La IA sanitaria en acción (II): apoyo a la decisión, cirugía, radiología y el paciente empoderado, con la lección para la dermatoscopia
Sobre la segunda mitad del capítulo 4, «La IA sanitaria en acción» (Robert M. Wachter) · A Giant Leap: How AI Is Transforming Healthcare and What That Means for Our Future, 1.ª ed., 2026
La segunda mitad del capítulo recorre los frentes donde la IA «ve» y decide: el apoyo a la decisión clínica que la fatiga de alertas y el modelo de sepsis de Epic convirtieron en lección de humildad, la cirugía que Birkmeyer demostró que se puede puntuar en vídeo, la radiología que Hinton dio por muerta en 2016 y que hoy no encuentra radiólogos, y el paciente que usa la IA para hackear el sistema. Esta lectura lo traslada a la dermatología, la otra especialidad «visual», y contrasta cada promesa con los ensayos prospectivos de dermatoscopia asistida y cribado publicados hasta octubre de 2026.
Obra de referencia: Wachter RM, A Giant Leap: How AI Is Transforming Healthcare and What That Means for Our Future, 1.ª ed. (Portfolio/Penguin, 2026). Síntesis editorial DermRX actualizada a octubre de 2026 · Revisión clínica individual pendiente · 18 min de lectura.
En 20 segundos
- El apoyo informatizado a la decisión clínica ha sido la gran decepción de la digitalización: alertas que se ignoran en el 90 % de los casos, monitores de UCI que suenan cada ocho minutos y un modelo de sepsis de Epic que obligaba a evaluar 109 pacientes para detectar uno. La lección de Colorado es que el arreglo fue 20 % matemática y 80 % relaciones.
- La cirugía es terreno fértil porque la IA puede ver: Birkmeyer demostró en 2013 que la destreza puntuada en vídeo predice la mortalidad mejor que la formación o los años, y las herramientas actuales ya marcan zonas de corte y vasos a evitar. Los robots autónomos quedan lejos porque el criterio quirúrgico ni siquiera sabe definirse.
- Hinton se equivocó con los radiólogos por subestimar el flujo de trabajo, los datos etiquetados, las imágenes previas y la regulación por indicación. Lo mismo vale para la dermatología, con una diferencia: nosotros tocamos, hacemos la historia y tratamos. El cribado mamográfico con IA (MASAI) muestra el camino que la dermatoscopia asistida empieza a recorrer.
Claves de la lectura
El bebé que nunca sonríe: apoyo a la decisión rudimentario
Wachter compara la historia clínica electrónica con un bebé al que hay que alimentar y cambiar sin que devuelva una sonrisa: el médico introduce datos todo el día y recibe a cambio reglas «si… entonces» de los años ochenta. El médico de primaria recibe más de sesenta alertas y mensajes diarios y descarta el 90 %. Barbara Drew contó en 2013 las alarmas de cinco UCI de la UCSF: 187 por monitor y día, más de 2,5 millones al mes, casi todas falsas. Una enfermera le dijo que lo que de verdad le asustaría sería que las alarmas dejaran de sonar.
El modelo de sepsis de Epic como advertencia fundacional
Lanzado en 2017 y activado por cientos de hospitales confiando en los datos del propio proveedor, el Epic Sepsis Model resultó en la validación de Michigan tener un área bajo la curva de 0,63, pasar por alto dos tercios de las sepsis y alertar sobre el 18 % de los ingresos. En Colorado las falsas alarmas superaban en treinta a uno a las verdaderas, las enfermeras tapaban con batas las cámaras de la telemonitorización, y solo cuando se reentrenó con datos locales y se construyó confianza se salvaron unas 211 vidas al año. Epic recomienda ahora validar y recalibrar localmente antes de usarlo.
De la guía única a la medicina de precisión con copiloto
Con cuatro clases de antihipertensivos aceptables, elegir es casi lanzar una moneda; la medicina de precisión promete elegir según genética, electrocardiograma y comorbilidad analizando cientos de miles de historias en lugar de un ensayo de mil pacientes. Pero el cerebro retiene unas siete unidades de información: cuando la decisión dependa de docenas de marcadores, hará falta un compañero digital. Wachter añade el control de trayectoria tomado de la aviación: un sistema que avise cuando el paciente no mejora al ritmo del 94 % de los pacientes como él, y dispositivos que actúen solos, como el páncreas artificial.
