La historia clínica electrónica digitalizó la burocracia. Ahora tiene que digitalizar la medicina

Integración de datos clínicos desde múltiples sistemas hacia una historia clínica electrónica unificada.

Digitalizamos historias clínicas, recetas, estudios y órdenes médicas, pero buena parte de esa información continúa distribuida entre sistemas que no se comunican. La próxima transformación de la medicina digital no consistirá simplemente en producir más datos, sino en conseguir que puedan acompañar al paciente, integrarse y convertirse nuevamente en conocimiento clínico.

La historia clínica electrónica fue concebida como una herramienta para simplificar la atención médica. Permitió abandonar buena parte del papel, acceder con mayor rapidez a estudios previos, conservar antecedentes durante años y reducir algunos de los problemas clásicos de las historias manuscritas. Sin embargo, la digitalización también produjo un efecto menos esperado: muchas veces no eliminó la burocracia, sino que la trasladó a la pantalla.

Cuando la burocracia también se vuelve digital

En Argentina, como ocurre en buena parte de Hispanoamérica, un profesional puede utilizar una plataforma para registrar la consulta, otra para solicitar estudios, diferentes sistemas para prescribir o validar medicamentos y portales independientes para consultar laboratorios, imágenes o autorizaciones. En tratamientos complejos pueden agregarse formularios de auditoría y sistemas específicos de los distintos financiadores, de modo que una misma información termina cargándose varias veces en entornos que no se comunican entre sí.

La receta electrónica es un buen ejemplo. Desde enero de 2025 constituye la modalidad general vigente para la prescripción de medicamentos en Argentina, con las excepciones previstas por la normativa, y las plataformas deben estar registradas ante el sistema nacional correspondiente. La regulación también procura que exista interoperabilidad entre prescriptores, repositorios, validadores y farmacias, pero que una prescripción sea electrónica no significa necesariamente que todo el proceso ocurra dentro del mismo entorno informático.

Cada plataforma puede funcionar correctamente por separado. El problema aparece cuando los sistemas no conocen lo que ocurrió en los demás, porque entonces el médico debe reconstruir información que ya existe, el paciente debe volver a trasladar documentos y la digitalización termina replicando la misma fragmentación del papel, solo que en distintas pantallas.

Digitalizar no es lo mismo que integrar

Una historia clínica electrónica cumple bastante bien una función básica: registrar lo ocurrido dentro de una institución. Conserva consultas, diagnósticos, tratamientos, resultados de laboratorio, procedimientos e informes, y permite que esa información permanezca disponible durante años. Sin embargo, almacenar información no significa necesariamente que esa información pueda utilizarse con facilidad.

Cuando un paciente acumula años de seguimiento, la historia puede contener cientos de documentos. Saber cuándo apareció por primera vez determinada lesión, por qué se suspendió un medicamento o cómo evolucionó un parámetro de laboratorio puede exigir revisar numerosos registros. La información está allí, pero no necesariamente organizada de una manera que permita comprender rápidamente lo ocurrido.

A esto se suma otro fenómeno propio de los sistemas electrónicos: la facilidad para copiar y reutilizar información. Un antecedente registrado una vez puede repetirse durante años; una lista de diagnósticos puede conservar enfermedades ya resueltas; un medicamento suspendido puede continuar apareciendo y una evolución puede reproducir párrafos completos de consultas anteriores. Se genera así una especie de inflación documental en la que la historia crece, pero no necesariamente mejora.

El desafío de la próxima generación de sistemas no será almacenar cada vez más datos, sino jerarquizarlos, relacionarlos y presentarlos de una manera clínicamente útil.

El verdadero problema es la fragmentación

En sistemas sanitarios como el nuestro, la dificultad no reside solamente en informatizar hospitales, consultorios y financiadores. El desafío es conseguir que esas plataformas puedan comunicarse y que la información pueda reutilizarse sin tener que ser reconstruida en cada punto del recorrido asistencial.

El paciente sigue trasladando informes impresos, archivos PDF, CDs, fotografías en el teléfono o carpetas con estudios realizados en diferentes lugares, mientras el médico puede verse obligado a ingresar nuevamente información que ya fue registrada en otro sistema. Los datos existen, pero muchas veces permanecen encerrados dentro de plataformas aisladas.

Por eso la verdadera transformación digital de la medicina no consiste simplemente en reemplazar formularios de papel por formularios electrónicos. Consiste en conseguir que la información pueda acompañar al paciente y ser interpretada allí donde resulte necesaria.

En Argentina ese objetivo ya forma parte del marco normativo. La Ley 27.706 creó el Programa Federal Único de Informatización y Digitalización de las Historias Clínicas y establece la construcción progresiva de un marco de interoperabilidad entre los sistemas públicos, privados y de la seguridad social. La implementación real es, naturalmente, mucho más difícil que escribir una ley, pero el objetivo está claramente definido.

La historia clínica debería poder reconstruir una historia

Pensemos en una situación frecuente. Un paciente consulta por primera vez en un servicio de oncología y tiene ocho años de antecedentes, varias cirugías, tratamientos realizados en diferentes instituciones, anatomías patológicas, estudios por imágenes y decenas de análisis. Para comprender qué ocurrió, alguien debe reconstruir esa cronología.

Una historia clínica más avanzada debería poder identificar los acontecimientos principales y organizarlos de manera comprensible: diagnóstico inicial, cirugía, anatomía patológica, tratamiento, período de seguimiento, aparición de una nueva lesión, biopsia de recaída y comienzo de una nueva línea terapéutica. No se trata simplemente de resumir documentos, porque el sistema necesita reconocer fechas, interpretar lenguaje médico, relacionar resultados y comprender que informes redactados de maneras diferentes pueden referirse al mismo proceso clínico.

