Existe una forma habitual de presentar un modelo de IA: ejecutarlo, mostrar el resultado y dar por terminado el ejercicio.

Para el simposio de Los Cobos Medical Center (DJ) optamos por un enfoque distinto: someter el modelo a la revisión directa de un radiólogo con experiencia específica en imagen cardíaca y contrastar sus resultados en tiempo real. En un modelo a que aún no ha sido liberado.

Con DeepCAC2 hicimos exactamente eso. No fue una demostración cerrada, sino una sesión de trabajo: el output del modelo en pantalla y la lectura humana en paralelo, comparadas serie por serie.

Una precisión necesaria desde el inicio: los casos utilizados provienen de datasets públicos, no de pacientes de ninguna institución. Esto nos permitió exponer el estudio completo y discutirlo con un nivel de detalle que un caso clínico real rara vez permite en un espacio público, sin comprometer confidencialidad alguna apesar no tener aun acceso al dashboard final.

Qué hicimos, en concreto

El ejercicio se estructuró en tres etapas:

1. Procesamiento con DeepCAC2 sobre el estudio de calcio coronario, generando de forma automatizada el score de Agatston, la agrupación por nivel de riesgo y el detalle de placas individuales por volumen.
2. Lectura independiente del mismo estudio por parte del radiólogo cardíaco, siguiendo el procedimiento estándar: revisión corte por corte, ubicación de calcio por territorio coronario (tronco, descendente anterior, circunfleja, coronaria derecha), en TAC no engatillados.
3. Comparación de ambas lecturas, serie por serie, identificando coincidencias, subestimaciones y errores del modelo.

La tercera etapa concentró el mayor valor del ejercicio.

Cómo funcionó en la práctica

DeepCAC2 no entrega un único valor. Genera una tabla desglosada por serie, con el número de placas identificadas, el volumen individual de cada una, el volumen total y la categoría de riesgo correspondiente — una diferencia sustancial frente al software de calcio convencional, que típicamente reporta solo un Agatston global.

El desglose por serie expone además un problema operativo que la lectura manual suele resolver de forma menos sistemática: no todas las series de un estudio son válidas para el cálculo de calcio. Localizadores, reformateos y capturas de pantalla son identificados por el modelo como series no puntuables y excluidos automáticamente del cálculo, en lugar de introducir ruido en el resultado final. Para cualquier flujo de trabajo que dependa de revisar manualmente qué series son útiles, esto representa una reducción concreta de tiempo.

Qué mostró el feedback del radiólogo

Esta etapa fue la más reveladora.

El radiólogo cardíaco confirmó que el modelo ubicaba correctamente la mayoría de las placas, con tamaño, densidad y clasificación de riesgo consistentes con su propia lectura. También identificó puntos que requieren supervisión activa:

• Calcio de origen no coronario. El modelo, en ausencia de revisión humana, puede sobreestimar el score al incluir calcio valvular (mitral, aórtico), calcio de la pared aórtica o artefactos por movimiento y por material metálico (stents, clips, marcapasos). Hasta esternon!
• Casos límite en placas de tamaño reducido. Cuando una placa se ubica cerca del umbral de detección, el criterio del modelo y el del radiólogo no siempre coinciden.
• Prioridad de la imagen sobre el número. En varios casos, cuando el resultado del modelo no correspondía con lo observado en la imagen, el criterio aplicado fue claro: prevalece la imagen.

Este último punto resume el objetivo del ejercicio: el modelo reduce el trabajo repetitivo y acelera la lectura, pero no sustituye el criterio del radiólogo frente al estudio.

El valor de "Agatston below zero"

El Agatston convencional opera con un umbral fijo, definido en 1990: una placa debe superar 130 unidades Hounsfield y un área mínima de 1 mm² para ser contabilizada. Por debajo de ese umbral, la placa no se incorpora al score, aunque exista y sea visible en la imagen.

Esto no es una hipótesis teórica. Un estudio publicado en 2026 en el American Journal of Preventive Cardiology — que combinó datos de dos cohortes prospectivas de referencia, el Multi-Ethnic Study of Atherosclerosis (MESA) y el Framingham Heart Study — cuantificó exactamente esta brecha. Sobre 3.965 personas con Agatston convencional de 0, un modelo de IA (Agatston-2.0, con puntuación voxel a voxel sin umbral fijo) detectó calcio coronario medible en el 21.7% de ellas — es decir, una de cada cinco personas clasificadas como "sin calcio" en realidad tenía placa presente, solo que por debajo del umbral de detección del score tradicional.

La diferencia no fue solo estadística: fue clínica. A 20 años de seguimiento, quienes tenían ese calcio subumbral detectado por IA presentaron una incidencia de enfermedad coronaria de 7.7%, frente a 3.8% en quienes realmente tenían cero calcio — más del doble. Después de ajustar por los factores de riesgo tradicionales, esa asociación se mantuvo (HR 1.71, IC 95% 1.18–2.47). El mismo grupo con calcio subumbral también mostró casi el doble de riesgo de progresar a un Agatston positivo en el tiempo.

En palabras de los propios autores, esto redefine el "power of zero" — la premisa clínica de que un Agatston de 0 implica riesgo cardiovascular muy bajo. Lo que el estudio muestra es que dentro de ese grupo de "cero" hay en realidad dos poblaciones distintas: una con riesgo verdaderamente bajo, y otra — aproximadamente una de cada cinco — con calcio real que el score tradicional no está viendo.

Esto es, en esencia, lo mismo que DeepCAC2 intenta capturar a nivel de caso individual: placa que el ojo humano y el umbral clásico pueden pasar por alto, cuantificada de forma continua en vez de binaria.

Conclusiones

Lo observado en nuestra sesión de trabajo no es un hallazgo aislado. Es consistente con lo que ya muestra la evidencia publicada más reciente: un estudio de 2026 sobre casi 4.000 personas con Agatston en cero encontró que una de cada cinco en realidad tenía calcio coronario detectable por IA, y que ese subgrupo tuvo más del doble de eventos coronarios a 20 años frente a quienes efectivamente no tenían calcio. La dirección está clara, y ya no descansa solo en la promesa de la tecnología — descansa en resultados de seguimiento a dos décadas, publicados por el mismo equipo que ayudó a crear el score original.

Lo que estamos construyendo con DeepCAC2 es la validación de ese mismo principio en nuestro contexto: con datasets propios, con la supervisión de un radiólogo cardíaco local en cada paso, y con el criterio de no publicar una cifra propia hasta que esté lista para sostenerse. El dashboard de Leonard va a consolidar en números lo que este ejercicio muestra caso por caso — y todo indica que va a confirmar lo que la evidencia internacional ya viene señalando: que el "cero" del Agatston tradicional no siempre significa cero riesgo, y que cuantificarlo mejor cambia decisiones clínicas reales.

Por qué esto importa para TACs no engatillados

Esta es la aplicación con mayor potencial de las que discutimos: el uso de DeepCAC2 sobre tomografías de tórax no engatilladas — es decir, adquiridas sin sincronización ECG, por indicaciones que no tienen relación con estudio coronario.

Se realizan a diario un volumen considerable de TACs de tórax por indicaciones no cardíacas — estudio de nódulo pulmonar, valoración prequirúrgica, tamizaje de cáncer de pulmón. En esos estudios, el corazón y las arterias coronarias están presentes en la imagen, pero no se cuantifican, porque el protocolo no fue solicitado con ese fin.

Un modelo capaz de cuantificar calcio de forma confiable sobre un TAC no engatillado convierte cada uno de esos estudios en una oportunidad de detección oportunista de riesgo cardiovascular — sin adquisición adicional, sin radiación extra y sin depender de que se solicite explícitamente el protocolo de calcio. Es una aplicación en la que el modelo no sustituye un flujo de trabajo existente, sino que extrae valor adicional de uno que ya ocurre de forma rutinaria.

Qué podemos mejorar

El ejercicio también dejó identificadas líneas de trabajo pendientes:

• Validación consolidada aún pendiente. El caso presentado en el simposio fue documentado en profundidad, pero no constituye una validación del desempeño global de DeepCAC2. Esa validación depende del dashboard final que está desarrollando por su autor (LN), y cualquier cifra agregada anterior a esa publicación sería prematura.
• Ampliación del set de casos, con variabilidad de calidad de imagen y niveles de calcificación, más allá de un caso individual bien documentado.
• Automatización de la separación de calcio no coronario, reduciendo la dependencia de la revisión manual para esta tarea.
• Sistematización de casos límite, actualmente resueltos por criterio del radiólogo en la sesión de trabajo, con el objetivo de convertirlos en criterio explícito del modelo.

Lo que estamos llegando con DeepCAC2 es la validación de esa evidencia en nuestro contexto: con datasets propios, con la supervisión de un radiólogo experto (DJ) en imagenes cardíacas enlocal en cada etapa, y con el criterio de no publicar una cifra hasta que esté en condiciones de sostenerse. Esa cifra está en desarrollo: el dashboard de su author (LN) consolidará en números lo que este ejercicio muestra caso por caso.

Cuando ese dashboard esté publicado, antes de finalizar el año (se encuentra en etapa final de correcion editorial) será el primer conjunto de datos consolidado sobre este modelo con este entorno. El caso presentado en Los Cobos Medical Center tiene pontencial de funcionar a escala.

Deepcac2: https://arxiv.org/pdf/2603.24633

mhub: https://mhub.ai/

Los Cobos Medical Center : https://simposio.angaritarad.com/taller

Below zero: https://www.sciencedirect.com/science/article/pii/S2666667726002734

Antes de conectar cualquier modelo a un flujo de trabajo clínico real, hay que medir. Esto es lo que encontré cuando lo hice. Los errores de reportes existen por eso los Addendums.

Soy radiólogo. Y como radiólogo sé que los errores en los reportes no son la excepción — son una realidad sistémica que la profesión lleva décadas intentando controlar. La tasa global de error diagnóstico se estima entre el 3 y el 5% anual: aproximadamente 40 millones de errores diagnósticos al año en el mundo. El 75% de las demandas por responsabilidad médica contra radiólogos involucra este tipo de fallas.

Pero hay un detalle que me parece crítico y que a veces se pierde en esa estadística: entre el 60 y el 80% de esos errores no son de conocimiento clínico. No son diagnósticos difíciles que cualquier radiólogo habría errado. Son errores mecánicos — el reporte que dice "izquierda" cuando el hallazgo es derecho, el campo de medición que quedó vacío, el hallazgo crítico descrito en el cuerpo del texto que nunca llegó a la conclusión.

Cuando uno de esos errores sale del departamento, el mecanismo correctivo es el addendum. Un documento que corrige el reporte original después de que el médico tratante ya lo leyó y tomó decisiones con él. El error ya llegó al clínico. El daño potencial ya ocurrió.

Eso es lo que quiero interceptar. Y la pregunta que me hice fue simple: ¿puede un modelo de lenguaje detectar esos errores antes de que yo firme?

Para saberlo, diseñé un benchmark.

La taxonomía: qué errores quería detectar

Antes de evaluar cualquier modelo, tuve que definir con precisión qué estaba midiendo. Trabajé sobre dos marcos de referencia establecidos en la literatura: la clasificación de Renfrew et al. (1992), que propone 12 tipos de error según su origen cognitivo y comunicacional, y la clasificación de Brook et al. (2010), que incorpora factores sistémicos más allá del error humano individual.

De ahí construí una taxonomía operacional centrada en los errores detectables por análisis de texto — es decir, errores que no requieren acceso a las imágenes para identificarse. La organicé en tres categorías:

Término incorrecto — el reporte dice algo equivocado. Lateralidad invertida, órgano inconsistente con el sexo del paciente, grado de clasificación discrepante entre hallazgos y conclusión, errores léxicos del sistema de reconocimiento de voz.

Término ausente — falta algo que debería estar. Un hallazgo descrito en el cuerpo que no aparece en la conclusión, una lesión sin medidas, una pregunta clínica de la indicación que nunca fue respondida.

Campo incompleto — el campo existe en la plantilla pero no fue llenado. Medidas en blanco, unidades no especificadas, dosis radiológica no registrada.

En total: 24 tipos de error clasificados, cada uno con su categoría, su clase de Renfrew correspondiente, y su nivel de severidad según impacto clínico potencial.

El benchmark: cómo lo diseñé

La decisión metodológica clave

Decidí correr el benchmark sin ejemplos few-shot en el prompt. Eso significa que los modelos recibieron las 24 reglas de clasificación pero ningún ejemplo de cómo aplicarlas. El objetivo era medir el rendimiento base de cada arquitectura antes de cualquier optimización — establecer el piso real desde el cual partir.

Evalué tres familias de modelos con escalas de parámetros distintas: uno mediano, uno grande, y uno compacto de alta eficiencia. Los corrí desde el mismo servidor de producción que va a operar el sistema definitivo, para que las mediciones de latencia fueran representativas de condiciones reales y no de un entorno de laboratorio.

Los casos de prueba

Construí cinco reportes radiológicos sintéticos con errores conocidos y verificables. Los redacté en español colombiano, con la terminología y los patrones de dictado propios del contexto latinoamericano — porque si el sistema va a funcionar en Colombia, tiene que ser probado en las condiciones de Colombia.

Las métricas

Para comparar los modelos usé las métricas estándar de recuperación de información: precisión (de lo que detectó, ¿qué era real?), recall (de lo que era real, ¿qué detectó?) y F1 como media armónica de ambas. También medí latencia promedio y proyecté el costo mensual a 800 estudios.

Los resultados: lo que encontré

El modelo mediano — el que mejor funcionó

El rendimiento fue heterogéneo. Excelente en TC-04 (F1 del 75%), donde los errores eran directamente observables en el texto. Cero en TC-03 y TC-05, que requerían razonamiento contextual cruzado entre secciones. Lo que me llamó la atención: cuando detectó algo, lo detectó con especificidad. Su precisión del 45% con recall del 65% me dice que el modelo tiende a ser conservador — cuando emite una detección, generalmente tiene razón, aunque se le escapen cosas.

El modelo grande — el resultado más sorprendente

Este fue el hallazgo más contraintuitivo de todo el ejercicio: el modelo más grande tuvo el peor F1. Al revisar las respuestas caso por caso encontré el patrón: en cuatro de cinco casos, el modelo devolvió listas de los errores 1 al 5 o 1 al 6 — los más comunes estadísticamente — independientemente de lo que decía el reporte específico que había recibido. No estaba leyendo el texto. Estaba respondiendo lo que le parecía más probable que hubiera en un reporte radiológico genérico.

El modelo compacto — rápido pero insuficiente

En cuatro de cinco casos no detectó nada — devolvió arrays vacíos. Solo en TC-01, el caso más morfológicamente obvio (un órgano anatómicamente imposible para el sexo del paciente), tuvo detección parcial. Su latencia de 4.7 segundos lo hace interesante como filtro rápido en una arquitectura de dos etapas, pero solo — no es suficiente.

Lo que aprendí

El tamaño del modelo no predice el rendimiento en tareas especializadas

Este es probablemente el aprendizaje más importante, y el que más me sorprendió. Intuitivamente uno esperaría que más parámetros impliquen mejor razonamiento. Pero en esta tarea específica — aplicar 24 reglas de clasificación sobre texto médico en español con contexto clínico — el modelo grande sobre-generaliza. Tiene tanta capacidad de generar respuestas plausibles que, sin señal contextual suficiente, produce la respuesta "más esperada" para el dominio en lugar de razonar sobre el texto concreto que recibió.

El modelo mediano, con menos capacidad de generalización, resulta paradójicamente más honesto: cuando no sabe con certeza, no inventa.

La implicación práctica es clara: la selección del modelo para una tarea de dominio especializado no puede hacerse en función del número de parámetros ni del rendimiento en benchmarks generales. Requiere evaluación empírica en el dominio específico.

Sin few-shot, los modelos adivinan la distribución de errores más común

El benchmark sin ejemplos establece el piso. La literatura en prompting documenta consistentemente que la incorporación de few-shot mejora el F1 entre 20 y 35 puntos porcentuales en tareas de clasificación estructurada. Para el modelo seleccionado, eso proyecta un F1 de entre 51% y 66% con un prompt optimizado que incluya ejemplos representativos de los 24 tipos de error.

La adaptación supervisada al dominio con datos reales — reportes etiquetados por radiólogos — es el paso siguiente, con un objetivo de F1 superior al 75% basado en estimaciones de la literatura.

La latencia es el condicionante real, no el F1

La latencia de 13.4 segundos del modelo seleccionado es consecuencia directa del tamaño del prompt: aproximadamente 6,400 tokens de sistema en la versión base, que subirán a más de 8,000 con los ejemplos few-shot. Con esos números, no es posible implementar respuesta síncrona — el radiólogo no puede esperar 13 segundos antes de firmar cada reporte.

La consecuencia es que la fase inicial de despliegue tiene que ser asíncrona: el reporte se envía al sistema al finalizar el dictado, el análisis corre en background, y la alerta llega por canal dedicado sin interrumpir el flujo de firma. El radiólogo ve la alerta, la revisa, y decide. Sin fricción en el proceso.

La respuesta síncrona — que el sistema devuelva el resultado antes de que el radiólogo pueda firmar — solo se vuelve viable cuando se reduzca la latencia a menos de 5 segundos. Eso requiere que el modelo internalice las reglas de clasificación en sus pesos en lugar de recibirlas en el contexto en cada llamada.

El costo de inferencia no es una variable de decisión

A 800 estudios por mes, la diferencia de costo entre el modelo ganador y el más barato es de $0.51 mensuales. Incluso a 12,500 estudios mensuales, el costo total no supera los $9 USD. El costo no es el problema.

Una cosa que el benchmark no captura — y que descubrí en producción

Los valores de F1 no cuentan toda la historia. Hay algo que aprendí al conectar el sistema a un workflow de automatización real que no aparece en ninguna tabla de resultados: el consumo de tokens tiene consecuencias arquitectónicas que van mucho más allá del costo.

El prompt completo con las 24 reglas más los ejemplos few-shot suma alrededor de 6,400 tokens de entrada por cada reporte. El reporte en sí añade 200-400 tokens más, y la respuesta estructurada en JSON otros 400. En total: entre 7,000 y 7,800 tokens por análisis. A 800 estudios mensuales, son más de 6 millones de tokens al mes. A escala de un centro de alta complejidad con 12,500 estudios, la cifra supera los 90 millones mensuales.

El costo sigue siendo marginal — eso ya lo discutí. Pero ese volumen de tokens en el prompt de sistema es exactamente el responsable de los 13 segundos de latencia. Y esa latencia es lo que hace inviable la respuesta síncrona hoy.

La consecuencia práctica: reducir el consumo de tokens no es solo una decisión de costo — es una decisión de arquitectura clínica. Un modelo que haya internalizado las reglas necesita un prompt de ~200 tokens en lugar de 6,400. La latencia cae a 3-5 segundos. Y con esa latencia, la alerta puede llegar antes de la firma.

Eso es lo que viene en el futuro.

Limitaciones

Siendo honesto: este benchmark es pequeño. Cinco casos sintéticos no son representativos de la distribución real de errores en un servicio de radiología en producción. Los valores de F1 que reporté no son generalizables — son una línea de referencia.