La cirugía se puede puntuar y la puntuación predice resultados
En el estudio de Birkmeyer (NEJM, 2013), veinte cirujanos bariátricos enviaron su mejor vídeo y treinta y tres colegas lo puntuaron a ciegas: el cuartil superior obtuvo 4,4 sobre 5 y el inferior 2,9, y los pacientes de los menos hábiles tenían al menos el doble de mortalidad, complicaciones y reingresos. La destreza predijo mejor que la formación o los años de experiencia. Nadie recoge ese dato ni lo publica. Carla Pugh resume la formación quirúrgica como entrenar para los Juegos Olímpicos con una retroalimentación pésima; una revisión breve de vídeo redujo un 14 % el tiempo de quirófano.
Destreza aumentada sí, robot autónomo no
Las herramientas que Alseidi mostró a Wachter marcan en verde la zona de corte y en rojo los vasos a evitar, como el marcador virtual de la NFL; la IA genera mapas de sutura óptimos para heridas irregulares y los proyecta en realidad aumentada; los colonoscopios con IA detectan más adenomas, aunque no se sabe si eso cambia la supervivencia. Ken Goldberg llama «destreza aumentada» a subtareas robóticas bajo supervisión estrecha. El robot autónomo queda lejos: la anatomía tiene infinitas variantes, el quirófano no admite fallar rápido, y el criterio (cuándo operar, cuándo abortar) no puede entrenarse porque nadie sabe escribirlo.
Por qué Hinton se equivocó con la radiología
En 2016 Hinton dijo que había que dejar de formar radiólogos; en 2020 solo el 41 % de las plazas de EE. UU. las ocuparon graduados nacionales y hoy la especialidad vive una escasez, no un exceso. Fallaron varias cosas: la interpretación depende del contexto clínico (la misma radiografía es normal o neumonía por Pneumocystis según el paciente), faltan conjuntos etiquetados, hay que comparar con imágenes previas de distintas modalidades, la herramienta debe encajar en un flujo vertiginoso y los productos detectan una sola cosa (la fractura de radio sí, la del cúbito a dos centímetros no), con una autorización regulatoria por indicación.
El paciente con IA: razonamiento clínico en el bolsillo
Grace Cordovano, diagnosticada de linfoma avanzado sin biopsia, resultó tener histoplasmosis; hoy es defensora de pacientes y usa la IA para resumir historiales, traducir, solicitar ayudas y redactar autorizaciones previas. Dave deBronkart lo resume: Google nos dio la información y la IA nos da el razonamiento clínico. Wachter comparte el entusiasmo pero teme ir demasiado lejos demasiado rápido en el acceso a pruebas y recetas sin profesional; Peter Lee advierte que la IA para pacientes es mucho más difícil que la IA para médicos, y los editores del NEJM no habían recibido ningún estudio sobre pacientes que toman las riendas.
Conceptos, herramientas y casos de la segunda mitad del capítulo
Cada entrada resume qué es, qué cuenta Wachter y cómo se traslada a una consulta de dermatología en España.
Apoyo a la toma de decisiones
Fatiga de alertas
90 % ignoradas- Qué es
- Saturación del clínico por avisos de la historia clínica y de los monitores, la mayoría erróneos o irrelevantes, que acaba en desatención sistemática.
- Lo que cuenta el libro
- Más de sesenta avisos diarios al médico de primaria; 2,5 millones de alarmas al mes en las UCI de la UCSF; la enfermera que solo se asustaría si dejaran de sonar.
- En dermatología
- Las alertas de interacción con metotrexato o de embarazo con isotretinoína son de las pocas que importan: pedir que el sistema las priorice y silencie las triviales, o se descartarán todas por igual.
Epic Sepsis Model
AUC 0,63 en Michigan- Qué es
- Modelo predictivo de sepsis integrado en Epic desde 2017, adoptado por cientos de hospitales sin validación externa ni exigencia de la FDA.
- Lo que cuenta el libro
- Pasó por alto la mayoría de las sepsis y alertó en exceso; 109 pacientes evaluados por caso detectado; Colorado lo reentrenó con datos propios y recuperó la confianza del personal.
- En dermatología
- Cualquier algoritmo de triaje de lesiones o de riesgo de melanoma que llegue «integrado» debe validarse con nuestra población y nuestros dermatoscopios antes de activarlo.
Control de trayectoria
Blanco sobre blanco- Qué es
- Analogía con las luces de aproximación de los aeropuertos: un sistema que compara la evolución del paciente con la esperada y avisa de la desviación.
- Lo que cuenta el libro
- Lyra Health reevalúa el diagnóstico cuando la depresión no mejora o mejora demasiado deprisa; Wachter imagina el aviso de que el 94 % de los pacientes como el suyo ya habrían mejorado.
