LLMs en medicina: oportunidades y riesgos

Los LLM en medicina prometen notas automáticas y diagnóstico asistido, pero arrastran alucinaciones y sesgos. Descubre oportunidades reales y riesgos técnicos.

31 ago 2026 9 min de lectura

LLMs en medicina: oportunidades y riesgos

Los grandes modelos de lenguaje llegan a la consulta médica con promesas de eficiencia.

Pero su capacidad para generar texto fluido esconde limitaciones que cualquier profesional sanitario debe conocer antes de confiar en su salida. Las alucinaciones frecuentes, la falta de conciencia contextual y la reproducción de sesgos impiden un despliegue clínico seguro sin supervisión humana.

Este artículo revisa qué son los LLM en medicina, qué problemas clínicos pueden abordar, qué riesgos arrastran y qué criterios aplicar antes de incorporarlos a tu flujo de trabajo.

Qué son los grandes modelos de lenguaje

Un gran modelo de lenguaje es un sistema de inteligencia artificial entrenado mediante algoritmos de aprendizaje profundo para procesar lenguaje natural y generar respuestas de texto.

Su funcionamiento se basa en predecir la siguiente palabra de una secuencia a partir de patrones extraídos de enormes corpus de texto. Los modelos toman un texto de entrada y predicen repetidamente la siguiente palabra basándose en datos pre-entrenados.

Estos sistemas no razonan en el sentido clínico: calculan probabilidades de secuencias lingüísticas. Cuando un LLM genera una nota SOAP, no interpreta la clínica; ensambla palabras que suelen aparecer juntas en documentos similares.

Esa diferencia es capital. El texto resultante puede ser coherente y técnicamente correcto en su forma, pero carente de juicio clínico. Por eso todo despliegue en sanidad exige supervisión profesional.

Aplicaciones actuales en documentación y triaje

Los LLM se están probando en dos áreas principales: reducción del tiempo de documentación y apoyo a decisiones estructuradas.

La documentación clínica con IA cubre desde transcripción hasta generación de informes estructurados. Herramientas como MedicMic permiten al médico grabar la consulta y obtener una nota clínica estructurada en minutos, aplicando plantillas SOAP personalizables por especialidad.

En triaje, los LLM procesan síntomas referidos en lenguaje natural y proponen diagnósticos diferenciales. Pero su aplicación directa sigue siendo experimental: algunos modelos se aproximan al rendimiento de un médico en ciertos desafíos clínicos, pero sus limitaciones actuales impiden un uso seguro en consultas especializadas.

El problema de las alucinaciones clínicas

Un riesgo significativo en el uso de LLM es su potencial para crear alucinaciones. Estas surgen de múltiples causas, incluidos factores relacionados con el conjunto de datos de entrenamiento y su naturaleza auto-regresiva.

¿Qué significa «alucinación» en un LLM? Una característica común e indeseable en la cual el modelo produce salida fluida pero factualmente incorrecta o fuera de tema.

En clínica, una alucinación puede ser una dosis inventada, un diagnóstico que el paciente no tiene o una contraindicación inexistente. Las implicaciones para la práctica clínica van desde la generación de información diagnóstica y terapéutica inexacta hasta el refuerzo de vías de razonamiento diagnóstico defectuosas.

Las alucinaciones se detectaron en solo el cero punto uno seis por ciento de las extracciones en un estudio de oncología, todas de bajo impacto. La frecuencia varía según el modelo, la complejidad del caso y la calidad del input.

El mensaje es claro: ningún LLM puede generar notas clínicas de forma autónoma sin revisión. Estos hallazgos sugieren que se requiere cautela al confiar en LLM para la generación completamente autónoma de notas clínicas.

Sesgos y falta de representatividad en los datos de entrenamiento

Los LLM aprenden de textos existentes, y esos textos reflejan desigualdades históricas.

Algunas tecnologías de IA han demostrado ser discriminatorias en función de características como el sexo o el género, siendo las mujeres generalmente las más afectadas. Un estudio reciente describe cómo robots entrenados con grandes conjuntos de datos exhibían comportamiento estereotipado y sesgado en términos de género y raza.

En medicina, esto se traduce en modelos que pueden infra-diagnosticar o proponer tratamientos subóptimos en mujeres, minorías étnicas o grupos no representados en los datos de entrenamiento.

Otro estudio mostró sesgo de interseccionalidad del proveedor, documentando los síntomas de pacientes afroamericanos a partir de registros médicos de manera peyorativa.

Antes de desplegar un LLM, es obligatorio conocer en qué corpus se entrenó, qué representatividad tiene y qué medidas de mitigación de sesgo se aplicaron. Los marcos actuales de IA clínica exigen auditorías de equidad como requisito regulatorio.

Precisión variable según especialidad y tipo de paciente

La precisión de un LLM no es uniforme. Depende de la especialidad, la prevalencia de la patología y la complejidad del caso.

El rendimiento varió según la variable clínica, con mejores resultados para afecciones documentadas con frecuencia y consistencia, como diabetes, y menor precisión para variables complejas o infrecuentes, como tumores.

Un estudio en oncología mostró una precisión global del ochenta y uno por ciento en extracción de datos, con precisión del ochenta y dos por ciento, sensibilidad del noventa y uno por ciento y F1 de ochenta y seis.

