en uno de los más exigentes. La combinación de datos textuales masivos, terminología especializada y decisiones de alto riesgo hace que cualquier avance tenga que ir acompañado de una validación mucho más estricta que en otros sectores. El consenso que empieza a dibujarse entre los propios profesionales sanitarios no pasa por sustituir al médico, sino por dotarle de una herramienta que sintetice información y le ahorre tiempo administrativo, dejando la decisión final en manos humanas. La pregunta que queda abierta, y que la propia comunidad científica reconoce en el estudio consultado y ampliado en fuentes como su ficha en PubMed, es si la regulación y los estándares de transparencia conseguirán avanzar al mismo ritmo que la tecnología, o si seguirán siempre un paso por detrás.