- En dermatología
- Una psoriasis que no alcanza PASI 75 a la semana 16 o una dermatitis atópica que empeora con dupilumab deberían disparar una revisión del diagnóstico o de la adherencia, con o sin IA.
Medicina de precisión
Siete unidades de memoria- Qué es
- Tratamiento elegido según genética, biomarcadores y comorbilidad; hasta ahora solo real en oncología, y para Wachter solo cotidiana en el CYP2C19 del clopidogrel.
- Lo que cuenta el libro
- La IA puede detectar en cientos de miles de historias qué fármaco funciona en qué perfil, pero entonces el clínico necesitará un copiloto porque no puede procesar docenas de variables.
- En dermatología
- Elegir biológico en psoriasis o hidradenitis según comorbilidad, peso, serologías y fallos previos ya roza el límite cognitivo; un apoyo que ordene esas variables sería útil si fuera transparente.
Cirugía y procedimientos
Estudio de Birkmeyer
NEJM, octubre de 2013- Qué es
- Veinte cirujanos bariátricos puntuados a ciegas en vídeo por treinta y tres colegas en fluidez, delicadeza y exposición de tejidos; correlación con resultados reales.
- Lo que cuenta el libro
- Cuartil superior 4,4, inferior 2,9; los pacientes de los menos hábiles con el doble de muertes, complicaciones y reingresos; la destreza pesó más que la formación.
- En dermatología
- La cirugía dermatológica y la de Mohs se graban con facilidad; puntuar vídeos de residentes con una escala sencilla y dar retroalimentación es viable y barato ya.
«Guerrero de fin de semana»
Curso de dos días- Qué es
- Modelo de formación en técnicas nuevas basado en cursos breves con simulador y animal, sin exigencia de competencia demostrada.
- Lo que cuenta el libro
- En 1995 solo el 45 % de los cirujanos de un curso de colecistectomía laparoscópica se sentía preparado y el 74 % empezó a operar al volver; la UCSF exige veinte casos supervisados en robótica compleja.
- En dermatología
- Vale para láser, toxina, rellenos o Mohs: un curso de fin de semana no es competencia; conviene un número mínimo de casos tutelados y registro de resultados.
Destreza aumentada
Robot como residente- Qué es
- Término de Ken Goldberg para subtareas (sutura, manejo de grapadoras) ejecutadas por un robot bajo supervisión estrecha de un cirujano listo para tomar el control.
- Lo que cuenta el libro
- Mapas de sutura óptimos proyectados en realidad aumentada; Carla Pugh pide que el robot sea primero un buen asistente; el criterio quirúrgico es el obstáculo supremo para la autonomía.
- En dermatología
- Un asistente que proponga el diseño de un colgajo o el plano de sutura para una herida irregular es plausible; la decisión de abortar o cambiar de plan sigue siendo humana.
Caja negra quirúrgica
Medio millón de datos al día- Qué es
- Sistema de Surgical Safety Technologies que registra audio, vídeo y datos del quirófano para analizar equipo, comunicación y seguridad.
- Lo que cuenta el libro
- Los hallazgos son modestos pero útiles: el equipo no completó la lista de verificación en el 20 % de las intervenciones; la IA resume las horas de vídeo en los momentos que merecen revisión.
- En dermatología
- Para quirófanos de cirugía menor, un resumen automático de incidencias (tiempo de espera, lista de verificación, sangrado) ayudaría más que un análisis fino de la técnica.
Radiología y las especialidades visuales
La profecía de Hinton
Toronto, 2016- Qué es
- Afirmación de que en cinco años el aprendizaje profundo superaría a los radiólogos y que debía dejarse de formarlos.
- Lo que cuenta el libro
- El «efecto Hinton» hundió las solicitudes de residencia y se desvaneció en 2024; la escasez de radiólogos es nacional; el destino puede ser correcto pero el viaje durará décadas.
- En dermatología
- La dermatología aparece en la misma lista de riesgo; aprender de la radiología es prepararse para la ayuda, no para la sustitución.
Herramientas de un solo uso
Una indicación, un pago- Qué es
- Detectores de neumotórax, de posición de sondas o de embolia pulmonar vendidos por separado, cada uno con su autorización de la FDA y su suscripción.
- Lo que cuenta el libro
- El radiólogo debe buscar todo a la vez, así que detectores de una enfermedad aportan poco; el cribado de cáncer es la excepción y la IA generativa puede integrar lo multimodal.
- En dermatología
- Un clasificador que solo reconoce melanoma frente a nevus ignora el carcinoma basocelular, el espinocelular y las lesiones inflamatorias; preguntar siempre cuántas clases maneja.