Hasta hace pocos años, automatizar algo semejante era extremadamente difícil. Los grandes modelos de lenguaje modificaron considerablemente ese escenario porque permiten procesar grandes volúmenes de texto clínico, identificar relaciones y producir síntesis que antes requerían una revisión manual prolongada.

Una aplicación de la IA menos espectacular, pero probablemente más útil

Gran parte de la conversación pública sobre inteligencia artificial médica gira alrededor de una pregunta llamativa: si una IA puede diagnosticar mejor que un médico. Quizá no sea la pregunta más importante para la práctica cotidiana.

Una cuestión mucho más inmediata sería evaluar si puede ayudar a que un profesional no tenga que leer cien páginas para comprender qué ocurrió con su paciente. Una IA correctamente integrada a la historia clínica podría ordenar acontecimientos, resumir antecedentes, identificar tendencias en resultados de laboratorio, localizar información relevante dentro de documentos extensos y preparar una síntesis antes de la consulta.

También comienzan a utilizarse sistemas de documentación ambiental capaces de escuchar, con las autorizaciones correspondientes, la conversación entre médico y paciente y producir un borrador de la evolución. Estudios publicados en JAMA Network Open durante 2024 y 2025 encontraron asociaciones entre estas herramientas y una reducción de la carga percibida de documentación, aunque los diseños disponibles todavía tienen limitaciones y no permiten asumir que los resultados sean universales.

En este modelo, la IA no reemplaza la decisión clínica. Su función es reducir parte del trabajo mecánico necesario para reunir, organizar y documentar información que ya existe, lo que puede resultar mucho más relevante para la práctica cotidiana que intentar convertirla en un sustituto del razonamiento médico.

Para que eso funcione, los sistemas tienen que hablar el mismo idioma

Una inteligencia artificial puede ser extraordinariamente sofisticada, pero si solo conoce una fracción de la historia del paciente seguirá trabajando con una visión incompleta. Por eso la interoperabilidad es una condición previa para cualquier sistema que aspire a integrar información clínica de manera útil.

Interoperabilidad significa algo más que enviar un PDF entre dos computadoras. Implica que distintos sistemas puedan intercambiar información y comprenderla utilizando estructuras y significados comunes. Si un laboratorio informa una creatinina de 1,8 mg/dL, el sistema receptor debería ser capaz de reconocer que se trata de una determinación de creatinina, identificar la fecha, la unidad de medida y el paciente al que corresponde, en lugar de recibir únicamente un documento que un profesional tendrá que volver a interpretar manualmente.

Para conseguirlo hacen falta estándares capaces de representar la información de una manera predecible y compartida entre plataformas diferentes.

FHIR: un idioma común para los datos médicos

Uno de los estándares más importantes actualmente es FHIR, sigla de Fast Healthcare Interoperability Resources. FHIR es desarrollado por Health Level Seven International —HL7—, una organización internacional sin fines de lucro dedicada a crear y mantener estándares para el intercambio electrónico de información sanitaria.

HL7 no es una empresa de software ni una historia clínica comercial. Su función es definir reglas que puedan utilizar hospitales, gobiernos, desarrolladores y distintos proveedores tecnológicos, de modo que sistemas construidos por organizaciones diferentes puedan intercambiar información de manera coherente. El nombre Health Level Seven hace referencia históricamente a la capa de aplicaciones del modelo OSI de comunicaciones.

FHIR es la generación más moderna de estos estándares. En lugar de tratar toda la historia como un gran documento cerrado, representa la información mediante componentes denominados recursos, que pueden corresponder a pacientes, observaciones, medicamentos, procedimientos, diagnósticos y muchas otras entidades clínicas y administrativas.

La idea es relativamente sencilla. Un laboratorio no debería necesitar inventar una integración completamente distinta para cada hospital, ni un hospital debería depender exclusivamente de una determinada empresa para conectar su historia clínica con otras aplicaciones. Si diferentes sistemas utilizan estructuras compatibles, la información puede circular con mucha mayor facilidad.

FHIR no resuelve por sí mismo la interoperabilidad, porque también hacen falta terminologías clínicas comunes, identificación correcta de pacientes, reglas de seguridad y acuerdos entre organizaciones. Sin embargo, proporciona una parte fundamental del lenguaje necesario para que ese intercambio sea posible.

Argentina ya utiliza FHIR

FHIR tampoco es una tecnología exclusivamente estadounidense. La Red Nacional de Salud Digital argentina utiliza servicios web basados en tecnología REST y operaciones especificadas mediante FHIR, mientras que para la representación de conceptos clínicos incorpora SNOMED CT, una terminología internacional que permite codificar diagnósticos, síntomas, procedimientos, medicamentos y otras entidades clínicas.

En junio de 2026, el Ministerio de Salud realizó además el Encuentro Nacional de Salud Digital 2026, que incluyó una conectatón destinada a probar integraciones e intercambio de información clínica entre diferentes sistemas dentro de la Estrategia Nacional de Salud Digital 2025-2030.

Esto no significa que actualmente exista una historia clínica nacional única y completamente interoperable, ni que un médico pueda consultar automáticamente todo lo ocurrido con un paciente en cualquier institución argentina. Significa algo diferente y más realista: la interoperabilidad dejó de ser una idea teórica y ya forma parte de la arquitectura tecnológica y regulatoria hacia la que intenta avanzar el sistema argentino.

