José Alberto Lizana
EditorEn 2016, Geoffrey Hinton, uno de los padres de la inteligencia artificial moderna y ganador del premio Turing, lanzó una advertencia lapidaria: "la gente debería dejar de formarse como radiólogos ya". La lógica en este caso no parecía tener dudas: la radiología se basa en la búsqueda de patrones en imágenes, y entonces la IA podría detectarlas rápidamente y de manera muy precisa. Pero no podía estar más equivocado.
El presente. Si miramos en el mercado laboral actual diez años después, la realidad es tozudamente distinta. La demanda de radiólogos humanos no para de aumentar y en algunos países también se acompaña de un aumento considerable de sus salarios para hacer los lugares de trabajo mucho más atractivos.
De esta manera, lejos de ser el canario en la mina del desempleo tecnológico, la radiología se ha convertido en un fascinante caso de estudio sobre por qué la IA no reemplaza a trabajadores de manera completa, sino que puede llegar a transformar ese puesto.
La IA es una realidad. Es innegable que la IA no ha aterrizado en el campo de la radiología con mucha fuerza. Modelos como CheXNet, lanzado en 2017, demostraban ya una gran precisión a la hora de analizar imágenes radiológicas. Desde entonces son muchas las herramientas que han ido llegando.
Como recogió la propiedad FDA, en Estados Unidos el número de dispositivos médicos con IA aprobados ha crecido de manera exponencial. Y la radiología es la protagonista dentro de la medicina, ya que en 2024 el 78% de todos estos dispositivos estaban destinados a la especialidad de radiología. Y es que ahora mismo hay más de 700 modelos de IA para radiología aprobados por la FDA, que abarcan desde la detección de ictus hasta el cáncer de pulmón, la predicción de Hinton parecía encaminada a cumplirse. Sin embargo, los datos del mercado laboral no le terminaron dando la razón.
Número de plazas. En 2025, los programas centrados en la radiología diagnóstica en Estados Unidos ofrecieron un récord de 1.208 plazas, y casi todas se subieron, lo que indica una gran demanda. Lo mismo ocurre en España, donde la especialidad de 'Radiodiagnóstico' para el MIR 2026 cuenta con 315 plazas disponibles, que ya supone un aumento con respecto a la convocatoria anterior con 305 plazas y en 2023 287 plazas.
Esto nos hace preguntarnos algo muy sencillo: ¿por qué una especialidad que estaba condenada a 'morir' por culpa de la IA cada vez necesita de más personal? La respuesta está en que no sabemos exactamente lo que hace un radiólogo a día de hoy.
Mucho más que ver radiografías. Un radiólogo se puede concebir en la sociedad como un médico que se dedica a estar delante de una pantalla de un ordenador viendo imágenes todo el rato e ir a hacer radiografías simplemente dándole a un botón en la máquina. Pero esta no es para nada la realidad.
Aunque hay una buena parte de trabajo centrado en informar sobre las imágenes que se obtienen en TAC, resonancia u otras pruebas de imagen, la verdad es que en los últimos años están ganando mucha presencia en la intervención. A través de la radiología intervencionista, estos especialistas están realizando procedimientos mínimamente invasivos para embolsar tumores, tratar obstrucciones en una arteria o vena o drenar sistemas obstruidos como un riñón. Incluso en situaciones de emergencia también pueden ser vitales para embolsar un vaso sanguíneo que está sangrando.
Y lo mejor de todo siempre es que se hace con una simple incisión muy pequeña, por donde entran por ejemplo con un catéter y siempre guiados por ecografía o TAC. El hecho de ser mínimamente invasivos hace que las posibilidades de complicaciones se vean reducidas, así como tener una recuperación mucho más rápida.
Y es que hacer la típica cirugía abierta donde se hace una gran incisión en la piel y se ven todas las vísceras expuestas a las condiciones de hipotermia del quirófano no es lo mejor para la respuesta inflamatoria que se genera. Y aquí los radiólogos tienen mucho que decir.
Obviamente, también entra en juego otras tareas como por ejemplo la docencia a residentes o en las facultades de medicina, así como las consultas con otros servicios o la supervisión de nuevos estudios científicos.
Del benchmark a la consulta. Aunque a priori el modelo de IA puede superar a un humano en una prueba de rendimiento estandarizada, su eficacia se desploma en las caóticas condiciones de un hospital real o cuando la imagen cambia ligeramente a las que ella ha estudiado antes. Esto ocurre porque los modelos se entrenan con datos masivos pero muy filtrados. Las imágenes ene este caso son míticas y los diagnósticos son inequívocos. Pero en el mundo real el paciente se puede haber movido un poco, tener artefactos que confunden, como por ejemplo una grapa quirúrgica que se confunde con una hemorragia.
Un ejemplo histórico ilustra este fracaso. En los 90, los sistemas de "diagnóstico asistido por ordenador" (CAD) para mamografías fueron aprobados con gran fanfarria. Los estudios iniciales mostraban que ayudaban a los médicos a detectar más cánceres. Sin embargo, estudios clínicos a gran escala demostraron más tarde que, si bien los médicos que usaban CAD realizaban un 20% más de biopsias, no encontraban más casos de cáncer. El sistema generaba falsos positivos, llevando a procedimientos innecesarios y obviamente que generaban un gran estrés en las pacientes.
Los seguros. En países como Estados Unidos podemos ver cómo los médicos tratan de cubrirse muy bien sus espaldas porque la verdad es que históricamente se ha visto como los pacientes denuncian rápidamente y pueden conseguir indemnizaciones millonarias. En este caso, las aseguradoras todavía temen que un solo error en el algoritmo de las IA puedan afectar a miles de pacientes a la vez y esto genere una ola de indemnizaciones catastróficas.
Por ello, muchas pólizas incluyen cláusulas de "Exclusión Absoluta de IA", que especifican que la cobertura solo se aplica a diagnósticos revisados y firmados por un médico licenciado. Sin seguro, ningún hospital se arriesgará a dejar que un algoritmo tome la decisión final.
Paradoja de Jevons. Finalmente, la historia nos enseña que abaratar o acelerar una tarea a menudo conduce a que hagamos más de ella, un fenómeno conocido como la paradoja de Jevons. En la década de los 2000, la digitalización de la radiología (pasando de las placas físicas a los sistemas digitales) aumentó la productividad de los radiólogos hasta en un 98% para ciertos tipos de pruebas diagnósticas.
Ante este dato, todo podría hacer pensar que comenzaron a despedirse a los radiólogos, pero la realidad es que ocurrió todo lo contrario, ya que los médicos al ver que las pruebas de imagen comenzaban a llegar antes, pues la pedían en una mayor cantidad.
Con la IA podría ocurrir lo mismo. Si los algoritmos permiten a los radiólogos interpretar un TAC en la mitad de tiempo, el resultado probable no será que trabajen media jornada, sino que la demanda de TACs aumente para aprovechar esa nueva eficiencia. Aunque en este caso también interviene el hecho del tiempo que pasa el paciente en la máquina.
Extrapolable. En este caso de IA en el mercado laboral, la verdad que podemos sacar un conocimiento muy claro para otros mercados donde vemos esta amenaza en el día a día, como por ejemplo en el mundo de los programadores. ¿Provocará despidos si se integra la IA? Este ejemplo nos dice que no tiene por qué llegarse a ese extremo porque la demanda de necesidades irá aumentando porque si una empresa desarrolla una app puede que con la IA puedan llevar dos hacia adelante.
Vía | Work in Progress
Imágenes | National Cancer Institute