Ensayo MASAI
Suecia, 80.000 mujeres- Qué es
- Ensayo aleatorizado en que la IA clasificaba las mamografías: las benignas a una lectura única, las sospechosas a doble lectura estándar.
- Lo que cuenta el libro
- Un 20 % más de cánceres detectados con falsos positivos similares y un 44 % menos de lecturas; queda ver si la detección precoz es clínicamente significativa.
- En dermatología
- Es el diseño que necesitamos para la teledermatología: la IA descarta las lesiones claramente benignas y el dermatólogo concentra su tiempo en las dudosas, con auditoría de los descartes.
Dermatología en la lista de riesgo
Visual, pero con tacto- Qué es
- Reflexión de Wachter sobre por qué radiología y patología son más sustituibles que dermatología: el dermatólogo hace historia, palpa, explora ganglios y trata.
- Lo que cuenta el libro
- Los pacientes ya suben fotos a programas de IA con respuestas bastante precisas; la IA falla en piel oscura, pero los médicos también.
- En dermatología
- Nuestra ventaja es el contacto directo y el cierre de la visita con un plan; nuestra vulnerabilidad es la foto de móvil que el paciente ya envía a un modelo.
Lección del CAD mamográfico
Años noventa- Qué es
- Detección asistida por ordenador autorizada por la FDA en 1998 e implantada ampliamente; en la práctica real redujo la especificidad y aumentó biopsias sin detectar más cánceres.
- Lo que cuenta el libro
- La radióloga que teme perder un cáncer biopsia todo lo que marca el ordenador; la interacción humano-IA, no el algoritmo, decide el resultado.
- En dermatología
- Un dermatoscopio con IA que marque en rojo lesiones benignas provocará escisiones innecesarias si el dermatólogo no sabe cuándo desoírlo; el estudio de Tschandl lo demostró.
El paciente empoderado
Grace Cordovano
Linfoma que era histoplasmosis- Qué es
- Bioquímica diagnosticada de linfoma avanzado sin biopsia; en Sloan Kettering resultó ser una histoplasmosis de su luna de miel. Hoy es defensora profesional de pacientes.
- Lo que cuenta el libro
- Usa la IA para resúmenes de historial, cronologías, traducciones, ayudas sociales y autorizaciones previas; su trabajo por fin escala.
- En dermatología
- El paciente con melanoma avanzado o con hidradenitis grave llegará con un resumen hecho por IA de su propia historia; leerlo es una oportunidad, no una amenaza.
«Dame mis malditos datos»
e-Patient Dave- Qué es
- Lema de Dave deBronkart sobre el acceso del paciente a su historia; con IA, los datos en bruto se vuelven por fin interpretables.
- Lo que cuenta el libro
- Atul Butte lamentaba que se vuelcan los datos en una aplicación sin ayudar a entenderlos; deBronkart pide medicina participativa, no antimédica.
- En dermatología
- En España el paciente accede a informes y analíticas por las carpetas de salud autonómicas; un modelo de lenguaje le explicará un informe de anatomía patológica antes de que lo hagamos nosotros.
IA para pacientes
Mucho más difícil- Qué es
- Advertencia de Peter Lee: el médico pregunta como experto; el paciente llega con mezcla de familia, redes y pseudociencia, y la IA debe distinguir verdad de ficción.
- Lo que cuenta el libro
- No existían estudios sobre qué pasa cuando el humano en el bucle es el paciente; las empresas de «bienestar» esquivan a la FDA con consultas de un minuto.
- En dermatología
- El autodiagnóstico de acné, alopecia o rosácea con compra directa de tratamientos ya ocurre; preguntar en consulta qué ha usado y qué le dijo la aplicación evita sorpresas.
Contrastes que resuelven la duda
Contrastes que ayudan a separar lo que la IA ya hace bien de lo que todavía promete.
Alerta genérica frente a apoyo a la decisión personalizado
- Origen
- Regla «si… entonces» igual para todos frente a recomendación que lee toda la historia, incluidas las notas.
- Rendimiento
- 90 % de descartes frente a avisos que, en teoría, se ajustan al paciente y aprenden de lo que el clínico ignora.
- Riesgo
- Fatiga de alertas y desatención frente a aceptación acrítica de una recomendación equivocada.
- Gobernanza
- Nadie se pregunta de dónde sale la regla frente a decidir si la fuente es la guía, la literatura o «pacientes como este» y quién fija el equilibrio coste-calidad.
- Qué haría
- Pedir que se silencien las triviales frente a exigir validación local y auditoría de anulaciones.
