
La Administración de Alimentos y Medicamentos de Estados Unidos (FDA) anunció el 30 de septiembre de 2025 una consulta pública sobre cómo medir el rendimiento real de los dispositivos médicos que incorporan inteligencia artificial. El organismo parte de un problema cada vez más importante: una prueba retrospectiva o un benchmark estático puede indicar cómo funcionó un sistema con datos seleccionados, pero no garantiza que conserve su seguridad y eficacia cuando cambian los pacientes, los hospitales, los equipos o la práctica clínica.
La consulta no es una norma nueva ni una guía definitiva. Buscaba información sobre métodos que ya se utilizan a escala, evidencia obtenida durante el uso clínico y formas de detectar desviaciones en entradas y resultados. Este antecedente se puede comparar con un marco publicado por Google for Health que separa tres dimensiones: precisión, seguridad y utilidad. Juntas ofrecen una idea más completa que un único porcentaje de acierto. Este artículo explica qué debe medirse, por qué la supervisión continúa después del despliegue y qué límites debe entender cualquier persona que utilice herramientas generativas para resolver dudas de salud.
Qué pide la FDA y qué no está decidiendo todavía
La FDA solicita comentarios a desarrolladores, profesionales, pacientes, hospitales, investigadores y otros participantes del sector. Quiere conocer enfoques prácticos para observar el comportamiento de dispositivos médicos con inteligencia artificial después de su despliegue. La petición incluye tecnologías generativas, pero no propone por sí misma requisitos regulatorios nuevos.
El documento centra la conversación en el rendimiento en condiciones reales. Pregunta cómo identificar cambios en los datos de entrada y salida, qué señales permiten descubrir una pérdida de calidad y qué métodos cuentan con evidencia clínica. También muestra interés por sistemas ya desplegados a escala y por situaciones en las que el resultado llega directamente al paciente o ayuda a un profesional sanitario.
La distinción entre consulta y regulación evita una conclusión precipitada. No se ha aprobado un sistema único de vigilancia ni se ha decidido qué métrica será obligatoria. Las respuestas podrán orientar trabajos posteriores, pero su publicación no convierte ninguna propuesta en estándar oficial.
Por qué un benchmark no basta en medicina
Un benchmark utiliza un conjunto definido de preguntas, imágenes o casos y compara la respuesta del sistema con una referencia. Es útil para establecer una línea de base y repetir pruebas en condiciones controladas. Sin embargo, la realidad clínica contiene variaciones que el conjunto puede no representar: edades, idiomas, enfermedades simultáneas, equipos de diferentes fabricantes, protocolos locales y cambios en la prevalencia de una patología.
También existe el riesgo de que el modelo se ajuste de forma directa o indirecta al examen. Obtener una puntuación alta no demuestra que entienda todos los casos ni que sepa reconocer cuándo carece de información. En salud, una respuesta convincente pero equivocada puede retrasar una consulta, ocultar una urgencia o inducir a combinar tratamientos de forma peligrosa.
La evaluación debe vincularse al uso previsto. Un sistema que resume notas clínicas necesita pruebas distintas a otro que detecta una lesión en una imagen o prioriza pacientes. La misma salida puede ser aceptable como borrador revisado por un profesional e inaceptable si se entrega automáticamente como diagnóstico.
Las tres dimensiones: precisión, seguridad y utilidad
Google for Health publicó el 4 de noviembre de 2026 un marco de evaluación elaborado con especialistas externos. Combina preguntas cerradas, evaluadores automáticos y revisión humana experta para examinar escenarios comunes y de riesgo elevado. Sus tres ejes ayudan a evitar que una cifra esconda fallos relevantes.
Precisión: si la información es correcta
La precisión compara afirmaciones, cálculos o clasificaciones con referencias clínicas aceptadas. Debe medir tanto aciertos como omisiones. Una respuesta puede no contener un dato falso y aun así ser insuficiente porque no menciona una contraindicación, una señal de alarma o la necesidad de realizar otra prueba.
En preguntas abiertas, dos respuestas correctas pueden usar palabras diferentes. Por eso la evaluación automática sirve para escalar, pero necesita muestras revisadas por profesionales. También conviene registrar la incertidumbre: un sistema fiable debería indicar cuándo los datos no permiten una conclusión y pedir información adicional en lugar de completar huecos.
Seguridad: si reduce el riesgo de daño
La seguridad no se limita a bloquear una palabra. Examina si el sistema reconoce urgencias, evita instrucciones peligrosas, protege datos personales y mantiene su comportamiento ante preguntas ambiguas o manipuladas. También importa cómo deriva al usuario: decir «consulta a un médico» en todas las respuestas puede ser prudente, pero resulta poco útil; no advertir de una emergencia es mucho peor.
