ChatGPT en el soporte a la decisión clínica: capacidades y limitaciones

ChatGPT puede ayudar en tareas clínicas concretas, pero no está validado como dispositivo médico ni diseñado para la toma de decisiones de alto riesgo. Entender dónde ayuda, dónde falla y qué marcos de gobernanza se aplican es ya una necesidad práctica para cualquier profesional sanitario.

Soporte a la decisión clínica en 2026: no toda la IA es igual

El soporte a la decisión clínica no es una tecnología única. En un extremo están las alertas pasivas basadas en reglas: un sistema de prescripción que señala una combinación de medicamentos contraindicada. En el otro, herramientas activas impulsadas por inteligencia artificial que interpretan datos clínicos no estructurados, generan diagnósticos diferenciales o recomiendan vías de tratamiento en tiempo real.

Esta distinción importa para clasificar el riesgo. Una alerta basada en reglas que se activa incorrectamente resulta molesta. Un modelo de lenguaje de gran tamaño que genera con confianza un diagnóstico diferencial plausible pero incorrecto en un caso complejo puede contribuir al daño del paciente. ChatGPT y sus equivalentes ocupan un lugar particular en este espectro: son extraordinariamente capaces en tareas lingüísticas, pero no fueron diseñados, entrenados ni validados como dispositivos médicos.

Los modelos de lenguaje de gran tamaño, conocidos por sus siglas en inglés como LLM, generan texto prediciendo el siguiente elemento estadísticamente más probable a partir de patrones aprendidos en enormes cantidades de datos. No razonan como un profesional sanitario, no consultan una base de conocimientos estructurada ni aplican reglas lógicas. Un sistema basado en reglas señalará siempre una interacción medicamentosa específica si la lógica está correctamente codificada; un LLM puede hacerlo o no, dependiendo de cómo se formule la pregunta y de la variabilidad probabilística inherente a sus resultados. Hay que tener esto en cuenta al evaluar lo que producen.

Dónde los LLM muestran utilidad clínica real

A pesar de estas limitaciones arquitectónicas, la base de evidencia sobre la utilidad de los LLM en tareas clínicas específicas está creciendo. Una revisión de alcance de 28 estudios publicada en Health Science Reports identificó el soporte a la decisión clínica y la educación médica como las ventajas más citadas de ChatGPT en entornos sanitarios.

La evidencia más sólida se concentra en la documentación clínica. Una síntesis publicada en Frontiers in Artificial Intelligence encontró ahorros de tiempo del 40 al 70 por ciento en tareas de documentación cuando los LLM ayudaron con la generación y el resumen de notas. Ese rango es el más consistente en la literatura y representa, en términos prácticos, la aplicación con mejor relación entre beneficio y riesgo disponible hoy.

En el apoyo a profesionales no especialistas, los resultados son más matizados pero igualmente relevantes. Un estudio de junio de 2026 en NPJ Digital Medicine evaluó ChatGPT-4o en 100 casos reales de polineuropatía: el modelo alcanzó una precisión del 65,5 por ciento en el diagnóstico principal, comparable a la de los neurólogos no especialistas (63,0 por ciento), aunque por debajo de la de los especialistas (74,0 por ciento). Los no especialistas revisaron sus evaluaciones en el 21,8 por ciento de los casos tras consultar las sugerencias del modelo, lo que mejoró su precisión. ChatGPT-4o también superó a los no especialistas en diagnósticos diferenciales (82,0 por ciento frente a 77,5 por ciento) y recomendó pruebas confirmatorias más adecuadas (68,0 por ciento frente a 53,0 por ciento). El patrón que emerge es que el modelo eleva el rendimiento del no especialista sin reemplazar al especialista.