Modelo del proveedor frente a algoritmo externo
- Ventaja
- Ya integrado y sin coste adicional frente a mejor rendimiento posible a cambio de tiempo y dinero de integración.
- Cifra del libro
- Cuatro de cada cinco hospitales usan los modelos de su proveedor frente a los que desarrollan o validan localmente.
- Lección de la sepsis
- Precisión impresionante en los datos del proveedor frente a área bajo la curva de 0,63 en Michigan.
- Camino
- Activar y esperar frente a reentrenar con datos propios y construir confianza con el personal.
- En dermatología
- El módulo de IA del dermatoscopio digital que ya tenemos frente al algoritmo validado prospectivamente en nuestra población.
Puntuar la técnica frente a evaluar el criterio
- Qué se mide
- Fluidez, delicadeza y exposición en vídeo frente a cuándo operar, cuándo desviarse y cuándo abortar.
- Evidencia
- La puntuación de Birkmeyer predice complicaciones frente a un criterio que ni los ingenieros ni los cirujanos saben definir por escrito.
- Papel de la IA hoy
- Resumen de momentos clave de un vídeo largo frente a ninguna herramienta fiable.
- Formación
- Retroalimentación objetiva que acorta la curva de aprendizaje frente a tutela humana prolongada.
- En dermatología
- Vídeo de un colgajo puntuado por pares frente a decidir si ese paciente anticoagulado debe operarse hoy.
Detector de una enfermedad frente a lectura holística
- Diseño
- Un algoritmo, una indicación, una autorización regulatoria frente al radiólogo que busca todo a la vez.
- Utilidad
- Alta en cribado de un cáncer concreto frente a baja en el tórax o la piel con cientos de diagnósticos posibles.
- Coste
- Decenas de miles de dólares por detector y año frente a una integración multimodal aún en desarrollo.
- Fallo típico
- La fractura del cúbito a dos centímetros de la del radio frente al contexto clínico que cambia la interpretación.
- En dermatología
- Clasificador melanoma frente a nevus frente a modelo multiclase que incluya basocelular, espinocelular, queratosis e inflamatorias.
IA en manos del médico frente a IA en manos del paciente
- Quién pregunta
- Un experto con preguntas de experto frente a alguien que mezcla síntomas, redes sociales y miedo.
- Entrenamiento necesario
- Conocimiento médico correcto frente a exposición a mentiras y pseudociencia para poder reconocerlas.
- Evidencia
- Cientos de estudios frente a ninguno recibido por los editores del NEJM en 2024.
- Riesgo
- Pérdida de competencias o sumisión frente a autodiagnóstico y compra directa de pruebas y fármacos.
- Postura de Wachter
- Entusiasmo con revisión humana frente a temor a ir demasiado lejos demasiado rápido en el control del acceso.
Qué haría en consulta
Escenarios de una consulta de dermatología en España, en primera persona.
Siel servicio compra un dermatoscopio digital con un módulo de IA que clasifica lesiones
Antes de usarlo con pacientes pregunto cuántas clases maneja, con qué población y qué dispositivos se entrenó y si tiene marcado CE como producto sanitario. Hago un piloto: durante dos meses registro mi diagnóstico antes de ver la salida del algoritmo, después la suya, y comparo ambos con la histología. Me fijo sobre todo en las veces que el algoritmo me hace cambiar de opinión, en qué dirección y con qué resultado, porque ahí está el beneficio o el daño. Repito la captura tres veces si el sistema es inestable y uso la media. Solo entonces decido si entra en la rutina y en qué pacientes.
Siun paciente me pide que acepte el informe de una aplicación de móvil que dio su lunar por benigno
Le agradezco que lo traiga y exploro la lesión como si no existiera ese informe. Le explico con el estudio de Menzies en la mano que un algoritmo brillante en el laboratorio fue claramente peor que los especialistas en la clínica real, y que la foto de un móvil sin dermatoscopio pierde justo lo que yo necesito ver. Si la lesión es benigna, se lo confirmo y le enseño los criterios para que no dependa de la aplicación. Si tengo dudas, la extirpo y le digo que la aplicación ni me ha convencido ni me ha disuadido: es mi exploración la que decide.
Sila historia clínica me lanza una alerta de interacción cada vez que renuevo metotrexato
No la cierro por inercia. Hago dos cosas. Para el paciente de hoy, verifico la interacción concreta (trimetoprim, AINE, inhibidores de la bomba de protones a dosis altas) y la función renal, y dejo constancia de por qué la anulo si la anulo. Para el sistema, propongo al comité de farmacia que las alertas de metotrexato e isotretinoína se mantengan en interrupción obligatoria con motivo de anulación registrado y que las de relevancia menor pasen a un panel no interruptivo. Si todo interrumpe, nada interrumpe: es la lección de las UCI de la UCSF.