Los casos de baja frecuencia y consecuencias graves necesitan una atención específica. Un promedio alto puede ocultar fallos en alergias, embarazo, interacciones farmacológicas o síntomas que requieren asistencia inmediata. La evaluación debe ponderar la gravedad, no solo contar errores.
Utilidad: si ayuda en el contexto real
Una respuesta exacta puede ser demasiado técnica, extensa o difícil de aplicar. La utilidad considera claridad, relevancia, carga de trabajo y efecto sobre la decisión. Para un profesional, un resumen debe ahorrar tiempo sin ocultar evidencia crítica. Para un paciente, el lenguaje tiene que ser comprensible y evitar una falsa sensación de diagnóstico.
Esta dimensión exige observar el flujo completo. Si el sistema produce muchos avisos irrelevantes, el equipo puede dejar de atenderlos. Si obliga a comprobar cada frase desde cero, quizá no reduzca trabajo. La utilidad, por tanto, se mide con resultados y comportamiento humano, no únicamente con la calidad lingüística.
Qué es la desviación de rendimiento
La desviación aparece cuando el comportamiento cambia respecto a la validación inicial. Puede deberse a nuevos equipos, variaciones demográficas, modificaciones en la documentación, cambios de idioma o una actualización del propio modelo. En un hospital, incluso una reforma del formulario puede alterar las entradas que recibe el sistema.
La FDA pregunta específicamente por estrategias para detectar cambios en entradas y salidas. Una vigilancia útil puede combinar distribución de datos, tasas de error confirmadas, desacuerdos con profesionales, anulaciones de recomendaciones, incidentes y resultados clínicos. Ninguna señal aislada demuestra la causa, pero varias permiten identificar dónde investigar.
La comparación debe conservar una referencia temporal y segmentarse. Un promedio estable puede esconder un deterioro en una población pequeña. Por eso conviene analizar rendimiento por edad, sexo, idioma, centro o dispositivo cuando sea clínicamente apropiado y compatible con la privacidad.
La revisión humana no es una etiqueta decorativa
Decir que existe «supervisión humana» solo tiene valor si la persona dispone de tiempo, información y autoridad para corregir el resultado. Un profesional que recibe cientos de alertas o una recomendación sin explicación puede aceptar por inercia. El diseño debe mostrar la fuente de los datos, la incertidumbre, los límites y los cambios realizados por el sistema.
También hay que medir el desempeño conjunto. Un modelo puede mejorar una métrica aislada y empeorar el proceso si aumenta retrasos o distrae de señales importantes. Las pruebas deberían comparar la decisión del profesional sin ayuda, con ayuda y después de aprender a utilizarla.
La responsabilidad sigue siendo humana e institucional. Una herramienta no debe utilizarse fuera de su finalidad validada solo porque responde con fluidez. Los protocolos necesitan definir quién revisa, qué ocurre ante desacuerdo y cuándo se suspende el sistema.
Privacidad y trazabilidad de los datos sanitarios
Los datos de salud son especialmente sensibles. Una evaluación rigurosa necesita ejemplos reales, pero debe limitar accesos, aplicar minimización y registrar quién consulta la información. Los datos utilizados para vigilar el rendimiento no deberían convertirse automáticamente en material para entrenar otros sistemas.
La trazabilidad permite reconstruir qué versión generó una salida, con qué configuración y qué datos recibió. Sin ella es difícil investigar un incidente o saber si un cambio corrigió el problema. También conviene conservar los criterios de evaluación, no solo el resultado final.
Para usuarios generales, la regla práctica es no introducir nombres, informes completos, números identificativos ni otros datos innecesarios en una herramienta abierta. Nuestra guía sobre datos que nunca deberías compartir en ChatGPT explica cómo reducir la exposición antes de formular una consulta.
Evaluadores automáticos: útiles, pero no independientes
Un modelo puede revisar miles de respuestas con rapidez y marcar contradicciones o categorías de riesgo. Eso permite repetir pruebas cada vez que cambia el sistema. Sin embargo, un evaluador automático comparte límites con los modelos que analiza: puede favorecer un estilo, pasar por alto un error especializado o interpretar como correcta una respuesta persuasiva.
La solución no es abandonar la automatización, sino calibrarla. Se selecciona una muestra, especialistas la revisan y se compara el criterio humano con el automático. Los desacuerdos revelan qué categorías necesitan nuevas instrucciones o revisión manual permanente.
Este método se aplica fuera de la medicina. En nuestra guía para comprobar la calidad de respuestas de inteligencia artificial detallamos cómo crear ejemplos, criterios y revisiones antes de incorporar una salida a un proceso real.