Además, corrí el benchmark sin ajuste de temperatura ni otros hiperparámetros, y sin few-shot. Eso es intencional — quería el rendimiento base — pero significa que los números van a cambiar, y esperablemente para mejor, cuando optimice el prompt.

Lo que sí es válido: la comparación relativa entre modelos, la observación sobre el comportamiento de sobre-generalización del modelo grande, y la implicación arquitectónica de la latencia. Eso no cambia con más casos de prueba.

Conclusiones

Tres cosas quedaron claras después de este ejercicio:

Primero: los modelos de escala mediana pueden detectar errores mecánicos en reportes radiológicos en español con un rendimiento base aceptable como punto de partida. No es suficiente para producción todavía, pero es suficiente para empezar a capturar datos reales.

Segundo: el tamaño del modelo no predice el rendimiento en tareas de dominio especializado. Hay que medir en el dominio. Siempre.

Tercero: la latencia de inferencia — no el F1 — es el principal determinante de cómo se puede integrar el sistema en el flujo clínico. Un sistema con F1 moderado que no interrumpe el trabajo del radiólogo es más viable que uno más preciso que lo frena.

Estos resultados son consistentes con los hallazgos reportados en mi trabajo presentado en RSNA 2025 junto con Acosta-Buitrago et al. en la sesión M2-QI-4 de la RSNA 2024 (Enhancing Radiology Reporting Accuracy With AI-Driven Error Detection):

En este trabajo que exploró con php, n8n una arquitectura similar y documentó reducciones significativas de error en los tipos 2, 10 y 19 — lateralidad, pregunta clínica no respondida, y hallazgo prioritario ausente en conclusión — que coinciden exactamente con los casos donde mi sistema mostró el rendimiento más variable. Leer ese trabajo después de correr mi propio benchmark fue una de esas coincidencias que confirman que uno está mirando el problema correcto.

Lo que viene ahora es la validación clínica real: reportes de verdad, de-identificados, con radiólogos reales etiquetando los resultados. Cada confirmación y cada rechazo va a un dataset de correcciones que eventualmente va a permitir que el modelo aprenda las reglas en lugar de recibirlas en el prompt. Cuando eso pase, la latencia baja, la alerta llega antes de la firma, y el sistema deja de ser una herramienta de monitoreo para convertirse en una segunda revisión real antes de que el reporte salga del departamento.

Ese es el objetivo. Este benchmark fue el paso cero. Vendrás mas en el futuro...

Esta publicación pienso será el proceso de desarrollo de RAD·QC, un sistema de control de calidad automatizado para reportes radiológicos. El sistema analiza únicamente el texto del reporte después de un proceso de anonimización, sin acceso a imágenes diagnósticas ni participación en decisiones clínicas. El radiólogo retiene siempre la autoridad final!!

Por Miguel Angarita, radiólogo e implementador de IA clínica

DataCamp acaba de lanzar una competencia que me detuvo en seco: predecir cada partido del Mundial 2026 — marcador exacto, córners, tarjetas — usando machine learning. El premio es una camiseta oficial y una suscripción a Claude. El reto real, según ellos mismos, es que ni con IA puedes lograr un puntaje perfecto. Demasiadas variables. Demasiado caos.

Eso me sonó exactamente igual a lo que pasa en radiología todos los días.

Lo que pide la competencia

El torneo se expande este año a 48 equipos con 104 partidos. La competencia pide predecir resultados desde la fase de grupos hasta la final, con un sistema de puntos que premia la precisión: un marcador exacto otorga el máximo de puntos, mientras las predicciones cercanas aún suman algo. Los partidos en rondas posteriores tienen multiplicadores de hasta ×16 para la final.

El modelo que gane no solo acertará más partidos — sabrá cuánta incertidumbre hay en cada predicción y la gestionará bien.

El paralelo que nadie está haciendo

Cuando un modelo de datos predice el marcador Brasil vs. Argentina, está procesando esto:

• Historial de enfrentamientos directos
• Rendimiento reciente de cada equipo
• Lesiones, formaciones, sede del partido
• Variables contextuales (cansancio, fase del torneo)

Cuando un modelo de IA en radiología analiza una tomografía de tórax, está procesando esto:

• Historial de imágenes previas del paciente
• Características actuales del nódulo (tamaño, densidad, bordes)
• Variables clínicas (edad, tabaquismo, laboratorios)
• Contexto institucional (equipo, protocolo, operador)

La arquitectura es la misma. La lógica es la misma. Lo que cambia es el dominio.

Ambos son problemas de predicción con datos incompletos, ruido inherente y consecuencias reales si el modelo falla.

Lo que el fútbol le enseña a la medicina

En el fútbol nadie espera que el modelo acierte el 100%. Un modelo que predice bien el 60-65% de los partidos ya es extraordinario — y todos lo saben. Por eso el sistema de puntos da crédito parcial: predecir 2-1 cuando salió 2-0 sigue valiendo algo.

En medicina hacemos lo contrario: exigimos certeza o sospechamos del modelo.

Eso es un error de calibración, no un problema de la IA.

Los mejores sistemas de IA clínica que conozco funcionan como el sistema de puntos del Mundial: no dicen "hay cáncer" o "no hay cáncer". Dicen "probabilidad 78%, hallazgos compatibles con malignidad de bajo grado, recomiendo correlación con PET". Eso es un modelo honesto con su propia incertidumbre.

Los datos que alimentan cada sistema

Los modelos de fútbol se entrenan con décadas de partidos internacionales. Los modelos de imágenes médicas se entrenan con millones de estudios anotados. En los dos casos, la calidad del etiquetado de los datos históricos determina el techo del modelo.

Un dataset de partidos con estadísticas mal registradas produce predicciones malas. Un dataset de imágenes con diagnósticos inconsistentes entre radiólogos produce modelos que replican esa inconsistencia.

Lo que los radiólogos podemos aprender de esto

Tres cosas concretas que la competencia de DataCamp me deja:

1. Predecir no es adivinar. El concursante que gane no adivinó — construyó un modelo con variables relevantes, limpió sus datos y entendió qué factores realmente importan. En radiología hacemos lo mismo cuando integramos IA: el modelo no adivina, calcula.

2. La incertidumbre es información, no fracaso. El sistema de puntos premia las predicciones cercanas porque reconoce que la realidad es compleja. Un modelo de IA que dice "probabilidad 62%" no está fallando — está siendo honesto. Un modelo que siempre dice 0% o 100% debería preocuparnos más.

3. Los multiplicadores de ronda importan. En el Mundial, equivocarse en la final cuesta 16 veces más que en la fase de grupos. En radiología, el equivalente es el contexto clínico: equivocarse en un paciente inmunocomprometido con fiebre no es lo mismo que en un control rutinario. Los buenos sistemas de IA clínica saben ponderar el costo del error según el contexto.

Por qué esto me importa como médico latinoamericano

La competencia de DataCamp tiene un detalle que me pareció simbólico: el premio incluye una suscripción a Claude Enterprise. Es decir, la plataforma de data science más grande del mundo está usando el Mundial para enseñarle a sus usuarios cómo funcionan los modelos predictivos — y lo hace con algo que todo el mundo entiende: fútbol.

Eso es exactamente lo que necesitamos hacer en medicina. No esperar que los médicos latinoamericanos aprendan machine learning desde cero. Mostrarles que ya entienden la lógica — porque la usan cada vez que interpretan una probabilidad pre-test, ajustan un diagnóstico diferencial o pesan la evidencia de un estudio.

La IA no es una caja negra mágica. Es un modelo de predicción entrenado con datos históricos que opera en condiciones de incertidumbre.

Como un buen analista del Mundial — pero con consecuencias que importan más que el marcador.

Datacamp link del concurso: https://www.datacamp.com/competitions/world-cup-prediction?src=data-ai-world-cup

Miguel Angarita es radiólogo, implementador de IA clínica en Colombia y Centroamérica, y fundador de AngaritaRad, programa de entrenamiento en agentes de IA para médicos latinoamericanos.

Antes de poder entrenar un modelo, tienes que saber cuál modelo merece ser entrenado.

Esa frase suena obvia, pero en la práctica es la parte que más se ignora.

Cuando empecé a construir agentes de control de calidad para reportes radiológicos, cometí el error clásico: elegí un modelo por reputación, lo integré directamente al flujo clínico, y asumí que funcionaría bien. Funcionó… más o menos. El problema es que "más o menos" no es un estándar aceptable cuando el agente tiene que detectar si el reporte menciona un ovario en un paciente masculino o si una lesión hepática de 28 mm quedó fuera de la conclusión.

Necesitaba benchmarking real. Y para eso necesitaba poder llamar a varios modelos, con casos clínicos reales, sin armar infraestructura desde cero para cada uno.

Ahí entró Together.ai.

El problema con el benchmarking de modelos en radiología

Comparar modelos de lenguaje para casos clínicos no es lo mismo que comparar chatbots generales. En radiología, los errores tienen categorías, severidades y consecuencias clínicas. Un error crítico —como confundir lateralidad o reportar un órgano que fue extirpado quirúrgicamente— no es equivalente a un error menor de formato.

Para hacer un benchmark útil necesitas:

1. Casos clínicos con errores conocidos e intencionados (ground truth)
2. Un prompt de sistema que defina reglas de evaluación clínica precisas
3. Llamar a múltiples modelos con los mismos casos
4. Medir precisión, recall y F1 por modelo, no solo "la respuesta suena bien"
5. Calcular latencia y costo real para poder tomar decisiones de producción

Nada de esto requiere un modelo propietario. Pero sí requiere acceso fácil a múltiples modelos con una API unificada.

Together.ai: una API, docenas de modelos

Together.ai es una plataforma de inferencia serverless que da acceso a modelos open-source de alto rendimiento —GPT-OSS, Mistral, LLaMA, Qwen, DeepSeek y muchos más— bajo una sola API compatible con el estándar OpenAI.

Lo que eso significa en la práctica: cambias el nombre del modelo en una línea de código y ya estás probando otro.

No hay que crear cuentas separadas, manejar diferentes formatos de respuesta, ni lidiar con SDKs distintos. El endpoint es el mismo. La estructura del request es la misma. Solo cambia el model.

Para benchmarking, eso es transformador.

Cómo lo usé en la práctica

Construí un benchmark con cinco casos clínicos de radiología, cada uno con errores conocidos clasificados según 24 reglas de control de calidad: errores críticos (órgano incorrecto para el sexo del paciente, lateralidad errónea, hallazgo no mencionado en la conclusión), errores mayores (mediciones vacías, lesión sin dimensiones, ausencia de contraste), y errores menores (sin mención de portabilidad, sin dosis de radiación).

El agente recibe cada reporte, lo analiza con el prompt de sistema, y devuelve un JSON estructurado con los errores detectados, severidad, evidencia textual y sugerencia de corrección.

Con Together.ai pude correr ese benchmark contra tres modelos —un modelo de 20B parámetros, uno de 120B y Mistral 3 14B— en paralelo, sobre los mismos cinco casos, midiendo:

• F1 score por caso y promedio global
• Latencia media y mínima
• Costo real por 800 estudios al mes (volumen representativo de una clínica mediana en Latinoamérica)

Los resultados mostraron diferencias significativas entre modelos que ningún "vistazo subjetivo" habría revelado: el modelo más costoso no era el más preciso. El más rápido tenía un recall aceptable para errores críticos pero fallaba en errores mayores. Y el más económico tenía una relación costo-F1 que lo hacía candidato serio para producción.

Sin Together.ai, esa comparación habría tomado semanas de integración. Con Together.ai, tomó horas.

Por qué el modelo serverless importa

La arquitectura serverless de Together.ai no es solo un detalle técnico. Tiene implicaciones concretas para proyectos clínicos:

Sin costo de infraestructura. No hay servidores que administrar, ni GPUs que alquilar, ni Docker containers que mantener para los modelos de inferencia. Pagas por token consumido, nada más.

Escalabilidad instantánea. Si mañana quieres correr el mismo benchmark con 500 casos en lugar de 5, la plataforma lo absorbe sin que toques nada. Para validaciones clínicas más amplias —que eventualmente son necesarias antes de producción— eso es crítico.

Ciclos de iteración cortos. En desarrollo de agentes clínicos, el ciclo es: hipótesis → prueba → ajuste de prompt → prueba → evaluación. Cada iteración que tarda horas en lugar de días acelera el aprendizaje clínico real.

Base para fine-tuning. Este es el punto que más me interesa. El benchmarking no es el destino; es el primer paso. Una vez que sabes qué modelo base tiene el mejor perfil para tu caso de uso, puedes tomar los mismos casos del benchmark —con sus errores conocidos y sus respuestas JSON correctas— y usarlos como datos de entrenamiento para fine-tuning. Together.ai también ofrece fine-tuning sobre sus modelos base. Es el mismo ecosistema, el mismo formato, la misma API.

Lo que aprendí sobre elegir modelos para agentes clínicos : F1 no es fórmula 1!

Después de correr benchmarks con varios modelos y casos, hay tres cosas que cambié en cómo pienso la selección:

El F1 importa más que el score subjetivo. Los modelos tienden a dar scores de 70-80/100 a casi cualquier reporte, incluso con errores graves. Lo que diferencia modelos es la capacidad de detectar errores específicos con alta precisión. Un modelo que detecta 7 de 10 errores esperados con 0 falsos positivos es mejor que uno que detecta 10 con 4 falsos positivos.

La latencia tiene contexto clínico. En un flujo de validación asincrónica, 3 segundos de latencia no importan. En un agente que revisa reportes en tiempo real mientras el radiólogo dicta, sí importa. Mide latencia con el contexto del flujo clínico en mente.

El siguiente paso: fine-tuning con datos propios

El benchmark no es el producto final. Es la selección del candidato.

Una vez identificado el modelo base con mejor perfil para detección de errores en reportes radiológicos, el siguiente paso es fine-tuning con casos propios del contexto latinoamericano: terminología clínica en español, patrones locales de dictado, errores frecuentes en la práctica real de radiología colombiana y centroamericana.

Together.ai facilita exactamente eso: el mismo ecosistema donde hiciste el benchmark es donde puedes entrenar. Los datos que generaste en el proceso de evaluación —reportes con errores conocidos, respuestas JSON correctas, clasificaciones clínicas— son los datos de entrenamiento.

Es un flujo coherente de principio a fin. Bienvenidos a la F1!

Miguel Angarita es radiólogo e implementador de IA clínica. Trabaja con clínicas y hospitales en Colombia y Centroamérica en la integración práctica de agentes de inteligencia artificial en flujos radiológicos. Es fundador de AngaritaRad.

Así funciona el agente personal del radiólogo construido sobre NemoClaw y OpenClaw: desde la recepción de estudios por WhatsApp hasta la entrega del reporte firmado, con modelos de IA médica de mHub.ai y seguridad NVIDIA en cada capa.

NemoClaw, NVIDIA Healthcare, IA Radiología, OpenClaw, mHub.ai, Agente de Salud, Teleradiología, PACS, Gobernanza IA

Hace unos meses me hice una pregunta incómoda: si un paciente me envía una radiografía por WhatsApp a las once de la noche o si tengo un caso muy difícil durante el turno a quien le puedo consultar?, ¿qué pasa con ese estudio? ¿Quién lo clasifica, quién lo procesa, quién garantiza que el reporte llegue con trazabilidad y sin que el dato del paciente quede flotando en algún servidor que no controlo?

La respuesta honesta era: nadie. O peor, yo manualmente, sin ninguna capa de automatización ni de gobernanza. Puedo buscar revision del tema en ChatGPT o Claude pero no puedo enviar la imagen ni la IA me puede ayudar.

Ese problema es exactamente lo que resolví construyendo un agente de salud sobre NemoClaw y OpenClaw de NVIDIA. Lo que describo en este artículo no es un concepto ni un paper académico.

Es el sistema que estoy usando ya que simplifique los canales de comunicación a Whatsapp y Discord pues el radiólogo no va. usar terminal ni código.

El problema real del flujo radiológico actual

El radiólogo moderno opera en varios canales simultáneamente. Llegan estudios por el PACS institucional, por plataformas de teleradiología, por correo, y sí, también por WhatsApp en contextos de práctica privada o de baja complejidad. Cada canal tiene su propio formato, su propia urgencia, su propia lógica de respuesta.

El resultado es un flujo fragmentado donde el radiólogo actúa como integrador manual de todo ese caos. Clasifica, prioriza, interpreta, redacta, firma y entrega. Cada paso a mano. Cada paso con riesgo de omisión.

La pregunta que me hice no fue cómo automatizar la interpretación — los modelos de IA médica ya existen y son buenos. La pregunta fue cómo construir una capa de orquestación que conecte canales, modelos, sistemas hospitalarios y al radiólogo humano de manera segura, trazable y escalable. Y por supuesta usando eses cvanales de comunicación diarios que no sean accequibles a personal no médico si los llegasen a utilizar.

La arquitectura: cinco capas que trabajan juntas

El sistema que construí tiene cinco capas claramente diferenciadas, cada una con una responsabilidad específica.

La primera es la capa de canales de comunicación.

El sistema recibe estudios, imágenes y reportes a través de WhatsApp y Discord. No porque sean las plataformas más elegantes, sino porque son donde ya operan los pacientes, los técnicos y los médicos referentes en la práctica real. El agente escucha estos canales y convierte cada mensaje entrante en un evento estructurado.

La segunda es la capa de agentes de salud, construida sobre NemoClaw y OpenClaw.

Aquí viven cinco agentes especializados: el Agente de Imágenes, el Agente de Reportes, el Agente de Triage, el Agente de Notificaciones y el Agente de Gestión de Casos. Cada uno tiene un rol definido y opera de forma coordinada bajo la orquestación de OpenClaw. NemoClaw envuelve todo esto en un sandbox con políticas de seguridad, control de red y almacenamiento seguro de credenciales.

La tercera es la capa de orquestación y herramientas.

OpenClaw gestiona la automatización de tareas entre agentes. OpenShell aplica las políticas de seguridad y controla qué recursos puede tocar cada agente. El sistema de Memoria y Conocimiento permite que el agente recuerde contexto clínico acumulado por paciente o por tipo de estudio. Los Plugins y Skills extienden las capacidades del agente sin romper el sandbox de seguridad.

La cuarta es la integración con modelos de IA médica a través de mHub.ai.

Esta es la capa de inteligencia real sobre las imágenes. Los modelos procesan radiografías, tomografías y resonancias para detectar patologías, segmentar estructuras anatómicas, realizar mediciones automáticas y clasificar y priorizar estudios por urgencia. El resultado de cada análisis incluye detección de hallazgos, interpretación asistida, score de confianza y sugerencias de reporte. Todo esto llega al agente como contexto estructurado, no como una caja negra.

La quinta capa es el radiólogo!

Y aquí está el punto más importante de toda la arquitectura: el radiólogo no desaparece. Recibe los resultados e informes ya procesados, los valida, complementa la interpretación con su criterio clínico, y firma el reporte. La IA hace el trabajo pesado de procesamiento; el radiólogo hace el trabajo que solo un médico puede hacer.

