Inteligencia Artificial en Medicina

La resistencia antimicrobiana (RAM) es una de las amenazas más críticas, persistentes y crecientes para la salud global en el siglo XXI. Esta problemática no solo compromete la eficacia de los tratamientos actuales, sino que también aumenta la mortalidad, prolonga las hospitalizaciones y eleva los costos del sistema de salud. Frente a este complejo panorama, los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés), impulsados por avances en inteligencia artificial y aprendizaje automático, emergen como herramientas revolucionarias capaces de asistir a los médicos en distintos niveles de la toma de decisiones terapéuticas. Su mayor potencial se encuentra, hasta ahora, en la selección empírica del tratamiento antibiótico inicial, una fase crítica en el manejo de infecciones severas donde cada hora cuenta. Gracias a su capacidad para procesar grandes volúmenes de información clínica y microbiológica en tiempo real, los LLMs pueden contribuir a decisiones más precisas, rápidas y personalizadas, marcando un cambio de paradigma en la práctica médica contemporánea.

Del antibiograma a la inteligencia aumentada

Tradicionalmente, la selección de un antibiótico se basa en una combinación de la experiencia clínica del médico, el conocimiento de la epidemiología local de los patógenos prevalentes y los resultados obtenidos del antibiograma, una prueba que identifica la sensibilidad de los microorganismos a diferentes agentes antimicrobianos. Este enfoque, aunque ha sido el estándar durante décadas, puede resultar limitado en su alcance. En muchos casos, el proceso es inherentemente lento e incompleto, ya que depende de la disponibilidad oportuna de cultivos microbiológicos y puede verse afectado por la variabilidad en la interpretación clínica. Esta lentitud es especialmente problemática en pacientes críticamente enfermos, como aquellos con sepsis o infecciones nosocomiales severas, donde el tiempo es un factor decisivo. Diversos estudios han demostrado que incluso un retraso de unas pocas horas en la administración del antibiótico adecuado puede aumentar significativamente la mortalidad. Por ello, existe una necesidad urgente de herramientas que agilicen y mejoren la toma de decisiones empíricas, asegurando una cobertura adecuada sin incurrir en el uso indiscriminado de antibióticos de amplio espectro.

Figura. Resistencia a antibioticos (generada con IA)

En diversas investigaciones se destaca cómo los LLMs, entrenados con grandes volúmenes de datos clínicos y microbiológicos, pueden ofrecer recomendaciones antibióticas altamente personalizadas incluso antes de obtener resultados de laboratorio, superando en ocasiones la precisión de médicos expertos en situaciones similares [1].

Decisiones empíricas mejoradas con LLMs

En la práctica clínica, iniciar el antibiótico adecuado de forma oportuna puede ser la diferencia entre la vida y la muerte, especialmente en infecciones graves como la sepsis o la bacteriemia. Sin embargo, la elección inicial del tratamiento suele hacerse de forma empírica, sin contar con resultados de cultivos, y basándose en guías locales o en la experiencia del médico. En este punto, los LLMs y otros enfoques de machine learning están comenzando a cambiar las reglas del juego.

1. Predicción de resistencia antimicrobiana antes del cultivo

Un caso ilustrativo es el estudio de Moran et al. en el Reino Unido [2]. Este grupo empleó el algoritmo XGBoost para predecir la resistencia de cepas de E. coli, Klebsiella pneumoniae y Pseudomonas aeruginosa a distintos antibióticos, utilizando como insumo datos clínicos recolectados en las primeras 48 horas tras la hospitalización. El modelo superó tanto al juicio clínico humano como a herramientas de riesgo convencionales, con un área bajo la curva (AUC) de 0.70. Lo más destacable: este sistema podría integrarse como una herramienta en el punto de atención para recomendar antibióticos antes incluso de que los resultados del laboratorio estén disponibles.

