Según un nuevo estudio que utilizó datos reales de servicios de urgencias, un modelo de lenguaje a gran escala (LLM) de última generación superó a los médicos humanos en tareas habituales de razonamiento clínico, como la toma de decisiones en urgencias, la identificación de posibles diagnósticos y la elección de los siguientes pasos en el tratamiento. Los autores del estudio —uno de los más amplios realizados hasta la fecha para comparar la inteligencia artificial y los médicos en una amplia gama de tareas de razonamiento clínico— dejan claro que sus resultados no significan que los sistemas de IA estén preparados para ejercer la medicina por sí mismos, ni que los médicos puedan ser excluidos del proceso de diagnóstico. No obstante, los resultados plantean cuestiones urgentes sobre la futura evaluación e implementación de las herramientas de inteligencia artificial (IA) en la atención clínica. Durante más de 65 años, los casos clínicos de diagnóstico difícil han sido el punto de referencia para evaluar los sistemas informáticos médicos. Más recientemente, los LLM han superado a los enfoques computacionales anteriores en estos casos complejos. Sin embargo, a pesar de este progreso, la mayoría de los estudios médicos sobre los LLM han examinado escenarios limitados o muy controlados y, a menudo, carecían de una comparación directa con el rendimiento de los médicos humanos en tareas de razonamiento clínico del mundo real. El rápido avance de las herramientas médicas basadas en modelos de lenguaje grande (LLM) exige ahora una evaluación más rigurosa. En este estudio, Peter Brodeur y sus colegas evaluaron de forma exhaustiva las capacidades de diagnóstico y planificación del tratamiento de un modelo de lenguaje grande avanzado —la serie o1 de OpenAI— comparando su rendimiento con el de cientos de médicos y sistemas de IA anteriores en una amplia gama de tareas de razonamiento clínico. Entre ellas se incluían tanto casos clínicos estandarizados como un estudio en el mundo real con pacientes de urgencias seleccionados al azar en un importante centro médico de urgencias de Massachusetts. Brodeur y su equipo. descubrieron que, en los seis experimentos, el modelo LLM igualó o superó de forma sistemática el rendimiento humano en el razonamiento diagnóstico y de gestión. Cabe destacar que su ventaja fue más evidente en la clasificación inicial de pacientes en el servicio de urgencias, donde los médicos deben tomar decisiones rápidas con información mínima. Aunque tanto los seres humanos como la IA mejoraron a medida que se disponía de más datos clínicos, el modelo demostró una clara fortaleza en condiciones de incertidumbre, utilizando de manera eficaz incluso datos fragmentados y no estructurados de historias clínicas. Según los autores, los modelos de lenguaje grande (LLM) se están acercando rápidamente al razonamiento clínico de nivel humano, y en algunas áreas lo están superando, y aunque la toma de decisiones asistida por IA suele considerarse arriesgada, los resultados sugieren que estas herramientas —cuando se utilizan en colaboración con las evaluaciones de los médicos— podrían reducir los errores de diagnóstico, los retrasos y las desigualdades en el acceso a la atención sanitaria. Sin embargo, los autores también señalan varias limitaciones importantes del estudio. Por ejemplo, su enfoque se limitaba al razonamiento basado en texto, mientras que la práctica clínica depende en gran medida de señales visuales y auditivas, ámbitos en los que la IA actual sigue teniendo menos capacidad. «La precisión en una tarea definida es solo una de las dimensiones de la preparación para su implementación. La IA clínica también debe ofrecer resultados equitativos, rentables y seguros, respaldados por la rendición de cuentas, la transparencia y la supervisión continua», escriben Ashley Hopkins y Erik Cornelisse en un artículo de Perspective relacionado. «Sin una eficacia, equidad y seguridad sólidas y demostradas, muchos sistemas de IA seguirán siendo insuficientes para el uso clínico».

Según informan los investigadores, centrar las intervenciones para reducir el tabaquismo únicamente en un pequeño grupo de personas con una amplia red de contactos produce las mayores reducciones en el consumo de tabaco. Los resultados ofrecen información útil para diseñar intervenciones basadas en las redes sociales que aprovechen eficazmente la influencia de los compañeros. La influencia de los compañeros desempeña un papel fundamental en la configuración del comportamiento de los adolescentes, especialmente en lo que respecta a hábitos relacionados con la salud, como el tabaquismo, ya que los comportamientos y las normas se propagan a través de las redes sociales durante un periodo crucial para el desarrollo. Aunque investigaciones anteriores han demostrado que estas influencias pueden propagarse a través de las amistades e incluso de amigos de amigos, aún no está claro con qué rapidez se desvanece la influencia a medida que aumenta la distancia social, ni cómo afecta la estructura de las redes sociales a ese proceso. Utilizando modelos estocásticos orientados a los actores (SAOMS) y datos de 3.154 estudiantes de dos escuelas del conjunto de datos del Estudio Longitudinal Nacional de Salud de Adolescentes a Adultos (Add Health), Cheng Wang y sus colegas investigaron cómo decae la influencia de los compañeros a medida que aumenta la distancia social. Para comprender mejor cómo se propagan y disminuyen los efectos conductuales, evaluaron los efectos de diferentes estrategias de intervención para reducir el tabaquismo, dirigidas bien a estudiantes elegidos al azar, bien a aquellos que ocupan una posición más central dentro de las redes sociales. Wang y sus colaboradores descubrieron que la influencia de los pares en el contexto de las intervenciones para reducir el tabaquismo se extiende hasta tres grados de separación de los destinatarios de la intervención. Dirigirse al 10-30 % de las personas con mayor número de contactos dentro de una red social produjo las mayores reducciones en el tabaquismo, mientras que aumentar la cobertura más allá del 40-50 % generó rendimientos decrecientes debido a la saturación de la red. Además, los autores descubrieron que la estructura de la red social era importante. Por ejemplo, la influencia se extendía más ampliamente y decaía más lentamente en redes más densas, mientras que las redes más dispersas mostraban una difusión más limitada.

El aprovechamiento de residuos de la industria puede permitir la producción de cosméticos más sostenibles y accesibles para el consumidor

• La plataforma integra datos multiómicos para impulsar tanto la investigación biomédica como la práctica clínica. • Su tecnología, basada en Graph Foundation Models, extrae conclusiones robustas incluso con las muestras limitadas y heterogéneas que genera típicamente la biomedicina.

Investigación con ratas realizada en la Universidad Federal de São Paulo muestra que el entrenamiento en el agua promueve adaptaciones cardíacas más robustas y saludables