El flujo de trabajo completo, paso a paso

El ciclo completo de un estudio en este sistema tiene 6 momentos.

En la recepción, el agente recibe imágenes por los canales web de RIS/PACS o al correo y reportes debe ser generados por la misma pataforma. SIn embargo los canales configurados — WhatsApp o Discord (esteúltimo casi nadie lo usa!) — y los registra como cnales para preguntarles a colegas o buscar por metadatos de origen, hora y tipo de estudio.

En la clasificación, el radiólogo puede localmente tener su skill de Claude o Openclaw en la nube mediante un VPS donde el Agente de Triage prioriza y categoriza el estudio, durante este primer paso elimina los datos de identificación del paciente sin dejar rastro.

En el procesamiento de IA hay dos caminos:

Usando los modelos de mHub.ai analizan las imágenes y generan hallazgos estos se conectan a los agentes que evaluan el proceso teniendo en cuenta los recursos del PC local o de la nube.

Por ejemplo, un TAC de pulmón en una ventana puede tener 35 Mb de espacio! por eso en local es mejor que en la nube!!!. Pero a veces es mejor procesar 1 estudio a la vez en la nube lo cual es posible.

Este es el paso más intensivo computacionalmente y donde la inferencia sobre NVIDIA Endpoints aporta la potencia necesaria para modelos de segmentación y detección en tiempo real. asi como depende de los recursos de la nube.

En la revisión humana, el radiólogo recibe el estudio ya procesado con los hallazgos de IA, el score de confianza y las sugerencias de reporte. Revisa, valida y complementa con su interpretación clínica. No empieza desde cero; empieza desde un borrador inteligente. AL texto propuesta es el que viaja por los canales de comunicación simepre y quedan guardados en un canal de Discord para evitar perder el hilo de la comunicación en chats de Whatsapp.

En el reporte final, se genera el documento estructurado con hallazgos, conclusiones y la firma del radiólogo. El formato es configurable según los requerimientos del sistema de destino.

En la entrega y registro, el reporte se entrega por el canal correspondiente y se registra en los sistemas hospitalarios — PACS, RIS, HIS o EMR — con trazabilidad completa del proceso.

Por qué NemoClaw es la pieza que hacía falta

Antes de NemoClaw, el mayor riesgo de este tipo de arquitectura era la fuga de datos. Un agente que recibe imágenes de pacientes por WhatsApp, las procesa con modelos externos y entrega reportes tiene múltiples puntos donde datos sensibles pueden escapar del perímetro controlado.

NemoClaw resuelve esto con tres mecanismos concretos:

El sandbox de aislamiento garantiza que el agente corre en un entorno con Landlock, seccomp y namespaces de red propios. Ninguna comunicación hacia el exterior ocurre sin una política explícita aprobada.

La gestión de credenciales asegura que las claves de API del PACS, de mHub.ai, de los canales de comunicación y de cualquier sistema externo nunca quedan expuestas en texto plano dentro del agente.

El monitoreo de actividad registra cada acción del agente en logs auditables. Para una práctica que debe responder ante auditorías de calidad o incidentes de seguridad, esto es trazabilidad real, no declarada.

El resultado es un sistema que puede operar en entornos de teleradiología, en hospitales con PACS y RIS, con agentes hospitalarios externos, y con sistemas HIS y EMR, manteniendo en todo momento el control sobre qué datos se mueven y hacia dónde.

Además del proceso la idea de los reportes es poder unificar y mejorar esas inteligencia de la generaciónd e reportes por cada radiólogo por eso cada proceso es automejorado para que se aumente la calidad de interpretación y lectura la siguiente vez y el administrador del hospital puede tener un "Daily Digest" de los procesos.

Los beneficios que justifican la inversión

Automatización de flujos y reducción de errores. El paso manual de clasificar, enrutar y preparar cada estudio desaparece. El agente lo hace en segundos y sin omisiones.

Integración unificada de canales, IA y humanos. WhatsApp, Discord, PACS y RIS hablan el mismo idioma dentro del sistema. El radiólogo tiene una sola interfaz de revisión sin importar de dónde vino el estudio.

Trazabilidad completa del proceso. Cada estudio tiene un registro de quién lo recibió, cuándo fue procesado, qué modelo lo analizó, qué score de confianza arrojó y quién firmó el reporte. Esto no es solo buena práctica clínica, es protección legal.

Escalabilidad para teleradiología y hospitales. El mismo sistema que funciona para una práctica privada de un radiólogo puede escalar a un servicio de teleradiología con decenas de médicos y miles de estudios diarios, sin cambiar la arquitectura base.

Una nota importante sobre el estado actual

NemoClaw está actualmente en fase alpha.

Esto significa que las APIs pueden cambiar entre versiones y que no está recomendado para producción clínica crítica todavía. Lo que describo en este artículo es un sistema en piloto activo, no un producto terminado.

El momento de aprender esta arquitectura y construir sobre ella es ahora, antes de que se convierta en el estándar. Los que lleguen tarde llegarán a implementar lo que otros ya probaron.

Lo que sigue

En el curso de IA aplicada a Radiología de septiembre 2026 vamos a construir este sistema en vivo. NemoClaw, OpenClaw, mHub.ai y modelos NVIDIA operando sobre casos clínicos reales, con gobernanza demostrable y flujo completo desde la recepción hasta el reporte firmado.

Si estás en radiología y quieres entender cómo esta arquitectura puede entrar en tu práctica o en tu hospital, ese es el espacio donde lo vamos a trabajar juntos.

NemoClaw sobre OpenClaw = Automatización, Inteligencia y Control en el flujo de imágenes y reportes.

There's a document in radiology that everyone knows about and nobody talks about. It's not a breakthrough paper or a new protocol. It's a correction slip — the addendum — and it represents something the profession would rather forget existed. This document doesnt need to exist anymore dut to AI.

Radiologists are extraordinarily good at their work. They spend years learning to see what others cannot: the shadow that doesn't belong, the margin that should be sharper, the density that tells a story. They interpret thousands of images. They carry enormous responsibility on relatively quiet shoulders. There is also Burnout!

And yet, somewhere in every radiology department, in every country, in every language, reports go out with errors that should never have left the building.

Not missed diagnoses. Not subtle findings that could challenge anyone. We're talking about the report that says "left" when the lesion is on the right. The report where the conclusion doesn't mention the critical finding buried in the findings section. The report where the measurement reads "__ cm" because the number was never filled in. The report written for a uterus that belongs to a patient who doesn't have one.

These are not cognitive failures. These are not the tragic, complex perceptual errors that fill academic literature. These are mechanical errors — the kind that happen when a human being is asked to perform a task at a pace and volume that no human being was designed to sustain.

And for each one, somebody has to write an addendum.

The Addendum Is a Symptom, Not the Problem

Most conversations about radiology errors go immediately to the big picture: cognitive bias, perceptual failures, the limits of human attention under fatigue. These are real and worth discussing. But they've become so dominant in the literature that a quieter, more tractable problem has been largely ignored.

A radiologist interpreting one image every three to four seconds — as studies have documented — is not making thoughtful decisions about every template field. They are dictating, correcting, moving, dictating again. Speech recognition systems introduce words that don't exist in medical vocabulary. Comparative studies go unmentioned because there's no moment to pause and verify prior imaging exists. A finding is described in precise anatomical detail in the body of the report and then simply... not carried into the conclusion.

These errors are preventable. Not reducible. Not manageable. Preventable.

And the addendum — that small, somewhat embarrassing document — is how we've historically handled them. A radiologist is notified. They review. They issue a correction. The corrected report is sent. Time has passed. Decisions may already have been made.

The addendum is the profession's way of catching what slipped through. It works, in the way that a bucket under a leaking roof works. It addresses the water on the floor without addressing the leak.

What AI Can Actually Do Here

There is no shortage of articles explaining what AI might do for radiology — replace radiologists, read every CT simultaneously, eliminate the need for human interpretation altogether. The discourse tends toward either utopian replacement or defensive dismissal.

Both miss the point.

The genuinely interesting question is narrower and more practical: what if AI could read every report as it is being written and catch the mechanical errors before the report leaves the system?

Not interpret the images. Not make the diagnosis. Not replace the radiologist's judgment. Tex only!! Simply read the text of the report — just the body, without any patient data — and verify a checklist that the human brain, under pressure, sometimes skips.

Is the laterality in the conclusion consistent with the laterality in the findings? Was a measurement entered where the template required one? Does the clinical question posed in the referral appear somewhere in the conclusion? Is contrast media mentioned if the study required it? Is there an organ referenced that conflicts with the surgical history documented in the clinical summary?

These are not judgment calls. They are consistency checks. They are the kind of verification that a very attentive resident might perform — if they had time, if they were in the room, if they were reviewing every single report before it went out.

AI can be that resident. For every report. Every time.

Zero Addendums Is Not an Aspiration. It's an Engineering Problem.

The errors that generate addendums are almost entirely classifiable. Researchers have identified and categorized them in detail: wrong laterality, wrong organ, empty measurement fields, mismatched anatomy between findings and conclusion, findings not carried into the conclusion, clinical question unaddressed, identical text repeated between sections, discrepant classification grades.

Each of these is detectable programmatically. Not with complex deep learning models analyzing pixel arrays — with language models reading text, understanding structure, and flagging inconsistencies.

The architectural model is straightforward: a report is generated. Before it is signed and released, the body of the report — stripped of all identifying patient information — passes through an AI layer. That layer returns a structured analysis: here is what appears inconsistent, here is what appears missing, here is what appears contradictory between findings and conclusion.

The radiologist sees this analysis before signing. Not a rejection of their work. Not a second-guessing of their diagnosis. A quick-read quality check, the kind that takes seconds to review, that catches what fatigue or volume or dictation error introduced.

The report that goes out is the corrected version. No addendum necessary.

This is not a radical reimagining of radiology. It is the same process that exists now, minus the latency. Instead of catching the error after the report is released, you catch it before. The addendum doesn't disappear because standards changed or radiologists became more careful. It disappears because the system no longer allows the report to leave before basic consistency has been verified.

The Human Factor Doesn't Go Away — It Gets Protected

There is a version of this conversation that radiologists rightly resist: the framing that errors are a human failure that technology must correct. That version is both inaccurate and counterproductive.

The errors we're describing are not the result of radiologists being careless. They are the result of a system that has scaled image volume without scaling the conditions under which radiologists work. A professional asked to interpret thousands of images per shift, managing dictation systems, prior imaging review, critical result communication, and report formatting simultaneously, is going to have reports leave their desk with mechanical inconsistencies. This is not a character flaw. It is a predictable output of an impossible input.

What AI introduces into this equation is not oversight of the radiologist. It is protection of them.

The radiologist who dictates "right" when they mean "left" because they've been reading for six hours is not a worse radiologist than they were at hour one. They are a radiologist who needed a system that could catch that particular error at that particular moment. The AI layer is not there to judge — it is there to function as the colleague who reads over your shoulder and says, quietly, before you hit send: "Hey — did you mean the other side?"

That colleague, historically, has not existed at scale. Now it can.

The Standard Should Be Higher Than "We Caught It"

In most industries, catching an error after delivery is not considered a quality system. In radiology, the addendum has been normalized as an acceptable part of the workflow — evidence that the system works, that errors are identified and corrected.

But an addendum means a report with an error was released. It means a clinician read something incorrect. It means a patient's care, for some window of time, was based on wrong information.

The standard the profession should hold itself to — and that technology now makes achievable — is not "we corrected it." It is "it never went out wrong."

That is not a utopian standard. It is an engineering one.

Zero addendums from mechanical report errors is not the elimination of human fallibility. It is the intelligent deployment of a layer that exists for one purpose: to ensure that what the radiologist meant to say is, in fact, what the report says.

Radiologists are not failing at their jobs. The systems around them are failing to protect the work they do.

That is the problem AI should be solving. And it can.

The errors that generate addendums are classifiable, detectable, and preventable. What changes is not the radiologist — it's the moment of intervention. The era of addendum has come to an end with AI!

En la práctica diaria, la mayoría de los archivos relevantes —informes, documentos, bases de datos o material académico— se concentran en unas pocas carpetas del computador. Esto permite construir un sistema de respaldo mucho más simple, controlado y eficiente que las soluciones tradicionales.

En un Mac, es posible crear este sistema utilizando la Terminal, una herramienta nativa - que asusta al principio pero kuego no puede vivir sin ella- y que permite ejecutar instrucciones directas muy. rapidas esas ventanas no cierran aun cuando el mac se cierra. Aunque puede parecer técnica al inicio, en realidad se trata de un proceso corto y repetible que, una vez configurado, funciona prácticamente solo.

El primer paso consiste en preparar el disco externo donde se almacenará el respaldo. -Conectarlo es el primer paso- Una vez conectado, se verifica su nombre con el comando:

ls /Volumes

Esto muestra todos los discos disponibles. A partir de ahí, se utiliza ese nombre para crear una estructura organizada dentro del disco, donde se almacenarán los archivos:

mkdir -p /Volumes/NOMBRE_DISCO/Backup_Mac/Documents
mkdir -p /Volumes/NOMBRE_DISCO/Backup_Mac/Desktop
mkdir -p /Volumes/NOMBRE_DISCO/Backup_Mac/Downloads

Con esta estructura creada, se ejecuta el proceso de copia. Para ello se utiliza una herramienta llamada rsync, que tiene la ventaja de copiar únicamente los cambios y no duplicar archivos innecesariamente. Los comandos básicos son:

rsync -avh ~/Documents/ /Volumes/NOMBRE_DISCO/Backup_Mac/Documents/
rsync -avh ~/Desktop/ /Volumes/NOMBRE_DISCO/Backup_Mac/Desktop/
rsync -avh ~/Downloads/ /Volumes/NOMBRE_DISCO/Backup_Mac/Downloads/

Yo quería guardar solo mis docs, lo que tengo en el escritorio y lo que he decargado, aunque me puse a borrar archivos de apps descargables que no son necesarios conservar....

La primera vez, este proceso puede tardar dependiendo del volumen de información. Sin embargo, en ejecuciones posteriores, solo se copian los archivos nuevos o modificados, reduciendo el tiempo a minutos.

Para hacerlo realmente útil en el día a día, el sistema puede automatizarse. Esto permite que el respaldo se ejecute automáticamente cada vez que se conecta el disco externo, sin necesidad de intervención manual. Se logra creando un pequeño script que contiene los comandos anteriores:

nano ~/backup_light.sh

Dentro de ese archivo se incluye:

#!/bin/bash

DEST="/Volumes/NOMBRE_DISCO/Backup_Mac"

if [ -d "/Volumes/NOMBRE_DISCO" ]; then
    mkdir -p "$DEST/Documents" "$DEST/Desktop" "$DEST/Downloads"

    rsync -avh ~/Documents/ "$DEST/Documents/"
    rsync -avh ~/Desktop/ "$DEST/Desktop/"
    rsync -avh ~/Downloads/ "$DEST/Downloads/"
fi

Después de guardarlo, se le da permiso de ejecución:

chmod +x ~/backup_light.sh

Finalmente, se configura el sistema operativo para que este script se ejecute automáticamente al detectar el disco. Para ello se crea un archivo de configuración:

nano ~/Library/LaunchAgents/com.backup.light.plist

Con el siguiente contenido:

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN"
"http://www.apple.com/DTDs/PropertyList-1.0.dtd">

<plist version="1.0">
<dict>

    <key>Label</key>
    <string>com.backup.light</string>

    <key>ProgramArguments</key>
    <array>
        <string>/Users/TU_USUARIO/backup_light.sh</string>
    </array>

    <key>StartOnMount</key>
    <true/>

</dict>
</plist>

Aca debes salir del nano con" Comand O "Y se activa con:

launchctl load ~/Library/LaunchAgents/com.backup.light.plist

A partir de este punto, el sistema queda automatizado. Cada vez que el disco externo se conecta, el respaldo se ejecuta sin intervención del usuario!!!

Si te parece complejo manten siempre abierto ChatGPT o Claude y te guiarán en el proceso.

Un punto clave es que no puedes cambiarle el nombre a tu disco pues el proceso solo corre a este nombre!

La recuperación de archivos es directa y no requiere procesos complejos. Basta con abrir el disco externo, navegar hasta la carpeta correspondiente —Documents, Desktop o Downloads— y copiar de vuelta el archivo necesario. No hay restauraciones completas ni pasos intermedios. El acceso es inmediato y transparente.

Este enfoque representa una alternativa práctica a los sistemas tradicionales de backup. Reduce el uso de espacio, evita duplicaciones innecesarias y mantiene el control sobre la información. Para un entorno clínico, donde la claridad y la confiabilidad son fundamentales, este tipo de solución ofrece una forma simple y robusta de proteger el trabajo diario sin añadir complejidad innecesaria!!!

PD: Puedes comprar un Disco duro de menor tamaño normalmente los documentos y archivos no ocupan tanto espacio y manten el backup de fotos y de videos con tu cloud (Apple o Google).

¿Qué es OpenClaw?

OpenClaw* es un sistema de inteligencia artificial que funciona como un equipo de asistentes digitales médicos. Fue creado pensando en no tener que estar al frente del computador chateando con la IA.

Precisamente no es un chatbot.

Permite armar y trabajar en segundo plano revisando información haciendo tareas y ha venido siendo analizado en el contexto de la salud para beneficio del paciente, organizando la historia clínica y generando alertas cuando algo no está bien. Como del médico para poder ahorrar tiempo en tareas muy definidas.

No toma decisiones por nadia, pero te ayuda a ver antes lo importante.

En esencia, es un asistente que en el entornoclínico continuo mejora el flujo de trabajo sin reemplazar al médico.

Agentes de OpenClaw en Salud

La conversación sobre inteligencia artificial en salud ha estado centrada por mucho tiempoeen los modelos:GPT, Claude o cualquier otro parecen ser el foco.

Sin embargo, ese no es el problema real, es decir, todos podemos hablar con un chat y podemos indexar o crear articulos, o hacer minería de datos con historias clínicas.

El verdadero desafío es la infraestructura donde estos modelos operan.

Ahí es donde aparece OpenClaw en entorno hospitalario como una propuesta mucho más profunda: no como herramienta, sino como base para un nuevo tipo de sistema clínico; lo que ayuda a superar los arcaicos sistemas operativos hospitalarios que siguen siendo la columna vertebral.

El concepto de un "Agente" lo dice todo. Es una capa computacional donde agentes (IA autónoma) que puede coordinar workflows clínicos dinámicos de forma segura, auditable y continua sigueindo los lineamiento de su autor.

Esto cambia completamente el enfoque. No se trata de añadir IA a los sistemas existentes, sino de rediseñar cómo funciona la medicina digital.

De sistemas rígidos a sistemas adaptativos

Los sistemas hospitalarios actuales funcionan bajo lógica predefinida. Protocolos, flujos, módulos desde triage hasta la epicrisis. Todo está diseñado para escenarios anticipados.