Simi hospital activa un algoritmo de triaje de teledermatología integrado en la historia clínica sin validación local
Pido ver el documento de validación y, si solo hay datos del proveedor, propongo un periodo en sombra: el algoritmo clasifica, pero las decisiones las seguimos tomando nosotros, y a los tres meses comparamos su prioridad con el diagnóstico final, estratificando por fototipo, edad y tipo de lesión. Reviso especialmente las lesiones que marcó como no urgentes y resultaron malignas. Si el rendimiento es aceptable, se activa con auditoría trimestral; si no, se recalibra con nuestros datos o se retira. El modelo de sepsis de Epic costó confianza y vidas por no hacer esto.
Siquiero dar a mis residentes retroalimentación objetiva sobre su técnica en cirugía dermatológica
Grabo con su consentimiento y el del paciente las escisiones y colgajos del quirófano de cirugía menor, y uso una escala sencilla de fluidez, respeto a los tejidos y exposición, inspirada en Birkmeyer, que puntúan dos adjuntos a ciegas. Si disponemos de una herramienta que resuma el vídeo en los momentos clave, la uso para no revisar cuarenta minutos. Discutimos juntos dos vídeos al mes. Para técnicas nuevas (Mohs, láser) fijo un número mínimo de casos tutelados antes de la autonomía, y registro resultados a seis meses, porque un curso de fin de semana no es competencia.
Siun paciente con melanoma en estadio III llega con un resumen de su historia y preguntas preparadas con ChatGPT
Lo leo con atención: suele estar bien ordenado y me ahorra tiempo de reconstrucción. Corrijo lo que esté mal (estadio, fechas, nombres de fármacos) y respondo a sus preguntas una por una, incluidas las que vienen de un ensayo clínico que ha encontrado en Internet. Le explico qué puede preguntar al modelo con provecho (vocabulario, efectos adversos frecuentes, qué preguntar en la siguiente visita) y qué no (decisiones de tratamiento, interpretación de su PET). Le recuerdo que la aplicación no ha visto su piel ni sus ganglios. Y anoto en la historia que el paciente usa IA, para que el resto del equipo lo sepa.
Perlas de examen y de consulta
◆Si todo interrumpe, nada interrumpe
Las alertas útiles mueren ahogadas por las triviales. Defiende que metotrexato, isotretinoína y biológicos tengan alertas interruptivas con motivo de anulación registrado, y que el resto pase a un panel silencioso.
◆Valida en tu población antes de activar
El modelo de sepsis de Epic tenía una precisión impresionante en los datos del proveedor y un área bajo la curva de 0,63 en Michigan. Ningún algoritmo integrado de triaje o clasificación de lesiones se activa sin un periodo en sombra con nuestros datos.
◆El vídeo de tu cirugía dice más que tu currículo
La destreza puntuada en vídeo predijo la mortalidad mejor que la formación y los años. Graba, puntúa a ciegas y devuelve retroalimentación: es barato, enseña y acorta la curva de aprendizaje de los residentes.
◆La IA que te hace biopsiar más no te hace diagnosticar mejor
El CAD mamográfico bajó la especificidad y aumentó biopsias sin detectar más cánceres porque la radióloga no sabía cuándo desoírlo. En dermatoscopia, aprende a discrepar del algoritmo y registra cuándo lo haces.
◆Cuenta cuántas clases maneja el clasificador
Un modelo melanoma frente a nevus no ve basocelulares ni espinocelulares ni inflamatorias. Pregunta cuántas clases distingue, con qué fototipos se entrenó y cómo señala las lesiones fuera de su dominio.
◆El paciente ya usa IA: pregúntale
Pregunta qué aplicación usó, qué foto subió y qué le dijo. Corrige con respeto, explica qué puede y qué no puede ver un modelo sin tacto ni historia, y anota en la historia que el paciente consulta IA.
Actualización DermRX
Qué ha cambiado entre la obra (2026) y octubre de 2026, y qué conviene matizar con la literatura.
SeguridadEl modelo de sepsis de Epic, versión 2: mejor discriminación, misma carga de alertas
El libro cierra la historia con el reentrenamiento local de Colorado. En 2026 se publicó la validación prospectiva multicéntrica de la versión 2 del modelo en cuatro grandes sistemas sanitarios de EE. UU., con 227.091 ingresos: el área bajo la curva por episodio subió a 0,82-0,92 (frente a 0,63 de la versión original en Michigan), pero el valor predictivo positivo se quedó entre 0,13 y 0,26, con gran variabilidad entre centros y una carga de alertas que los autores califican de alta. La moraleja para cualquier algoritmo integrado en la historia clínica, también los de triaje dermatológico, es la misma: el proveedor puede mejorar el modelo, pero la calibración, el umbral y el circuito de respuesta hay que fijarlos localmente y auditarlos.
