El zumbido que no se calla

El dilema entre la alerta temprana algorítmica y la saturación sensorial en la práctica médica real

Son las tres y cuarto de la madrugada en una sala de urgencias de un hospital metropolitano. El monitor multiparamétrico del cubículo cuatro pita porque un electrodo de superficie se despegó del pecho sudoroso de un paciente; la bomba de infusión del cubículo dos emite un chillido agudo porque detectó una burbuja microscópica en la línea venosa; y en la estación central de enfermería, una tableta conectada a la red inalámbrica vibra con insistencia. No es una llamada de interconsulta ni el aviso de laboratorio: es un nuevo software clínico que acaba de procesar un electrocardiograma de doce derivaciones y exige la atención inmediata del médico de guardia para notificar un patrón sospechoso de isquemia miocárdica.

Quienes hemos pasado noches enteras en áreas críticas conocemos de sobra la fatiga de alarmas. Sabemos lo que ocurre cuando cada máquina reclama urgencia absoluta: el cerebro humano, para no colapsar, empieza a desconectarse del ruido de fondo. Durante años se nos prometió que la inteligencia artificial llegaría a los hospitales para filtrar esa marea de estímulos, separar el grano de la paja y devolvernos el silencio operativo necesario para pensar. Sin embargo, la ola reciente de aprobaciones regulatorias y despliegues comerciales sugiere un desenlace bastante más complejo: los algoritmos no están apagando las alarmas; están añadiendo una capa más densa, insistente y vigilante a nuestro zumbido cotidiano.

La avalancha de guardianes digitales en la cabecera del paciente

En los últimos meses hemos visto cómo varias herramientas de diagnóstico algorítmico superan los filtros de las agencias de control para insertarse directamente en el flujo de decisiones críticas. La Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) otorgó la autorización De Novo al sistema Queen of Hearts, desarrollado por la empresa Powerful Medical. El programa toma el trazado de un electrocardiograma convencional y busca patrones compatibles con síndrome coronario agudo urgente, incluyendo infartos con elevación del segmento ST (STEMI) y equivalentes isquémicos complejos que suelen escapar al ojo menos entrenado en la urgencia. La compañía afirma que su herramienta procesó más de 120.000 casos en Europa durante 2025 y la presenta como la primera autorización formal en suelo estadounidense para este tipo de detección coronaria urgente.

Casi en paralelo, la empresa Spectral AI anunció la fase comercial de DeepView tras recibir su propia clasificación De Novo. El sistema utiliza imágenes multiespectrales para predecir si una quemadura cutánea cicatrizará por sí sola o si requerirá injerto quirúrgico. El despliegue inicial contempla treinta unidades subsidiadas por la Autoridad de Investigación y Desarrollo Biomédico Avanzado (BARDA) en centros de trauma, respaldado por un contrato del programa Project BioShield valorado en 150 millones de dólares, de los cuales 86,6 millones ya están formalmente comprometidos. A esto se suman avances en oncología como IPRO, el software de Altis Labs que analiza tomografías computarizadas de rutina para extraer biomarcadores tridimensionales. Según datos divulgados por la firma a partir del ensayo clínico fase 3 MARIPOSA sobre cáncer de pulmón no microcítico con mutación EGFR, los cambios en estos marcadores anticiparon la supervivencia global de los pacientes antes de que los criterios radiológicos estándar mostraran progresión evidente.

Visto desde la óptica de la ingeniería biomédica y la innovación clínica, el argumento a favor de estas tecnologías es contundente e impecable. Un infarto no reconocido a tiempo destruye miocardio de forma irreversible cada minuto que pasa; una quemadura mal evaluada retrasa una cirugía reconstructiva o somete al paciente a procedimientos innecesarios; y un tumor pulmonar que burla la terapia dirigida requiere un cambio de esquema terapéutico semanas antes de que el daño sea visible en una placa simple. Si un modelo matemático puede ver lo que el ojo humano pasa por alto en una guardia de veinticuatro horas, rechazarlo parecería una negligencia imperdonable.

La prudencia del regulador frente a la tentación de soltar el timón

No obstante, la medicina no ocurre en el vacío esterilizado de un ensayo de validación retrospectiva. El entorno clínico es caótico, fragmentado y propenso al error sistemático. Por eso resulta revelador el movimiento que la FDA formalizó mediante una orden final en el Federal Register, donde rechazó la propuesta de eximir a ciertos programas de software radiológico con inteligencia artificial de la revisión previa 510(k). La industria venía presionando para que los sistemas de detección, diagnóstico asistido por computadora, priorización de imágenes y notificación automática pudieran comercializarse con menores trabas burocráticas, argumentando que la tecnología ya era lo bastante madura como para no requerir un escrutinio exhaustivo caso por caso.

La negativa del regulador envía una señal clara: una cosa es un algoritmo que clasifica fotografías de lunares en un teléfono móvil para consumo recreativo, y otra muy distinta es un agente computacional que decide qué tomografía cerebral debe leer primero el radiólogo de guardia para descartar una hemorragia intracraneal. Si el software se equivoca, la omisión no es un fallo informático ordinario; es un evento adverso grave que le cuesta la vida a una persona de carne y hueso. Mantener el requisito del 510(k) no es mero proteccionismo administrativo ni lentitud institucional: es el reconocimiento explícito de que la variabilidad de los datos clínicos reales destruye con frecuencia las predicciones más elegantes nacidas en laboratorios de desarrollo.