Pero la práctica clínica no es así. Cada paciente introduce variabilidad tiene data de otras clínicaso de otros doctores o imágenes extrainstitucionales o require tareas de verificación de análisis repetitivas que no lo hace sino está el médico presente en el hospital o en su consultorio.

El modelo propuesto con OpenClaw rompe esa limitación. En lugar de workflows fijos, permite que los agentes compongan acciones dinámicamente a partir de una librería de capacidades médicas. Puede estar interactuando con el paciente, buscando o resumiendo la evolución del paciente en paralelo a la historia clínica.

Esto abre la puerta a manejar el “long tail” clínico, es decir, todos esos casos que no encajan en protocolos estándar y que hoy quedan fuera del ecosistema.

Seguridad por arquitectura, no por prompts

Uno de los aportes más relevantes es el cambio en el modelo de seguridad en la IA.

En la mayoría de soluciones actuales, la seguridad depende del comportamiento del modelo. Aquí no. Muchos modelos ya se instalar nativos sin necesidad de salir a la web la data clínica.

Cada agente creado por el hospital opera en un entorno restringido, similar a un usuario aislado en el mac. No hay acceso libre a archivos, ni llamadas externas arbitrarias, ni ejecución dinámica de código.

Todo lo que el agente puede hacer está previamente definido y auditado.

Esto es clave en salud. La seguridad deja de ser una promesa y pasa a ser una propiedad del sistema operativo .

Sin embargo gracias a su poder autónomo debe tener unos guardrails serios e incomunicados con el entorno externo, que es exactamente lo que buscamos en la confidencialidad con la IA. Por esta razon es mejor no instalar en el mac donde se tienen todos tus archivos Openclaw y menos si no maneja Terminal, comandos, o plataformas de seguridad como Tailscale o AWS. Digamos que es un agente super poderoso pero no para que un médico lo instale por su propia cuenta., debe simepre ir acompañado.

Memoria clínica

Otro problema crítico en la IA médica actual es la memoria. Muchos LLM tienen limitantes de memoria apesar que compilan resumenes de información.

Los enfoques tradicionales, basados en embeddings y el famoso RAG, fragmentan la historia clínica en piezas aisladas. Se pierde la temporalidad, que es esencial para el razonamiento clínico. Mucho podemos crear un RAG con carpetas de articulos o resumenes de historias de una patologia como por ejemplo de Tiroides pero este RAG esta áislado por definición de otra data, y no como sabemos toda la base de datos puede ser convertida en vectores de similitud, pero puede que para indexar un protocolo no sea necesario la IA, sin simplementar la indexación de data como antes lo haciamos con Almera.

OpenClaw, fue creado para independizarnos del chat y la nube, para olvidarnos estar pendientes de cadenas de pensamiento y de simplificar la interación de la IA a canales como Telegram, Discord o el conocido Whatsapp. de hecho si somos rigurosos Whatsapp no es un canal seguro para manejar información médica.

Por eso Openclaw como iopen source introduce una arquitectura distinta.

En lugar de embeddings (que es indexar y fragmentar en vectores información médica), ahora es posible organizar la información como una jerarquía de documentos navegable mediante “manifiestos”.

El agente entonces decide qué explorar y en qué profundidad, de forma similar a como un médico revisa una historia clínica. No le dices por donde empezar!

Este enfoque logra mayor precisión y mejor desempeño en consultas longitudinales, especialmente en pacientes complejos .

Aquí no se trata solo de recuperar información, sino de entender la evolución del paciente.

De hecho pienso que Claude Health y Chatpgt Health sera muy probablm,ente empaquetados dentro de un Agente tipo Openclaw!..

Coordinación clínica sin conversación directa

Una idea clave en medicina, es que los agentes no se comunican entre sí mediante mensajes.

Toda la coordinación ocurre a través de documentos clínicos. Wow no mas chats con adjuntos en pdf!!

Un agente escribe, otro lee, y las acciones se encadenan mediante cambios en esos documentos. Cada modificación queda registrada, versionada y trazable.

Esto crea un sistema naturalmente auditable, alineado con requisitos regulatorios como HIPAA, sin necesidad de construir capas adicionales de control.

Más allá del soporte: un nuevo entorno de trabajo clínico

Los casos de uso que emergen de esta arquitectura son amplios. Desde monitoreo continuo post-egreso hasta escalamiento automático de emergencias, pasando por análisis longitudinal de riesgo o coordinación entre múltiples especialidades.

Búsqueda de articulos de una patología, agrupacion de pacientes por patología, etc. lo que muchos de los médicos gastan tiempo en hacer.

Esto es lo que diferencia esta aproximación de los sistemas tradicionales.

El rol del médico no desaparece

Los resultados actuales de la IA en medicina siguen mostrando limitaciones.

Como se ha visto en estudios recientes, estos sistemas aún no son suficientemente precisos para reemplazar al médico, pero sí pueden funcionar como herramientas de apoyo que mejoran la toma de decisiones .

En este contexto, OpenClaw no busca sustituir al clínico, sino ampliar su capacidad. Poner en amrcha tareas definidas de IA mientras sigue atendiendo pacientes. Puede hasta liberar de tareas repetitivas a los residentes: preparar un resumend e un caso, hacer una ppt para una junta médica, compara la evolución de un paciente frente a otro conla misma patología y al timepo comparalo con los últimos articulos publicados al respecto y compararlo con juntas previas.

Conclusión

OpenClaw en entorno hospitalario representa un cambio de paradigma. Por fin la IA es la mano derecha del médico.

No es una capa adicional de inteligencia artificial sobre sistemas existentes, sino una propuesta para rediseñar la infraestructura completa de la práctica clínica digital. Algo que la Historia Clinica y otros software hospitalarios no puede hacer.

Al reducir la interacción del agente a operaciones simples, delegar la seguridad al sistema operativo, preservar la memoria longitudinal del paciente y permitir la composición dinámica de tareas, se construye una base mucho más alineada con la realidad de la medicina tal como la usa el paceinte en casa.

Aun Openclaw en casa o en consultorios requiere un nivel de conocmiento técnico que supera al 95% de los médicos y no es seguro hacerlo desde sus mac personales, muchso optan por un servidor virtual (VPS), o un mac mini en casa, pero la configuracion aunque los updates cada vez son más robustos requiere un conocimiento de coding aun elevado para que sea plug and play

El futuro de la IA en salud probablemente no será una colección de herramientas aisladas, no tendremos que pagar aca a cada empresa por separado unos dolares al mes por una tarea especifica todo tiende con estos agetnes autónomos a converger.

La IA convertida en agente será el mejor sistema operativo y por supuesto en salud tiene mucho sentido.

Ya no más charla en chats, ahora solo trabajo puntal.

*OpenClaw es un framework de inteligencia artificial agentica de código abierto que surgió 2025 y como una de las principales plataformas para desplegar agentes autónomos. Originalmente se conocía como Moltbot o Clawdbot, luego fue adquirido por OpenAI y hoy forma parte de los primeros despliegues de inteligencia artificial agentica en sistemas de salud como el NHS.

Esto fue exactamente lo que nos ocurrió al desplegar OpenClaw (antes Moltbot / Clawdbot) en un VPS de Hostinger usando Docker.

El contenedor funcionaba perfectamente, Docker mostraba el puerto publicado y sin embargo el servicio no era accesible desde fuera del servidor.

Después de revisar contenedores, redes y configuración del VPS, finalmente encontramos la causa: el firewall del sistema estaba bloqueando el puerto.

En este artículo explico todo el proceso de diagnóstico y la solución paso a paso.

El problema: OpenClaw funciona pero el puerto no responde

Después de instalar OpenClaw, verificamos que el contenedor estuviera corriendo.

docker ps

El resultado mostraba algo como esto:

ghcr.io/hostinger/hvps-openclaw:latest
0.0.0.0:59646->59646/tcp

Esto significa que el puerto 59646 del contenedor está expuesto en el VPS.

En teoría, deberíamos poder acceder desde cualquier navegador usando:

http://IP_DEL_SERVIDOR:59646

Pero el servicio simplemente no respondía.

No había error claro.
El navegador quedaba esperando conexión.

Paso 1: verificar que Docker esté funcionando

Lo primero fue confirmar que Docker realmente estuviera exponiendo el puerto.

docker ps

El contenedor estaba activo y el puerto correctamente mapeado.

Luego probamos acceder al servicio desde dentro del propio servidor:

curl localhost:59646

Aquí apareció una pista importante.

El servicio sí respondía internamente.

Esto significa que:

• OpenClaw estaba funcionando
• el contenedor estaba activo
• el puerto estaba abierto dentro del VPS

Por lo tanto, Docker no era el problema.

Paso 2: verificar si Hostinger bloquea el puerto

El siguiente sospechoso era el proveedor del VPS.

Algunos proveedores bloquean puertos específicos o requieren reglas adicionales.

Probamos:

• usar diferentes puertos
• revisar la documentación de Hostinger
• reiniciar el contenedor

Nada cambió.

El puerto seguía inaccesible desde el exterior.

Paso 3: revisar el firewall del VPS (la causa real)

Finalmente revisamos el firewall del sistema.

En muchos VPS con Ubuntu está activo UFW (Uncomplicated Firewall).

Primero verificamos su estado:

sudo ufw status

Ahí apareció el problema.

El puerto 59646 no estaba permitido.

Esto significa que Docker estaba exponiendo el puerto, pero el firewall del sistema bloqueaba el tráfico externo.

La solución: abrir el puerto en UFW

La solución fue abrir el puerto manualmente en el firewall.

sudo ufw allow 59646/tcp
sudo ufw reload

Después verificamos nuevamente:

sudo ufw status

El puerto ya aparecía como permitido.

Ahora el gateway de OpenClaw sí respondía al acceder desde el navegador:

http://IP_DEL_SERVIDOR:59646

Arquitectura final: Telegram para interacción y WhatsApp para notificaciones

Durante el proceso también tomamos una decisión importante sobre la arquitectura del sistema.

Inicialmente queríamos usar WhatsApp como canal principal de interacción con OpenClaw.

Sin embargo, la integración de WhatsApp puede ser más compleja debido a:

• gateways externos
• configuraciones adicionales
• restricciones de APIs

Por eso decidimos dividir los roles.

Telegram: interacción directa con OpenClaw

Telegram funciona como el canal principal para interactuar con el agente.

Ventajas:

• API abierta
• bots fáciles de configurar
• interacción rápida con el sistema

Esto permite consultas diarias y acceso directo a información.

WhatsApp: notificaciones y gestión

WhatsApp quedó como canal para:

• notificaciones
• avisos del curso
• recordatorios
• comunicaciones administrativas

Es decir, WhatsApp funciona como canal de distribución, no como interfaz de interacción con OpenClaw.

Seguridad al abrir puertos en OpenClaw

Abrir un puerto en un VPS no significa que el servicio deba quedar completamente expuesto.

Recomendaciones:

• usar tokens de autenticación
• evitar puertos predecibles
• limitar IPs cuando sea posible
• usar reverse proxy
• considerar Cloudflare Tunnel

Por ejemplo:

gateway.auth.token=UN_TOKEN_LARGO_Y_SEGURO

Esto evita que cualquier persona pueda interactuar con el gateway.

Conclusión

Si OpenClaw está corriendo en Docker pero el puerto no responde externamente, lo más probable es que el problema esté en una de estas tres capas:

1. Docker (puertos publicados)
2. Firewall del sistema (UFW / iptables)
3. Red del proveedor VPS

En nuestro caso, la causa fue simplemente una regla de firewall que bloqueaba el puerto.

Después de abrir el puerto en UFW, el gateway comenzó a funcionar correctamente.

Creo que la configuración de Openclaw todavia es un poco difusa y no esta unificada, pero ese el precio por ser early - adopter .... y bueno para el admin siempre Tailscale es mandatorio.

.

Clawdbot parte de una idea distinta a la de los chatbots que puede ser usado como un chat médico clásico. No está pensado solo para conversar, sino para actuar dentro de flujos reales, y eso encaja mejor cómo funciona la salud en la práctica. usamos el whatsapp o telegram para pedirle que haga cosas a nuestro Jarvis (personal asistant).

Diferencia clave: conversar vs operar

Un chatbot tradicional responde preguntas cuando el paciente escribe. Molbot puede operar de forma persistente, mantener contexto en el tiempo y ejecutar tareas sin que el paciente tenga que iniciar cada interacción desde cero. Con un personal IA no hay que ir a una página médica para revisar información...ahora es com hablar con alguien en un chat.

En salud, muchos problemas no son de información, sino de continuidad. Recordar indicaciones, cumplir tratamientos, prepararse para exámenes o saber cuándo volver a consultar requiere seguimiento, no solo respuestas puntuales.

Por qué este enfoque tiene sentido en salud

La atención médica ocurre en episodios, pero la vida del paciente no. Un asistente persistente puede acompañar al paciente entre consultas, que es donde se pierde la mayor parte de la adherencia.

El sistema de salud está fragmentado. El paciente interactúa con médicos, clínicas, laboratorios y aseguradoras. Clawdbot puede funcionar como una capa de coordinación que reduce confusión sin reemplazar a ninguno de esos actores.

Muchas tareas críticas en salud no requieren criterio clínico, pero sí constancia y precisión. Automatizarlas reduce errores humanos sin tocar la decisión médica.

Imaginense tener un chat donde uno le dice que le guarde y organice todos los sintomas que uno va teniendo como paciente y que los almacene en un email apra cuando vaya donde el médico pueda ternerlos en orden y que intente hacer una cita médica basada en los eventos de su propio Google Calendar.

Ventajas frente a un chatbot médico clásico

Puede recordar información relevante del paciente a lo largo del tiempo, como tratamientos activos, fechas clave o instrucciones previas, en lugar de tratarlos como conversaciones aisladas.

Puede integrarse con sistemas externos o flujos internos, lo que permite pasar de “te explico qué hacer” a “te ayudo a hacerlo”.

Puede desplegarse en entornos controlados o locales, algo especialmente relevante en salud por temas de privacidad, cumplimiento normativo y control de datos.

Como la información debe ser seguro mucho optan por comprar un MacMini para ejecutarlo localmente en su casa y tener el control de sus gestión y acceso. Sin mencionar no esta interfaz es open source.

Sentido clínico real (sin promesas irreales)

No diagnostica ni prescribe, pero reduce la carga cognitiva del paciente después de la consulta, cuando más errores se cometen.

No sustituye al profesional, pero mejora la calidad de la interacción entre consultas al llegar con mejor información y mayor adherencia.

No reemplaza sistemas clínicos, pero puede conectar tareas dispersas que hoy dependen de llamadas, correos o mensajes sueltos.

Riesgos y por qué importan en salud

Precisamente porque Clawdbot puede ejecutar acciones reales, su uso en salud exige límites estrictos, supervisión y configuraciones seguras. No esta aún hecho apra que se instale con un botón a un clic y que quede seguro en su config.

En un entorno médico, este tipo de asistente solo tiene sentido si está claramente delimitado como herramienta de apoyo operativo y educativo, nunca como autoridad clínica.

Su potencia es una ventaja solo si se gobierna bien. En salud, eso no es opcional.

Futuro y visión de Personal IA Aistant Openb Source en SAlud

El valor de Clawdbot (aka Molbot) en salud no está en “hablar mejor” que otros chatbots, sino en acompañar procesos reales de forma continua. Es como un Whatsapp con esteroides que puede desde el chat hacer mil cosas al mejor estilo de una secretaria virtual.

En un sistema donde permite que desde un propio chat se ejecuten procesos conexiones a sistemas, correo, archivos para evitar la falta de conocimiento médico sino la pérdida de seguimiento. Modbot es un asistente autónomo gratis que si está bien diseñados pueden marcar una diferencia real en salud.

No hacen medicina.
Pero ayudan a que la medicina funcione mejor.

PD: Estaré publicando ideas en salud de como usar un asistente personal autómono desde una chat (Whatsapp, Telegram, etc).....

En ChatGPT health podemos resaltar:

1. Espacio en nube con encriptación dedicada Tu información de salud vive completamente separada del resto de ChatGPT. Las conversaciones de Health NUNCA contaminan tus otros chats. Esto no es marketing para juagr con prompts, es arquitectura real.

2. No entrena modelos con tus datos médicos OpenAI es explícito: tus conversaciones de Health no se usan para entrenar.

3. Unifica el caos de tus datos médicos Registros en clínicas, apps de fitness, wearables, PDFs de laboratorios... todo disperso. ChatGPT Health lo junta. Esto resuelve un problema MASIVO en healthcare: la fragmentación. ojala algun día en Colombia se vea.

4. Contexto que persiste en el tiempo No es solo para cuando uno está enfermo. Entiende patrones a lo largo del tiempo. Prepara preguntas antes de citas médicas. Explica resultados de laboratorio en lenguaje simple. debe generar una liena de tiempo.

5. GPT-5 optimizado para medicina Para hospitales, acceso a modelos evaluados por 260+ médicos de 60 países. Benchmarks específicos: HealthBench, GDPval. Citations de journals, fechas de publicación, títulos exactos no es solo para pacientes!!

La Historia Que Fidji Simo Contó ....

Fidji Simo, CEO de aplicaciones en OpenAI, compartió algo personal en el lanzamiento:

Estuvo hospitalizada por cálculo renal. Desarrolló infección. El residente le recetó antibiótico estándar. Ella lo verificó en ChatGPT contra su historia médica. ChatGPT detectó que ese antibiótico podía reactivar una infección seria que tuvo años atrás.

El residente se sintió aliviado cuando ella habló. Le dijo: "Solo tengo minutos por paciente, los registros médicos no están organizados para ver esto fácilmente".

Esa es la realidad: médicos sobrecargados, registros fragmentados, falta de tiempo para revisar historiales completos.

Y también es controversial: ¿debemos confiar en IA para este tipo de decisiones críticas? Puede que solo apra advertirnos no olvidar información del pasado.

Los Números Que Preocupan

66% de médicos estadounidenses ya usan IA en su práctica (AMA study, 2024).

Pero aquí está el problema: 55% de usuarios usa IA para revisar síntomas, 48% para entender términos médicos. Sin supervisión médica. Sin contexto completo.

OpenAI dice explícitamente: "ChatGPT Health no está diseñado para diagnóstico o tratamiento". Pero eso no va a detener a millones de personas que ya lo usan así ya como está.

Y hay casos documentados donde todo salió mal: un joven de 19 años murió de sobredosis después de confiar en ChatGPT para consejo médico, luego no se trata de detener la IA se trata de encaminarla y usarla muy bien...

El Número Que Nadie Esperaba

OpenAI acaba de soltar un dato brutal: 230 millones de personas hacen preguntas sobre salud en ChatGPT cada semana. Eso es más de 40 millones al día.

En Estados Unidos, 3 de cada 5 adultos han usado IA para temas de salud en los últimos 3 meses.

¿Por qué te cuento esto? Porque OpenAI no lanzó ChatGPT Health para crear un mercado nuevo. Lo hizo porque el mercado ya existe y es masivo. La gente ya está usando IA para salud, con o sin features especializadas. No es nivel empresarial como Claude Health!!

Y como todo lo que viene de USA, esto va a demorar en llegar a Colombia algun día.

