Tabla de contenido
Modelos médicos de IA en pediatría: prueba vs consultorio
Los modelos médicos de IA en pediatría sacaron 60 % en HealthBench y 8-13 % en casos raros. Por qué la prueba y el consultorio miden cosas distintas, explicado.
Dos números cuentan toda la historia de los modelos médicos de IA en pediatría. En HealthBench, la prueba de salud de OpenAI construida con 5.000 conversaciones realistas de varios turnos calificadas contra 48.562 criterios de rúbrica escritos por 262 médicos, el modelo o3 sacó 60 %, arriba del 32 % de GPT-4o y del 16 % de GPT-3.5 Turbo. En reportes de casos pediátricos raros, según una revisión de alcance de agosto de 2026 en el Journal of Medical Internet Research, los modelos de lenguaje lograron un acierto diagnóstico en primera opción de entre 8,2 % y 13,1 %. La misma tecnología, resultados tremendamente distintos, y la brecha entre esos números es lo más útil que un papá puede entender sobre la IA en el consultorio pediátrico.
Puntos clave
- HealthBench: 5.000 conversaciones de varios turnos, 48.562 criterios de rúbrica únicos, 262 médicos escribiendo las rúbricas, cubriendo emergencias, transformación de datos clínicos, salud global, precisión, seguimiento de instrucciones y comunicación.
- Puntajes: GPT-3.5 Turbo 16 %, GPT-4o 32 %, o3 60 %. GPT-4.1 nano superó a GPT-4o a un costo 25 veces menor, lo que importa para el despliegue.
- En junio de 2026 se reportó que modelos médicos de OpenAI superan a médicos en ciertas evaluaciones de referencia. El resumen que lo reportó no nombró las pruebas ni dio cifras, así que hay que tratar esa afirmación como no cuantificada.
- El contraste pediátrico: en reportes de casos pediátricos raros, el acierto en primera opción de los modelos de lenguaje fue de 8,2 % a 13,1 %, según una revisión de 81 estudios.
- Esa misma revisión encontró que solo 25,9 % de los estudios incluyó validación externa y 14,8 % evaluación prospectiva, y concluyó que los resultados muestran “promesa técnica, no efectividad clínica establecida”.
Qué mide HealthBench en realidad
Una prueba de referencia es un examen con una clave fija de respuestas. La construcción de HealthBench es inusualmente cuidadosa, y entenderla explica qué significa el puntaje y qué no.
Los investigadores crearon 5.000 conversaciones realistas de varios turnos, o sea intercambios de ida y vuelta y no preguntas sueltas. Para cada una, 262 médicos escribieron criterios de rúbrica que especifican qué debe incluir y qué debe evitar una buena respuesta, produciendo 48.562 criterios únicos en distintos contextos de salud. Los temas cubiertos incluyen emergencias, transformación de datos clínicos, salud global, precisión, seguimiento de instrucciones y comunicación.
El puntaje de un modelo es la fracción de criterios aplicables que satisface. Sesenta por ciento para o3 significa que cumplió el 60 % de lo que los médicos dijeron que requiere una buena respuesta. Ese es un número significativo y ganado a pulso, y el salto de 16 % a 60 % entre generaciones de modelos es progreso real.
Y esto es lo que no mide. Al modelo le entregan una conversación escrita. Nunca examinó al paciente, nunca vio si el niño estaba decaído o alegre, nunca palpó un abdomen, nunca observó la cara de un papá mientras describía el síntoma que más le preocupaba, y nunca decidió qué preguntar después estando en el cuarto con un bebé llorando.
Por qué el desempeño de los modelos médicos de IA en pediatría cae tanto
La pediatría es donde la transferencia de prueba a consultorio se vuelve más difícil, por razones específicas que vale nombrar.
Los niños no son adultos en miniatura. El metabolismo de medicamentos, los rangos normales de signos vitales, la presentación de enfermedades y el contexto de desarrollo cambian con la edad, y cambian de forma no lineal. Una frecuencia cardíaca alarmante en un niño de 12 años es normal en un bebé, como muestran las tablas de signos vitales pediátricos de MedlinePlus.