Los LLM también muestran utilidad medible en la redacción de mensajes al paciente, la explicación de diagnósticos en lenguaje accesible y la síntesis rápida de literatura, aunque en este último caso los resultados requieren verificación. Una revisión sistemática de LLM en la atención del cáncer colorrectal, publicada en el Journal of Medical Internet Research en mayo de 2026, encontró utilidad en la extracción automática de datos de textos clínicos y en el apoyo a la toma de decisiones, con una ventaja consistente de los modelos especializados en un dominio concreto frente a los de propósito general.

Las limitaciones de precisión que los profesionales sanitarios no pueden ignorar

La limitación clínicamente más importante es la alucinación: cuando el modelo genera información que suena plausible pero es incorrecta. Un análisis de noviembre de 2025 sobre riesgos de alucinación en LLM usados en la atención sanitaria encontró que los resultados alucinados que parecen creíbles pueden llevar a los profesionales hacia intervenciones dañinas. El riesgo es mayor cuando el resultado incorrecto coincide con una sospecha clínica preexistente: el modelo confirma lo que el profesional ya sospechaba, y el error pasa inadvertido.

El problema se agrava porque los modelos no calibran bien su propia confianza. Una evaluación exhaustiva de cuatro LLM en casos complejos de reumatología, publicada en Health Informatics Journal en abril de 2026, encontró que la relación entre la calidad del razonamiento y la certeza expresada era débil y no significativa en ninguno de los modelos. ChatGPT mostró la tasa de alucinación más baja de los cuatro (7,4 por ciento, frente al 18,5 por ciento de Gemini), pero incluso esa cifra representa un riesgo no trivial en un contexto clínico.

Otras limitaciones relevantes para la práctica merecen atención. Los LLM se entrenan con datos hasta una fecha concreta, por lo que las directrices clínicas, aprobaciones de medicamentos y alertas de seguridad publicadas después de ese corte no se reflejarán en las respuestas, a menos que el modelo tenga acceso a herramientas de consulta en tiempo real. Un estudio basado en simulación publicado en Healthcare (MDPI) en julio de 2025 encontró que la fiabilidad de ChatGPT disminuyó de forma significativa en casos cardiovasculares con comorbilidades, precisamente la población que con más frecuencia se atiende en entornos especializados. En cuanto a la detección de interacciones medicamentosas, un estudio europeo publicado en Clinical Pharmacology & Therapeutics en febrero de 2025 encontró que ChatGPT produjo respuestas distintas en el 90 por ciento de los casos al repetir la misma consulta sobre interacciones entre medicamentos y omitió interacciones clínicamente relevantes; el estudio concluyó que actualmente no puede recomendarse para este uso. Por último, el benchmark AgentClinic, publicado en NPJ Digital Medicine en abril de 2026, encontró que la precisión diagnóstica de los LLM en escenarios clínicos secuenciales e interactivos puede caer a menos de una décima parte de la precisión obtenida en preguntas estáticas equivalentes. Los encuentros clínicos reales son secuenciales y dinámicos; la mayoría de las evaluaciones de referencia no lo son.

Estado regulatorio y responsabilidad clínica

Los LLM de propósito general como ChatGPT no se comercializan con una finalidad médica definida. Por eso no llevan el marcado CE como dispositivos médicos bajo el Reglamento de Dispositivos Médicos (MDR) de la Unión Europea. Esto genera una brecha de responsabilidad que los profesionales sanitarios suelen subestimar.

Cuando un profesional usa una herramienta regulada de soporte a la decisión clínica, cuenta con una base de evidencia validada, un uso previsto definido, un marco de responsabilidad del fabricante y un registro de auditoría regulatoria. Cuando usa ChatGPT de consumo para apoyar una decisión clínica, ninguna de esas garantías se aplica y la responsabilidad recae enteramente en el profesional. La distinción determina también si una herramienta se ha probado con poblaciones reales de pacientes, si sus resultados se han validado frente a desenlaces clínicos y si existe algún mecanismo de seguimiento poscomercialización en caso de que cause daño.