Los modelos entrenados en inglés funcionan peor en español. La transcripción multilingüe en IA médica sigue siendo un reto: muchos LLM generalistas carecen de corpus clínico en lenguas distintas del inglés.

Si tu especialidad trabaja con casos atípicos, comorbilidades complejas o patologías raras, la fiabilidad del modelo cae. Es esencial validar el LLM en tu contexto específico antes de confiar en él.

Necesidad de supervisión humana y revisión crítica

Ningún LLM debe operar sin supervisión clínica.

Considerando el increíble potencial de los LLM en medicina y el interés de muchos actores sanitarios por implementarlos en la práctica rutinaria, es esencial que los clínicos conozcan los riesgos básicos asociados con el uso de estos modelos.

La revisión no puede limitarse a «leer por encima». Se observó una variabilidad interobservador significativa del veintinueve por ciento entre dos extractores humanos, lo que pone de relieve la subjetividad inherente en la interpretación de documentos clínicos.

Esto implica que incluso expertos discrepan al valorar la exactitud de un LLM. Por eso se necesitan protocolos claros de revisión: listas de comprobación, auditorías aleatorias y formación del equipo en detección de errores.

MedicMic está diseñado para este flujo: el médico revisa, edita y valida la nota antes de copiarla a la HCE. El sistema no sustituye el juicio clínico; lo respalda acortando el tiempo de escritura.

Marco normativo: RGPD, LOPDGDD y regulación de dispositivos médicos

Todo LLM que procese datos de salud en la Unión Europea está sujeto al RGPD y, en España, a la LOPDGDD.

Esto incluye obligaciones de cifrado extremo a extremo, residencia de datos en territorio europeo, análisis de impacto (EIPD) y registro en el análisis de riesgos del centro.

La mayoría de los modelos actuales no están validados para poblaciones específicas ni regulados como dispositivos médicos, lo que limita su uso asistencial directo. También existe una falta de interoperabilidad entre los LLM y los sistemas de historia clínica electrónica existentes.

Si el LLM toma decisiones clínicas, puede clasificarse como dispositivo médico bajo el Reglamento (UE) 2017/745. Si solo asiste al clínico sin automatizar la decisión, puede quedar fuera de esa categoría, pero debe cumplir igualmente con protección de datos.

La seguridad de la IA en consultas médicas exige revisar política de privacidad, ubicación de servidores y compromisos contractuales del proveedor.

Preguntas frecuentes

Un LLM es un modelo de lenguaje de gran escala entrenado para predecir y generar texto. A diferencia de los sistemas de apoyo diagnóstico basados en reglas o en aprendizaje supervisado clásico, un LLM no sigue algoritmos explícitos: aprende patrones estadísticos de millones de documentos. Esto le permite generar texto coherente, pero no garantiza exactitud clínica ni razonamiento lógico. Por eso los LLM requieren validación específica para cada aplicación sanitaria.

Técnicamente sí, pero no es seguro ni recomendable. Los LLM generan alucinaciones, omiten detalles críticos y carecen de conciencia contextual. La literatura actual insiste en que toda salida de un LLM debe ser revisada por un profesional sanitario antes de incorporarse al registro clínico del paciente. Sin supervisión humana, el riesgo de error clínicamente relevante es inaceptable.

Significa que el modelo genera información factualmente incorrecta con fluidez aparente. Puede inventar una dosis, atribuir un síntoma que el paciente no refirió o proponer una interacción medicamentosa inexistente. Las alucinaciones no son errores tipográficos ni malentendidos: son fabricaciones coherentes que el modelo presenta como hechos. Por eso la revisión crítica es obligatoria.

No. La mayoría de LLM generalistas se entrenaron principalmente en inglés. Su rendimiento en español, especialmente en terminología médica y registro clínico, es inferior. Existen modelos multilingües y adaptaciones específicas, pero su validación en contextos sanitarios españoles es todavía limitada. Si trabajas en español, comprueba que el modelo haya sido entrenado o ajustado con corpus clínico en tu idioma.

Depende de su uso. Si el LLM emite diagnósticos, propone tratamientos o toma decisiones clínicas de forma automática, puede clasificarse como dispositivo médico bajo el Reglamento (UE) 2017/745. Si solo ayuda al clínico a redactar notas o resume información sin automatizar decisiones, puede no requerir certificación, pero sí cumplir con la normativa de protección de datos. Consulta siempre con tu servicio de prevención y con el delegado de protección de datos de tu centro.

Residencia de datos en la UE, cifrado extremo a extremo, política transparente de conservación y eliminación de audio, compromiso contractual del proveedor (DPA o equivalente), claridad sobre el corpus de entrenamiento, ausencia de uso de tus datos para reentrenamiento sin consentimiento, y posibilidad de supervisión y edición humana antes de integrar la salida en la HCE. Si falta cualquiera de estos elementos, el riesgo regulatorio y clínico es elevado.

Los sesgos se detectan mediante auditorías sobre subgrupos de población definidos por sexo, edad, etnia, lengua materna y nivel socioeconómico. Se compara el rendimiento del modelo en cada subgrupo y se identifica si alguno queda sistemáticamente infra-diagnosticado o mal tratado. La mitigación incluye reentrenar el modelo con datos más representativos, aplicar técnicas de equidad algorítmica y mantener supervisión humana constante. Ningún LLM actual está libre de sesgo; lo importante es conocerlo y compensarlo.