Muchas veces el paciente no puede describir el problema. Buena parte del diagnóstico pediátrico es inferencia desde evidencia indirecta: el relato de un papá, el comportamiento del niño, cómo come, cómo sostiene el cuerpo. Los modelos basados en texto reciben un resumen de segunda mano de una observación de segunda mano.
Los datos de entrenamiento subrepresentan a los niños. La literatura médica, los reportes de casos y los registros clínicos están muy cargados hacia adultos. Un modelo entrenado principalmente con medicina de adultos va a ser peor en pediatría en esa proporción.
Las condiciones raras dominan los casos difíciles. La cifra de 8,2 % a 13,1 % corresponde específicamente a reportes de casos pediátricos raros, que son las instancias más difíciles por construcción. En quejas pediátricas comunes los modelos funcionan bastante mejor, y ese matiz importa: la prueba que eliges determina el número que reportas.
La validación es delgada. La revisión del JMIR sobre 81 estudios encontró que 93,8 % reportó validación interna, solo 25,9 % validación externa y 14,8 % evaluación prospectiva. También marcó que los modelos basados en rostro y en lenguaje “pueden ser sensibles a la ascendencia y a las prácticas de documentación”, un problema de equidad que golpea fuerte en pediatría porque las presentaciones de los niños varían mucho según la población.
La analogía: un examen teórico de manejo contra una tormenta
Un examen teórico de manejo es una prueba real. Alguien que saca 60 % en él sabe genuinamente más que alguien que saca 16 %. Las preguntas las escribieron instructores, la clave es defendible y el puntaje significa algo.
Ahora pon a los dos en un auto de verdad, de noche, con lluvia fuerte, con un pasajero en pánico y con indicaciones confusas.
El examen teórico midió conocimiento, que es necesario. No midió percepción bajo incertidumbre, juicio físico, ni qué hacer cuando la situación no es ninguna de las categorías del examen. Las pruebas de referencia miden lo primero. Los consultorios requieren todo lo demás.
Prueba de referencia contra consultorio: qué mide cada una
| Dimensión | Prueba (HealthBench) | Consulta pediátrica real |
|---|---|---|
| Entrada | Texto de una conversación escrita | Examen físico, signos vitales, comportamiento, relato del papá, registros previos |
| Quién describe el problema | Una transcripción preescrita | Un papá preocupado, y a veces un niño que no habla |
| Incertidumbre sobre la entrada | Ninguna; el texto es el texto | Constante; los síntomas son ambiguos y cambian |
| Qué pasa después | Se registra el puntaje | Se piden estudios y una familia se va a casa con instrucciones |
| Consecuencia de una respuesta equivocada | Un porcentaje más bajo | Daño real |
| Casos raros | Un subconjunto del set de prueba | Justo los casos que más ayuda necesitan (8,2–13,1 % en primera opción) |
| Responsabilidad | Ninguna | La de un profesional con licencia |
| Razonamiento por edad | Incluido en algunos criterios | Determina casi cada dosis y cada umbral |
Un papá que lee esta tabla puede hacerle a su pediatra una pregunta genuinamente buena: ¿en cuál columna está operando la herramienta de IA que usas?
Cómo enseñarle esto a tu hijo
De 5 a 8 años: tarjetas contra la bicicleta
Hazle preguntas de seguridad en bici: qué significa el semáforo rojo, por qué lado de la calle, qué haces si un auto sale de golpe. Después salgan a andar. Va a responder bien las preguntas y de todos modos va a tambalearse en la primera esquina. Pregúntale cuál fue más difícil. Esa es toda la lección de prueba contra realidad, aprendida en una bici.
De 9 a 12 años: escribir su propio examen y después romperlo
Que tu hijo escriba un examen de diez preguntas sobre algo en lo que de verdad es bueno y te lo dé a ti. Después pregúntale: ¿hay algo en lo que eres bueno que tu examen no evalúa? Siempre hay. Esa brecha es exactamente lo que una prueba de referencia se pierde, y haber construido el examen él mismo hace que la idea se quede.
