Agentes clínicos con LLM: hematología, oncología y resúmenes de alta
Tres estudios esta semana marcan un punto de inflexión: un agente con LLM equipara el criterio de un comité de tumores en hematología (Nature Medicine), un estudio multiciego demuestra que un LLM general supera a sistemas clínicos especializados en cáncer de mama, y un despliegue real de GPT-4 para resúmenes de alta alcanza un 89% de aceptación clínica.
📚 Artículos en esta entrada
Clinical decision support in hematological malignancies using a case-grounded AI agent
Zoller J, Kalz M, Wu X, et al.
Nat Med (2026)
AI-enabled clinical decision support in breast cancer care: a blinded multicenter benchmarking study comparing medically specialized with a general-purpose system
Freudenberg J, Knitza J, Gremke N, et al.
J Med Syst (2026)
Real-World Implementation of Large Language Models for Writing Clinical Discharge Summaries Within a Secure Data Environment
Carenzo C, Goldsmith K, Arribas M, et al.
JMIR AI (2026)
Una semana densa para la IA clínica
Tres publicaciones de esta semana merecen atención por su solidez metodológica y su relevancia práctica. La primera viene de Nature Medicine y describe un agente clínico que iguala —en ciertos escenarios supera— el criterio de comités de tumores reales. La segunda, un estudio multiciego que pone en duda la necesidad de sistemas clínicos "especializados" frente a un LLM general. La tercera, un despliegue real de GPT-4 para redactar resúmenes de alta en un entorno NHS.
1. HemaGuide: el primer agente clínico validado prospectivamente
Zoller J, Kalz M, Wu X, et al. Clinical decision support in hematological malignancies using a case-grounded AI agent. Nature Medicine, 2026.
Contexto. Los comités de tumores multidisciplinares son el estándar para decisiones oncohematológicas complejas, pero su acceso es desigual. HemaGuide es un agente modular basado en LLM que convierte documentos clínicos no estructurados en representaciones estructuradas, enruta los casos a modo guía, avanzado o molecular, y fundamenta sus recomendaciones en flujos de decisión de guías clínicas y una memoria de más de 2.000 casos reales de comités de tumores.
Metodología. Evaluación con 45 casos de alta complejidad, usando 6 modelos fundacionales distintos, con revisores ciegos. Estudio de ablación sistemático sobre 11 capas del sistema. Validación externa con 555 casos independientes de un segundo centro académico. Ensayo prospectivo silencioso de 1 mes con 64 casos consecutivos no seleccionados.
Hallazgos principales.
- Concordancia del 82,8% con las decisiones del comité de tumores en el ensayo prospectivo.
- En el estudio de simulación clínica, residentes asistidos por el agente alcanzaron concordancia cercana a la de especialistas sénior, y en algunas subespecialidades la superaron.
- Clasificación automatizada de 70 variantes missense clínicamente relevantes: ninguna variante oncogénica fue reclasificada como benigna.
- Latencia media de 39 segundos en hardware comercial (sin GPU especializada).
- 0,3% de alucinaciones (2 de 664 casos evaluados).
Limitaciones. Estudio unicéntrico en su fase principal (aunque con validación externa). Restringido a neoplasias hematológicas. La concordancia del 82,8% deja un 17,2% de discrepancias sin resolver. El agente no está diseñado para sustituir al comité, sino para apoyarlo.
Comentario crítico. Este paper es de los más sólidos que hemos visto en el campo. Validación externa, ensayo prospectivo, tasa de alucinaciones increíblemente baja, y funcionamiento en hardware commodity. Es para creérselo con cautela optimista: el diseño es robusto, pero el salto a la práctica generalizada requerirá estudios multicéntricos más amplios y diversidad de patologías.
2. ¿Necesitamos sistemas clínicos "especializados"? Un LLM general los supera
Freudenberg J, Knitza J, Gremke N, et al. AI-enabled clinical decision support in breast cancer care: a blinded multicenter benchmarking study comparing medically specialized with a general-purpose system. Journal of Medical Systems, 2026.
Contexto. Existen sistemas de IA con marcado CE como dispositivo médico que ofrecen soporte a decisiones oncológicas. La pregunta del millón: ¿la especialización médica y la regulación se traducen en mejores recomendaciones que un LLM general tipo ChatGPT?
Metodología. Estudio multicéntrico, ciego, con 20 casos estandarizados de cáncer de mama. Dos sistemas especializados (Prof. Valmed y OpenEvidence, ambos con RAG y marcado CE) frente a ChatGPT-5 Thinking (general). Siete especialistas acreditados de centros universitarios evaluaron ciegamente seguridad, adherencia a guías, adecuación médica, completitud, calidad global y coherencia lógica.