La historia pertenece al paciente

La interoperabilidad tiene además una dimensión jurídica. La Ley 26.529 establece expresamente que el paciente es titular de la historia clínica, mientras que las instituciones y profesionales tienen responsabilidades de guarda y custodia. La Ley 27.706 mantiene ese principio para la historia clínica electrónica y reconoce el derecho del paciente a conocer la información contenida en ella.

Esto conduce a una consecuencia lógica: si la información corresponde al paciente, debería existir una manera razonable de que pueda acompañarlo cuando cambia de institución, siempre dentro de las condiciones necesarias de seguridad y confidencialidad. La interoperabilidad no es, por lo tanto, solamente un problema informático, sino que también está relacionada con la continuidad asistencial y con la posibilidad efectiva de ejercer derechos sobre la propia información sanitaria.

La historia debe sobrevivir al programa que la contiene

Existe otra dimensión menos visible: la dependencia tecnológica respecto de un único proveedor, conocida como vendor lock-in. Una institución puede utilizar durante diez o quince años una plataforma determinada y acumular cientos de miles de registros, pero si posteriormente decide cambiar de sistema puede descubrir que trasladar toda esa información resulta extremadamente complejo.

Los estándares abiertos ayudan a reducir ese riesgo porque permiten separar, al menos conceptualmente, los datos de la aplicación concreta que los administra. Una historia clínica debería poder acompañar a una persona durante décadas, mientras que el software utilizado para almacenarla seguramente cambiará varias veces durante ese período.

El papel del software abierto

El código abierto ofrece otra alternativa dentro de este debate. No significa automáticamente que un sistema sea mejor, más seguro o más barato, porque una historia clínica requiere servidores, actualizaciones, copias de seguridad, políticas de seguridad, mantenimiento y personal capacitado independientemente del modelo de licencia.

Sin embargo, una plataforma abierta reduce algunas formas de dependencia absoluta respecto de un único proveedor y permite inspeccionar, modificar e integrar el sistema con mayor libertad. OpenEMR constituye un ejemplo conocido: el proyecto combina funciones de historia clínica y gestión médica y dispone de interfaces para integración, incluida una API basada en FHIR.

Su interés no está en presentarlo como una solución universal ni necesariamente superior a las alternativas comerciales, sino en mostrar que existen diferentes maneras de construir y gobernar una infraestructura clínica. Código abierto no significa infraestructura gratuita, pero sí supone otro modelo posible de control y evolución tecnológica.

¿Cómo podría ser la historia clínica hacia 2030?

Predecir cómo será una historia clínica dentro de cuatro años sería pretencioso, porque no existe una evolución única ni todos los sistemas sanitarios avanzarán a la misma velocidad. Sin embargo, muchas de las piezas necesarias ya existen y permiten imaginar una transformación bastante concreta.

La historia clínica podría dejar progresivamente de presentarse como una larga sucesión de documentos y comenzar a comportarse como una representación longitudinal del paciente. Al abrir el registro de una persona con diabetes, insuficiencia renal y cardiopatía, por ejemplo, el médico podría encontrar una síntesis actualizada de cada problema, la evolución de la función renal, los principales cambios terapéuticos, los últimos estudios relevantes y las decisiones pendientes. Los documentos originales seguirían disponibles, pero ya no sería necesario reconstruir manualmente toda la historia en cada consulta.

La conversación con el paciente también podría integrarse de otra manera. Los sistemas de documentación ambiental actuales ya demuestran que es posible generar borradores a partir del diálogo clínico, y una versión más madura podría relacionar esa conversación con los antecedentes existentes, distinguir qué información es nueva, detectar contradicciones y señalar qué datos requieren confirmación. El médico debería seguir revisando y validando el resultado, pero una menor proporción de la consulta podría quedar dedicada al teclado.

Los resultados de laboratorio podrían presentarse dentro de su evolución histórica y relacionarse con modificaciones terapéuticas. Una nueva tomografía podría quedar vinculada automáticamente con los estudios anteriores relevantes, mientras que la lista de medicamentos podría transformarse en una verdadera historia farmacológica que muestre cuándo comenzó cada tratamiento, cuándo cambió la dosis, por qué se suspendió y qué efectos adversos aparecieron.

En oncología, una arquitectura semejante podría relacionar anatomía patológica, biomarcadores moleculares, tratamientos y evolución de la enfermedad, además de ayudar a detectar potenciales criterios de elegibilidad para ensayos clínicos o advertir que un estudio solicitado nunca se realizó. Los datos generados fuera del hospital, como presión arterial domiciliaria, glucosa o determinados registros de dispositivos personales, también podrían incorporarse cuando aporten información clínicamente relevante.

Ese aumento de información introduce un problema adicional. La historia del futuro no deberá aprender solamente a incorporar datos, sino también a decidir cuáles merecen ocupar la atención del médico, porque un sistema que simplemente agregue nuevas fuentes sin jerarquizarlas podría terminar agravando exactamente el problema que intenta resolver.

¿Y quién escribió cada cosa?

La incorporación de IA plantea otra cuestión importante. Si un sistema resume una resonancia, otro genera un borrador de evolución y un tercero reorganiza antecedentes, meses después debería ser posible distinguir qué fue escrito originalmente por una persona y qué fue generado o modificado mediante inteligencia artificial.

NIST y HL7 trabajan actualmente sobre esta cuestión mediante AI Transparency on FHIR, una guía de implementación que busca representar dentro de FHIR cuándo existió participación de IA. La propuesta contempla desde una marca sencilla que indique esa intervención hasta registros de procedencia más detallados que puedan identificar el sistema utilizado, los participantes humanos y automáticos, las fuentes y otros elementos del proceso.