De 13 en adelante: leer la prueba y a sus críticos
El artículo de HealthBench es público. Que tu hijo encuentre el número de criterios de rúbrica y cómo se calcula el puntaje. Después que lea el resumen de la revisión pediátrica del JMIR y encuentre el porcentaje de validación externa. Pídele que escriba tres frases reconciliando un puntaje de 60 % en HealthBench con un 8,2 a 13,1 % de acierto en casos pediátricos raros. Ese es exactamente el razonamiento que debería hacer un periodista científico y muchas veces no hace.
La pregunta que debes hacer: “Si un modelo saca 60 % en un examen médico, ¿qué necesitarías saber antes de dejarlo ayudar a decidir algo sobre un niño real?”
¿Y en América Latina?
Aquí la brecha entre prueba y consultorio se cruza con otra brecha: la de acceso. En muchas zonas rurales y periurbanas de la región no hay pediatra, hay un médico general o un auxiliar de enfermería, y las esperas por especialista se miden en meses. En ese contexto, una herramienta que ayude a un médico general a decidir a quién derivar tiene un valor potencial mucho mayor que en un consultorio de Boston.
Y también un riesgo mayor. La revisión del JMIR advierte que la investigación está concentrada geográficamente en China y Estados Unidos y que el desempeño “puede verse influido por la composición de la base de datos, la ascendencia, la edad y la codificación del fenotipo”. Un modelo validado en poblaciones del norte, desplegado en niños andinos, mesoamericanos o afrodescendientes, puede fallar de formas que nadie midió. Vale ponerlo junto al dato educativo: el 56 % de los estudiantes colombianos usa IA cada semana, por encima del 46 % promedio de la OCDE, según Pulzo. La generación que va a usar estas herramientas en clínicas de la región ya está en el colegio.
Qué hacer en casa
Hacerle al pediatra la pregunta específica
No “¿usas IA?”, sino “¿hay alguna herramienta de IA involucrada en esta decisión, y quién revisa su salida?”. Un buen médico responde eso con tranquilidad. Nuestro panorama de lo que la IA ya hace en el diagnóstico pediátrico cubre lo que está desplegado de verdad, que es mayormente imagen y documentación, no diagnóstico.
No usar un chatbot como herramienta de triaje para un niño enfermo
Este es el punto práctico. La precisión medida en casos pediátricos difíciles es baja, el modelo no puede ver a tu hijo, y no tiene forma de pesar cómo se ve tu hijo ahora mismo, que es el dato más importante de una evaluación pediátrica. Nuestra guía de verificadores de síntomas con IA para niños cubre dónde ayudan y dónde no.
Enseñar el hábito del denominador
Cada puntaje de prueba tiene un conjunto de datos detrás. “60 % en HealthBench” y “13 % en casos pediátricos raros” son los dos verdaderos sobre modelos parecidos. Los niños que preguntan por reflejo “¿en qué prueba?” quedan equipados para una década de afirmaciones sobre IA.
Usarlo como señal de carrera, con honestidad
El cuello de botella que identifica la revisión del JMIR es la validación: externa, prospectiva, multicéntrica. Eso es un trabajo. La validación clínica de herramientas de IA es una especialidad en crecimiento, y es una respuesta genuinamente buena para un adolescente interesado en medicina y en computación a la vez.
Lo que no debes hacer
No le digas a tu hijo que la IA es mejor que los médicos, y tampoco que es inútil. Las dos cosas están mal de la misma manera: colapsan un resultado medido y específico de una tarea en una afirmación general. La versión precisa es que estos sistemas sacan buen puntaje en exámenes escritos de razonamiento médico, mucho peor en diagnóstico pediátrico difícil, y casi no se han probado de forma prospectiva en ninguna parte.
Qué observar en los próximos 3 meses
- Semana 4: tu hijo puede explicar la diferencia entre aprobar un examen sobre algo y poder hacerlo.
- Mes 2, señales de alerta: cita un puntaje de prueba como prueba de capacidad médica. Pregúntale qué había en el conjunto de prueba y si había niños ahí.