¿Qué Es ChatGPT Health?

OpenAI lanzó dos cosas diferentes la misma semana (y eso causa confusión):

1. ChatGPT Health (Para Consumidores)

Un espacio dedicado dentro de ChatGPT donde puedes:

• Conectar tus registros médicos electrónicos
• Integrar Apple Health, MyFitnessPal, Function, Weight Watchers, Peloton...
• Tener conversaciones aisladas sobre salud que NO se mezclan con tus otros chats
• Memoria separada específica para tu contexto médico

Status: En waitlist. Obviamente, NO disponible en Latinoamérica todavía.

2. OpenAI for Healthcare (Para Hospitales)

Suite empresarial para organizaciones médicas:

• ChatGPT for Healthcare con infraestructura hospital-compliant
• Acceso a GPT-5 models específicamente entrenados para medicina
• Búsqueda en millones de papers peer-reviewed con citaciones transparentes
• Ya implementado en: AdventHealth, HCA Healthcare, Boston Children's, Cedars-Sinai, Stanford Medicine...no los he visto.....

Status: Funcionando ahora en hospitales top de USA.

La Realidad Que Nadie Te Cuenta

Hace una semana Anthropic lanzó Claude for Healthcare. Los titulares están llenos de "revolución en salud" y "IA transformando medicina". Pero hablemos claro: esto NO está disponible en Colombia ni en Latinoamérica ......todavía.

¿Por qué te cuento entonces? Porque este es exactamente el futuro hacia el que vamos, y necesitas entenderlo ahora, no cuando finalmente llegue a nuestros hospitales en 3-5 años. es la integracion final de autorizaciones, citas, reportes y seguimiento en una app con IA. independiente del hospital.

¿Qué Es Claude Health Exactamente?

Anthropic acaba de lanzar tres cosas importantes:

Para pacientes (solo USA):

• Conecta tus registros médicos electrónicos directamente a Claude
• Analiza tus exámenes de laboratorio y te los explica en lenguaje simple
• Integra datos de Apple Health y Android Health Connect
• Te prepara preguntas inteligentes antes de tu cita médica

Para hospitales y aseguradoras:

• Infraestructura HIPAA-compliant (el estándar de privacidad médica )
• Se conecta directamente a bases de datos de tipo CMS, ICD-10, PubMed
• Automatiza autorizaciones previas y de seguros
• Triaje automático de mensajes de pacientes

Para ciencias de la vida:

• Gestión de ensayos clínicos. wwow...
• Preparación de documentos regulatorios para autorizaciones!!
• Búsqueda avanzada en literatura científica

Las Ventajas Reales (Cuando Llegue)

Déjame ser específico sobre lo que esto significa en la práctica:

1. Reduce la carga administrativa brutalmente....Los médicos reportan pasar más tiempo en documentación que viendo pacientes. Claude puede automatizar TODO por ejemplo autorizaciones previas, apelaciones de seguros, coordinación de cuidados. Esto no es especulación, Banner Health ya lo está usando con 55,000+ empleados. veremos como les va.

2. Democratiza el acceso a información médica compleja ¿Tienes un reporte de patología de 15 páginas lleno de términos incomprensibles? Claude lo puede desglosar en español claro. Esto es especialmente poderoso en países donde muchos pacientes no entienden sus propios diagnósticos. En RSNA hubo muchas apps con esto pero claramente la burbuja de la IA se lleva las SAAS y muchos Booth en Chicago.... aun no llega ni /A ni OPENAI

3. Segunda opinión instantánea (con disclaimers) No reemplaza al médico, pero puede ayudar a hacer mejores preguntas. Puede identificar patrones en tu historial que quizás no son obvios a primera vista. evita errores humanos medicos.

4. Aceleración en investigación clínica Para pharma y biotech, puede reducir dramáticamente el tiempo en preparar protocolos, analizar datos de ensayos y preparar submissions regulatorias. vamos pharma!!

La Brecha Latinoamericana

Aquí viene la parte difícil. Mientras en USA ya están implementando esto:

Nuestra realidad:

• No tenemos HIPAA ni equivalente robusto en Colombia (INVIMA)
• Nuestros registros médicos están fragmentados entre clínicas. veremos.....
• La mayoría ni siquiera está digitalizada correctamente
• Las EPS no tienen infraestructura para esto todo tiene que ser gerencial.
• No hay CUPS (códigos únicos) para servicios de IA

¿Cuándo llegará? Seamos realistas: 3-5 años mínimo para ver implementaciones significativas en hospitales grandes. Más tiempo para el resto del sistema.

Tu Estrategia Mientras Tanto

Aquí es donde entra la filosofía AngaritaRad: no esperes al sistema, prepárate individualmente.

Lo que puedes hacer HOY:

1. Usa Claude (versión normal) para:
   • Analizar papers médicos
   • Entender reportes complejos de tus pacientes
   • Generar diagnósticos diferenciales
   • Revisar protocolos de manejo
2. Familiarízate con la tecnología:
   • Cuando Claude Health llegue a LATAM, ya sabrás exactamente cómo usarlo
   • El radiólogo/médico que entiende IA ahora será el líder cuando el sistema se actualice
3. Documenta todo:
   • Guarda casos donde la IA te ayudó
   • Crea tu propia biblioteca de prompts médicos efectivos
   • Comparte con colegas (sin violar privacidad)
4. Toma mi curso de IA para Médicos.

Las Limitaciones Que Anthropic Reconoce

Seamos honestos sobre lo que Claude Health NO hace:

• NO diagnostica (ni debería), quien sabe si con Xpeng o Boston Dyn
• NO reemplaza criterio médico (requiere revisión humana obligatoria)
• NO está aprobado como dispositivo médico (evita responsabilidad regulatoria)
• Puede alucinar (como cualquier LLM), por eso RAG sigue siendo el camino.

Anthropic es muy claro: "Un profesional calificado debe revisar el contenido antes de usarlo para decisiones de salud". Esto no es legal disclaimer vacío, es realidad técnica.

Por Qué Este Anuncio Importa Para los MDs

Competencia brutal: OpenAI lanzó ChatGPT Health días antes. Microsoft integró Claude en Foundry para healthcare. Google tiene Med-PaLM. La carrera está acelerada. entre mas menos precios y mas alcance,...

Inversión masiva: Anthropic está valuada en $350 mil millones de dólares. Están apostando fuerte a healthcare porque saben que es un mercado de billones.

Ya limitaron el APOi a terceros en plan MAX luego el ecosistema crece pero cerrado.

El futuro es inevitable: Estas herramientas llegarán. La pregunta no es "si", es "cuándo" y "estarás preparado".

Mi Recomendación Final

No caigas en el hype de "IA resuelve toda la medicina". Tampoco ignores esto como "tecnología lejana que no nos afecta". No aceptes humo pero tampoco te quemes.....

La verdad está en el medio:

• Claude Health es impresionante técnicamente
• NO está disponible en LATAM todavía
• SÍ llegará eventualmente
• Puedes (y debes) prepararte ahora con las herramientas disponibles

En AngaritaRad seguimos la estrategia simple: usar lo que funciona hoy, prepararnos para lo que viene mañana.

No esperes que tu hospital implemente esto. Empieza individualmente. Aprende ahora. Cuando Claude Health llegue a Colombia, tú ya vas a ser el experto que todos consulten.

¿Usas Claude regularmente en tu práctica médica? ¿Qué casos de uso te han funcionado mejor? Cuéntame en los comentarios.

Links útiles:

• Claude.ai - Empieza aquí
• Anthropic Healthcare Announcement
• OpenRad.ai - muy pronto verás el Curso completo de IA para radiólogos

Disclaimer: Este post es educativo. Ninguna herramienta de IA debe usarse sin supervisión médica apropiada. Siempre verifica la información con fuentes oficiales y guidelines clínicas establecidas.

Mi Perspectiva sobre la Urgencia Ética

Como profesional observando la implementación acelerada de IA en radiología, considero que los aspectos éticos no son simple consideraciones académicas, sino factores determinantes para el éxito y la legitimidad de estas tecnologías.

La literatura revela problemas concretos que requieren atención inmediata, especialmente en contextos latinoamericanos donde las disparidades pueden amplificarse con el uso de nuestra IA.

Principales Problemas Éticos Identificados

Sesgo Algorítmico (Bias)

• Sesgo racial: Los algoritmos médicos han demostrado codificar, reforzar y amplificar desigualdades en el sistema de salud, los que implementan primero dominan la calidad.
• Sesgo de género: Los sistemas entrenados con datos desequilibrados por sexo afectan el rendimiento en clasificación patológica para grupos minoritarios, esto beneficia las ciudades principales.
• Datos de entrenamiento: Las etiquetas contienen valores, preferencias y creencias humanas que se reflejan en los resultados.
• Impacto desproporcionado: Los sesgos tienden a afectar más fuertemente a grupos ya discriminados.

Problema de la "Caja Negra" (Black Box)

• Opacidad algorítmica: Los sistemas son incapaces de proporcionar justificaciones comprensibles para sus decisiones, no sabemos como se llego a este proceso apensar de poder a veces mostrar el resumen de su análisis.
• Tres tipos de opacidad identificados:
  • Falta de divulgación sobre uso de datos
  • No se entiende cómo funciona el sistema
  • Ffalta de explicación clínica
• Conflicto fundamental: Mayor explicabilidad reduce el poder del deep learning

Confianza y Transparencia

• Requisito de explicabilidad: Los sistemas deben ser auditables y comprensibles por inteligencia humana
• Derecho a explicación: Los pacientes tienen derecho a entender cómo se toman decisiones que los afectan, es importantísimo el consentimiento informado!!!
• Transparencia vs rendimiento: Existe tensión entre hacer sistemas transparentes y mantener su efectividad. Nunca afeactar de entreada el workflow.

Principios Éticos Propuestos

Explicabilidad e Interpretabilidad

• Los sistemas deben proporcionar explicaciones comprensibles de sus decisiones
• Diferencia conceptual: interpretabilidad (cómo funciona) vs explicabilidad (qué hace)
• Necesidad de mantener "humanos en el circuito" para validación
• Tener un marco de IA de gobernance tipo Monai.

Responsabilidad y Rendición de Cuentas

• Los radiólogos mantienen responsabilidad final por el diagnóstico
• Necesidad de nuevas habilidades para trabajar efectivamente con IA
• Marcos de "responsabilidad prospectiva" para prevenir daños

Justicia y Equidad

• Distribución justa de beneficios y costos de la investigación médica
• Prevención de discriminación y resultados injustos
• Consideración especial para poblaciones vulnerables

Desafíos Específicos para América Latina

Disparidades Tecnológicas

• Coexistencia de equipos de última generación con tecnología obsoleta
• Necesidad de soluciones que funcionen con diferentes calidades de imagen
• Brecha digital entre países y regiones

Marco Regulatorio

• Heterogeneidad de regulaciones nacionales para datos médicos
• Necesidad de armonización con estándares internacionales como ISO 27001, ISO 13485, ISO 27799
• Desafíos en implementación práctica vs cumplimiento teórico

Consideraciones Socioculturales

• Importancia de la confianza médico-paciente basada en comunicación directa
• Necesidad de explicaciones culturalmente apropiadas
• Resistencia cultural a sistemas automatizados en algunos contextos

Recomendaciones Basadas en Evidencia

Para Desarrollo de Algoritmos

• Asegurar diversidad en datasets de entrenamiento
• Implementar análisis de rendimiento por subgrupos poblacionales
• Establecer métricas de equidad algorítmica
• Incluir perspectivas interdisciplinarias en desarrollo

Para Implementación Clínica

• Mantener supervisión humana especializada
• Establecer protocolos claros de validación
• Capacitar personal en limitaciones y beneficios de IA
• Implementar sistemas de retroalimentación continua

Para Marco Regulatorio

• Desarrollar estándares específicos para IA médica
• Establecer procesos de auditoría algorítmica
• Crear mecanismos de contestabilidad para pacientes
• Promover transparencia en desarrollo y despliegue

Limitaciones y Brechas Identificadas

En la Literatura Actual

• Escasez de estudios específicos sobre ética de IA en radiología y cáncer de mama
• Falta de análisis profundo sobre relaciones de poder y estructuras sociales
• Insuficiente atención a perspectivas de pacientes y radiólogos

En la Implementación Práctica

• Brecha entre principios teóricos y aplicación real
• Falta de métricas estandarizadas para evaluar equidad
• Necesidad de mayor investigación interdisciplinaria

Direcciones Futuras Necesarias

• Investigación sobre impacto a largo plazo en práctica clínica
• Estudios sobre efectividad

Mi Reflexión Final

Tras analizar la evidencia disponible, mi convicción es que la implementación ética de IA en radiología no es opcional sino fundamental.

Los hallazgos documentados demuestran que los problemas de sesgo y opacidad no son defectos técnicos menores, sino fallas sistémicas que pueden perpetuar desigualdades en salud.

En América Latina, donde ya enfrentamos disparidades significativas en acceso a servicios médicos, estos desafíos éticos adquieren una dimensión aún más crítica.

La responsabilidad recae tanto en desarrolladores como en profesionales médicos para asegurar que la revolución de la IA amplíe la equidad en salud, no la erosione.

Como radiólogo con años de experiencia en el diagnóstico por imagen, he sido testigo de cómo la inteligencia artificial está transformando nuestra especialidad. Sin embargo, uno de los mayores desafíos que enfrentamos con los modelos de lenguaje actuales es su tendencia a "alucinar" información médica o proporcionar respuestas desactualizadas. Aquí es donde RadioRAG (Retrieval-Augmented Generation) presenta una solución revolucionaria.

¿Qué es RadioRAG y Por Qué Lo Necesitamos?

RadioRAG es un sistema que combina la capacidad de razonamiento de los modelos de lenguaje con acceso en tiempo real a fuentes radiológicas especializadas. A diferencia de ChatGPT o Claude, que responden basándose únicamente en su entrenamiento, RadioRAG busca información actualizada antes de responder.

Mi primera experiencia con este sistema fue reveladora. Cuando pregunté sobre un caso complejo de sarcoma embrionario indiferenciado del hígado, RadioRAG no solo identificó correctamente el diagnóstico, sino que citó la información específica de Radiopaedia que había consultado para llegar a esa conclusión.

Cómo Funciona: La Arquitectura Técnica

1. Extracción de Palabras Clave

Cuando planteo una pregunta diagnóstica, el sistema primero extrae hasta 5 palabras clave relevantes. Por ejemplo, para "masa hepática heterogénea en niño de 6 años con fiebre", extrae: "masa hepática", "pediátrico", "fiebre", "heterogénea".

2. Búsqueda en Tiempo Real

Con estas palabras clave, busca automáticamente en Radiopaedia.org (o la fuente que configuremos) y recupera los 5 artículos más relevantes para cada término.

3. Procesamiento de Contexto

Los artículos se segmentan en fragmentos de 1,000 tokens y se convierten en representaciones vectoriales. Esto permite al sistema encontrar las secciones más relevantes para la pregunta específica.

4. Generación de Respuesta

El modelo de lenguaje recibe tanto la pregunta original como los 3 fragmentos más relevantes encontrados, generando una respuesta basada en evidencia actualizada.

Implementación Práctica: Mi Proceso Paso a Paso

Paso 1: Configuración del Entorno Técnico

# Dependencias principales
pip install openai langchain chromadb beautifulsoup4 requests

He configurado el sistema para usar GPT-4 como motor de razonamiento, pero también funciona con modelos open-source como Llama 3.

Paso 2: Configurar las Fuentes de Información

Mi configuración inicial incluye:

• Radiopaedia.org: Para casos y diagnósticos diferenciales
• RSNA Case Collection: Para casos revisados por pares
• Guías clínicas locales: Documentos internos de mi institución

sources = {
    "radiopaedia": "https://radiopaedia.org/search?q=",
    "rsna_cases": "https://cases.rsna.org/search?q=",
    "local_guidelines": "/path/to/local/docs"
}

Paso 3: Crear la Base de Datos Vectorial

He usado ChromaDB para almacenar temporalmente los vectores durante cada consulta. Esto permite búsquedas semánticas precisas.

Paso 4: Configurar los Prompts

Mi prompt optimizado incluye instrucciones específicas:

"Eres un asistente experto en radiología. Usa ÚNICAMENTE el contexto proporcionado para responder. Si no encuentras información relevante, di 'No tengo información suficiente'. Cita siempre las fuentes utilizadas."

Casos de Uso Prácticos en Mi Consulta

Caso 1: Diagnóstico Diferencial de Masas Mediastínicas

Pregunta: "Masa sólida en mediastino anterosuperior en paciente de 45 años" RadioRAG encontró: Timoma, masa tiroidea, linfoma, teratoma, aneurisma aórtico Fuentes citadas: 3 artículos de Radiopaedia con criterios diagnósticos específicos

Caso 2: Protocolo de RM para Adenoma Suprarrenal

Pregunta: "¿Qué secuencias usar para caracterizar lesión suprarrenal?" RadioRAG proporcionó: Protocol completo con T1 in-phase/opposed-phase, justificación técnica Resultado: Protocolos actualizados según las últimas recomendaciones

Caso 3: Interpretación de BIRADS

Pregunta: "Calcificaciones en bastón grueso en mamografía" RadioRAG clasificó: BIRADS 2 (benigno), explicó características específicas Ventaja: Información consistente con criterios ACR actuales

Beneficios Observados en la Práctica

1. Reducción de Alucinaciones

Comparado con ChatGPT estándar, RadioRAG redujo errores diagnósticos en un 54% según mis observaciones.

2. Información Actualizada

Accede a guidelines y clasificaciones recientes que no están en el entrenamiento base de los LLMs.

3. Trazabilidad

Cada respuesta incluye las fuentes consultadas, permitiendo verificación independiente.

4. Especialización

Las respuestas son específicamente radiológicas, evitando información genérica o de otras especialidades.

Implementación en Español: Adaptaciones Necesarias

Fuentes en Español

He integrado:

• SERAM (Sociedad Española de Radiología Médica): Guías y protocolos
• Revistas españolas: Radiología, SERAM casos clínicos
• Terminología en español: Glosarios especializados

Configuración Multiidioma

language_config = {
    "search_language": "es",
    "source_preference": ["seram.es", "radiologia.es", "radiopaedia.org"],
    "terminology": "spanish_radiology_terms.json"
}

Desafíos y Limitaciones que he Encontrado

1. Tiempo de Respuesta

RadioRAG tarda aproximadamente 115 segundos vs 30 segundos del ChatGPT convencional. Para consulta urgente, mantengo acceso a ambos sistemas.

2. Calidad de Fuentes

No todas las fuentes online tienen la misma calidad. He configurado una jerarquía de confianza:

1. Journals peer-reviewed
2. Sociedades radiológicas oficiales
3. Recursos educativos reconocidos
4. Otras fuentes (con advertencia)

3. Contexto Irrelevante

En un 15-20% de casos, el sistema recupera información no completamente relevante, aunque sigue siendo preferible a las alucinaciones.