Hallazgos principales.
- ChatGPT-5 Thinking fue rankedo como primera opción en el 96,4% de las combinaciones evaluador-caso.
- OpenEvidence fue primera opción en el 3,6%; Prof. Valmed nunca fue rankedo primero.
- ChatGPT-5 Thinking obtuvo puntuaciones significativamente superiores en todas las categorías de evaluación.
- El tiempo de procesamiento de ChatGPT fue mayor (159 s vs. 35 s y 9 s respectivamente).
Limitaciones. 20 casos es una muestra modesta. Los casos eran estandarizados, no pacientes reales. Solo una especialidad oncológica. No se evaluó la capacidad de los sistemas para identificar cuándo no deben responder.
Comentario crítico. Resultado provocador que cuestiona la premisa de que la especialización médica + RAG es superior. Pero ojo: 20 casos, por muy estandarizados que estén, no capturan la complejidad del mundo real. La muestra es pequeña y los casos son sintéticos. Es un paper para coger con pinzas metodológicas, aunque la dirección del hallazgo es consistente con lo que otros estudios empiezan a señalar: los LLM generales de última generación pueden estar alcanzando —o superando— a sistemas clínicos especializados construidos sobre generaciones anteriores de modelos.
3. GPT-4 escribiendo resúmenes de alta en el NHS
Carenzo C, Goldsmith K, Arribas M, et al. Real-World Implementation of Large Language Models for Writing Clinical Discharge Summaries Within a Secure Data Environment: Development and Expert Evaluation Study. JMIR AI, 2026.
Contexto. Los resúmenes de alta consumen un tiempo clínico considerable. Aproximadamente el 80% de la historia clínica electrónica es texto libre, y los médicos dedican minutos valiosos a localizar información dispersa para redactarlos. Este estudio implementó un pipeline basado en GPT-4 dentro del entorno seguro de datos del Imperial College Healthcare NHS Trust.
Metodología. 52 episodios de hospitalización (83% entrenamiento, 17% test). Sistema de prompting estructurado en plantillas para generar las secciones de "resumen clínico" y "plan y acciones solicitadas". Evaluación por médicos residentes mediante formulario estandarizado con variable principal de confianza global y secundarias de precisión, completitud, legibilidad y sesgo.
Hallazgos principales.
- 89% (8/9) de los resúmenes generados recibieron una calificación de confianza global positiva ("sí" o "sí, con cambios menores").
- Completitud del 89% y precisión del 78% en la sección de resumen clínico.
- Completitud y precisión del 78% en la sección de plan y acciones.
- Sin sesgo sociodemográfico detectable ni variación significativa por duración de estancia o tipo de ingreso.
Limitaciones. Muestra muy pequeña (9 casos en test). Evaluación no cegada. Solo dos secciones del resumen de alta. Realizado con GPT-4, no la versión más reciente. Sin seguimiento de resultados clínicos derivados de los resúmenes generados.
Comentario crítico. Viabilidad demostrada, pero es un estudio piloto: 9 casos en test no permiten generalizar. El mérito principal es haberse hecho en un entorno NHS real con datos de pacientes reales, lo cual es más de lo que muchos papers de LLMs en salud pueden decir. Para coger con pinzas como evidencia de eficacia, pero útil como prueba de concepto de que el pipeline funciona y es seguro.
Takeaway clínico de la semana
La distancia entre un LLM que "aprueba exámenes" y uno que ayuda a tomar decisiones clínicas reales se está acortando. HemaGuide demuestra que un agente con LLM puede operar con seguridad y precisión equiparable a comités de tumores en un entorno controlado. Pero el estudio de Freudenberg nos recuerda que la especialización médica por sí sola no garantiza mejores resultados — el modelo importa tanto o más que el contexto clínico en el que se inserta. La lección práctica: antes de comprar o implementar un sistema clínico de IA, pregúntate qué modelo lo alimenta, no solo qué certificación tiene.
Referencias
- Zoller J, Kalz M, Wu X, et al. Clinical decision support in hematological malignancies using a case-grounded AI agent. Nat Med. 2026. PMID: 42380678 — DOI: 10.1038/s41591-026-04494-4
- Freudenberg J, Knitza J, Gremke N, et al. AI-enabled clinical decision support in breast cancer care: a blinded multicenter benchmarking study comparing medically specialized with a general-purpose system. J Med Syst. 2026;50(1). PMID: 42400697 — DOI: 10.1007/s10916-026-02434-w
- Carenzo C, Goldsmith K, Arribas M, et al. Real-World Implementation of Large Language Models for Writing Clinical Discharge Summaries Within a Secure Data Environment. JMIR AI. 2026;5:e88816. PMID: 42398933 — DOI: 10.2196/88816