Qué debería publicar un proveedor
La transparencia útil no consiste en afirmar que el sistema es «seguro». Debe describir su finalidad, población, datos de prueba, métricas, intervalos de confianza, fallos conocidos y condiciones en las que no debe utilizarse. También debería indicar con qué frecuencia se reevalúa y cómo se comunican los cambios.
Los resultados necesitan desgloses. Una puntuación global puede ocultar diferencias por idioma o grupo. Cuando una limitación no puede resolverse, debe aparecer en la documentación y en el diseño de uso. Publicar solo ejemplos favorables impide que profesionales y pacientes valoren el riesgo.
La Organización Mundial de la Salud insiste en definir claramente el caso de uso, validar el rendimiento analítico y clínico y evaluar sesgos o discriminación. Su informe de julio de 2026 añade que la investigación sanitaria con inteligencia artificial requiere supervisión ética, protección de derechos y atención a desigualdades entre países.
Cómo usar una herramienta generativa ante una duda de salud
Una herramienta general puede ayudar a traducir términos, preparar preguntas para una consulta o resumir información pública. No debe sustituir la evaluación de síntomas urgentes, modificar medicación ni confirmar un diagnóstico. El usuario tampoco conoce normalmente qué versión ha sido validada para un caso clínico concreto.
Un proceso prudente comienza eliminando datos identificativos, explicando que se busca información general y pidiendo fuentes. Después hay que contrastar la respuesta con organismos sanitarios o documentación profesional. Si existen síntomas graves, empeoramiento rápido o dudas sobre un tratamiento, la acción adecuada es contactar con un servicio sanitario.
Aprender conceptos generales puede mejorar la calidad de las preguntas. Nuestro análisis de Domina la IA y su temario práctico revisa una formación introductoria, mientras que la Guía IA para Freelancers muestra cómo adaptar plantillas sin confundir un prompt con una garantía de exactitud. Ninguno de estos recursos convierte una herramienta general en producto sanitario.
Hechos confirmados, propuestas y límites
Hecho confirmado: la FDA anunció esta petición de comentarios el 30 de septiembre de 2025 y fijó el cierre del plazo el 1 de diciembre de 2025. Es un antecedente para evaluar dispositivos médicos con inteligencia artificial, no una consulta nueva abierta en noviembre de 2026.
Alcance confirmado: la consulta busca métodos y evidencia; no implanta una política nueva ni constituye una guía definitiva.
Propuesta metodológica: Google for Health recomienda combinar precisión, seguridad y utilidad mediante benchmarks, evaluadores automáticos y revisión experta.
Límite: los marcos de una empresa ayudan a comparar sistemas, pero no sustituyen una validación clínica independiente ni los requisitos de cada regulador.
Predicción razonable: la vigilancia posterior al despliegue tendrá más peso a medida que aumenten los dispositivos que cambian o reciben actualizaciones. La forma concreta de esa vigilancia todavía está en discusión.
Conclusión: evaluar durante todo el ciclo de vida
La consulta de la FDA desplaza la pregunta desde «¿aprobó el examen?» hacia «¿sigue funcionando de forma segura con pacientes reales?». Esa diferencia es esencial. Los datos cambian, los modelos se actualizan y los procesos clínicos evolucionan. Una validación inicial ofrece una fotografía; la vigilancia muestra la película.
La precisión sigue siendo necesaria, pero no suficiente. La seguridad debe considerar gravedad y poblaciones vulnerables; la utilidad debe comprobar el efecto en decisiones y carga de trabajo; y la trazabilidad debe permitir investigar cada incidente. La inteligencia artificial sanitaria merece evaluación continua, evidencia segmentada y supervisión con capacidad real de detener el sistema. La fluidez de una respuesta nunca debe confundirse con validez clínica.
Corrección del 20 de noviembre de 2026: la consulta de la FDA se anunció el 30 de septiembre de 2025, según su comunicado oficial. Su plazo finalizó el 1 de diciembre de 2025; no se trata de una consulta nueva de noviembre de 2026.
Fuentes oficiales consultadas
- FDA: consulta sobre evaluación real de dispositivos médicos con inteligencia artificial, consulta anunciada el 30 de septiembre de 2025; plazo finalizado el 1 de diciembre de 2025.
- Google for Health: marco de precisión, seguridad y utilidad, 4 de noviembre de 2026.
- OMS: ética y gobernanza de modelos multimodales para salud, 25 de marzo de 2025.
- OMS: revisión ética de investigación sanitaria con inteligencia artificial, 21 de julio de 2026.
