Investigación conjunta de Boston Children’s, Harvard y OpenAI
IA reanaliza archivos y ayuda a encontrar diagnósticos raros
Inicio
Una madre pasa años sin una respuesta sobre la enfermedad de su hijo; archivos y resultados quedan dispersos y nadie encuentra la causa.
Un equipo usó una herramienta de inteligencia artificial para volver a revisar expedientes antiguos y logró dar pistas que llevaron a diagnósticos en casos que llevaban años sin resolver.
Qué ocurrió
El 18 de junio de 2026 se publicó en NEJM AI un estudio que combinó datos clínicos desidentificados y pruebas genéticas de 376 casos pediátricos no resueltos.
Investigadores del Manton Center de Boston Children’s, Harvard y OpenAI emplearon el modelo de razonamiento OpenAI o3 Deep Research para generar hipótesis con evidencia vinculada.
Tras la revisión de especialistas y pruebas de confirmación en laboratorio, 18 casos recibieron un diagnóstico adicional (4.8% de los casos).
Qué cambia en la práctica
Búsqueda más rápida de pistas — El modelo priorizó variantes y las relacionó con los síntomas, lo que ayudó a los expertos a enfocar pruebas complementarias en menos tiempo que revisar todo desde cero.
Diagnósticos que antes se pasaban por alto — En varios casos la IA conectó señales fragmentadas en los registros, como inferir una deleción cromosómica no listada previamente; un ejemplo confirmado fue una 22q11.2 asociada a síndrome de DiGeorge.
Cierre para familias con trayectorias largas — Pacientes como Kyra, con síntomas desde la infancia y casi veinte años sin diagnóstico, recibieron una explicación genética (por ejemplo, una variante en HSPB8 que explica su miopatía), lo que aportó cierre y posibilidad de consejo genético.
Cómo funciona
La IA actúa como una capa de razonamiento que une síntomas estandarizados, historial familiar y anotaciones sobre variantes genéticas para proponer hipótesis justificadas; los humanos siguen siendo responsables de revisar la evidencia, ordenar pruebas confirmatorias y comunicar resultados a las familias.
Lo que no está resuelto
El estudio fue retrospectivo y limitado: no mide cuánto tiempo o dinero ahorra realmente el método, ni evaluó todos los tipos de variación genética.
El modelo no dio diagnósticos por sí solo; cada propuesta requirió revisión clínica y confirmación en laboratorio.
Quedan por probarse escalabilidad, precisión prospectiva y el manejo de falsos positivos en entornos reales.
Cierre
El trabajo muestra que la IA puede ampliar la mirada de los especialistas y hacer viable la revisión periódica de archivos clínicos.
No sustituye a médicos ni a pruebas de laboratorio, pero abre la puerta a herramientas que ayuden a que pistas antiguas no se pierdan entre la acumulación de datos.
Por qué importa
- Impacto en negocio: puede reducir costos de reanálisis al focalizar pruebas.
- Impacto en usuarios: más familias podrían obtener respuestas tras años sin diagnóstico.
- Impacto en industria: impulsa el desarrollo de copilotos genéticos y estudios multicéntricos.
Nota de Transparencia
Esta nota fue escrita con apoyo en herramientas de IA. La fuente fue aprobada por Diario Occidente y el contenido final fue revisado por un miembro del equipo de redacción.
Sobre la autora
Rosa María Agudelo Ayerbe es directora del Diario Occidente, periodista y comunicadora social con más de 35 años de experiencia en medios de comunicación.
Especialista en administración y finanzas, cuenta además con estudios de maestría en transformación digital y especialización en inteligencia artificial.
Ha liderado procesos de innovación y transformación digital en medios de comunicación, combinando periodismo, tecnología y estrategia empresarial.
Desde su experiencia analiza el impacto de la inteligencia artificial, la comunicación digital y las tendencias tecnológicas que están redefiniendo la forma en que trabajamos, aprendemos y tomamos decisiones.
Estas notas se apoyan en un agente de investigación basado en inteligencia artificial, diseñado para monitorear semanalmente avances, lanzamientos y debates clave del sector.
El contenido es posteriormente leído, analizado, contextualizado y validado editorialmente antes de su publicación.
Este proceso forma parte del mecanismo de actualización continua que permite interpretar los desarrollos tecnológicos desde una mirada periodística, crítica y comprensible para audiencias no especializadas.