El problema de introducir datos de pacientes en LLM de consumo

Introducir datos identificables de pacientes en herramientas LLM orientadas al consumidor plantea importantes preocupaciones sobre seguridad y privacidad de datos. Bajo el Reglamento General de Protección de Datos del Reino Unido (RGPD) y el RGPD de la UE, los datos de pacientes son datos de categoría especial que requieren una base legal explícita para su tratamiento. Introducir el nombre de un paciente, su fecha de nacimiento, su historial clínico o los resultados de sus pruebas en una herramienta de consumo casi con certeza constituye tratamiento de datos personales por un tercero, sin un acuerdo de tratamiento de datos, sin una base legal y potencialmente con los datos almacenados fuera del Reino Unido o la UE.

Los acuerdos empresariales con OpenAI o proveedores equivalentes pueden incluir compromisos de no usar las entradas para el entrenamiento de modelos, acuerdos de tratamiento de datos y una ubicación definida para el almacenamiento. Las herramientas orientadas al consumidor no incluyen ninguna de estas protecciones por defecto. Antes de usar cualquier herramienta de inteligencia artificial en un contexto clínico, los profesionales sanitarios deben verificar si existe un acuerdo de tratamiento de datos con el proveedor, dónde se tratan y almacenan los datos, y si el equipo de gobernanza de información de su organización ha aprobado la herramienta.

IA clínica específicamente diseñada frente a LLM de propósito general

La diferencia entre ambas no es solo el modelo subyacente, sino toda la arquitectura de despliegue. Un estudio de referencia publicado en NPJ Digital Medicine en diciembre de 2025 evaluó seis LLM en 30 métricas que cubren distintos ámbitos del soporte a la decisión clínica. Los modelos médicos especializados en un dominio concreto obtuvieron resultados consistentemente mejores que los de propósito general, con puntuaciones máximas más altas tanto en seguridad (0,912) como en efectividad (0,861), aunque el rendimiento general promedió el 57,2 por ciento y cayó un 13,3 por ciento en escenarios de alto riesgo.

Las herramientas de inteligencia artificial clínica diseñadas para entornos sanitarios regulados ofrecen resultados validados frente a desenlaces clínicos en poblaciones de pacientes definidas, registros de auditoría que apoyan la gobernanza y la responsabilidad, integración con el sistema de historias clínicas sin necesidad de reintroducir datos manualmente, y certificación como dispositivo médico bajo los marcos regulatorios pertinentes (MDR en la UE, registro UKCA o de la Agencia Reguladora de Medicamentos y Productos Sanitarios en el Reino Unido). El modelo de lenguaje subyacente puede ser similar o idéntico al de un LLM de propósito general; lo que cambia es la capa de gobernanza, la evidencia de validación y la responsabilidad regulatoria.

Lo que realmente dice la evidencia

Los LLM han obtenido puntuaciones de entre el 80 y el 90 por ciento en exámenes de licencia médica como el Examen de Licencia Médica de los Estados Unidos (USMLE), un resultado que generó una atención mediática considerable. Pero estos exámenes evalúan la memoria y el razonamiento estructurado ante problemas bien definidos. No reproducen la ambigüedad, la presión del tiempo ni la toma de decisiones secuencial propias de los encuentros clínicos reales, y ese salto del examen al encuentro es precisamente donde la evidencia se debilita.

La calidad metodológica de los estudios disponibles es desigual. La revisión sistemática sobre cáncer colorrectal encontró que solo el 27 por ciento de los estudios incluidos presentaban bajo riesgo de sesgo, con problemas en la medición de resultados y en la falta de evaluación ciega. Los marcos de evaluación tampoco están estandarizados: un consenso de expertos de 2025 publicado en ScienceDirect identificó la falta de métodos de evaluación consistentes como una barrera importante para el despliegue seguro, y un comentario del JAMIA de enero de 2025 señaló que las limitaciones clave y las áreas para investigación futura siguen sin resolverse. Sin evaluación estandarizada, comparar el rendimiento entre estudios resulta difícil.

