Un estudio de Harvard que comparó la precisión diagnóstica de modelos de IA con médicos de urgencias generó un impacto inmediato en la comunidad médica y tech global. Los resultados mostraron que los modelos de IA lograron una mayor precisión en el diagnóstico diferencial de casos de urgencias que los profesionales humanos, incluso en escenarios de alta complejidad clínica.

Más allá del impacto en la medicina, el estudio abre preguntas urgentes para el mundo tech: ¿qué roles nuevos emergen en salud digital?, ¿qué limita realmente la adopción masiva de IA médica?, y ¿cómo se preparan los profesionales de tecnología para trabajar en este sector en Argentina y LATAM?

Los resultados del estudio en detalle

El estudio, reportado por TechCrunch el 3 de mayo de 2026, evaluó a modelos de lenguaje de gran escala (LLMs) entrenados con datos clínicos frente a grupos de médicos en situaciones de urgencias reales. Los modelos de IA demostraron mayor precisión en la generación de diagnósticos diferenciales —la lista de posibles diagnósticos ordenados por probabilidad— en comparación con los grupos de médicos bajo las mismas condiciones de información.

Los investigadores de Harvard fueron cuidadosos en señalar que el contexto importa: los modelos tenían acceso a todos los datos estructurados del caso (historial, síntomas, resultados de laboratorio), mientras que los médicos a veces trabajaban con información incompleta o bajo presión de tiempo adicional. Pero los resultados son estadísticamente significativos y representan un hito en la literatura de IA médica.

¿Cómo funciona la IA médica?

Los sistemas de IA aplicados a diagnóstico médico combinan dos grandes familias de técnicas:

Procesamiento de lenguaje natural (NLP) sobre texto clínico

Los sistemas entrenados con millones de historiales clínicos, estudios médicos y literatura científica aprenden a reconocer patrones de síntomas, relacionarlos con diagnósticos conocidos y generar respuestas en lenguaje médico. Es lo que permite que un LLM como GPT-4 o modelos clínicos especializados (como Med-PaLM 2 de Google) puedan razonar sobre casos médicos descritos en texto.

IA sobre imagen clínica

Sistemas especializados en visión por computadora analizan radiografías, tomografías, resonancias y láminas de histopatología. En estas tareas, la IA lleva años superando a los especialistas humanos en velocidad y, en algunos estudios, también en precisión para patologías específicas como cáncer de piel, retinopatía diabética y nódulos pulmonares.

¿Qué limita la adopción masiva de IA médica?

A pesar de los resultados del estudio de Harvard y de décadas de investigación en IA médica, la adopción en la práctica clínica real sigue siendo lenta. Los obstáculos son múltiples y no todos son tecnológicos:

• Regulación: Los sistemas de apoyo a la decisión clínica con IA requieren aprobación regulatoria (FDA en EE.UU., ANMAT en Argentina) que es un proceso largo y costoso. Pocos sistemas tienen aprobación para uso clínico real más allá de la asistencia informativa.

• Responsabilidad legal: Si un sistema de IA recomienda un diagnóstico erróneo, ¿quién es responsable? Esta pregunta no tiene respuesta legal clara en la mayoría de los países, incluida Argentina, y genera resistencia en hospitales e instituciones de salud.

• Interoperabilidad de datos: Los sistemas hospitalarios en LATAM son muy heterogéneos. La mayoría de los hospitales públicos de Argentina no tiene historia clínica electrónica unificada, lo que hace imposible alimentar modelos de IA con datos estructurados a escala.

• Sesgos en los datos de entrenamiento: La mayoría de los datasets médicos usados para entrenar LLMs son de pacientes de EE.UU. o Europa, lo que puede generar sesgos al aplicar esos modelos a poblaciones latinoamericanas con perfiles genéticos y epidemiológicos diferentes.

• Resistencia cultural: Médicos y pacientes tienen reservas comprensibles sobre delegar decisiones clínicas a algoritmos. La IA médica tiene más éxito cuando se presenta como segunda opinión o asistente, no como reemplazante.

Estos desafíos son similares a los que enfrentan los grandes modelos de IA en general, como describe el análisis de Claude Mythos 5 y los límites de escalar modelos de lenguaje.

