Esta tecnología utiliza aprendizaje automático y arquitecturas de modelos transformadores para generar texto, imágenes y sonido de alta calidad en respuesta a consultas de los usuarios. A diferencia de las aplicaciones de deep learning biomédicas previas que requerían enormes volúmenes de datos etiquetados, las nuevas generaciones de modelos de inteligencia artificial generativa (IAG) pueden lograr un rendimiento superior con menos información, a menudo utilizando conjuntos de datos más pequeños y específicos de un dominio. Las iteraciones recientes de IAG, incluyendo modelos de agentes, de mezcla de expertos y de razonamiento, han ampliado sus capacidades para abordar tareas complejas y multifásicas, lo que subraya su creciente potencial en el ámbito médico.

Este artículo de revisión, liderado por la Dra. Zhen Ling Teo del Singapore Eye Research Institute, Singapur, tiene como objetivo proporcionar una visión general de los avances técnicos en la IAG. Los autores exploran el potencial de la última generación de modelos para mejorar la atención sanitaria, beneficiando tanto a los profesionales clínicos como a los pacientes. 

Se realizó una revisión de los desarrollos recientes en IAG, enfocándose en sus habilidades y aplicaciones en salud. Se analizaron modelos como los modelos de lenguaje de gran tamaño (LLM), sistemas fundacionales y agentes inteligentes. En este campo, se considera su uso en soporte clínico, educación médica, tareas administrativas e investigación. 

Los modelos IAG, en particular los LLM, han demostrado habilidades sin precedentes para responder a preguntas médicas complejas, incluso a nivel de expertos, mostrando respuestas de alta calidad y empáticas. Los modelos fundacionales multimodales, como GPT-5 y Gemini 2.5 Pro, han mejorado la utilidad biomédica al procesar texto e imágenes. Avances como AlphaFold han revolucionado el análisis de estructuras proteicas, acelerando el descubrimiento de fármacos.

En el soporte clínico, la IAG asiste significativamente: desde el diagnóstico diferencial, integrando datos del paciente y literatura médica, hasta el análisis avanzado de imágenes médicas (radiología, patología, dermatología) para una detección más precisa y rápida de anomalías. También facilita la planificación de tratamientos personalizados y la monitorización continua de pacientes para alertar sobre cambios críticos.

En el ámbito administrativo, es una herramienta eficaz para optimizar el flujo de trabajo: automatiza la documentación clínica (transcripción, generación de notas, resúmenes de alta), simplifica la revisión de historiales y agiliza la codificación médica y la facturación, lo que reduce la carga de trabajo y mejora la satisfacción del personal.

En el área educativa, ofrece tutorías personalizadas y simulaciones interactivas para la formación médica. Además, mejora la interacción con el paciente a través de chatbots para soporte en salud mental o enfermedades crónicas, y genera material educativo y consentimientos informados adaptados a su nivel de comprensión. En investigación, automatiza la generación de hipótesis, el diseño de estudios y el análisis de datos, facilitando la creación de datos sintéticos para ensayos clínicos y el diseño de fármacos.

Sin embargo, persisten desafíos significativos como las "alucinaciones" (información incorrecta), el sesgo algorítmico, las preocupaciones de privacidad de datos, la generalizabilidad de los modelos y los altos costos computacionales asociados.

En resumen, la IAG posee un potencial significativo para mejorar la accesibilidad, el costo y la calidad de la atención sanitaria en diversos ámbitos. No obstante, su despliegue autónomo generalizado en la práctica clínica aún enfrenta complejidades y desafíos relacionados con la seguridad. Para una integración exitosa, es fundamental adoptar la IAG de manera reflexiva y cuidadosa, priorizando una validación robusta y consideraciones éticas.

El avance de la IAG en medicina requiere validación clínica mediante ensayos pragmáticos y una monitorización constante para evitar el deterioro del rendimiento y efectos no deseados tras su implementación. Es esencial aumentar la transparencia en el desarrollo de modelos de IAG, abarcando metodología, conjuntos de datos e infraestructura, para garantizar reproducibilidad y generar confianza. 

La mejora de la educación en IA para médicos y pacientes, junto al establecimiento de estructuras de gobernanza integrales, es fundamental para asegurar una innovación responsable. Con su evolución continua, que incluye modelos conceptuales avanzados y sistemas de agentes, se ampliarán sus capacidades. Los esfuerzos futuros deben concentrarse en integrar la IAG en los procesos clínicos existentes, abordar cuestiones éticas y de privacidad, y garantizar la seguridad y el beneficio clínico del paciente.