A octubre de 2026 continúa siendo un proyecto en desarrollo y revisión, no un estándar definitivo. Sin embargo, el principio probablemente resulte cada vez más importante: no alcanza con que una inteligencia artificial produzca un resultado aparentemente correcto, porque también debemos poder saber qué hizo, con qué información trabajó y quién validó el resultado.

Más interoperabilidad también exige más seguridad

Una historia capaz de integrar información procedente de múltiples instituciones resulta mucho más útil, pero también concentra datos extraordinariamente sensibles. Por eso la interoperabilidad no puede significar acceso indiscriminado.

Cuantos más sistemas puedan consultar información clínica, mayor será la importancia de la identidad digital, la autenticación, los permisos, la trazabilidad de los accesos y la posibilidad de auditar quién consultó o modificó determinados datos. El sistema del futuro tendrá que ser simultáneamente más abierto para permitir que la información circule y más estricto respecto de quién puede utilizarla; lejos de ser una contradicción, la seguridad es una condición necesaria para que una interoperabilidad amplia pueda ser aceptable.

La segunda revolución de la historia clínica

La primera revolución de la historia clínica electrónica consistió en reemplazar buena parte del papel por información digital. La segunda debería consistir en conseguir que esa información pueda utilizarse realmente, lo que obligará a resolver cuestiones menos espectaculares que construir una inteligencia artificial superhumana: interoperabilidad, identidad, terminologías comunes, seguridad, portabilidad, trazabilidad y calidad de los datos.

Argentina ya dispone de legislación específica, una Red Nacional de Salud Digital y una arquitectura que utiliza estándares como FHIR y SNOMED CT. Eso no significa que la interoperabilidad esté resuelta; la experiencia cotidiana demuestra cuánto falta todavía para que sistemas diferentes funcionen como partes de una misma infraestructura.

La inteligencia artificial puede acelerar el proceso porque permite interpretar y reorganizar enormes cantidades de lenguaje clínico, pero una IA aplicada sobre sistemas aislados seguirá trabajando con información aislada. Por eso el futuro de la historia clínica probablemente no dependa de una única tecnología revolucionaria, sino de conseguir que varias piezas funcionen juntas.

Durante las últimas décadas convertimos una enorme proporción de la medicina en datos. El desafío de la próxima etapa será conseguir que esos datos vuelvan a convertirse en una historia coherente y que, detrás de ella, podamos volver a ver al paciente.


Bibliografía

  1. Ley 26.529. Derechos del Paciente en su Relación con los Profesionales e Instituciones de la Salud. República Argentina.
  2. Ley 27.706. Programa Federal Único de Informatización y Digitalización de Historias Clínicas de la República Argentina. República Argentina.
  3. Ministerio de Salud de la Nación. Red Nacional de Salud Digital.
  4. Ministerio de Salud de la Nación. Receta electrónica y Registro Nacional de Plataformas Digitales Sanitarias.
  5. Health Level Seven International. FHIR — Fast Healthcare Interoperability Resources.
  6. Liu TL, Hetherington TC, Stephens C, et al. AI-Powered Clinical Documentation and Clinicians’ Electronic Health Record Experience: A Nonrandomized Clinical Trial. JAMA Network Open. 2024;7(9):e2432460.
  7. You JG, Dbouk RH, Landman A, et al. Ambient Documentation Technology in Clinician Experience of Documentation Burden and Burnout. JAMA Network Open. 2025;8(8):e2528056.
  8. National Institute of Standards and Technology. HL7 AI Transparency on Fast Healthcare Interoperability Resources (FHIR).
  9. OpenEMR Project. OpenEMR API / FHIR documentation.

Cuando el paciente consulta primero a la IA: ¿quién tiene la última palabra?

Paciente consulta una inteligencia artificial en su teléfono durante una consulta médica, representando la relación entre IA y médico-paciente.

Los pacientes ya utilizan inteligencia artificial para interpretar síntomas, revisar análisis, entender informes médicos y decidir si deberían consultar. Al mismo tiempo, el estado de Utah comenzó a experimentar con sistemas capaces de intervenir en renovaciones e incluso en algunas primeras prescripciones de medicamentos. Más que anunciar el reemplazo del médico, estos cambios plantean una pregunta diferente: ¿qué ocurre con la relación médico-paciente cuando una inteligencia artificial ya participó de la consulta antes de que el paciente entre al consultorio?

Durante años se volvió habitual que un paciente comenzara una consulta diciendo que había buscado sus síntomas en Google. Ahora aparece con creciente frecuencia una situación algo diferente: antes de consultar, la persona mantuvo una conversación con una inteligencia artificial, describió lo que le sucede, incorporó antecedentes, copió resultados de laboratorio o informes de imágenes y obtuvo una explicación organizada acerca de lo que podría estar ocurriendo.

La diferencia con una búsqueda tradicional no es menor. Un buscador ofrece páginas que el usuario debe seleccionar, comparar e interpretar; una inteligencia artificial conversa, recuerda lo dicho durante el intercambio, reformula una explicación si no fue comprendida y puede construir una hipótesis aparentemente coherente a partir de información dispersa. El paciente puede llegar entonces al consultorio no solamente con información, sino con una interpretación previa de su enfermedad y, en ocasiones, con una pregunta inevitable: «La IA me dijo que podría ser esto, ¿por qué usted piensa otra cosa?». En ese momento la IA deja de funcionar solamente como una fuente de información y empieza a ocupar, para el paciente, un lugar próximo al de una segunda opinión informal. Ese desplazamiento de autoridad es probablemente el cambio más importante: no sólo importa si la respuesta es correcta, sino cuánto peso se le concede antes de encontrarse con el médico.

