Inteligencia artificialen odontología

Primero la historia, porque explica el presente: Turing en 1950, el verano de Dartmouth donde se acuñó el término, los sistemas expertos que funcionaban y nadie usó, los dos inviernos de la IA, y el salto de 2012 que abrió la puerta a todo lo que vino después. Con tres casos que conviene conocer antes de comprar nada: la predicción de Hinton sobre los radiólogos, un sistema médico que andaba bien y murió en el laboratorio, y el fracaso más caro de la IA en salud. Después, el mecanismo: qué es un modelo, cómo aprende, y por qué depende tanto de los datos con los que fue entrenado. El ciclo de entrenar, validar y probar, que parece un detalle técnico y es la clave para entender por qué un número de precisión puede no significar nada. Y la distinción que casi nadie hace bien entre digitalización, automatización e inteligencia artificial.

Tres cosas que se confunden todo el tiempo y que tienen implicancias clínicas y legales completamente distintas. Cómo leer críticamente las métricas con las que te presentan un sistema —sensibilidad, especificidad, valor predictivo— y por qué un número alto puede significar poco: entre otras cosas, porque hoy no existe forma de comparar dos productos, ya que cada uno mide sobre su propio conjunto de datos. El problema de la etiqueta, que es más profundo de lo que parece: un detector aprende de lo que marcaron odontólogos que no se ponen de acuerdo entre sí, así que su techo no es la verdad sino el acuerdo entre ellos. Y la distinción que la FDI viene señalando: que un sistema detecte mejor no significa todavía que el paciente esté mejor. Qué son las alucinaciones, por qué ocurren, y por qué una máquina puede equivocarse con absoluta seguridad.

Primero la parte que no brilla, que es la que más rápido te va a cambiar el día a día: turnos, facturación, documentación asistida, comunicación de rutina. Cuánto de todo eso es automatización pura, por qué funciona igual de bien sin inteligencia artificial, y por qué conviene saberlo antes de pagar sobreprecio por una etiqueta. Y la pregunta que decide una compra y casi nadie hace: si esto se integra con lo que ya tenés. Interoperabilidad en sus dos caras, la del formato y la del significado, con un ejemplo que muestra el tamaño del problema: la OMS y el ICDAS clasifican la caries con criterios distintos, así que dos sistemas pueden estar hablando de cosas diferentes con la misma palabra. Después sí, la parte vistosa: el estado real del diagnóstico asistido por imágenes, qué productos tienen autorización regulatoria y qué significa eso, y los sistemas de apoyo a la decisión clínica. Y un fenómeno nuevo: el paciente que llega con un «diagnóstico» que le dio una IA.

Qué pasa realmente con la historia clínica de tu paciente cuando usás una herramienta en la nube. Bases de datos, servidores, encriptación, explicados sin tecnicismos. La diferencia crítica entre una herramienta pública y una profesional. Y qué tenés que exigirle a cualquier sistema al que le confíes datos sensibles.

Qué significa la responsabilidad clínica cuando una máquina participó de la decisión. El sesgo de automatización: no el del algoritmo, sino el tuyo, esa erosión del criterio propio que aparece cuando se confía de más en una herramienta que casi siempre acierta —está estudiado desde la aviación y es la razón por la que el rendimiento del conjunto humano más máquina suele ser peor que el de la máquina sola en los ensayos—. Cómo se cuela el sesgo en un algoritmo y por qué puede reproducir inequidades en la atención. Los marcos que ya existen para gobernar esto: los seis principios de la OMS, el enfoque por riesgo de la Unión Europea y cómo regula la FDA el software como producto médico. Consentimiento informado en contextos de asistencia tecnológica. Y el límite —conceptual, no técnico— de lo que se le puede delegar a un sistema.

El marco sistemático para evaluar cualquier herramienta que te ofrezcan, construido sobre todo lo anterior, y en qué se transforma el rol del odontólogo en un entorno clínico asistido. Y el cierre, que es la pregunta de fondo: ¿puede una máquina tomar una decisión clínica? Para responderla hay que mirar primero qué hacemos nosotros cuando decidimos —los griegos tenían una palabra para eso, phronesis—, por qué un sistema que llega al mismo resultado no está haciendo lo mismo, y qué cambia el hecho de que detrás de una decisión haya alguien que responde por ella. Es la pregunta que explica por qué el juicio profesional, lejos de volverse prescindible, se vuelve más importante que nunca.