2. Asistencia en infecciones urinarias: selección personalizada

En el contexto ambulatorio, Kanjilal et al. desarrollaron un modelo para infecciones urinarias no complicadas que identificaba si un antibiótico de primera o segunda línea sería efectivo en un caso individual, basándose en datos del historial clínico y prescripciones previas. Este modelo, integrado en un sistema de recomendación, logró reducir tanto la prescripción de antibióticos inadecuados como el uso innecesario de antimicrobianos de amplio espectro [3].

El enfoque se destacó por ofrecer una terapia empírica más estrecha y efectiva, algo crucial para frenar la expansión de resistencias. Además, el sistema resultó útil para médicos no especialistas que enfrentan el dilema de qué antibiótico usar sin esperar 2-3 días a los resultados del laboratorio.

3. Modelos predictivos en unidades de cuidado intensivo (UCI)

En el entorno hospitalario, particularmente en UCI donde predominan bacterias multirresistentes, los algoritmos también muestran su potencial. Feretzakis et al. desarrollaron un modelo con base en algoritmos como Random Forest, k-Nearest Neighbors y redes neuronales, utilizando datos básicos como edad, tipo de muestra y tinción de Gram. Este modelo, sin requerir información genética ni laboratorios sofisticados, logró una AUC de hasta 0.93 en la predicción de resistencia a antibióticos frente a Pseudomonas aeruginosa, Klebsiella pneumoniae y Acinetobacter baumannii [4].

Este resultado demuestra cómo los LLMs y otros algoritmos ML pueden escalar y adaptarse incluso a hospitales con recursos limitados, brindando asistencia de alta precisión con datos simples y accesibles.

4. Recomendaciones de antibiótico basadas en historial clínico previo

Un estudio fascinante llevado a cabo por Yelin et al. en Israel se centró en infecciones urinarias y logró predecir con alta precisión la probabilidad de resistencia antibiótica basándose únicamente en el historial clínico de cada paciente: edad, lugar de residencia (como hogares geriátricos), número de infecciones previas y antibióticos usados anteriormente. El modelo, basado en regresión logística y gradient boosting, logró una AUC entre 0.7 y 0.83 para diferentes antibióticos, y redujo la tasa de prescripciones inadecuadas del 9% al 5% [5].

Aquí los LLMs se convierten en biografías terapéuticas digitales del paciente, anticipando qué antibiótico probablemente fallará y cuál tiene mayor probabilidad de éxito.

¿Por qué es relevante?

Estos modelos no sólo mejoran la elección inicial del antibiótico, sino que también:

• Reducen el uso empírico de antibióticos de amplio espectro, evitando la presión selectiva innecesaria.
• Disminuyen la duración de hospitalización al acortar el tiempo a la terapia efectiva.
• Evitan complicaciones como infecciones por Clostridioides difficile derivadas del uso indiscriminado de antimicrobianos.
• Aumentan la adherencia a programas de optimización antibiótica (ASP) de forma automatizada.

Figura. Prescribiendo antibiotico (generado con IA)

Limitaciones

A pesar de sus beneficios emergentes, los LLMs aplicados a la selección de antibióticos aún enfrentan múltiples desafíos que deben ser cuidadosamente considerados antes de su adopción masiva en entornos clínicos. Uno de los principales obstáculos es la falta de validación externa y reproducibilidad de muchos modelos publicados. La mayoría de estudios disponibles se han desarrollado y probado en una única institución o base de datos, lo que limita su aplicabilidad a otros contextos con diferente carga bacteriana, patrones de resistencia y poblaciones de pacientes.

Otro reto clave es la calidad y heterogeneidad de los datos clínicos. La historia clínica electrónica (EHR) contiene información valiosa, pero no siempre está estructurada ni estandarizada, lo que dificulta su procesamiento por modelos automatizados. Además, muchos registros incluyen sesgos derivados de errores humanos, subregistro de variables clínicas, o desbalances poblacionales que pueden trasladarse al modelo y generar recomendaciones inadecuadas.