La pregunta puede incomodar al médico, pero probablemente describa bastante bien una de las transformaciones que comenzaremos a ver con mayor frecuencia. La inteligencia artificial en la consulta médica no está modificando solamente el modo en que accedemos a información médica; también está alterando el punto de partida de la conversación entre el profesional y el paciente.

Utah: cuando la pregunta deja de ser solamente teórica

Ese desplazamiento de autoridad no ocurre solamente del lado de los pacientes. Es estado norteamericano de Utah comenzó a explorar, dentro de un regulatory sandbox, hasta qué punto determinados componentes del acto médico pueden delegarse a sistemas de inteligencia artificial bajo protocolos limitados, temporales y auditados. No se trata de una autorización general para que una IA ejerza medicina, sino de experimentos concretos que obligan a formular una pregunta que también aparece en el consultorio: ¿cuánto juicio médico estamos dispuestos a confiar a una máquina? [1]

Doctronic representa el ejemplo más conservador: interviene en renovaciones de tratamientos ya indicados. Puede procesar solicitudes correspondientes a medicamentos previamente prescriptos, pero no iniciar un tratamiento nuevo, modificar una dosis ni utilizar determinados medicamentos controlados. Lo relevante para este artículo es que el piloto continúa en su primera fase: cada solicitud requiere aprobación de un profesional médico y cualquier avance hacia una mayor autonomía necesita autorización expresa del regulador. [1,2]

La reacción del Utah Medical Licensing Board mostró justamente dónde aparece el conflicto. Once de sus catorce miembros recomendaron suspender el programa mientras se discutían sus implicancias, recordando que renovar una receta también puede ser una oportunidad para revisar efectos adversos, interacciones o cambios clínicos. La discusión, por lo tanto, no se limita a saber si el algoritmo puede hacerlo, sino a decidir qué parte del juicio médico puede delegarse y quién responde por la decisión. [3]

El límite comenzó a moverse un poco más cuando Utah autorizó un piloto capaz de intervenir también en determinadas primeras prescripciones. El caso es Nolla Health, activo desde el 5 de octubre de 2026: su sistema puede evaluar fotografías de adultos con acné leve o moderado y emitir primeras prescripciones o renovaciones para un conjunto limitado de tratamientos tópicos. El protocolo excluye, entre otras situaciones, acné grave, embarazo, lactancia e inmunosupresión. Tampoco estamos todavía frente a una prescripción completamente autónoma: durante la primera etapa, dos médicos habilitados en Utah revisan cada receta antes de que llegue a la farmacia, y cualquier reducción posterior de esa supervisión requiere autorización estatal. [1]

Lo relevante de Utah no es anunciar que la IA haya reemplazado al médico, sino mostrar que la cuestión de su autoridad clínica dejó de ser puramente teórica. Allí esa pregunta se intenta responder mediante protocolos, supervisión y auditorías; fuera de esos entornos regulados, en cambio, los pacientes ya realizan un experimento mucho más amplio cada vez que consultan a una IA antes de decidir si necesitan atención, antes de interpretar un estudio o antes de contrastar su explicación con la del profesional.

La consulta médica empieza antes de llegar al consultorio

Mientras los organismos regulatorios debaten estas experiencias, los pacientes ya están llevando adelante una transformación mucho más amplia y difícil de controlar. Un estudio publicado en Nature Health en 2026 analizó más de 500.000 conversaciones desidentificadas relacionadas con salud realizadas mediante Microsoft Copilot durante enero de ese año. Casi una de cada cinco incluía evaluación de síntomas personales o discusión de una posible enfermedad, y las consultas personales aumentaban durante la tarde y la noche, precisamente cuando disminuye el acceso habitual a profesionales sanitarios. [4]

Estos datos no permiten afirmar que una proporción determinada de la población utilice inteligencia artificial para autodiagnosticarse, porque analizan conversaciones dentro de una plataforma concreta y no una muestra representativa de usuarios. Sin embargo, muestran con claridad para qué se están utilizando estos sistemas: los pacientes no preguntan únicamente definiciones médicas, sino que describen síntomas, evalúan enfermedades posibles, buscan orientación y tratan de comprender qué deberían hacer a continuación.

Una revisión de alcance publicada en Journal of Medical Internet Research en septiembre de 2026 llegó a una conclusión compatible después de analizar 27 investigaciones empíricas. Entre las razones que favorecen el uso de inteligencia artificial para obtener información sanitaria aparecen la disponibilidad, la claridad de las explicaciones, la personalización y la posibilidad de recibir respuestas adaptadas a la pregunta concreta. Las principales barreras fueron, en cambio, las dudas sobre credibilidad, exactitud, confianza y facilidad para verificar las fuentes utilizadas. [5]

Esto ayuda a comprender por qué la comparación con el antiguo «Dr. Google» empieza a quedarse corta. La persona que busca información en Internet debe recorrer páginas diferentes y reconstruir por su cuenta una explicación. El chatbot puede integrar toda esa información dentro de una única conversación, responder preguntas sucesivas y adaptar el lenguaje al usuario, con una sensación de continuidad que se parece bastante más a una consulta que a una búsqueda.

¿Los pacientes están poniendo a prueba a sus médicos?