Roles tech que emergen en salud digital en Argentina y LATAM

El crecimiento de la IA en salud está generando una demanda de perfiles tech especializados que el mercado laboral de Argentina y LATAM todavía no tiene en cantidad suficiente:

Health AI Engineer

Desarrollador o ML engineer especializado en el dominio de la salud. Trabaja en la integración de modelos de IA con sistemas hospitalarios (HIS/EMR), en el procesamiento de datos clínicos y en la validación de modelos para entornos regulados. Es un perfil que combina skills de ingeniería de software con conocimiento de dominio médico y regulación sanitaria.

Clinical Data Scientist

Analista de datos especializado en datos clínicos. Su foco es transformar datos de salud (diagnósticos, prescripciones, resultados de laboratorio) en insights accionables para mejorar la atención, reducir costos o identificar patrones epidemiológicos. Trabaja en hospitales, aseguradoras, laboratorios y startups de healthtech.

Health Informatics Specialist

Perfil que conecta los sistemas de información hospitalaria con las iniciativas de IA. Conoce tanto la lógica clínica como la tecnológica, y actúa como traductor entre médicos e ingenieros. En Argentina, la Sociedad Argentina de Informática Médica (SAIM) trabaja activamente en la formación de este perfil.

Según el Informe sobre el Futuro del Trabajo 2025 del World Economic Forum, los roles de IA en salud se encuentran entre los de mayor crecimiento proyectado en la próxima década a nivel global.

Cursos de Coderhouse para entrar al mundo de la IA en salud

Si te interesa trabajar en la intersección de la IA y la salud, estos cursos son el punto de partida para construir las habilidades que el sector demanda:

• Introducción a la Inteligencia Artificial: Entendé cómo funcionan los modelos de lenguaje y de visión, los mismos que se aplican en diagnóstico médico. La base teórica es esencial antes de especializarte.

• Curso AI Engineering: Para construir aplicaciones con IA en producción, incluyendo sistemas de RAG y agentes que pueden integrarse con sistemas de salud.

• Carrera AI Automation: Ideal para aprender a automatizar workflows en entornos complejos, que es exactamente lo que demandan los hospitales y empresas de healthtech que buscan incorporar IA en sus procesos.

Preguntas frecuentes

¿La IA va a reemplazar a los médicos?

No. La IA es una herramienta de apoyo a la decisión clínica, no una sustituta de la relación médico-paciente ni del juicio clínico integral. Los estudios que muestran mayor precisión de la IA se refieren a tareas específicas y acotadas (diagnóstico diferencial a partir de datos estructurados), no a la práctica médica en su totalidad. El escenario más probable y más deseable es el de médicos que usan IA como segunda opinión, similar a cómo usan hoy la literatura científica.

¿Cómo se regula la IA médica en Argentina?

En Argentina, los dispositivos médicos con IA están bajo la regulación de ANMAT (Administración Nacional de Medicamentos, Alimentos y Tecnología Médica). Los sistemas de software que influyen en decisiones diagnósticas o terapéuticas se clasifican como software como dispositivo médico (SaMD) y requieren registro sanitario. El marco regulatorio está en proceso de actualización para adaptarse a la velocidad de avance de la IA.

¿Qué datos necesita un modelo de IA para diagnosticar?

Depende del tipo de sistema. Los LLMs clínicos trabajan con texto: síntomas, antecedentes, historial. Los sistemas de visión médica necesitan imágenes (radiografías, tomografías, fotos dermatológicas). Los sistemas más avanzados integran múltiples modalidades (texto + imagen + datos de laboratorio). En todos los casos, la calidad y cantidad de los datos de entrenamiento es el factor más determinante de la precisión del modelo.

¿Hay startups de IA médica en Argentina?

Sí, el ecosistema healthtech en Argentina está creciendo. Empresas como Nuvita (telemedicina con IA), Medintt y otras startups están desarrollando soluciones locales. También hay laboratorios de IA en hospitales públicos como el Hospital Italiano y el Garrahan trabajando en proyectos de investigación aplicada. El ecosistema es pequeño pero activo y con mucho potencial de crecimiento.

¿La IA médica funciona igual para poblaciones latinoamericanas?

Este es uno de los principales puntos de atención de los investigadores. Los modelos entrenados principalmente con datos de EE.UU. o Europa pueden tener menor precisión para poblaciones latinoamericanas debido a diferencias genéticas, epidemiológicas y en los patrones de presentación de enfermedades. La generación de datasets clínicos locales es una de las prioridades del campo para mejorar la equidad de los modelos.