- Mes 3, autoevaluación: estén atentos a un estudio pediátrico prospectivo, o sea uno que probó un modelo con pacientes nuevos en tiempo real y no con expedientes viejos. Si aparece uno, el campo está madurando; la revisión del JMIR dice que solo 14,8 % de los estudios lo hizo.
Preguntas frecuentes
¿La IA de verdad superó a los médicos en exámenes médicos?
Un reporte de junio de 2026 dice que modelos médicos de OpenAI superan a médicos en ciertas evaluaciones de referencia clínica, pero el resumen que lo trae no nombró las pruebas ni dio números. Lo documentado es HealthBench: 5.000 conversaciones, 48.562 criterios escritos por médicos, con o3 en 60 % contra el 32 % de GPT-4o.
¿Por qué el desempeño pediátrico es tanto peor?
Cuatro razones: la fisiología de los niños cambia de forma no lineal con la edad, muchas veces el paciente no puede describir el problema, los datos de entrenamiento están cargados hacia adultos, y los casos pediátricos más difíciles son enfermedades raras. La cifra de 8,2 % a 13,1 % corresponde específicamente a reportes de casos pediátricos raros, la categoría más difícil.
¿Mi pediatra está usando IA ahora mismo?
Posiblemente, y lo más probable para documentación, análisis de imágenes o apoyo a la decisión clínica, no para diagnóstico. La FDA ha autorizado más de 800 dispositivos médicos con IA, cerca de 70 a 75 % en radiología. Preguntar directamente qué herramientas están involucradas y quién las revisa es una pregunta razonable y normal.
¿Debería preguntarle a un chatbot por los síntomas de mi hijo?
Para entender un término que usó el médico, o para preparar preguntas antes de una consulta, puede ayudar. Para decidir si un niño enfermo necesita ser visto, no. La precisión medida en casos pediátricos difíciles es baja, y el modelo no puede ver lo más informativo que existe: cómo se ve y cómo se comporta tu hijo en este momento.
¿Qué haría más fuerte esta evidencia?
Validación prospectiva, externa y multicéntrica. Eso significa probar un modelo con pacientes nuevos a medida que llegan, en instituciones que no construyeron el modelo, en poblaciones diversas. La revisión del JMIR sobre 81 estudios encontró que solo 25,9 % tenía validación externa y 14,8 % evaluación prospectiva, y por eso concluye que los resultados muestran promesa técnica y no efectividad clínica establecida.
Sobre el autor
Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.
Fuentes
- Arora, R. K., Wei, J., Soskin Hicks, R., et al. (2025). “HealthBench: evaluating large language models toward improved human health.” arXiv. https://arxiv.org/abs/2505.08775
- Zhao, J., Luo, J., Li, Q., & Chen, Y. (2026, 28 de agosto). “Machine Learning, Large Language Models, and Multimodal AI for Diagnosing Pediatric Rare Diseases: Scoping Review.” Journal of Medical Internet Research. https://pmc.ncbi.nlm.nih.gov/articles/PMC13524366/
- Crescendo AI, resumen de noticias de salud. (2026, 19 de junio). Reportes de modelos médicos de OpenAI superando a médicos en pruebas clínicas. https://www.crescendo.ai/news/ai-in-healthcare-news
- U.S. Food and Drug Administration. Lista de dispositivos médicos habilitados con inteligencia artificial. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices
- NBC News. (2026, 18 de junio). “AI helped Boston Children’s Hospital diagnose rare diseases in kids.” https://www.nbcnews.com/tech/innovation/ai-boston-childrens-hospital-diagnose-rare-diseases-kids-openai-rcna350387
- MedlinePlus (NIH). Signos vitales y rangos normales por edad. https://medlineplus.gov/spanish/ency/article/003399.htm
- Pulzo. (2026, septiembre). “Estudiantes en Colombia lideran uso de IA, según la OCDE.” https://www.pulzo.com/tecnologia/inteligencia-artificial-en-la-educacion-estudiantes-en-colombia-lideran-uso-de-ia-segun-la-ocde-PP5296043A