Una consecuencia previsible es que algunos pacientes utilicen la respuesta de la inteligencia artificial como una segunda opinión informal. Un estudio de métodos mixtos publicado en agosto de 2026 analizó específicamente esta situación en personas de China que habían utilizado IA generativa para interpretar síntomas o realizar una primera evaluación de su problema. Los participantes describieron una especie de «zona gris» previa a la consulta, en la que utilizaban estas herramientas para evaluar la gravedad aparente de sus síntomas, preparar preguntas y comprender posteriormente las explicaciones del médico. En la parte cuantitativa del estudio, una mejor valoración de la información proporcionada por la IA se asoció con mayor participación del paciente y, a través de una mejor comprensión o validación del diagnóstico, con mayor confianza en el médico. [6]

Conviene no convertir esas asociaciones en relaciones causales, porque se trató de un estudio observacional y realizado en un contexto cultural determinado. Sin embargo, resulta significativo que los datos no apoyen necesariamente la idea de una competencia permanente entre médico e inteligencia artificial. La IA también puede funcionar como intermediario informativo, especialmente cuando ayuda al paciente a comprender conceptos que durante una consulta breve pudieron quedar poco claros.

Otro estudio realizado en Polonia aporta el lado opuesto del fenómeno. En una encuesta en línea de 2026, 519 participantes informaron haber utilizado inteligencia artificial antes de una posible consulta médica y el 82,5% respondió negativamente cuando se les preguntó si habían comunicado ese uso al profesional. Los propios autores advierten que el estudio no confirmó que todos hubiesen efectivamente concretado la consulta, por lo que ese porcentaje no debe interpretarse como una tasa real de ocultamiento durante encuentros médicos. Aun con esa limitación, entre las razones declaradas para no mencionarlo aparecieron el temor a una reacción negativa del médico y la preocupación por poner en cuestión su autoridad. [7]

Paradójicamente, un ensayo aleatorizado anterior con un chequeador de síntomas encontró que los médicos casi nunca informaban que su autoridad hubiese sido cuestionada: ocurrió en el 1,1% de los pacientes que utilizaron la aplicación y en el 2,2% del grupo control. La impresión de que los pacientes inevitablemente llegan a «desafiar» al médico puede ser, por lo tanto, mucho mayor que la evidencia disponible. [8]

Una buena respuesta escrita no equivale a una buena consulta médica

Parte de la fascinación por estas herramientas se explica porque algunas respuestas son realmente buenas. En un conocido estudio publicado en JAMA Internal Medicine en 2023, profesionales sanitarios evaluaron 195 intercambios procedentes de un foro público y prefirieron las respuestas generadas por ChatGPT frente a las escritas por médicos en el 78,6% de las evaluaciones. Las respuestas del chatbot también recibieron puntuaciones superiores de calidad y empatía. [9]

El hallazgo fue importante, aunque muchas veces se lo interpretó más allá de lo que el estudio permitía concluir. Los investigadores compararon textos escritos frente a una pregunta ya formulada; no compararon consultas médicas completas, no evaluaron examen físico, seguimiento, solicitud de estudios ni resultados clínicos. Además, las respuestas del chatbot eran considerablemente más extensas que las de los médicos, algo que puede influir sobre la percepción de detalle y empatía.

Los modelos generativos pueden producir explicaciones claras, extensas y comunicativamente atractivas, lo que abre posibilidades interesantes para educación y comunicación sanitaria. Sin embargo, producir una respuesta convincente cuando toda la información ya está disponible es solamente una parte del razonamiento clínico. Antes de responder correctamente es necesario determinar qué información falta, cuál es relevante y qué preguntas deben hacerse para obtenerla.

En ese punto aparece una diferencia fundamental entre responder una consulta escrita y atender a una persona. El profesional no solamente recibe información: dirige la anamnesis, identifica contradicciones, observa signos que el paciente puede no considerar importantes, realiza un examen físico, integra antecedentes y utiliza la evolución temporal de los síntomas para modificar las probabilidades diagnósticas.

El problema puede no estar en lo que sabe la IA, sino en lo que el paciente consigue contarle

Un ensayo preregistrado publicado en Nature Medicine en febrero de 2026 mostró de manera particularmente clara esta diferencia. Los investigadores evaluaron a 1.298 participantes frente a diez escenarios médicos, comparando la asistencia de GPT-4o, Llama 3 y Command R+ con la posibilidad de utilizar recursos convencionales. Cuando los modelos recibían directamente toda la información de los casos, identificaban correctamente condiciones relevantes en el 94,9% de las ocasiones. Sin embargo, cuando eran personas reales quienes debían interactuar con esos mismos modelos, identificaban una condición relevante en menos del 34,5% de los casos y elegían adecuadamente la conducta a seguir en menos del 44,2%. Los participantes asistidos por los modelos no obtuvieron mejores resultados que el grupo control. [10]

El dato es particularmente importante porque muestra que las pruebas tradicionales pueden sobreestimar la utilidad clínica real de una inteligencia artificial. Un modelo puede resolver perfectamente una viñeta estructurada y fracasar cuando debe obtener la información necesaria mediante una conversación con alguien que no sabe qué elementos son importantes para el diagnóstico.

Otro experimento preregistrado publicado en Nature Health durante 2026 profundizó esta cuestión. Quinientos participantes debían describir síntomas simulados de enfermedades frecuentes y fueron asignados a creer que estaban comunicándose con un chatbot o con un médico. Los informes de quienes creían estar hablando con la IA fueron aproximadamente un 8% menos adecuados para una evaluación inicial de urgencia, un resultado que posteriormente también fue confirmado mediante evaluación de médicos. [11]

La anamnesis, por lo tanto, no consiste simplemente en escuchar la historia que alguien decide contar. Una parte esencial del trabajo médico consiste en descubrir qué información todavía no fue mencionada y formular la pregunta que permita obtenerla. Ésa puede ser una de las limitaciones más importantes de los chatbots utilizados de manera espontánea para autodiagnóstico.

