A Systematic Literature Review of Large Language Models in Clinical Triage from Risk Stratification to Human Escalation
Esta revisión sistemática y bibliométrica sintetiza 89 estudios publicados entre 2022 y 2026 para analizar la aplicación de los Modelos de Lenguaje de Gran Escala en el triaje clínico, evaluando sus estrategias de adaptación, mecanismos de seguridad y métricas de desempeño, al tiempo que propone un nuevo marco de 5 dimensiones para guiar su traslación segura a los entornos de cuidados de emergencia.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Cada día, las salas de urgencias se enfrentan a una marea implacable de personas que buscan atención. Algunos llegan con rasguños menores, mientras que otros luchan por sus vidas. La labor crítica de clasificar a estos pacientes, conocida como triaje, recae en enfermeros y médicos que deben decidir instantáneamente quién necesita atención inmediata y quién puede esperar. Este proceso se basa en escalas estandarizadas que asignan un nivel de urgencia, desde los casos más críticos que requieren reanimación hasta aquellos que no son urgentes. Sin embargo, a medida que los hospitales se saturan más y el volumen de la admisión de salud digital crece, la presión sobre estos guardianes humanos se intensifica. En años recientes, ha surgido un nuevo tipo de inteligencia artificial que puede leer y comprender el lenguaje humano con una fluidez notable. Estos sistemas, conocidos como modelos de lenguaje de gran tamaño, pueden interpretar historias complejas sobre síntomas y sugerir consejos médicos. Pero si bien ofrecen una herramienta potencial para ayudar a gestionar el flujo de pacientes, también conllevan riesgos significográficos. Si tal máquina juzga mal una situación, las consecuencias pueden ser graves, desde retrasos innecesarios para pacientes críticos hasta la saturación de los recursos de emergencia con personas que no los necesitan.
Un equipo de investigadores de instituciones en los Estados Unidos, la India y Europa se propuso comprender exactamente cómo se están probando estos sistemas de inteligencia artificial para este papel de alto riesgo. Realizaron una revisión masiva de noventa estudios científicos publicados entre 2022 y 2026. Su objetivo no era solo ver si la tecnología funciona, sino examinar cómo se construye, cómo se prueba y si es lo suficientemente segura como para ser utilizada alguna vez en un hospital real. Los investigadores descubrieron que, si bien estos programas informáticos son cada vez más comunes en la investigación, aún no están listos para tomar decisiones de vida o muerte por sí solos. Los estudios que analizaron revelaron un panorama donde la tecnología está mejorando rápidamente, pero todavía lucha con los errores más peligrosos: pasar por alto a un paciente que se encuentra en estado crítico.
La revisión comenzó recopilando todos los estudios disponibles que analizaran el uso de estos sistemas basados en el lenguaje para la clasificación de pacientes. Los investigadores filtraron cientos de registros, estableciéndose finalmente en noventa estudios primarios que cumplían con criterios estrictos. Descubrieron que casi la mitad de estos estudios se centraban en departamentos de emergencia, donde la necesidad de rapidez es mayor. Otra parte significativa analizaba clínicas ambulatorias y servicios de emergencia prehospitalarios. Los investigadores notaron una tendencia clara en cómo se estaban desarrollando estos sistemas. En los primeros estudios, los científicos simplemente pedían al ordenador que respondiera preguntas sin ningún entrenamiento especial, un método conocido como prompting de disparo cero (zero-shot prompting). Sin embargo, con el paso del tiempo, los investigadores empezaron a utilizar técnicas más sofisticadas. Comenzaron a alimentar los sistemas con directrices médicas específicas o a conectarlos a bases de datos de reglas hospitalarias para ayudarlos a tomar mejores decisiones. Algunos equipos incluso construyeron sistemas donde múltiples agentes informáticos trabajaban juntos, con un agente proponiendo un diagnóstico y otro actuando como crítico para comprobar si había errores.
A pesar de estos avances técnicos, los datos de rendimiento contaban una historia compleja. Cuando se probaban frente a escalas médicas estándar, los sistemas de inteligencia artificial a menudo lograban una alta precisión general, categorizando correctamente a los pacientes en aproximadamente el ochenta por ciento de los casos. Sin embargo, los investigadores enfatizaron que una puntuación media alta oculta un fallo peligroso. En el mundo de la medicina de urgencias, no todos los errores son iguales. Un sistema que sobreestima la gravedad de una lesión menor simplemente envía a un paciente al frente de la fila, causando un retraso para otros, pero rara vez causa daño. En contraste, un sistema que subestima la gravedad de una condición crítica envía a un paciente agonizante al final de la fila, lo que potencialmente conduce a la muerte. La revisión encontró que, si bien los sistemas eran generalmente buenos identificando problemas menores, fallaban con frecuencia al detectar los casos más urgentes. En algunos estudios, la tasa de omisión de pacientes críticos fue tan alta como el veinticinco por ciento. Un estudio específico destacó que los sistemas pasaron por alto un número significativo de casos que involucraban a niños con objetos atascados en sus vías respiratorias, una emergencia potencialmente mortal que requiere acción inmediata.
Los investigadores también examinaron cómo manejan estos sistemas la incertidumbre. Un médico humano sabe cuándo no está seguro y pedirá ayuda o realizará más pruebas. Los programas informáticos, sin embargo, a menudo no saben cuándo están adivinando. La revisión encontró que, en casi el setenta por ciento de los estudios, los investigadores no incluyeron ningún mecanismo para medir qué tan seguro estaba el sistema de su respuesta. Sin este control de seguridad, un ordenador podría dar una respuesta errónea con absoluta certeza, lo cual es mucho más peligroso que una respuesta dubitativa. Además, muchos de los estudios se basaron en datos que ya estaban escritos en registros hospitalarios o creados por científicos en un entorno de laboratorio. Estos registros estáticos no capturan la realidad caótica de una sala de emergencias concurrida, donde la condición de un paciente puede cambiar minuto a minuto, o donde un familiar podría describir los síntomas de una manera confundida o emocional.
Para abordar estos peligros, los autores propusieron un nuevo marco de cómo estos sistemas deberían construirse y probarse antes de ser utilizados en personas reales. Argumentaron que un ordenador nunca debería ser la primera línea de defensa para las emergencias más críticas. En su lugar, sugirieron un enfoque por capas. La primera capa debería ser un conjunto de reglas simple e inalterable que identifique instantáneamente palabras clave específicas como "dolor en el pecho" o "dificultad para respirar" y dirija a esos pacientes directamente a un médico humano, saltándose por completo el modelo de lenguaje complejo. La segunda capa involucraría al propio modelo de lenguaje, pero solo si se comprueba constantemente con las directrices médicas y si está programado para admitir cuando no está seguro. Si el sistema no tiene confianza, debe detenerse y pedir ayuda a un humano. La capa final es el médico humano, quien siempre debe tener la última palabra. La revisión concluyó que, si bien estas herramientas prometen ayudar a los médicos a gestionar su carga de trabajo, aún no están listas para reemplazar el juicio humano. La tecnología avanza rápido, pero las medidas de seguridad necesarias para confiarle vidas humanas aún se están construyendo. Hasta que esas salvaguardas estén en su lugar, el papel de estos sistemas debe seguir siendo el de un asistente de apoyo, nunca el de un tomador de decisiones autónomo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.