Pensemos en una escena real: guardia llena, HCE lenta, un paciente complejo, una familia con preguntas, y una alerta que aparece en pantalla con tono de sentencia: "alto riesgo". En ese segundo no estamos discutiendo futurismo. Estamos discutiendo responsabilidad. ¿Esa alerta salió de una regla simple? ¿De un modelo entrenado con datos de otra población? ¿De una red neuronal? La misma frase —"alto riesgo"— puede venir de tecnologías completamente distintas.

La medicina siempre convivió con herramientas que amplían capacidades: el estetoscopio amplía el oído, la imagen amplía el ojo, la HCE amplía la memoria. La IA promete algo más delicado: ampliar la interpretación. Y cuando una herramienta se aproxima al territorio del juicio, la pregunta deja de ser "qué tan moderna es". Se vuelve clínica y moral: ¿qué delegamos, qué supervisamos y qué jamás entregamos?

Este artículo es una brújula: definiciones claras, ejemplos clínicos y límites honestos. No vas a encontrar jerga por deporte; vas a encontrar una clasificación práctica para que, cuando alguien diga "IA en medicina", puedas responder: "bien… ¿de cuál estamos hablando?". Porque confundir tipos de IA es confundir límites. Y en clínica, confundir límites tiene nombre: error.

"La frase 'usa IA' no dice nada. Lo que importa es el tipo: reglas, modelos predictivos, redes profundas o generativos. En medicina, la pregunta seria no es qué tan impresionante se ve, sino qué error comete… y quién lo paga."

1) IA basada en reglas: lo predecible

A veces la llamamos "sistemas expertos", "motor de reglas" o, simplemente, protocolos digitalizados. No aprenden solos: alguien escribe reglas del tipo si ocurre A y B, entonces sugerir C. En clínica esto vive en alertas de interacción farmacológica, calculadoras, scores, checklists y recordatorios.

Ejemplos típicos: un aviso de duplicación de anticoagulantes, una regla de "sepsis posible" por fiebre + taquicardia, un checklist perioperatorio, o un recordatorio de vacunación. Son herramientas útiles cuando están bien calibradas. Pero si se exageran, generan el fenómeno más humano de todos: fatiga por alertas. Y ahí el problema deja de ser la regla: es el entorno.

Qué hace bien

Es auditable: podés seguir el razonamiento. Es consistente. Es útil para estandarizar mínimos, evitar omisiones y sostener seguridad cuando el sistema está fatigado.

Qué no puede hacer

No generaliza fuera del guion. Si el caso real se sale del protocolo —y la medicina real se sale seguido—, el sistema no "improvisa": falla o molesta. Su error típico es la rigidez (o el "spam" de alertas).

2) Machine Learning clásico: lo predictivo

Acá aparece el cambio clave: en vez de escribir reglas, entrenamos modelos con datos. El objetivo suele ser predecir riesgo o clasificar situaciones: reingreso, sepsis, deterioro, adherencia, complicaciones. Estos modelos trabajan muy bien con variables estructuradas: edad, laboratorio, signos vitales, diagnósticos, comorbilidades, medicación.

Qué hace bien

Maneja múltiples variables a la vez y capta combinaciones que el ojo humano no ve con facilidad. En gestión, puede mejorar estratificación y priorización. En clínica, puede ayudar a no perder tiempo cuando el riesgo se acumula silenciosamente.

Qué no puede hacer

No "entiende" fisiopatología. Aprende patrones del pasado. Si los datos tienen sesgo, el modelo aprende sesgo. Si el registro es pobre, aprende pobreza de registro. Su error típico es la ilusión de objetividad: parece neutral porque usa números.

Un detalle incómodo: el modelo puede acertar mucho y aun así ser injusto. Si en el pasado se estudió más a ciertos grupos y menos a otros, el algoritmo aprende esa desigualdad como si fuera fisiología. Por eso, cuando un modelo "predice", hay que preguntar: ¿predice enfermedad… o predice cómo funciona nuestro sistema?

3) Deep Learning: lo perceptivo (y la famosa caja negra)

El deep learning brilla cuando el dato es complejo: imágenes, audio, señales (ECG), texto. Por eso lo vemos en radiología, dermatología, anatomía patológica y lectura de ECG.

El costo de esa potencia es conocido: muchos modelos son difíciles de explicar. No porque sean "mágicos", sino porque su representación interna es altamente distribuida. A esto se lo llama caja negra.

Y acá aparece la palabra que vamos a trabajar en serio más adelante: explicabilidad. No como lujo académico, sino como herramienta clínica. Si no puedo explicar por qué una IA sugiere "alto riesgo", ¿cómo lo comunico a la familia?, ¿cómo lo documento en la HCE?, ¿cómo lo defiendo ante auditoría o ante un evento adverso? La caja negra no es un pecado… pero exige más prudencia y más trazabilidad.

Qué hace bien

Detecta patrones sutiles en imágenes y señales con alta sensibilidad, puede reducir tiempos y mejorar triage cuando se integra bien al flujo clínico.

Qué no puede hacer

Puede fallar de forma sorprendente cuando cambia el entorno: otra población, otro equipo, otro protocolo, otra prevalencia. Y si no entendemos por qué decide, la responsabilidad recae más fuerte en el humano.

4) Modelos generativos y fundacionales: lo expresivo

Esta es la IA que "habla", "resume" y "escribe". Impresiona porque se acerca al lenguaje humano. Pero conviene ponerlo en términos clínicos: un modelo generativo produce texto plausible. No garantiza verdad. Puede inventar con seguridad.

Ese es su truco y su peligro: el lenguaje suena humano, y el cerebro humano tiende a confiar. En clínica, eso puede traducirse en una trampa elegante: una respuesta impecable en forma… y errónea en sustancia. Por eso, si se usan, se usan como asistentes, nunca como oráculos. Y con una regla simple: toda afirmación clínica importante debe poder rastrearse a una fuente o a un dato.

En salud, su potencia está en tareas de apoyo: redactar borradores, ordenar información, sugerir diferenciales, ayudar a explicar en lenguaje accesible. Su riesgo está en lo mismo: si se lo toma como autoridad, puede introducir errores con mucha persuasión.

La HCE como "territorio" donde la IA vive

En la práctica, la IA clínica no flota en el aire: se integra a sistemas (HCE), a flujos, a decisiones y a responsabilidades. Una HCE no es un "archivo": es gobernanza. Decide qué se registra, qué se busca, quién accede, qué queda invisible. Y además, cambia la conversación con el paciente: hoy llegan más informados, con capturas, noticias, y preguntas. Los pacientes, en su mayoría, no leen tratados médicos para la consulta, pero sí comparan, buscan y dudan. Por eso, hablar de IA sin hablar de datos, privacidad y trazabilidad es construir sobre arena.

Chequeo rápido antes de usar cualquier IA

Si tu equipo evalúa una herramienta, estas preguntas valen más que cualquier demo:

1) ¿Qué tipo de IA es (reglas, ML, deep learning, generativa)?
2) ¿Qué error comete típicamente (rigidez, sesgo, fragilidad, alucinación)?
3) ¿Cómo se audita y se explica a pie de cama?
4) ¿Qué hace el clínico cuando la IA sugiere algo equivocado?
5) ¿A quién representa el dataset y quién queda afuera?

Cierre editorial

Si este artículo te dejó una incomodidad saludable, hizo su trabajo. Porque "IA" no es una etiqueta: es una familia. Y cada familia se equivoca de una manera distinta.

Para llevarte hoy: entender el tipo de IA es parte del consentimiento informado —y de tu tranquilidad clínica.