Pienso que la cautela del regulador en este punto es enteramente acertada. Cuando un sistema de priorización algorítmica falla, introduce dos peligros simétricos y letales. Si genera un falso positivo, interrumpe al médico, desvía recursos urgentes y suma más ruido a un personal ya sobrecargado. Si produce un falso negativo, crea una falsa sensación de seguridad que adormece el juicio crítico del facultativo, quien asume que la máquina ya revisó el caso y no encontró anomalías.

Las grietas del código: sesgos demográficos y cajas negras

Existe además un problema estructural que la industria prefiere tratar como una simple nota técnica al pie de página: la representatividad biológica de los datos con los que se entrenan estos modelos. Un análisis divulgado por Tech Times puso el dedo en la llaga al cuestionar la validación por sexo y grupos demográficos en los dispositivos médicos que integran algoritmos de aprendizaje automático. La propia guía preliminar emitida por la FDA en enero de 2025 instó a los fabricantes a documentar de forma rigurosa la composición demográfica de sus cohortes de validación. La biología femenina no responde a la enfermedad coronaria con la misma semiología clásica del varón de mediana edad; los síntomas del infarto en mujeres suelen ser atípicos y los cambios electrocardiográficos pueden presentar sutilezas morfológicas que un modelo entrenado mayoritariamente con registros masculinos simplemente no sabrá interpretar con la sensibilidad debida.

A este panorama se suma el entusiasmo desbordante por la investigación de la longevidad y la medicina agéntica. Recientemente, una publicación de portada en la revista Cell presentó LongevityBench, Longevity-LLMs y la plataforma Longevity Claw, un esfuerzo conjunto entre Insilico Medicine, Liquid AI, el Instituto Buck, la Escuela de Medicina de Harvard y el Brigham and Women’s Hospital. La propuesta busca articular modelos de lenguaje y herramientas bioinformáticas para priorizar blancos terapéuticos contra el envejecimiento biológico. La sofisticación teórica de estos marcos de trabajo es deslumbrante, pero la distancia que separa la priorización computacional in silico de un blanco molecular y la demostración clínica de eficacia y seguridad en seres humanos sigue siendo de años, cuando no de décadas.

A mi juicio, corremos el riesgo de confundir la capacidad de cómputo con la sabiduría clínica. La medicina no avanza únicamente porque generemos más alertas por segundo o descubramos más biomarcadores potenciales en una imagen digital, sino cuando logramos que esas señales se traduzcan en intervenciones terapéuticas tangibles, seguras y equitativas. Si llenamos los servicios de urgencias y las salas de hospitalización con decenas de asistentes algorítmicos autónomos que compiten entre sí por la atención del clínico, terminaremos provocando el efecto contrario al deseado: una parálisis por sobreestimulación donde nadie sabe a qué monitor hacerle caso.

La tecnología médica más valiosa nunca ha sido la que grita más fuerte, sino la que sabe cuándo callar para dejar trabajar al médico. Frente a esta marea de algoritmos que reclaman nuestra mirada constante, ¿estamos construyendo herramientas para potenciar el criterio del médico o estamos diseñando un ecosistema tan ruidoso que terminará ensordeciendo nuestro propio juicio clínico?

Lo que la noticia no dice

Los comunicados corporativos y las notas regulatorias celebran las aprobaciones De Novo y las alianzas académicas de alto perfil, pero omiten sistemáticamente el costo de integración en la infraestructura hospitalaria real. Ninguna fuente explica cómo interactuarán estos algoritmos entre sí cuando operen simultáneamente en el mismo centro de salud: si el sistema de ECG de Powerful Medical, el escáner de quemaduras de Spectral AI y las plataformas de triaje radiológico emiten avisos concurrentes, no existe un protocolo unificado para jerarquizar sus prioridades ni para deslindar la responsabilidad legal ante un fallo cruzado. Tampoco se divulga con claridad el porcentaje exacto de pacientes de sexo femenino o de minorías étnicas incluidos en las cohortes de validación previas a la autorización comercial de varios de estos dispositivos, dejando sin responder si la precisión reportada por los fabricantes se mantendrá inalterada en poblaciones comunitarias heterogéneas.

Conclusiones

1. Las autorizaciones regulatorias De Novo para algoritmos en ECG y evaluación de quemaduras marcan una transición definitiva de la IA médica desde la fase experimental hacia la práctica clínica diaria.
2. La decisión de la FDA de preservar la revisión 510(k) para software radiológico confirma que el regulador prioriza la seguridad del paciente sobre las demandas de desregulación acelerada del sector tecnológico.
3. La falta de validación demográfica y por sexo en las bases de datos de entrenamiento amenaza con perpetuar brechas diagnósticas históricas en patologías críticas como el síndrome coronario agudo.
4. El respaldo financiero gubernamental mediante programas como BARDA acelera la adopción de dispositivos especializados, pero traslada la carga operativa y de mantenimiento a los hospitales receptores.
5. El zumbido constante de alertas algorítmicas solo será clínicamente útil si aprende a integrarse con el juicio humano sin saturar la capacidad de respuesta del médico de guardia.

Dr. Jose A. Cisneros, MD.Ph.D — drcisneros.com