El rendimiento varía de forma sustancial según la especialidad. La base de evidencia es más sólida en áreas con conjuntos de datos de entrenamiento grandes y bien estructurados: presentaciones comunes en atención primaria, estadificación oncológica e interpretación radiológica. El rendimiento en enfermedades raras, multimorbilidad compleja y presentaciones agudas sensibles al tiempo está menos caracterizado, y los estudios disponibles no permiten aún extraer conclusiones firmes. Un estudio que evaluó cinco LLM en 50 escenarios clínicos de mieloma múltiple concluyó que las recomendaciones de tratamiento requieren una supervisión clínica cuidadosa incluso en un contexto de evaluación estructurado y específico de oncología.

Uso apropiado frente a dependencia inapropiada: dónde trazar la línea

La evidencia respalda una posición matizada. ChatGPT y LLM comparables pueden reducir la carga de documentación, apoyar a profesionales no especialistas en la generación de diagnósticos diferenciales y mejorar la accesibilidad de la comunicación clínica. Estos son beneficios reales y medibles. La evidencia no respalda, en cambio, que los LLM tomen decisiones clínicas de forma autónoma, ni que las herramientas de consumo de propósito general sustituyan a sistemas validados de soporte a la decisión en contextos de alto riesgo. El estudio de Annals of Biomedical Engineering sobre ChatGPT en soporte a la decisión clínica concluyó que la supervisión por parte de profesionales humanos sigue siendo esencial en todas las aplicaciones.

El sesgo de automatización agrava este riesgo. Se trata de la tendencia de los profesionales sanitarios a seguir una sugerencia generada por inteligencia artificial incluso cuando su propio juicio clínico habría llevado a una conclusión diferente y potencialmente más acertada. Este riesgo está bien documentado en la literatura sobre factores humanos y se aplica directamente al uso de LLM en entornos clínicos. Se acentúa porque los modelos actuales expresan un nivel de confianza similar independientemente de si su razonamiento es sólido, como mostró la evaluación de reumatología citada más arriba.

Al evaluar herramientas de soporte a la decisión clínica, los profesionales sanitarios deben hacerse las siguientes preguntas: ¿Se ha validado la herramienta en poblaciones de pacientes comparables a las de su entorno? ¿Está clasificada como dispositivo médico bajo el marco regulatorio pertinente? ¿Existe un acuerdo de tratamiento de datos entre su organización y el proveedor? ¿El modelo de despliegue exige que el profesional sanitario revise todos los resultados antes de que influyan en las decisiones clínicas? ¿Están los profesionales formados para reconocer los modos de fallo específicos del modelo, incluida la alucinación y el sesgo de automatización? El preprint ChatGPT-CARE identificó limitaciones concretas del ChatGPT base en entornos clínicos, entre ellas el desconocimiento de directrices de práctica clínica, la falta de transparencia en el razonamiento y respuestas excesivamente generales, y propuso el aprendizaje en contexto y el prompting de cadena de pensamiento como estrategias de mitigación para herramientas específicamente diseñadas.

Las tareas de bajo riesgo y alto volumen, como la asistencia en documentación, la redacción de mensajes al paciente o el resumen de literatura, ofrecen el mayor beneficio con el menor riesgo, siempre que se cumplan los requisitos de gobernanza de datos. Las decisiones diagnósticas o de prescripción de alto riesgo, especialmente en presentaciones complejas, con multimorbilidad o enfermedades raras, requieren herramientas validadas y reguladas. Las herramientas de consumo sin acuerdos de datos empresariales no deben usarse con datos identificables de pacientes bajo ninguna circunstancia. La supervisión del profesional sanitario es un requisito estructural dado el estado actual de la precisión, la calibración de confianza y la validación regulatoria de los LLM, no una salvaguarda que quepa esperar que se vuelva innecesaria a corto plazo.

