La IA sanitaria en acción (I): escriba ambiental, autorización previa, bandeja del portal, diagnóstico y predicción

Siel hospital me ofrece un escriba ambiental para la consulta de dermatología

Lo acepto, pero pido una prueba de dos semanas con mis pacientes reales antes de darlo por bueno. Aviso al paciente al inicio de que la conversación se graba y se borra tras generar la nota, y le ofrezco negarse. Dicto en voz alta la exploración («pápula perlada de 6 mm en ala nasal, dermatoscopia con telangiectasias arboriformes») porque la máquina no ve lo que yo veo. Reviso la nota antes de firmar, sobre todo fármacos, dosis y lo que el paciente «refiere» frente a lo que yo constato. Reservo cinco minutos al final de la mañana para pensar los casos que antes pensaba mientras escribía.

Siuna paciente llega con una captura de pantalla de ChatGPT que le dice que su lunar es un melanoma

No lo descalifico ni lo doy por bueno: le pido que me cuente qué escribió y qué foto subió, y exploro la lesión con dermatoscopio como haría sin la captura. Le explico que el modelo razona con texto y una foto de móvil, sin tacto, sin ver el resto de la piel y sin su historia; que a veces acierta y que, en todo caso, ha hecho bien en venir. Si la lesión es benigna, documento los criterios y le ofrezco una foto de control. Si es sospechosa, la extirpo con la misma urgencia que si la hubiera visto yo primero.

Sien la bandeja del portal recibo cada día fotos de lesiones «para que me diga si es algo»

No intento resolverlo con un borrador automático. Acuerdo con la dirección un circuito: las fotos entran por teledermatología con formulario estructurado, enfermería filtra lo que son dudas de cuidado o renovación de receta y a mí llegan solo las lesiones y los pacientes en tratamiento sistémico. Contesto breve, en mi estilo, con una regla de alarma clara (sangrado, crecimiento rápido, fiebre con biológico: urgencias). Si el sistema introduce un redactor de IA, exijo que no exista botón de envío directo y que el mensaje diga que lo he revisado yo.

Sitengo que justificar un biológico para una hidradenitis ante la comisión de farmacia

Uso un modelo de lenguaje para redactar el borrador del informe a partir de datos que yo introduzco anonimizados: Hurley, IHS4, DLQI, antibióticos y fallos previos, contraindicaciones. Le pido que cite la ficha técnica y las guías, y compruebo cada afirmación, porque un informe con una referencia inventada quema la credibilidad ante la comisión. Firmo yo y guardo en la historia lo que envío. El tiempo que ahorro lo gasto en llamar al paciente para explicarle los plazos.

Siun residente me presenta un paciente con erupción, fiebre, eosinofilia y cinco fármacos nuevos y quiere consultar a GPT

Le dejo hacerlo delante de mí, con el caso anonimizado, y lo convertimos en ejercicio docente: primero su diferencial, después el del modelo, y comparamos. Le hago ver dónde el modelo acierta (cronología de un DRESS, fármacos más implicados) y dónde se le escapa lo que solo se ve a pie de cama: la infiltración facial, las adenopatías, la hepatomegalia. Insisto en que el estudio en el que el modelo «gana» a médicos usaba casos escritos ya ordenados; el nuestro está desordenado. La decisión y la nota las firma él, no la máquina.

Simi servicio quiere usar un algoritmo para priorizar la lista de espera de teledermatología

Antes de aceptarlo pido tres cosas: qué variables usa, con qué población se entrenó y qué optimiza (tiempo de espera, edad, sospecha de malignidad). Si prioriza por tiempo en cola, un melanoma de un paciente de treinta años enviado ayer esperará detrás de queratosis seborreicas enviadas hace un mes. Propongo que la sospecha clínica del remitente y el tipo de lesión pesen más que la fecha, y que se audite cada trimestre quién se ha quedado atrás, con nombre y diagnóstico final. Es la lección del trasplante hepático británico aplicada a nuestra cola.