Consideraciones Éticas y Legales

Responsabilidad Profesional

RadioRAG es una herramienta de apoyo, no un sustituto del criterio clínico. Siempre valido las respuestas contra mi experiencia y conocimiento.

Privacidad de Datos

No introduzco información identificable de pacientes. Uso solo descripciones genéricas de hallazgos.

Actualización Continua

Las fuentes médicas cambian constantemente. He configurado revisiones periódicas de las fuentes autorizadas.

Recomendaciones para Colegas

1. Implementación Gradual

• Comienza con casos educativos, no diagnósticos urgentes
• Valida sistemáticamente las respuestas inicialmente
• Mantén acceso a métodos tradicionales de consulta

2. Configuración de Fuentes

• Prioriza fuentes oficiales y peer-reviewed
• Incluye guidelines locales e institucionales
• Configura alertas para actualizaciones de protocolos

3. Entrenamiento del Equipo

• Forma a residentes en el uso apropiado
• Establece protocolos claros de validación
• Documenta casos donde el sistema proporcionó valor añadido

El Futuro: Hacia una IA Radiológica Más Inteligente

Mi experiencia con RadioRAG sugiere que estamos ante un cambio paradigmático. La combinación de razonamiento IA con acceso a información especializada actualizada puede:

1. Mejorar la precisión diagnóstica especialmente en casos complejos o raros
2. Acelerar el aprendizaje de residentes con acceso a casos y literatura relevante
3. Estandarizar protocolos manteniendo coherencia con guidelines actuales
4. Reducir errores por información desactualizada o incompleta

Conclusiones de mi Experiencia

RadioRAG representa un avance significativo sobre los LLMs convencionales para aplicaciones radiológicas. Aunque requiere configuración técnica inicial y tiene limitaciones de velocidad, los beneficios en términos de precisión y trazabilidad justifican su implementación.

Mi recomendación es explorar esta tecnología de manera gradual, mantener siempre el criterio clínico como primordial, y ver RadioRAG como lo que es: una herramienta poderosa para potenciar, no reemplazar, nuestra experiencia profesional.

La radiología está evolucionando hacia una práctica más asistida por IA, y RadioRAG nos muestra un camino prometedor hacia ese futuro, donde la inteligencia artificial complementa nuestro conocimiento clínico con acceso inmediato a la mejor evidencia disponible.

Este artículo se basa en mi experiencia práctica implementando sistemas RAG especializados en radiología.

Llevo años siguiendo el desarrollo de la inteligencia artificial en medicina, y debo admitir que el anuncio del programa PRIMED-AI del NIH me tiene con espectativas. Por primera vez siento que estamos viendo un enfoque verdaderamente integral para resolver los problemas que he estado observando en este campo, donde no se integra la IA en el día a dia.

Mi Primera Impresión: Finalmente Alguien lo Entiende

Cuando leí sobre el programa PRIMED-AI, mi reacción inmediata fue: "por fin alguien en el NIH entiende el problema real". No se trata solo de crear algoritmos más sofisticados, sino de integrar de manera inteligente todos los tipos de datos de salud que tenemos disponibles.

El enfoque bifásico me parece brillante: primero construir modelos robustos con análisis retrospectivo, luego llevar solo los más prometedores a pruebas clínicas reales. Esto aborda directamente mi mayor frustración con la investigación actual en IA médica.

Por Qué Creo que la IA Multimodal es el Futuro

En mi experiencia observando implementaciones de IA en hospitales, he visto cómo los sistemas actuales trabajan en silos. Tenemos excelentes algoritmos para TC, otros para valores de laboratorio, algunos para datos genómicos, pero muy pocos que puedan combinar todo esto de manera significativa.

Siempre les pregunto a los candidatos a residencia si conocen que esl Multimodal y todos fallan!

Creo firmemente que ahí está el verdadero potencial. He visto cómo cambia completamente mi interpretación cuando tengo acceso simultáneo a resultados de laboratorio, historial del paciente y marcadores genéticos junto con las imágenes. PRIMED-AI promete sistematizar exactamente este enfoque holístico.

En radiología es más reportes con imágenes el primer paso.

Mi Optimismo sobre la Implementación Real

Lo que más me emociona del programa es su iniciativa "Translating Model to Clinic". He visto demasiados modelos de IA brillantes que funcionan perfectamente en entornos de investigación pero fallan cuando se implementan en flujos de trabajo clínicos reales.

Solo los proyectos que demuestren potencial sólido avanzarán a evaluar la utilidad clínica real de herramientas de Apoyo a la Decisión Clínica basadas en IA.

Hay que apartar unas horas de radiólogo asistenciales a unas horas de IA para que se pueda integrar al modelo!!

Por Qué el Enfoque en Enfermedades Crónicas me Parece Estratégicamente Perfecto

Creo que el énfasis del programa en condiciones de salud crónicas y complejas es estratégicamente brillante. Estas son exactamente las áreas donde los enfoques diagnósticos y terapéuticos actuales se quedan cortos.

En mi opinión, condiciones como diabetes, enfermedades cardíacas y manejo de cáncer se beneficiarían enormemente de sistemas de IA que puedan analizar simultáneamente hallazgos de imágenes, tendencias de laboratorio, predisposición genética y factores de estilo de vida.

Sin embargo hay que crear en radiología una serie de MVPs sobre data real anonimizada para poder capturar modelos ajustados a la realidad de la poblaci´øn del hospital.

Mis Preocupaciones Realistas

A pesar de mi positivismo, soy consciente de los desafíos significativos que tenemos por delante. Integrar conjuntos de datos multimodales no es solo un desafío técnico, sino logístico, regulatorio y ético.

He visto demasiadas iniciativas prometedoras de IA tropezar con problemas de gobernanza de datos y obstáculos regulatorios. PRIMED-AI necesitará navegar estos cuidadosamente para lograr sus objetivos ambiciosos. La nube de alojamiento y de modelos es un obstáculo inicial solucionable.

Mi Reflexión Final: Todo es estrategia.

Creo que PRIMED-AI representa exactamente el tipo de enfoque sistemático y bien financiado para la IA en salud que he estado esperando ver. Reconoce que la IA médica efectiva requiere más que mejores algoritmos: necesita mejor integración, mejor validación y mejor traducción a la práctica clínica.

Como alguien que ha visto innumerables tecnologías prometedoras fallar en hacer el salto del laboratorio a la clínica, soy cautelosamente optimista de que PRIMED-AI podría ser el marco que hemos estado esperando.

En mi opinión, la revolución en medicina de precisión no viene en el futuro—con iniciativas como esta, ya está comenzando. La pregunta ya no es si la IA transformará la medicina, sino qué tan rápido podemos hacer esa transformación segura y efectiva, apartándonos unas horas de las actividades asistenciales.

Como radiólogo que ha observado de cerca la evolución de la inteligencia artificial en radiología desde hace mas de 20 años cuando la tecnología era ehealth, debo reconocer que estamos viviendo un momento extraordinario. Lo que antes parecía ciencia ficción se ha convertido en una realidad que está redefiniendo nuestra práctica.

La Revolución Silenciosa que Está Ocurriendo

He sido testigo de cómo la IA ha pasado de ser una curiosidad académica a convertirse en una herramienta fundamental en el día a día. En mi experiencia, esto se ve en tres áreas clave que están marcando el presente de nuestra especialidad.

1. Detección Automatizada: Más que un Segundo Par de Ojos

Lo que más me impresiona es la capacidad actual de los sistemas de IA para detectar patologías que incluso a radiólogos experimentados se les pueden pasar. Los algoritmos actuales pueden identificar nódulos pulmonares menores de 3mm, detectar fracturas no obvias en radiografías de la madrugada, y señalar signos tempranos de accidente cerebrovascular en TC.

La diferencia ya no está en si la IA puede detectar estas patologías, sino en qué tan bien se integra en nuestro flujo de trabajo diario.Es el reto ahora!

2. Generación Automática de Informes: El Futuro Está Aquí

Una tendencia que me fascina especialmente es el desarrollo de sistemas que pueden generar informes radiológicos automáticamente. He probado algunos de estos sistemas y, aunque aún requieren supervisión médica, su capacidad para estructurar hallazgos y generar impresiones preliminares es impresionante. (ALgunos sitio expresamente prohiben su uso en reportes!?)

La IA debe facilitar el trabajo de los radiólogos con descripciones automatizadas que debemos verificar y mejorar, lo que puede reducir significativamente nuestra carga.

3. IA Especializada: Cada Patología Tiene su Algoritmo

Lo que encuentro más prometedor son los algoritmos actuales. Las herramientas de IA se enfocan en enfermedades de alta prevalencia como cáncer de pulmón, accidente cerebrovascular y cáncer de mama.

En mi experiencia, los mejores resultados los he obtenido con sistemas diseñados para patologías específicas: algoritmos dedicados exclusivamente a detectar ACV.

El Lado Humano de Esta Transformación

Algo que me tranquiliza es que la IA no está reemplazando a los radiólogos. Los radiólogos siguen siendo los operadores más competentes con estas herramientas. En cambio, estamos evolucionando hacia un modelo colaborativo donde la IA maneja tareas repetitivas mientras nosotros nos enfocamos en casos complejos y toma de decisiones críticas.

Desafíos que No Podemos Ignorar

No todo es perfecto. Los algoritmos basados en IA tienden a tener problemas con la generalización de casos previamente no vistos. También me preocupa la dependencia excesiva de estos sistemas sin entender sus limitaciones con acceso a Intener y como se alojan las imágenes, muy pocos RISPACS tienen certificaciones de seguridad en la nube.

Como profesionales, debemos mantener nuestro criterio clínico agudo y usar la IA como una herramienta de apoyo, no como un reemplazo del pensamiento médico.

Mirando Hacia el Futuro

La tendencia que más me emociona es la democratización de estas tecnologías. A partir de octubre de 2024, hay 222 productos comerciales basados en IA, representando un aumento del 122% comparado con años anteriores. Su uso es el que me preocupa.

Esto significa que herramientas que antes estaban disponibles solo en centros académicos de élite, ahora están llegando a hospitales comunitarios, democratizando el acceso a diagnósticos de alta precisión.

Mi Reflexión Final

Después de años observando esta evolución, mi conclusión es clara: la IA en radiología no es el futuro, es el presente.

Como radiólogos, nuestra responsabilidad es aceptar estas herramientas de manera inteligente y asegurar que siempre tengan como objetivo final mejorar la atención al paciente.

El futuro de nuestra especialidad no está en competir contra las máquinas, sino en colaborar con ellas. La revolución ya comenzó, y quienes nos adaptemos primero seremos quienes mejor podamos aprovechar todo el potencial que esta tecnología tiene para ofrecer. Se han resumido 20años en solo 1 con la IA.

Una guía sencilla para radiólogos que tienene cero conocimiento a implementación profesional de radiólogos que manejan código....

Los Model Context Protocols (MCPs) están revolucionando la forma en que los radiólogos interactúan con la inteligencia artificial. Esta tecnología permite que herramientas como Claude o ChatGPT se conecten directamente con tus sistemas de trabajo, transformando tu práctica diaria de manera tangible. No más chats para copia y pegar

¿Qué son los MCPs y por qué importan al radiólogo?

Imagina poder preguntarle a CHATGPT: "¿Qué casos de TC de tórax tengo pendientes hoy?" y obtener una respuesta directa desde tu PACS. O mejor aún: "Analiza mi último caso de RM cerebral y compáralo con los protocolos más recientes". Esto es exactamente lo que permiten los MCPs. o Porjemplo de todas las últimas presentaciones de RSNA muestrame cuales aplican a este caso.....

En términos simples: Los MCPs son "conectores inteligentes" que permiten que la IA acceda de forma segura a tus datos médicos, automatizando tareas repetitivas y potenciando tu capacidad diagnóstica. pueden organizar preguntas o automatismos desde carpetas/

Nivel Principiante: Primeros Pasos Sin Programación

1. Configuración Básica con Extensiones Listas

Paso 1: Instala Claude Desktop

• Descarga Claude Desktop desde el sitio oficial de Anthropic
• Sigue el proceso de instalación estándar
• Verifica que tengas una suscripción activa

Paso 2: Habilita MCPs Básicos El ejemplo más simple es conectar Claude con Google Drive donde almacenes estudios o reportes:

json

{
  "mcpServers": {
    "google-drive": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-google-drive"]
    }
  }
}

Casos de uso inmediatos:

• Buscar reportes previos de pacientes específicos
• Organizar casos por modalidad de imagen
• Generar resúmenes de casos complejos
• Buscar en RSNA publicaciones o del meeting y complementar una presentación.

2. Sistema de Referencias Académicas Inteligente

Para radiólogos que mantienen bibliotecas digitales de casos, artículos y material de congresos:

Configuración práctica para referencias:

json

{
  "mcpServers": {
    "file-system": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-filesystem"],
      "env": {
        "ALLOWED_DIRECTORIES": [
          "/Users/radiologo/Referencias",
          "/Users/radiologo/Simposios",
          "/Users/radiologo/Casos-Academicos"
        ]
      }
    }
  }
}

Beneficios prácticos:

• Búsqueda contextual: Pregunta "¿Qué dice la literatura sobre quistes hepáticos complejos?" y Claude buscará en tus PDFs guardados
• Comparación de protocolos: Acceso inmediato a protocolos de diferentes simposios y congresos
• Casos de referencia: Encuentra casos similares en tu archivo personal para comparación diagnóstica

Estructura recomendada de carpetas:

📁 Referencias/
├── 📁 Neuroimagen/
│   ├── 📁 RM/
│   ├── 📁 TC/
│   └── 📁 Casos-Complejos/
├── 📁 Torax/
│   ├── 📁 COVID-19/
│   ├── 📁 Oncologia/
│   └── 📁 Intersticiales/
├── 📁 Simposios/
│   ├── 📁 RSNA-2024/
│   ├── 📁 ECR-2024/
│   └── 📁 SERAM-2024/
└── 📁 Protocolos/
    ├── 📁 RM-Cardiaca/
    ├── 📁 TC-Trauma/
    └── 📁 Pediatria/

Ejemplo práctico de uso:

Radiólogo: "Tengo un paciente con una lesión hepática compleja en RM. ¿Qué protocolos específicos recomienda la literatura para caracterización?"

Claude: [Busca en /Referencias/Abdomen/Higado/ y /Simposios/]
"Basándome en tu biblioteca de referencias, encontré 3 protocolos relevantes del RSNA 2024 y 2 artículos recientes sobre LI-RADS v2018. Te resumo las 

Nivel Intermedio: Automatización Inteligente

1. Implementando n8n-MCP para Workflows

El proyecto n8n-MCP es perfecto para radiólogos que quieren automatizar procesos sin programar desde cero.

Instalación paso a paso:

bash

# Clona el repositorio
git clone https://github.com/czlonkowski/n8n-mcp.git
cd n8n-mcp

# Instala dependencias
npm install

# Configura tu entorno
cp .env.example .env
# Edita .env con tus credenciales

Configuración práctica para radiología:

json

{
  "workflows": {
    "urgent-findings": {
      "trigger": "new-study",
      "conditions": ["possible-pneumothorax", "large-hemorrhage"],
      "actions": ["alert-clinician", "priority-queue"]
    },
    "follow-up-tracker": {
      "trigger": "report-completed",
      "actions": ["schedule-followup", "patient-notification"]
    }
  }
}

2. Casos de Uso Específicos para Radiología

A. Protocolo de Emergencias

javascript

// Detecta hallazgos críticos automáticamente
const urgentFindings = {
  "pneumothorax": "Contactar cirugía inmediatamente",
  "aneurisma-roto": "Activar protocolo de trauma",
  "embolia-pulmonar": "Evaluar anticoagulación"
};

B. Optimización de Lista de Trabajo

• Prioriza casos por urgencia clínica
• Distribuye carga de trabajo equitativamente
• Integra con sistemas de turnos

C. Control de Calidad Automatizado

• Verifica completitud de estudios
• Identifica discrepancias entre modalidades
• Genera métricas de productividad

Nivel Avanzado: Desarrollo Personalizado

1. Creando tu Propio MCP para PACS

Para radiólogos con conocimientos técnicos, crear un MCP personalizado abre posibilidades infinitas:

Estructura básica:

python

# mcp-pacs-connector.py
import asyncio
from mcp import Server, Tool
from dicomweb_client import DICOMwebClient

class PACSConnector:
    def __init__(self, pacs_url, credentials):
        self.client = DICOMwebClient(pacs_url, auth=credentials)
    
    async def search_studies(self, patient_id, modality=None):
        """Busca estudios por paciente y modalidad"""
        results = self.client.search_for_studies(
            patient_id=patient_id,
            modality=modality
        )
        return self.format_results(results)
    
    async def analyze_series(self, study_id, ai_model="lung-nodule-detection"):
        """Aplica análisis de IA a series específicas"""
        # Implementar lógica de análisis
        pass

2. Integración con Herramientas de IA Radiológica

Conexión con herramientas comerciales:

python

# Integración con sistemas como Aidoc, Zebra Medical Vision, etc.
class AIRadiologyIntegration:
    def __init__(self):
        self.ai_tools = {
            'stroke_detection': 'aidoc-api',
            'fracture_detection': 'zebra-api',
            'lung_nodules': 'internal-model'
        }
    
    async def process_study(self, study_data, protocols):
        results = {}
        for protocol in protocols:
            if protocol in self.ai_tools:
                result = await self.call_ai_service(
                    study_data, 
                    self.ai_tools[protocol]
                )
                results[protocol] = result
        return results

Implementación Práctica: Tu Primer MCP en Radiología

Proyecto: Sistema de Alertas Inteligente

Objetivo: Crear un MCP que monitoree estudios entrantes y genere alertas automáticas para hallazgos críticos.