Fuentes: Wong A, et al. JAMA Netw Open. 2026 PMID: 41758510. Wong A, et al. JAMA Intern Med. 2021 PMID: 34152373.EvidenciaMASAI publica sus resultados completos: un 29 % más de cánceres y un 44 % menos de lecturas
Wachter cita el análisis de seguridad de 2023 con 80.000 mujeres. El análisis completo, publicado en 2025 con 105.934 participantes, confirma que la lectura asistida por IA detectó más cánceres (6,4 frente a 5,0 por mil, un 29 % más), con una proporción mayor de carcinomas invasivos pequeños y sin aumentar los falsos positivos, y con un 44 % menos de carga de lectura. Falta el resultado principal, la tasa de cánceres de intervalo a dos años. Es hoy el modelo de ensayo que la dermatología debería imitar: la IA no sustituye, reordena el trabajo y permite al especialista concentrarse en lo dudoso, con un diseño aleatorizado y un criterio de valoración clínico.
Fuentes: Hernström V, et al. Lancet Digit Health. 2025 PMID: 39904652. Lång K, et al. Lancet Oncol. 2023 PMID: 37541274.DermatologíaDermatoscopia asistida por IA: los ensayos prospectivos matizan las cifras de laboratorio
El capítulo apenas roza la dermatología. La evidencia prospectiva ya existe y es matizada. En el ensayo multicéntrico de Menzies (Australia y Austria), una IA de siete clases en móvil con adaptador dermatoscópico fue equivalente a los especialistas para diagnosticar lesiones pigmentadas extirpadas, pero el algoritmo ISIC que arrasaba en estudios experimentales resultó claramente inferior en la clínica real. En PROVE-AI, un algoritmo abierto validado prospectivamente mejoró el área bajo la curva de los dermatólogos expertos de 0,78 a 0,82. En Suecia, una herramienta de apoyo en atención primaria alcanzó un área bajo la curva de 0,96 para melanoma, y en un servicio de teledermatología británico un dispositivo con marcado CE descartó más lesiones que los teledermatólogos con la misma sensibilidad.
Fuentes: Menzies SW, et al. Lancet Digit Health. 2023 PMID: 37775188. Marchetti MA, et al. NPJ Digit Med. 2023 PMID: 37438476. Papachristou P, et al. Br J Dermatol. 2024 PMID: 38234043. Marsden H, et al. Front Med (Lausanne). 2024 PMID: 38585154.DermatologíaColaboración humano-IA en lesiones cutáneas: el algoritmo puede arrastrar al experto
La lección del CAD mamográfico que cuenta Wachter tiene su equivalente dermatológico. Tschandl demostró en Nature Medicine que la IA mejora la precisión de todos los clínicos, pero que una IA defectuosa arrastra también a los expertos. En el único ensayo aleatorizado de la especialidad, los no expertos ayudados por un algoritmo multiclase mejoraron su diagnóstico, con una caída del 12 % cuando las tres sugerencias del modelo eran erróneas. Un estudio prospectivo suizo mostró que la misma lesión fotografiada tres veces recibe puntuaciones distintas de dos redes comerciales, y los autores recomiendan promediar capturas. Las revisiones sobre piel de color insisten en que los conjuntos de entrenamiento siguen infrarrepresentando los fototipos altos.
Fuentes: Tschandl P, et al. Nat Med. 2020 PMID: 32572267. Han SS, et al. J Invest Dermatol. 2022 PMID: 35183551. Goessinger EV, et al. J Eur Acad Dermatol Venereol. 2024 PMID: 38158385. Fliorent R, et al. Int J Dermatol. 2024 PMID: 38444331.RegulaciónEn Europa, el clasificador de lesiones es producto sanitario y sistema de alto riesgo
Wachter describe la autorización de la FDA por indicación como cuello de botella. En la Unión Europea, un algoritmo que clasifica lesiones cutáneas o prioriza una cola de teledermatología con finalidad diagnóstica es software producto sanitario bajo el Reglamento 2017/745 (habitualmente clase IIa o superior según la regla 11) y, desde agosto de 2027 para los productos regulados, también sistema de IA de alto riesgo bajo el Reglamento 2024/1689, con obligaciones de gestión de riesgos, supervisión humana, registro de actividad y vigilancia poscomercialización. La AESIA y la AEMPS comparten la vigilancia en España. Antes de comprar, pedir el certificado CE con la finalidad prevista exacta, la población de validación y el plan de seguimiento clínico.