Chequeadores de síntomas: pueden ayudar, pero no todos sirven para lo mismo

Los chequeadores de síntomas existen desde mucho antes de la actual generación de modelos lingüísticos y su historia obliga a ser prudentes. Una revisión sistemática publicada en 2023 encontró una gran variabilidad entre herramientas, con precisión diagnóstica generalmente baja y resultados también heterogéneos para el triaje. Los propios autores concluyeron que la evidencia disponible todavía no justificaba asumir que estas aplicaciones fueran suficientemente precisas para una adopción generalizada sin validación adicional. [12]

La nueva generación de sistemas conversacionales puede modificar parte de ese panorama. Un ensayo publicado el 5 de octubre de 2026 en Nature Health asignó aleatoriamente a 2.400 adultos sin formación médica a utilizar un chatbot especializado en patología respiratoria basado en GPT-4o o búsquedas convencionales en Internet para resolver casos simulados. En el análisis principal, el grupo que utilizó el chatbot obtuvo una precisión global estimada del 70,0%, frente al 55,4% del grupo que utilizó búsquedas web. La ventaja fue más evidente para reconocimiento diagnóstico que para decisiones de triaje y, como correctamente señalan los autores, se trató de escenarios simulados: el estudio no demuestra todavía que utilizar ese sistema reduzca errores diagnósticos, internaciones o complicaciones en pacientes reales. [13]

Esto obliga a abandonar una pregunta demasiado general como «¿funcionan los chequeadores de síntomas?». La respuesta dependerá de qué herramienta se utilice, con qué objetivo, en qué población y para qué tipo de problema. Una inteligencia artificial puede resultar muy útil para explicar qué significa un término de un informe, organizar antecedentes, preparar preguntas para una consulta o reconocer determinados signos de alarma; es mucho más riesgoso convertir esa capacidad en la certeza de que puede responder confiablemente «qué enfermedad tengo».

Entre la tranquilidad y la ansiedad: el problema de buscar certeza sin límite

Existe además una dimensión psicológica que no debería subestimarse. Una inteligencia artificial está disponible a cualquier hora, acepta preguntas sucesivas y puede continuar explorando una preocupación prácticamente sin límite. Para una persona que busca comprender un problema esto puede ser tranquilizador, pero para otra que intenta obtener certeza absoluta acerca de una enfermedad puede transformarse en un circuito de comprobación permanente.

La evidencia disponible no permite afirmar que los chequeadores de síntomas necesariamente aumenten la ansiedad. En un ensayo multicéntrico aleatorizado publicado en 2025, pacientes de baja complejidad que consultaban servicios de urgencias utilizaron el chequeador de síntomas Ada antes de encontrarse con el médico. La ansiedad media no aumentó significativamente en comparación con la atención habitual y tampoco se deterioraron la confianza ni la satisfacción con la relación médico-paciente. Sin embargo, el efecto individual fue heterogéneo: el 35,2% informó mayor ansiedad después de utilizar la aplicación, mientras que el 26,1% presentó una disminución superior a cinco puntos en la escala utilizada. [8]

Los chatbots generativos incorporan además una característica que los chequeadores tradicionales no tenían con la misma intensidad: permiten repreguntar indefinidamente alrededor de una posibilidad poco probable. Una persona puede comenzar consultando por cefalea, recibir una lista razonable de diagnósticos posibles y concentrarse después en la alternativa más grave. A partir de allí puede preguntar por sus síntomas iniciales, sus formas atípicas, la posibilidad de que un estudio normal no la descarte y cualquier otro elemento que mantenga abierta la hipótesis. La conversación puede terminar construyendo una narrativa cada vez más centrada en una enfermedad que originalmente era poco probable.

Un artículo de perspectiva publicado en npj Digital Medicine en 2026 propone precisamente que la disponibilidad constante y la capacidad de brindar respuestas tranquilizadoras podrían, en personas predispuestas a determinados trastornos de ansiedad o conductas compulsivas de comprobación, reforzar ciclos de búsqueda repetitiva de certeza. Los autores presentan un modelo teórico basado en mecanismos conocidos de ansiedad y trastorno obsesivo-compulsivo; no demuestran que los chatbots provoquen estos trastornos ni permiten estimar con qué frecuencia ocurre ese fenómeno. [14]

A esta incertidumbre psicológica se suma un problema de seguridad más directo. Un estudio de red teaming dirigido por médicos evaluó 888 respuestas producidas por cuatro chatbots a 222 preguntas médicas planteadas desde la perspectiva de pacientes. Dependiendo del modelo, entre el 21,6% y el 43,2% de las respuestas fueron consideradas problemáticas, y entre el 5% y el 13% se clasificaron como inseguras. Esto no significa que una proporción equivalente de todas las respuestas médicas que producen los chatbots sea peligrosa, porque el estudio fue diseñado específicamente para detectar fallas, pero demuestra que una respuesta fluida y convincente no garantiza seguridad clínica. [15]

La relación médico-paciente no desaparece, pero probablemente tenga que cambiar

Durante mucho tiempo la medicina estuvo basada en una gran asimetría de información. El paciente describía lo que sentía y el profesional disponía de conocimientos y recursos difíciles de obtener fuera del sistema sanitario. Internet redujo esa distancia y la inteligencia artificial puede reducirla todavía más porque no solamente proporciona información, sino que la interpreta, resume y adapta al lenguaje de cada persona.