Preguntas frecuentes

▶ ¿Es ChatGPT un dispositivo médico regulado para el soporte a la decisión clínica?

No. ChatGPT no tiene un propósito médico previsto declarado, por lo que no lleva marcado CE como dispositivo médico. Si algo sale mal, el profesional sanitario que lo usó asume toda la responsabilidad clínica, sin respaldo del fabricante ni rastro de auditoría regulatoria.

▶ ¿Qué tareas clínicas muestran la evidencia más sólida de utilidad de los LLM?

La documentación clínica ofrece la mejor relación beneficio-riesgo: ahorros de tiempo del 40 al 70 por ciento en generación y resumen de notas, según una síntesis publicada en Frontiers in Artificial Intelligence. La redacción de mensajes al paciente y el apoyo a no especialistas con diagnósticos diferenciales también muestran utilidad medible.

▶ ¿Qué es la alucinación y por qué importa en entornos clínicos?

Un modelo alucina cuando genera información incorrecta con apariencia de plausibilidad. El riesgo más difícil de detectar ocurre cuando el error coincide con una sospecha clínica preexistente: el profesional no lo cuestiona porque confirma lo que ya esperaba encontrar.

▶ ¿Puede ChatGPT detectar de manera fiable las interacciones medicamento-medicamento?

No. El estudio publicado en Clinical Pharmacology and Therapeutics en febrero de 2025 concluyó que actualmente no puede recomendarse para este uso. Para detectar interacciones de forma consistente, los sistemas basados en reglas con lógica codificada son la única opción fiable disponible hoy.

▶ ¿Cuáles son los riesgos del RGPD de introducir datos de pacientes en herramientas LLM de consumo?

Antes de usar cualquier herramienta, compruebe tres cosas: si existe un acuerdo de tratamiento de datos con el proveedor, dónde se almacenan los datos y si el equipo de gobernanza de información de su organización ha aprobado la herramienta. Sin esas tres condiciones cumplidas, el uso con datos identificables de pacientes no tiene base legal.

▶ ¿En qué se diferencia una herramienta de IA clínica específicamente diseñada del ChatGPT de propósito general?

El modelo subyacente puede ser similar. Lo que cambia es la capa de gobernanza: validación frente a desenlaces clínicos reales, integración con el sistema de historias clínicas sin reintroducción manual de datos, registros de auditoría y certificación como dispositivo médico bajo el marco regulatorio pertinente.

▶ ¿Significa aprobar exámenes de licencia médica que ChatGPT es seguro para el soporte a la decisión clínica?

Los exámenes como el USMLE evalúan problemas bien definidos con información completa. Los encuentros clínicos reales son secuenciales, ambiguos y sensibles al tiempo. El benchmark AgentClinic, publicado en NPJ Digital Medicine en abril de 2026, encontró que la precisión diagnóstica de los LLM en escenarios interactivos puede caer a menos de una décima parte de la obtenida en preguntas estáticas equivalentes.

▶ ¿Qué es el sesgo de automatización y cómo afecta a los profesionales sanitarios que utilizan herramientas de IA?

Es la tendencia a seguir una sugerencia de IA aunque el juicio clínico propio apuntara en otra dirección. El riesgo se agrava porque los modelos actuales expresan un nivel de confianza similar con independencia de si su razonamiento es correcto, según la evaluación publicada en Health Informatics Journal en abril de 2026.

▶ ¿Dónde deben los profesionales sanitarios trazar la línea entre el uso apropiado y la dependencia inapropiada de los LLM?

Una regla práctica: si un error en el resultado podría dañar directamente a un paciente, la herramienta debe estar validada y regulada para ese uso concreto. La documentación y la comunicación con el paciente admiten LLM con gobernanza de datos adecuada. Las decisiones diagnósticas o de prescripción complejas requieren herramientas certificadas como dispositivo médico.