Fuentes: Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial). DOUE L, 12.7.2024. Reglamento (UE) 2017/745 sobre los productos sanitarios. DOUE L 117, 5.5.2017.CirugíaRetroalimentación por vídeo y destreza: lo que ya puede hacer un servicio de dermatología
Wachter sitúa la IA quirúrgica en la fase de «destreza aumentada» y de resúmenes de vídeo. Para un servicio de dermatología el punto de partida no requiere IA: el estudio de Birkmeyer demostró que puntuar la técnica en vídeo con una escala sencilla y evaluadores a ciegas predice resultados, y que la retroalimentación breve acorta tiempos de quirófano. La cirugía dermatológica y la de Mohs se graban con facilidad y se prestan a este modelo. Las herramientas de resumen automático de vídeo y de mapas de sutura que describe el libro están en fase de prototipo o de uso en centros de referencia; en España su adopción dependerá de que se registren y evalúen como producto sanitario cuando tengan finalidad clínica.
Fuentes: Birkmeyer JD, et al. N Engl J Med. 2013 PMID: 24106936.Conectar con DermRX
Referencias
Lectura de referencia
Wachter RM. Capítulo 4 (segunda mitad), «Healthcare AI in Action». En: Wachter RM. A Giant Leap: How AI Is Transforming Healthcare and What That Means for Our Future. 1.ª ed. Nueva York: Portfolio/Penguin; 2026. Consultado en su edición original en inglés.
Fuentes consultadas para contrastar y actualizar
- Wong A, Otles E, Donnelly JP, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Intern Med. 2021;181(8):1065-1070. PMID: 34152373.
- Wong A, Currey D, Schwinne M, et al. Multicenter prospective validation of an updated proprietary sepsis prediction model. JAMA Netw Open. 2026;9(2):e260181. PMID: 41758510.
- Birkmeyer JD, Finks JF, O’Reilly A, et al. Surgical skill and complication rates after bariatric surgery. N Engl J Med. 2013;369(15):1434-1442. PMID: 24106936.
- Lång K, Josefsson V, Larsson AM, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023;24(8):936-944. PMID: 37541274.
- Hernström V, Josefsson V, Sartor H, et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI): a randomised, controlled, parallel-group, non-inferiority, single-blinded, screening accuracy study. Lancet Digit Health. 2025;7(3):e175-e183. PMID: 39904652.
- Tschandl P, Rinner C, Apalla Z, et al. Human-computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-1234. PMID: 32572267.
- Menzies SW, Sinz C, Menzies M, et al. Comparison of humans versus mobile phone-powered artificial intelligence for the diagnosis and management of pigmented skin cancer in secondary care: a multicentre, prospective, diagnostic, clinical trial. Lancet Digit Health. 2023;5(10):e679-e691. PMID: 37775188.
- Marchetti MA, Cowen EA, Kurtansky NR, et al. Prospective validation of dermoscopy-based open-source artificial intelligence for melanoma diagnosis (PROVE-AI study). NPJ Digit Med. 2023;6(1):127. PMID: 37438476.
- Papachristou P, Söderholm M, Pallon J, et al. Evaluation of an artificial intelligence-based decision support for the detection of cutaneous melanoma in primary care: a prospective real-life clinical trial. Br J Dermatol. 2024;191(1):125-133. PMID: 38234043.
- Marsden H, Kemos P, Venzi M, et al. Accuracy of an artificial intelligence as a medical device as part of a UK-based skin cancer teledermatology service. Front Med (Lausanne). 2024;11:1302363. PMID: 38585154.
- Han SS, Kim YJ, Moon IJ, et al. Evaluation of artificial intelligence-assisted diagnosis of skin neoplasms: a single-center, paralleled, unmasked, randomized controlled trial. J Invest Dermatol. 2022;142(9):2353-2362.e2. PMID: 35183551.
- Goessinger EV, Cerminara SE, Mueller AM, et al. Consistency of convolutional neural networks in dermoscopic melanoma recognition: a prospective real-world study about the pitfalls of augmented intelligence. J Eur Acad Dermatol Venereol. 2024;38(5):945-953. PMID: 38158385.
- Fliorent R, Fardman B, Podwojniak A, et al. Artificial intelligence in dermatology: advancements and challenges in skin of color. Int J Dermatol. 2024;63(4):455-461. PMID: 38444331.
- Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). DOUE L, 12 de julio de 2024.