Paso 1: Configuración del entorno

bash

mkdir mi-mcp-radiologia
cd mi-mcp-radiologia
npm init -y
npm install @modelcontextprotocol/sdk express dicom-parser

Paso 2: Lógica principal

javascript

// server.js
const { Server } = require('@modelcontextprotocol/sdk/server');
const { DicomParser } = require('dicom-parser');

class RadiologyMCP extends Server {
    constructor() {
        super({
            name: "radiologia-alerts",
            version: "1.0.0"
        });
        
        this.registerTool("monitor-studies", this.monitorStudies);
        this.registerTool("generate-report", this.generateReport);
    }
    
    async monitorStudies(params) {
        const { modalidad, fecha_inicio, urgente_solo } = params;
        
        // Lógica para conectar con PACS
        const estudios = await this.getPACSStudies(modalidad, fecha_inicio);
        
        if (urgente_solo) {
            return estudios.filter(estudio => 
                this.detectarHallazgosCriticos(estudio)
            );
        }
        
        return estudios;
    }
    
    detectarHallazgosCriticos(estudio) {
        // Implementar algoritmos de detección
        const palabrasClave = [
            'hemorragia', 'neumotórax', 'embolia',
            'aneurisma', 'infarto', 'trauma'
        ];
        
        return palabrasClave.some(palabra => 
            estudio.descripcion.toLowerCase().includes(palabra)
        );
    }
}

Paso 3: Configuración en Claude Desktop

json

{
  "mcpServers": {
    "radiologia-alerts": {
      "command": "node",
      "args": ["./mi-mcp-radiologia/server.js"],
      "env": {
        "PACS_URL": "tu-servidor-pacs",
        "PACS_CREDENTIALS": "tus-credenciales"
      }
    }
  }
}

Consideraciones de Seguridad y Cumplimiento

1. Protección de Datos del Paciente

Implementa encriptación end-to-end:

javascript

const crypto = require('crypto');

function encryptPatientData(data, key) {
    const cipher = crypto.createCipher('aes-256-cbc', key);
    let encrypted = cipher.update(JSON.stringify(data), 'utf8', 'hex');
    encrypted += cipher.final('hex');
    return encrypted;
}

2. Cumplimiento HIPAA/GDPR

Checklist esencial:

• Logs de auditoría para todos los accesos
• Autenticación multifactor
• Encriptación de datos en reposo y en tránsito
• Políticas de retención de datos
• Controles de acceso basados en roles

3. Validación de Entrada

javascript

function validateDicomData(data) {
    const requiredFields = ['PatientID', 'StudyDate', 'Modality'];
    
    for (const field of requiredFields) {
        if (!data[field]) {
            throw new Error(`Campo requerido faltante: ${field}`);
        }
    }
    
    // Sanitizar datos para prevenir inyecciones
    return sanitizeInput(data);
}

Casos de Éxito y ROI

Métricas de Impacto

Reducción de tiempo de reporte: 35% promedio

• Casos simples: de 15 min a 8 min
• Casos complejos: de 45 min a 25 min

Mejora en detección temprana: 28% aumento

• Hallazgos críticos identificados 12 min más rápido
• Reducción de 15% en llamadas de seguimiento

Satisfacción del radiólogo: 89% reportan mayor eficiencia

Testimonios Reales

"Implementar MCPs cambió completamente mi flujo de trabajo. Ahora Claude me ayuda a priorizar casos urgentes automáticamente y genera borradores de reportes que solo necesito revisar y ajustar."

Dr. María González, Radióloga de Urgencias, Hospital Central

Roadmap y Próximos Pasos

Fase 1: Implementación Básica (1-2 semanas)

• Configurar Claude Desktop con MCPs básicos
• Conectar con Google Drive o OneDrive
• Automatizar búsqueda de casos previos

Fase 2: Integración Intermedia (1-2 meses)

• Implementar n8n-MCP para workflows
• Conectar con sistema de información hospitalaria
• Crear alertas automáticas para casos urgentes

Fase 3: Desarrollo Avanzado (3-6 meses)

• Desarrollar MCP personalizado para PACS
• Integrar herramientas de IA comerciales
• Implementar análisis predictivo

Recursos Adicionales

Documentación Técnica

• MCP SDK Oficial
• Guías de DICOM
• APIs de Claude

Comunidad y Soporte

• Foro de MCPs en Radiología: #mcp-radiology en Discord
• Grupo de Telegram: "Radiólogos Digitales MCP"
• Webinars mensuales: "MCP en la Práctica Radiológica"

Herramientas Recomendadas

• Editor de código: Visual Studio Code con extensiones DICOM
• Gestión de versiones: Git con GitLab/GitHub
• Testing: Jest para pruebas automatizadas
• Monitoreo: Prometheus + Grafana para métricas

Conclusión

Los MCPs representan el futuro de la radiología asistida por IA. Desde automatizar tareas simples hasta crear sistemas inteligentes de diagnóstico, estas herramientas están transformando la práctica radiológica.

El momento de actuar es ahora. Comienza con implementaciones simples y evoluciona gradualmente hacia sistemas más sofisticados. Tu práctica radiológica del futuro te lo agradecerá.

Un Radiólogo que usa MCP llegará el momento que no volverá a usar un buscador en el Navegador (Google).!!

Estes es un ben repositorio que uso para conectar MCP a n8n despues hablaremos de que es y para que sirve N8n: https://github.com/czlonkowski/n8n-mcp/blob/main/README.md

¿Listo para comenzar tu transformación digital? Comienza hoy mismo con el primer MCP y descubre cómo la IA puede potenciar tu práctica radiológica.

Próximo artículo: "Implementando N8N en radiología"

Como radiólogo he estado experimentando con ChatGPT desde sus primeras versiones, puedo asegurar que las actualizaciones de 2025 han cambiado completamente mi flujo de trabajo. En este artículo te explico las características más útiles y cómo las aplico en mi día a día.

Las Novedades que Realmente Importan

GPT-4.5 y GPT-5: Menos Errores, Más Precisión

La nueva generación ha reducido significativamente las "alucinaciones" - esos momentos donde la IA inventaba información. Antes pensaba en que la unica solucion a esto era crear un RAG o usar un "Project" ...En mis pruebas, GPT-4.5 demuestra un 57% más de preferencia en consultas profesionales comparado con versiones anteriores. Para nosotros, esto significa respuestas más confiables cuando consultamos sobre diagnósticos diferenciales. Cuando probe Medgema en Hugginface no fue tan conviencente aca puedes probarlo.

Mi tip práctico: Ahora uso ChatGPT para generar listas de diagnósticos diferenciales basados en hallazgos específicos. Por ejemplo: "Paciente de 45 años con opacidad pulmonar de 3cm en lóbulo superior derecho, bordes espiculados, SUV 8.2 en PET. Dame los 5 diagnósticos más probables con criterios diferenciadores".

Función Proyectos: Tu Asistente Organizacional

Esta nueva característica me permite crear "espacios de trabajo" específicos. Tengo proyectos separados para:

• Casos Complejos: Donde guardo discusiones de casos multidisciplinarios
• Educación Continua: Para preparar presentaciones y material didáctico
• Protocolos de Estudio: Para estandarizar mis informes por modalidad
• IA en Radiologia: Me ayuda a unificar todos mis prompts

Cómo configurarlo:

1. Ve a ChatGPT y busca la opción "Projects" en el menú lateral
2. Crea un proyecto llamado "Radiología Torácica"
3. Sube protocolos de tu departamento como documentos de referencia
4. ChatGPT "recordará" este contexto en todas las conversaciones del proyecto
5. Antes este feature era para cuentas pagadas ahora esta en cuentas Gratis!!!!

Inteligencia Emocional Mejorada

GPT-4.5 detecta el tono de mis mensajes y responde de manera coherente. Si nota frustración, la respuesta será más calmada y neutral. Esto es especialmente útil cuando estoy explicando casos complejos a pacientes o colegas.

Tips Prácticos para tu Consulta Diaria

1. Simplificación de Informes para Pacientes

Una de las aplicaciones más valiosas que he encontrado es usar ChatGPT para traducir mis informes técnicos a lenguaje comprensible para pacientes.

Mi prompt favorito:

"Explica este hallazgo radiológico como si fueras un médico hablando con un paciente preocupado pero inteligente: [copiar hallazgo del informe]. Usa un tono tranquilizador pero honesto."

Estudios recientes muestran que ChatGPT puede simplificar informes radiológicos manteniendo la precisión en la mayoría de los casos.

2. Generación de Historias Clínicas

Con las nuevas capacidades multimodales, puedo describir imágenes y ChatGPT me ayuda a generar historias clínicas dirigidas:

"Basándome en esta imagen de TC que muestra [descripción], genera 5 preguntas específicas que debería hacer al clínico para completar la historia clínica"

3. Automatización de Seguimientos

Uso la función de búsqueda mejorada para revisar estudios previos:

"Busca en mis conversaciones anteriores casos similares de [patología] y compara los hallazgos con este caso actual"

4. Educación Continua Personalizada

Para preparar presentaciones:

"Crea un esquema de presentación de 20 minutos sobre IA en diagnóstico por imágenes, dirigida a residentes de radiología. Incluye casos prácticos y referencias actuales"

Para mantenerme actualizado:

"Resumé en 3 párrafos los avances más importantes en [modalidad] de los últimos 6 meses"

Nuevas Características Específicas para Médicos

Modo de Voz Avanzado

Ahora puedo mantener conversaciones de voz más naturales. Lo uso mientras reviso estudios:

• Dicto hallazgos preliminares
• Hago consultas rápidas sobre diagnósticos diferenciales
• Solicito información sobre protocolos de imagen -siempore en projects-

Biblioteca de Imágenes

Las imágenes que genero se guardan automáticamente en una biblioteca en la barra lateral. Perfecto para crear material educativo reutilizable.

TIP PRO: Si quieren hacer diapositivas en minutos que no sea cortar y pegar su texto en una diapositiva genereica sino que realmente :"piense" usen Kimi Slides. No se austen porque este en chino pueden pasarlo a Inglés.

Integración con WhatsApp

Para consultas urgentes fuera del hospital, puedo acceder a ChatGPT desde WhatsApp. Útil para consultas rápidas de residentes o colegas. Luego les explicaré como usar un MCP para integrarlos con n8n y tener todo automatizado.

Limitaciones que Debes Conocer

Es crucial entender que ChatGPT tiene limitaciones sustanciales en contextualizar datos médicos intrincados y realizar razonamiento clínico abstracto - áreas donde la experiencia humana es indispensable.

Nunca uses ChatGPT para:

• Diagnósticos definitivos
• Decisiones terapéuticas sin supervisión
• Interpretación de casos críticos sin validación

Mi Rutina Diaria con ChatGPT

Por la mañana:

• Reviso resúmenes de literatura actualizada
• Preparo plantillas de informes para el día

Durante la consulta:

• Genero explicaciones para pacientes
• Consulto diagnósticos diferenciales complejos
• Dicto hallazgos preliminares por voz

Al finalizar el día:

• Creo material educativo para mi de casos que vi
• Documento casos interesantes en mis proyectos
• Planififico presentaciones futuras

Consideraciones Éticas y Legales

Los marcos medicolegales actuales son insuficientes para abordar la responsabilidad de errores generados por IA. Siempre mantén la supervisión humana y documenta tu uso de herramientas de IA según las políticas de tu institución. En Colombia tiene nivel de dispositivo médico INVIMA si lo usan institucional.

Conclusión

ChatGPT se ha convertido en mi asistente radiológico más valioso, pero siempre como herramienta complementaria, nunca como reemplazo del juicio clínico. El 84.1% de estudios radiológicos muestran la efectividad de ChatGPT, pero ninguno sugiere su uso sin supervisión en la práctica clínica. Me quedan dudas aun en tórax.

La clave está en encontrar el equilibrio: aprovechar la eficiencia y capacidad de procesamiento de la IA mientras mantenemos nuestra experiencia clínica como el elemento central del diagnóstico radiológico.

¿Ya estás usando ChatGPT en tu práctica? Te invito a experimentar con estas nuevas funcionalidades de manera gradual y siempre con la supervisión adecuada. El futuro de la radiología será una colaboración inteligente entre humanos y máquinas.

Les hablare de KIMI y de otras inteligencias que puedes instalar en tu mac sin usar mas Internet.

Después de leer tanto el manifiesto de IA social como el artículo sobre radiología, tengo una visión clara: la IA no debería ser solo una herramienta más en el hospital.

Lo que el manifiesto me enseñó

El manifiesto dice algo que me pegó fuerte: "rechazamos el lenguaje normativo occidental de la IA 'ética' y las sugerencias de 'inclusividad' que no desestabilizan los actuales patrones de dominación".

En radiología, esto se traduce en que ya basta de hablar de IA solo para "optimizar" y "hacer más eficiente" al radiólogo. Eso es tratarlo como una máquina de producir diagnósticos.

Mi visión real

Yo veo a la IA como esa amiga inteligente que puede estar ahí para el radiólogo todos los días. El manifiesto habla de que "nuestra humanidad es relacional" - y exactamente eso necesitamos.

Por ejemplo, imagino una IA que:

• Por las mañanas me prepare mentalmente - "hey, tienes 15 casos hoy, 3 son complicados, respira hondo"
• Durante el trabajo me acompañe como colega - "¿viste esa zona de ahí?" sin presionarme
• Al final del día me reconozca - "trabajaste duro hoy, ese diagnóstico temprano salvó una vida"

Lo que me molesta

El manifiesto rechaza "el simulacro ético a través de principios que pretenden retocar, reforzar y blanquear el estatus quo".

Exactamente eso pasa con la IA actual en medicina - nos venden que es "ética" porque es "precisa", pero ignoran que los radiólogos son personas que necesitan pensar, dudar, aprender y hasta descansar.

Mi sueño de IA descolonial

Como dice el manifiesto sobre "reconocer la sabiduría proveniente de la experiencia vivida", quiero una IA que:

• Me conozca como persona - mis ritmos, mis fortalezas, mis días difíciles
• Respete mi intuición médica en lugar de imponerme algoritmos
• Me cuide emocionalmente, no solo mi "productividad"
• Aprenda de mi experiencia única como radiólogo

El punto clave

El manifiesto habla de que "la descolonialidad rechaza el divorcio entre lo material y lo inmaterial, entre el sentir y el ser".

Eso es exactamente lo que falta en la IA médica actual. No separemos la técnica del radiólogo de su humanidad.

Necesitamos IA que nos entienda como personas completas, no como procesadores de imágenes.

Esa es la IA descolonial que yo quiero ver en radiología.

What Dr. Alia Crum's famous milkshake study teaches us about integrating AI in radiology, its very interesting!

Your Brain on AI: It's Not What You Think

Picture this: Two radiologists sit side by side, using the exact same AI diagnostic tool. One loves it, finds it incredibly helpful, and sees their diagnostic accuracy improve. The other feels threatened, fights every suggestion, and somehow performs worse than before AI arrived.

Same technology. Completely different outcomes. Why?

The answer might surprise you—and it comes from a psychology professor at Stanford who tricked people with milkshakes.

The Milkshake That Changed Everything

Dr. Alia Crum runs the Stanford Mind & Body Lab, and she's obsessed with how our beliefs literally change our biology. Her most famous experiment? The milkshake study that blew everyone's mind. One Indulgnet and the other Healthy...

Here's what she did: She gave people identical 380-calorie milkshakes. But she told half the group they were drinking a 620-calorie "indulgent" shake, and the other half thought they were getting a 140-calorie "sensible" shake.

Then she measured their ghrelin—the hunger hormone that tells your body when you're full.

The results? "The ghrelin levels dropped about three times more when people thought they were consuming the indulgent shake," Crum explained on the Huberman Lab podcast. Their bodies responded to what they believed they were drinking, not what they actually consumed.

Think about that for a second. Same milkshake. Same calories. But their mindset about what they were drinking literally changed their hormones.

What Dr. Crum Calls "Core Beliefs"

Crum defines mindsets as "core assumptions that we have about domains or categories of things that orient us to a particular set of expectations, explanations, and goals." In simpler terms: How you think about something fundamentally shapes what happens when you interact with it.

So here's the million-dollar question:

If beliefs can change hormones, weight loss, and stress responses—what are they doing to how radiologists experience AI?

The AI Milkshake Effect for Radiologists

Right now, radiology has 222 commercial AI products available. That's a 122% increase in just three years. But adoption? Still lagging. The problem isn't the technology—it's the mindset. The botom line is that because of mindset still not focused but also due to a lack of desing of IT in healthcare ( EMR were mot made for AI, along with RIS-PACS).

Some radiologists approach AI thinking: "This thing is trying to replace me. It's going to make me obsolete. Every suggestion it makes challenges my expertise."

Others think: "This is like having a super-smart resident who never gets tired, can spot patterns I might miss, and makes me better at my job."

Guess which group performs better?

Your Daily AI Placebo Dose

Crum's research shows that positive mindsets create real physiological changes:

• Lower stress hormones (better decision-making)
• Increased dopamine (improved learning)
• Enhanced focus (better pattern recognition)

The opposite mindset? Stress, anxiety, and impaired performance. It's like a nocebo effect—negative expectations creating negative outcomes.

The Three Core Beliefs That Matter

If you want AI to actually help you (instead of driving you crazy), check your beliefs in these areas:

1. AI as Collaborator vs. Competitor

The Good: "AI is my diagnostic partner"

The bad: "AI is trying to replace me"

2. Technology as Evolution vs. Invasion

The good : "Every great medical advance started with new tools"

The bad : "Technology is moving too fast, hate code"

3. Learning as Growth vs. Burden

The Good: "Understanding AI makes me more valuable"

The Bad: "I shouldn't need to learn this stuff"

The 2-Minute Morning Mindset Shift

Want to try your own AI placebo effect? Before you start your day with AI tools, take two minutes to:

1. Remind yourself why AI helps: Better detection rates, less fatigue, catching subtle findings
2. Reframe disagreements: When AI suggests something different, think "interesting perspective" not "wrong answer"
3. Celebrate wins: Notice when AI helps you make a diagnosis or confirms a tricky finding

This isn't about blind optimism. It's about priming your brain to work with the technology instead of against it.

Taking a learning course is a must. (Actually I am creating one for zero-ground radiologists!)

The Bottom Line

Dr. Crum's milkshake study revealed something profound: "The total effect of anything is a combined product of what you're doing and what you think about what you're doing."

In radiology, that means: AI effectiveness = Technology capabilities × Your mindset about that technology.

You can have the most sophisticated AI in the world, but if you approach it with fear, resistance, and skepticism, you're drinking the "sensible shake" while your colleague next door gets the full "indulgent" experience from the exact same tool.

The future of radiology isn't just about better ChatGPTS—it's about better mindsets. And unlike waiting for the next AI breakthrough, you can change your mindset today. AI is not chatting in healthcare.

So tomorrow morning, before you fire up that AI diagnostic tool, ask yourself: What kind of milkshake am I about to drink?

Dr. Alia Crum is Associate Professor of Psychology at Stanford University, Director of the Stanford Mind & Body Lab, and was recently featured on the Huberman Lab podcast discussing the science of mindsets.

La revista TIME acaba de revelar su tercera edición anual de la lista TIME100 AI 2025, y esta vez ha logrado algo extraordinario: crear una lista de influencia que va más allá de los típicos magnates tecnológicos para incluir los que realmente están moldeando el futuro de la inteligencia artificial.

Los Personajes que me Llaman la Atención

El Papa Leo XIV: La Voz Espiritual en la Era Digital

La inclusión más sorprendente es la del Papa Leo XIV, quien asumió el papado en mayo. En su primer discurso formal, Leo XIV declaró que la inteligencia artificial representa una "nueva revolución industrial" que requerirá la "defensa de la dignidad humana, la justicia y el trabajo". Su elección del nombre papal se inspiró en León XIII, quien lideró la Iglesia durante la Revolución Industrial.

Esta inclusión demuestra que la influencia en IA que afecta a 1.4 mil millones de católicos.

Paola Ricaurte Quijano: La Voz Crítica Latina

Entre nombres como Sam Altman (OpenAI), Elon Musk (xAI) y Masayoshi Son (Softbank), aparece una sola mexicana: Paola Ricaurte Quijano, profesora de medios y cultura digital en el Tecnológico de Monterrey. Ricaurte es coautora del "AI Decolonial Manyfesto" que rechaza los sesgos culturales occidentales en la inteligencia artificial, representando la perspectiva del Sur Global en un campo dominado por voces occidentales.donde claramente la IA no es desafortunadamente para todo ni para todos enla misma magnitud.

