Estados Unidos plantea ya examinar dispositivos de IA como evalúa a los médicos
Una propuesta, no una regla definitiva
La iniciativa fue conocida el 18 de agosto a través de un documento de discusión compartido con Axios. La FDA solicita observaciones a pacientes, profesionales, hospitales, investigadores y desarrolladores sobre una posible evaluación basada en competencias para dispositivos que incorporen inteligencia artificial generativa.
El planteamiento toma como referencia la forma en que se examina a un profesional: no basta con comprobar conocimientos aislados, sino que se evalúa si puede desempeñar tareas concretas con seguridad. Para una IA médica, las competencias podrían incluir resumir una historia, identificar información urgente, proponer un diagnóstico diferencial o recomendar los siguientes pasos.
No se propone reconocer personalidad, licencia profesional ni autonomía clínica a una máquina. La FDA seguiría regulando un producto y a su fabricante. El paralelismo con los médicos sirve para estructurar pruebas de desempeño, responsabilidades y límites de uso.
Por qué la IA generativa plantea un problema distinto
Un programa tradicional suele producir una salida delimitada a partir de entradas definidas: por ejemplo, marcar una posible lesión en una imagen. Un sistema generativo puede recibir texto, imágenes y datos clínicos, mantener una conversación y redactar respuestas diferentes incluso ante consultas parecidas.
Esa flexibilidad complica las pruebas. Un conjunto fijo de preguntas puede revelar precisión media sin mostrar cómo responde el dispositivo ante instrucciones ambiguas, pacientes con varias enfermedades, información incompleta o intentos de inducir una respuesta insegura.
Además, una frase correcta puede resultar peligrosa si omite una urgencia, expresa una certeza injustificada o recomienda una dosis sin considerar la función renal. Evaluar solo si el diagnóstico final coincide con una etiqueta de referencia dejaría fuera razonamiento, comunicación, incertidumbre y capacidad de derivación.
Actividad clínica y gravedad del daño
El marco descrito combina dos ejes. El primero es la actividad que realizará la IA: documentación, cribado, diagnóstico, tratamiento o seguimiento, entre otras posibilidades. El segundo es la gravedad del daño que podría causar una salida incorrecta.
Un error gramatical en un resumen administrativo no tiene el mismo riesgo que omitir una hemorragia intracraneal, recomendar un fármaco contraindicado o tranquilizar a una persona con signos de sepsis. Cuanto mayor sea la consecuencia potencial, más exigentes deberían ser las pruebas y la supervisión.
El fabricante tendría que definir la población, el entorno, los usuarios y los límites previstos. Una herramienta validada para ayudar a radiólogos en un hospital no quedaría automáticamente demostrada para atender directamente al público, trabajar en pediatría o operar con imágenes procedentes de equipos diferentes.
Contra quién debe compararse una máquina
Una pregunta central es el estándar de referencia. Comparar con un especialista experto puede ser apropiado para una tarea de alto riesgo; en otros casos podría utilizarse el desempeño de varios profesionales, un protocolo clínico o un consenso adjudicado por un panel.
Los médicos tampoco coinciden siempre. Si los casos son ambiguos, una única respuesta considerada “correcta” puede penalizar alternativas razonables. Las pruebas necesitarían medir sensibilidad, especificidad, calibración de la confianza y frecuencia de omisiones peligrosas, además de la coincidencia con una conclusión final.
También importa la combinación entre humano y sistema. Una IA con una precisión aceptable de forma aislada puede empeorar la atención si genera automatismo, distrae o presenta sus resultados con excesiva seguridad. Por el contrario, una herramienta imperfecta podría aportar valor si detecta casos que el profesional revisa antes de actuar.
Evaluación durante todo el ciclo de vida
La FDA ya defendió en enero de 2025 un enfoque que cubre diseño, desarrollo, documentación, transparencia, sesgo y vigilancia después de la comercialización. En aquel momento había autorizado más de 1.000 dispositivos con componentes de IA a través de sus vías ordinarias, según la comunicación oficial de la agencia.
Esa cifra engloba sobre todo algoritmos de aprendizaje automático y no implica que más de 1.000 productos generativos conversacionales estén autorizados. Los dispositivos deben demostrar seguridad y eficacia para una finalidad concreta, aunque utilicen IA.
Una evaluación basada en competencias podría continuar después de la entrada al mercado. Cambios en hospitales, historiales electrónicos, prevalencia de enfermedades o lenguaje de los usuarios pueden deteriorar el rendimiento. El fabricante necesitaría detectar deriva, documentar actualizaciones y comunicar nuevos riesgos.
Sesgo, privacidad y respuestas variables
Las pruebas deben representar edades, sexos, tonos de piel, discapacidades, idiomas y enfermedades relevantes para la indicación. Un promedio elevado puede esconder fallos sistemáticos en un grupo poco representado, precisamente donde el dispositivo podría ampliar desigualdades preexistentes.
La privacidad plantea otra exigencia. Las conversaciones pueden contener diagnósticos, medicación, genética e información familiar. La evaluación regulatoria del dispositivo no sustituye obligaciones de seguridad, minimización de datos, control de accesos y notificación de incidentes.
Los sistemas generativos pueden producir afirmaciones plausibles pero falsas. En salud, una “alucinación” no es solo un defecto textual: puede inventar un resultado, confundir unidades o atribuir al paciente un antecedente inexistente. Las pruebas de competencia deberían medir si el sistema reconoce cuándo carece de información y solicita revisión humana.
Lo que cambiaría para fabricantes y hospitales
Para los desarrolladores, el marco exigiría describir capacidades como afirmaciones verificables, no como promesas generales de inteligencia. “Ayuda a resumir notas” tendría que acompañarse de población, condiciones, tipos de error, métricas y procedimientos de supervisión.
Los hospitales seguirían teniendo responsabilidades propias antes de desplegar un producto: comprobar compatibilidad con sus datos, formar al personal, establecer quién revisa las respuestas y definir cómo detener su uso ante un incidente. Una autorización federal no garantiza que el desempeño sea idéntico en cada centro.
Los pacientes necesitarían saber cuándo interviene una IA, qué función desempeña y quién responde por la decisión. La transparencia no exige revelar cada detalle técnico, pero sí evitar que una respuesta generada se confunda con una valoración médica independiente cuando todavía necesita revisión.
Próximos pasos regulatorios
El documento abre una conversación técnica. Después de recibir comentarios, la FDA podría conservar, modificar o abandonar partes del planteamiento y convertirlas eventualmente en una guía. Una guía orientaría a la industria, mientras una obligación jurídicamente vinculante podría necesitar otros procedimientos.
Persisten preguntas sobre la frecuencia de reevaluación, el tratamiento de actualizaciones, los comparadores adecuados y el acceso de investigadores externos a datos de desempeño. También deberá definirse cuándo una herramienta es un dispositivo médico regulado y cuándo realiza una función administrativa fuera de ese perímetro.
La propuesta no rebaja el estándar de seguridad ni reemplaza ensayos clínicos cuando resulten necesarios. Su importancia radica en reconocer que una IA generativa no puede juzgarse únicamente mediante una prueba estática: debe demostrar que ejecuta cada competencia prevista, identifica sus límites y conserva un rendimiento aceptable en el mundo real.