Esto no tiene por qué deteriorar la relación médico-paciente. El paciente que comprende mejor su enfermedad puede participar con más criterio en una decisión compartida, recordar preguntas importantes y reconocer mejor las incertidumbres del tratamiento. El conflicto aparece cuando una respuesta probabilística se interpreta como diagnóstico, cuando una explicación aparentemente precisa fue construida con información incompleta o cuando el médico percibe toda consulta previa a una IA como una amenaza a su autoridad.

Probablemente resulte más útil incorporar esa información a la consulta. Preguntar «¿buscaste información sobre esto o se lo consultaste a alguna inteligencia artificial?» puede convertirse en una parte razonable de la anamnesis, del mismo modo que preguntamos qué medicamentos utiliza una persona o qué opinión recibió de otro profesional. Saber qué diagnóstico teme el paciente, qué explicación recibió y qué información proporcionó al chatbot permite comprender mejor desde dónde comienza la conversación.

La inteligencia artificial también eleva las expectativas. Un chatbot responde inmediatamente, puede explicar una misma cuestión cinco veces con palabras diferentes y nunca parece apurado. Frente a sistemas sanitarios con consultas breves y profesionales sobrecargados, esa disponibilidad puede resultar subjetivamente más satisfactoria incluso cuando la información no sea clínicamente superior. El desafío para la medicina, por lo tanto, no consistirá simplemente en demostrar que el médico conoce más datos, sino en preservar aquello que convierte la información en atención clínica: obtener una historia adecuada, examinar, interpretar el contexto, reconocer incertidumbre, decidir cuándo intervenir y asumir responsabilidad por las consecuencias.

Utah está explorando hasta dónde una inteligencia artificial puede participar formalmente de decisiones que antes estaban reservadas al profesional, mientras millones de interacciones informales entre pacientes y sistemas generativos ya están modificando el camino que conduce hasta la consulta. Quizás por eso la pregunta del futuro no sea si debemos creerle al médico o a la inteligencia artificial. Será aprender para qué puede ser útil cada uno, cuáles son los límites de sus respuestas y quién debe asumir finalmente la responsabilidad cuando una decisión afecta la salud de una persona.


Bibliografía

  1. Utah Department of Commerce, Office of Artificial Intelligence Policy. Authorized AI Pilots. Estado y condiciones de los programas Doctronic, August AI y Nolla Health. Consultado el 7 de octubre de 2026.
  2. Utah Department of Commerce, Office of Artificial Intelligence Policy. Doctronic AI Regulatory Mitigation Agreement. Documentación oficial del piloto y sus fases de supervisión.
  3. Utah Medical Licensing Board. Letter regarding Doctronic AI Regulatory Mitigation Pilot. 20 de abril de 2026.
  4. Costa-Gomes B, Tolmachev P, Taysom E, et al. Public use of a generalist LLM chatbot for health queries. Nature Health. 2026;1:689-696. doi:10.1038/s44360-026-00117-x.
  5. Alon L, Levkovich I. Consumer and Patient Health Information Seeking With Generative AI Tools: Scoping Review of Facilitators and Barriers. J Med Internet Res. 2026;28:e93944. doi:10.2196/93944.
  6. Ding W, Wang J. Generative Artificial Intelligence (AI)–Assisted Self-Diagnosis and the Patient-Physician Relationship: Mixed Methods Study of Calibration, Participation, and Trust. J Med Internet Res. 2026;28:e95072. doi:10.2196/95072.
  7. Wójcik S, Rulkiewicz A, Domienik-Karłowicz J. Generative AI use before medical visits: disclosure-item responses, trust, and care-seeking behaviors in a cross-sectional social-media survey in Poland. Front Digit Health. 2026;8:1933451. doi:10.3389/fdgth.2026.1933451.
  8. Schmieding ML, Kopka M, Bolanaki M, et al. Impact of a Symptom Checker App on Patient-Physician Interaction Among Self-Referred Walk-In Patients in the Emergency Department: Multicenter, Parallel-Group, Randomized, Controlled Trial. J Med Internet Res. 2025;27:e64028. doi:10.2196/64028.
  9. Ayers JW, Poliak A, Dredze M, et al. Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Intern Med. 2023;183(6):589-596. doi:10.1001/jamainternmed.2023.1838.
  10. Bean AM, Payne RE, Parsons G, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nature Medicine. 2026;32:609-615. doi:10.1038/s41591-025-04074-y.
  11. Reis M, Reis F, Kim YJ, et al. Reduced symptom reporting quality during human-chatbot versus human-physician interactions. Nature Health. 2026. doi:10.1038/s44360-026-00116-y.
  12. Riboli-Sasco E, El-Osta A, Alaa A, et al. Triage and Diagnostic Accuracy of Online Symptom Checkers: Systematic Review. J Med Internet Res. 2023;25:e43803. doi:10.2196/43803.
  13. Liang J, Wang Y, Ni J, et al. Accuracy of a respiratory assessment chatbot in a nationwide messaging system for layperson diagnosis and triage: a randomized preregistered study. Nature Health. 2026. doi:10.1038/s44360-026-00189-9.
  14. Golden A, Aboujaoude E. A transdiagnostic model for how general purpose AI chatbots can perpetuate OCD and anxiety disorders. npj Digital Medicine. 2026;9:343. doi:10.1038/s41746-026-02531-7.
  15. Draelos RL, Afreen S, Blasko B, et al. Large language models provide unsafe answers to patient-posed medical questions. npj Digital Medicine. 2026;9:241. doi:10.1038/s41746-026-02428-5.