Disociación entre razonamiento clínico heurístico e inteligencia artificial generativa en el diagnóstico complejo en medicina interna

Resumen

OBJETIVO: Comparar la eficacia diagnóstica de especialistas en medicina interna con la inteligencia artificial generativa. Además, analizar la pertinencia de sus diagnósticos diferenciales en casos de alta complejidad. Y aportar bases para una integración curricular ética y eficiente en las facultades de medicina.

MATERIALES Y MÉTODOS: Estudio observacional, transversal y analítico para el que se seleccionaron 20 casos clínicos de alta complejidad del repositorio institucional, caracterizados por manifestaciones atípicas y una elevada carga de comorbilidad, factores que incrementan el riesgo de sesgo cognitivo en el clínico humano. Un grupo de 10 médicos especialistas en medicina interna, con experiencia docente y el modelo GPT-4, analizó los casos de forma ciega y paralela.

RESULTADOS: Se analizaron 20 casos clínicos complejos que sumaron un espectro de 168 signos y síntomas evaluables. Los resultados se desglosan en tres dimensiones críticas: precisión diagnóstica, capacidad de jerarquización de diagnósticos diferenciales y eficiencia temporal.

CONCLUSIONES: La inteligencia artificial debe considerarse un método auxiliar, complementario y no sustitutivo, con acento en la necesidad de reformar la educación médica hacia un modelo de diagnóstico aumentado.

PALABRAS CLAVE (DeCS): Medicina interna; inteligencia artificial; razonamiento clínico; educación médica; diagnóstico asistido por computadora; toma de decisiones asistida por computadora.

Abstract

OBJECTIVE: To compare the diagnostic accuracy of internal medicine specialists with that of generative artificial intelligence. Additionally, to analyse the validity of their differential diagnoses in highly complex cases. The aim is also to lay the groundwork for the ethical and efficient integration of this technology into medical school curricula.

MATERIALS AND METHODS: This observational, cross-sectional and analytical study involved selecting 20 highly complex clinical cases from the institutional repository. These cases were characterised by atypical manifestations and a high burden of comorbidity, factors that increase the risk of cognitive bias in human clinicians. The cases were analysed in a blinded, parallel manner by a group of ten physicians specialising in internal medicine with teaching experience and the GPT-4 model.

RESULTS: Twenty complex clinical cases comprising a spectrum of 168 evaluable signs and symptoms were analysed. The results were broken down into three critical dimensions: diagnostic accuracy; the ability to prioritise differential diagnoses; and temporal efficiency.

CONCLUSIONS: Artificial intelligence should be considered a complementary tool rather than a substitute, highlighting the need to reform medical education towards an augmented diagnosis model.

KEYWORDS: Internal medicine; Artificial intelligence; Clinical reasoning; Medical education; Computer-assisted diagnosis; Computer-assisted decision-making.