La aceptación por parte del personal clínico representa también un desafío importante. A pesar del entusiasmo de algunos equipos por la integración de herramientas inteligentes, existe resistencia por parte de quienes consideran que estas pueden reducir la autonomía profesional o agregar carga de trabajo. Superar esta barrera requiere educación, transparencia en el funcionamiento de los modelos, y evidencia clara de su impacto positivo en resultados clínicos.

Finalmente, es fundamental abordar aspectos éticos y regulatorios. La implementación de LLMs en la práctica médica debe acompañarse de políticas que garanticen la seguridad del paciente, la explicabilidad de las decisiones algorítmicas, y la supervisión médica continua. La opacidad de muchos modelos, especialmente los más complejos, dificulta entender el razonamiento detrás de sus recomendaciones, lo cual puede generar desconfianza o errores si no se utiliza con criterio clínico.

Consideraciones éticas

El uso de modelos de lenguaje de gran escala (LLMs) en la toma de decisiones clínicas plantea una serie de desafíos éticos que deben ser abordados con rigor para garantizar una implementación responsable. En primer lugar, está el tema de la responsabilidad médica: si un modelo recomienda un tratamiento que resulta inadecuado o causa daño, surge la pregunta de quién es el responsable, si el desarrollador del modelo, el centro que lo implementa o el médico que lo aplica. Esta ambigüedad puede poner en riesgo tanto la seguridad del paciente como la confianza en la tecnología.

Otro aspecto central es la transparencia algorítmica. Muchos modelos de IA, especialmente los más sofisticados como los LLMs, operan como «cajas negras», sin que los usuarios clínicos puedan comprender del todo los razonamientos detrás de sus recomendaciones. Esta falta de explicabilidad es especialmente problemática en medicina, donde la toma de decisiones debe ser justificada y defendible, tanto frente al paciente como ante instancias legales o institucionales.

Además, se debe considerar la equidad en el acceso y la no discriminación. Los modelos entrenados con datos que reflejan sesgos históricos —por ejemplo, diferencias en el acceso a tratamientos o diagnóstico según etnia, género o estatus socioeconómico— pueden perpetuar o incluso amplificar estas inequidades si no se corrigen adecuadamente durante el entrenamiento.

Por último, está el tema de la autonomía del paciente y el consentimiento informado. A medida que se integren LLMs en la práctica clínica, será necesario establecer mecanismos claros para informar al paciente sobre el uso de estas tecnologías en su atención y garantizar su derecho a aceptar o rechazar decisiones basadas en IA.

Figura. Aspectos éticos (generadfo con IA)

El diseño e implementación ética de LLMs en salud requiere la participación activa de comités de bioética, expertos en derechos digitales, y profesionales de la salud, así como la creación de marcos normativos que aseguren que la tecnología se use como una herramienta al servicio del bienestar humano, y no como un sustituto acrítico del juicio clínico.

Conclusión

Los modelos de lenguaje basados en inteligencia artificial no son simplemente una curiosidad tecnológica: representan una oportunidad concreta para transformar la medicina personalizada en el manejo de infecciones. Su implementación cuidadosa y crítica puede ser una pieza clave de los programas de optimización antimicrobiana del siglo XXI.

Referencias

1. Didelot X, Pouwels KB. Machine-learning-assisted selection of antibiotic prescription. Nat Med. 2024;30:1033–1034. https://doi.org/10.1038/s41591-019-0517-0
2. Moran E, et al. Towards personalized guidelines: Using machine-learning algorithms to guide antimicrobial selection. J Antimicrob Chemother. 2020;75:2677–2680.
3. Kanjilal S, et al. A decision algorithm to promote outpatient antimicrobial stewardship for uncomplicated urinary tract infection. Sci Transl Med. 2020;12(530):eaay5067.
4. Sakagianni A, et al. Using Machine Learning to Predict Antimicrobial Resistance—A Literature Review. Antibiotics. 2023;12(3):452. https://doi.org/10.3390/antibiotics12030452
5. Yelin I, et al. Personal clinical history predicts antibiotic resistance of urinary tract infections. Nat Med. 2019;25:1143–1152.