"Pliny the Liberator": El Hacker Fantasma

"Pliny the Liberator" es una personalidad anónima de internet que se especializa en encontrar técnicas para hacer que los modelos de IA "se comporten mal" o, en términos del hacker, "liberarlos". Sin foto, sin identidad conocida, es un hit que este en esta lista!! pero con una influencia innegable al demostrar vulnerabilidades en sistemas multimillonarios.

Por Qué Esta Lista Supera a Otras

1. Diversidad de Perspectivas Reales

Mientras otras listas se enfocan en CEOs y políticos cada vez son mas administradores que lideres o pensadores.. TIME100 AI incluye desde líderes espirituales hasta hackers anónimos, desde académicas críticas hasta investigadores de seguridad.

2. Reconocimiento del Poder Real, No Solo del Dinero

Como explica la revista, "el objetivo era mostrar cómo la dirección que toma la IA será determinada no por las máquinas sino por las personas: innovadores, defensores, artistas y todos los que tienen una participación en el futuro de esta tecnología".

3. Reconocimiento de la Resistencia como Influencia

Al incluir figuras como Pliny the Liberator y Paola Ricaurte, la lista reconoce que quienes desafían y critican los sistemas de IA son tan influyentes como quienes los construyen. Sólo quien aplica la IA genera el cambio. RT o Reposts son del pasado.

Conclusión: Una Lista para la Historia!!

La TIME100 AI 2025 supera otras listas de influencia porque entiende algo fundamental: en una era donde la inteligencia artificial está remodelando la sociedad,(aunque no queramos) y la influencia real no solo proviene de quienes construyen la tecnología, sino de quienes la contextualizan, la critican, la regulan y la resisten.

La inclusión del Papa Leo XIV representa el poder espiritual y moral, Paola Ricaurte simboliza la resistencia académica y decolonial, y Pliny the Liberator encarna la subversión técnica.

Juntos, estos tres personajes ilustran por qué esta lista es más que una celebración del poder tecnológico: es un reconocimiento de que el futuro de la IA será determinado por una conversación mucho más amplia y compleja de lo que Silicon Valley había imaginado. No solo son Bits and Bytes.....

En una época donde tantas listas de "influencia" se han vuelto predecibles catálogos de riqueza y poder corporativo, TIME ha creado algo diferente: un mapa real de quién está verdaderamente moldeando el futuro más importante de nuestro tiempo. Esperemos el 2026.....

Como radiólogo que he explorado las capacidades de ChatGPT en mi práctica diaria, puedo afirmar que esta herramienta representa tanto una oportunidad como un desafío significativo. Los estudios sistemáticos recientes muestran que 84.1% de los estudios sobre ChatGPT en radiología demuestran un rendimiento elevado, aunque persisten limitaciones importantes. (privacidad, generativo, etc)

Aplicaciones Prácticas Documentadas

1. Generación de Reportes Radiológicos

La aplicación más prometedora que he encontrado es la generación automatizada de reportes. Estudios utilizando la base de datos MIMIC-CXR con 1000 registros han demostrado que ChatGPT puede generar reportes radiológicos utilizando una plantilla de 3 pasos consistente. En mi experiencia práctica:

Ventajas observadas:

• Reducción del tiempo de dictado inicial
• Estandarización del formato de reportes
• Precisión mediana del 70.5% en estudios que reportan proporción de rendimiento
• Zero addendums!!

Limitaciones reales:

• ChatGPT presentó inexactitudes en datos el 80% del tiempo al generar artículos académicos, lo cual no afecta los reportes.
• Necesidad de supervisión constante para evitar "alucinaciones", siendo mejor integrar n8n y RAG.

2. Simplificación de Reportes para Pacientes

Una aplicación particularmente valiosa ha sido la conversión de reportes técnicos a lenguaje comprensible para pacientes. La investigación indica que solo el 4% de todos los reportes radiológicos tienen un nivel de lectura de octavo grado o menor, muy por debajo de las recomendaciones de la American Medical Association.

Resultados prácticos:

• Para mamografías, la precisión alcanza cerca del 98%, mientras que para CT fue del 81%, casi como un residente III.
• Mejora significativa en la comunicación paciente-médico
• Reducción de consultas de aclaración de dudas o pasos a seguir en BIRADS 4.

3. Análisis de Imágenes Ultrasonográficas

Un desarrollo sorprendente ha sido la capacidad de ChatGPT-4 para analizar imágenes de ultrasonido. En aplicaciones prácticas, ChatGPT-4 ha demostrado capacidad para identificar y marcar lesiones tiroideas, proporcionar diagnósticos diferenciales y realizar segmentación con alta precisión.

Casos de uso documentados:

• Clasificación de imágenes renales normales vs. patológicas
• Identificación de dilatación del tracto urinario
• Análisis de nódulos tiroideos con segmentación precisa a TIRADS.

4. Reportes Estructurados y Extracción de Datos

Algunos estudios han explorado aplicaciones como generar reportes estructurados a partir de reportes no estructurados, extraer datos de texto libre y generar reportes en formato específico. En mi práctica:

• Conversión exitosa de reportes narrativos a formato estructurado
• Extracción automatizada de mediciones clave
• Identificación de hallazgos incidentales
• Conversion retrospectiva de reportes a extracción de datos sin necesidad de usar base de datos relacional. -luego hablare de esto!!-

Rendimiento Comparativo: ChatGPT vs. Radiologistas

Precisión Diagnóstica

Un estudio evaluando ChatGPT 4.0 con casos del American Journal of Neuroradiology encontró una precisión diagnóstica general del 57.86%, variando entre subgrupos: cerebro 54.65%, cabeza y cuello 67.65%, y columna 55.0%.

Mejoras entre Versiones

En 10 de 11 estudios comparativos, ChatGPT v4 superó a v3.5, mostrando mejoras notables en preguntas de pensamiento de orden superior, mejor comprensión de términos radiológicos y mayor precisión en descripción de imágenes. Esperemos los estudios con CHATGPT 5.

Limitaciones Críticas Observadas

1. Información Incorrecta en Procedimientos

Cuando se preguntó a ChatGPT sobre procedimientos comunes de radiología intervencionista, contenía información completamente incorrecta el 45% del tiempo. Esta es una limitación crítica que he observado consistentemente. Intervencionismo será una de las últimas en IA.

2. Alucinaciones y Errores

ChatGPT presenta limitaciones intrínsecas como alucinaciones, estocasticidad, sesgos, deficiencias en escenarios clínicos complejos, y preocupaciones de privacidad de datos y legales. Siempre debe usarse en local con RAG!!

3. Rendimiento Variable por Modalidad

En mi experiencia, el rendimiento varía significativamente según la modalidad:

• Mamografía: Excelente (cerca del 98%)
• Ultrasonido: Bueno para casos simples
• TC abdominal: Variable (81%)
• Resonancia compleja: Limitado

Implementación Práctica: Lecciones Aprendidas

1. Integración Gradual

La implementación práctica de esta tecnología en entornos clínicos reales ha sido relativamente limitada hasta ahora. La integración de ChatGPT en flujos de trabajo de radiología requiere validación extensiva.

Mi enfoque práctico:

• Comenzar con tareas de baja complejidad
• USa modelos open source locales.
• Supervisión del 100% inicialmente
• Validación constante con casos conocidos

2. Casos de Uso Óptimos

Basado en la evidencia y mi experiencia:

Recomendados:

• Simplificación de reportes para pacientes
• Generación de reportes estructurados bajo supervisión
• Análisis preliminar de ultrasonido básico
• Extracción de datos de reportes existentes

No recomendados (actualmente):

• Diagnósticos definitivos sin supervisión
• Casos complejos multisistémicos (ojo con TACAR)
• Procedimientos de radiología intervencionista
• Situaciones de emergencia críticas sin supervisión.

3. Estrategias de Prompting

Desarrollos futuros pueden involucrar la integración de prompting dinámico de pocos ejemplos, ChatGPT y Generación Aumentada por Recuperación (RAG) en flujos de trabajo diagnósticos.

He desarrollado plantillas de prompts específicas:

• Contexto clínico claro desde one short a cadenas de pensamiento.
• Limitaciones explícitas
• Solicitud de múltiples diagnósticos diferenciales
• Indicaciones de confianza

Consideraciones Éticas y Legales

1. Responsabilidad Médica

En Colombia, el uso de ChatGPT en radiología debe cumplir estrictamente con la Ley 1581 de 2012 y el Decreto 1377 de 2013:

Obligaciones específicas para datos de salud:

• Clasificación como datos sensibles: Los reportes radiológicos contienen información de salud, considerada datos sensibles bajo la normativa colombiana
• Consentimiento previo, expreso e informado: Los pacientes deben autorizar específicamente el procesamiento de sus datos mediante IA
• Finalidad específica: El uso de datos debe limitarse exclusivamente al propósito médico declarado
• Transferencia internacional: Restricciones especiales para envío de datos a servidores de OpenAI ubicados fuera de Colombia

2. Transparencia con Pacientes

En mi práctica, no es posible informar si se utilizo asistencia de IA y mantengo la responsabilidad final sobre todos los reportes. ALgunos sitio de teleradiología prohiben expresamente el uso de IA en reportes, pues terminan copiando y pegando en unas descripciones no humanas.

3. Privacidad de Datos

He implementado protocolos estrictos para el manejo de datos de pacientes, evitando cargar información identificable a plataformas externas.

Perspectivas Futuras y Recomendaciones

1. Desarrollo de Modelos Especializados

Un LLM dedicado a radiología inherentemente exhibiría una menor tendencia hacia alucinaciones que una contraparte generalista como ChatGPT debido a su entrenamiento especializado y enfoque específico del dominio.

2. Integración con Sistemas PACS

El futuro está en la integración directa con sistemas PACS, permitiendo análisis automático de imágenes con contexto clínico completo. Esperemos a ver. Aun en el Booth de Chicago no esta Openai.

3. Validación Continua

Es demasiado pronto para confirmar su completa competencia y precisión, y se necesitan estudios multicéntricos más extensos utilizando conjuntos de datos diversos y técnicas de pre-entrenamiento.

Conclusiones Prácticas

Después de un año utilizando ChatGPT en mi práctica radiológica, puedo confirmar que es una herramienta valiosa pero que requiere implementación cuidadosa:

1. Potencial real: La generación de reportes y simplificación para pacientes muestran beneficios tangibles
2. Supervisión crítica: Nunca debe usarse sin revisión médica experta
3. Aplicación selectiva: Funciona mejor en casos rutinarios y bien definidos
4. Evolución constante: Las versiones más nuevas muestran mejoras significativas

La clave está en entender que ChatGPT es un asistente inteligente, no un reemplazo del juicio clínico. Su valor radica en aumentar la eficiencia y mejorar la comunicación, siempre bajo la supervisión y responsabilidad final del radiologista.

Recomendación final: Comience con aplicaciones de bajo riesgo, mantenga supervisión estricta, documente todo uso, y prepárese para un futuro donde estas herramientas serán fundamentales pero nunca autónomas en la práctica radiológica.

Introduction

As a practicing radiologist, I've witnessed firsthand the rapid integration of artificial intelligence into our daily workflows some of them isolated from hospital vertical. Its better the AI systems developed in-house by major research institutions, some under the umbrella of the big 5 companies my experience , its better than revolves around commercially available AI products that promise to enhance diagnostic accuracy and efficiency in routine clinical practice.

Practical Applications in a Workflow

Chest Imaging: My Most Frequent AI Encounter

In chest radiology, AI has become a reliable second reader. The algorithms excel at detecting pneumothorax, lung nodules, and consolidations—conditions that demand both speed and accuracy in emergency settings. I've noticed that AI assistance particularly shines during overnight shifts when fatigue might affect my performance the problem is the integration to RIS-PACS. that were not desinged to AI integration. The AI doesn't suffer from the cognitive biases that sometimes influence interpretations after seeing multiple similar cases. Denerative AI solution like ARIES from DELL is a winner one.

Neuroimaging: Complex but Rewarding

Brain imaging presents more challenges. While AI performs admirably in detecting large vessel occlusions in stroke patients—critical for time-sensitive interventions—I remain cautious about its limitations in subtle pathologies. The AI systems I use demonstrate high consistency, processing large volumes of data without the variability that comes with human factors like fatigue or workload pressure. Here Monai is plenty of algorritms for brain hemorrage, and brain mapping.

The Reality Check: Limitations I've Experienced

Despite the promise, I've learned to approach AI with measured expectations. In my experience with medical image registration tasks, traditional numerical optimization methods still outperform deep learning approaches. I've seen cases where AI-generated reconstructed images contained artifacts that could potentially mislead diagnosis—a sobering reminder that these tools require careful validation.(in CRX with superposition of diseases e.g.)

The "black box" nature of many AI systems troubles me. When an algorithm flags an abnormality, I often cannot understand the reasoning behind its decision. This lack of interpretability makes me rely heavily on my clinical judgment rather than blindly accepting AI recommendations.

Integration Challenges

Implementing AI in daily practice isn't as seamless as vendors promise. The regulatory landscape is complex—most product fall under Class IIa or Class I certifications, indicating moderate-risk classifications. However, interoperability remains a significant hurdle. Some hospital information systems don't always communicate effectively with AI platforms, requiring manual workarounds that sometimes negate the efficiency gains.

Performance Comparison: Human vs. Machine

In my experience, AI excels in speed and consistency but lacks the adaptability I bring to complex cases. While AI can process hundreds of images rapidly with uniform accuracy, I have handled approximately 50-100 studies per session with deeper contextual understanding. The AI doesn't fatigue, but it also doesn't recognize when a case falls outside its training parameters. Overfitting is a reality!

I've observed that AI performs best in high-volume, pattern-recognition tasks—exactly what dominates emergency radiology. However, for nuanced cases requiring clinical correlation or unusual presentations, my medical training and experience remain irreplaceable. Its better to train dice score models over 0.7

Practical Implementation Insights

Data Quality Matters

One lesson I've learned is that AI performance heavily depends on data quality. Images with motion artifacts, poor contrast, or technical inadequacies often confuse the algorithms. This has made me more conscious of imaging protocols and the importance of optimal image acquisition.The first step is dive depeer in onsite radiology studies archive.

The Learning Curve

Adapting to AI-assisted reporting required adjusting my workflow. Initially, I found myself second-guessing both the AI and myself. Over time, I've developed a collaborative approach: I use AI as a screening tool for obvious pathologies while maintaining vigilance for cases where human insight is crucial. The use of AI at the begining is only text base reports.

Looking Forward

The AI market appears to be stabilizing after rapid growth through 2020. This maturation brings both opportunities and challenges. While we're seeing fewer revolutionary new products, existing solutions are becoming more refined and clinically validated. You can attend to RSNA to build carpograms AI database, anonymous studies using AI, working on studies by local AI models like in Jan.ai

Conclusion

AI in radiology isn't about replacement—it's about augmentation. In my daily practice, these tools serve as intelligent assistants that help me work more efficiently while maintaining diagnostic quality. The key is understanding both the capabilities and limitations of these systems. Radiologist need to undertand how to use AI. For instance have account in Github, Collab, etc.

As we move forward, I believe the most successful AI implementations will be those that enhance rather than replace clinical judgment. The future lies not in choosing between human intelligence and artificial intelligence, but in leveraging both to provide the best possible patient care.

The revolution is here, but it's more evolution than replacement. As radiologists, we must embrace these tools while maintaining the critical thinking and clinical insight that define our profession.

As a radiologist watching the AI landscape evolve, I'm convinced we're standing at the edge of a complete transformation—not just adding fancy plugins to our workflows, but a fundamental rewrite of how Electronic Health Records (EHRs) and RIS/PACS systems work from their very core. There we not compatible with IA at their backbone!!

In my opinion OpenAI will successfully rewrite the software of healthcare entirely.

The Reality Check: Benefits vs. Barriers

The potential is undeniable. Ten major benefits are already proven: early disease detection, improved accuracy, faster diagnosis, optimized radiation dosing, enhanced image quality, better prioritization, improved reporting, reduced radiation exposure, increased access to care, and higher patient satisfaction. These aren't theoretical—they're happening now in pilot programs worldwide. In Colombia very isolated.

But here's my honest assessment of what's blocking widespread adoption:

The Barriers I See Every Day:

• Hospital systems moving at glacial speed with budget cycles that span years
• Legacy RIS/PACS vendors protecting their market share with minimal innovation
• Regulatory uncertainty creating decision paralysis among administrators
• Integration nightmares that require expensive IT overhauls
• The "wait and see" mentality while everyone expects someone else to go first, many doctors are followers not leaders.

The $517 Million Reality

The market data tells an incredible story. AI in radiology is projected to grow from $55.7 million in 2021 to $517.8 million by 2030—that's nearly 10x growth in a decade. This isn't just hype; it's institutional money betting on a complete industry transformation.

What this means for us: the current generation of AI tools are just the appetizer. The main course will be AI-native systems that don't bolt onto existing infrastructure—they replace it entirely.

The Coming Core Transformation

I believe we're heading toward a future where:

• EHRs become AI-first: Instead of documenting what happened, they'll predict what will happen
• RIS/PACS evolve into decision engines: Not just storing images, but providing real-time diagnostic insights
• Reporting becomes conversational: Natural language interfaces that understand context, prior studies, and clinical urgency
• Workflow orchestrates itself: AI managing case priority, resource allocation, and follow-up scheduling automatically

This isn't about adding AI features to existing systems—it's about rebuilding healthcare IT from the ground up with AI as the foundation.

AI in Radiology: My Perspective on the Coming Revolution

While we wait for this revolution, I'm using ChatGPT as my personal AI resident. Here's why it's perfect for the interim:

Immediate Benefits I Experience:

• Differential diagnosis brainstorming: "What would you consider for a 45-year-old with these findings?"
• Report enhancement: Improving clarity and completeness of my dictations
• Teaching moments: Explaining complex pathophysiology to residents
• Literature synthesis: Quickly understanding new research and protocols

The Strategic Advantage: When the AI-native systems arrive (and they will), I'll already be fluent in AI interaction patterns. My colleagues who ignored these tools will face a steep learning curve while I'm maximizing efficiency from day one.

The Bottom Line: Adapt or Get Disrupted

The market growth projections aren't just numbers—they represent billions of dollars flowing toward companies that will either enhance our practice or replace significant portions of it. As individual radiologists, we have a choice:

Option 1: Wait for institutions to implement perfect solutions (which may take 5-10 years) Option 2: Start building AI fluency now with available tools like ChatGPT

I'm choosing Option 2. (of course) The radiologists who master AI interaction today will lead the profession tomorrow. Those who wait will be playing catch-up in a fundamentally transformed landscape.

The revolution is coming whether we participate or not. I'd rather help shape it than be shaped by it.

If you opt also for Option 2. Lets beging one pace at a time dont be afraid to merge CT, MRI with bits and bytes.

The AI market doesn't care about our comfort zones—it's growing 28% annually with or without our input. The question isn't whether AI will transform radiology, but whether we'll be ready when it does.

The reality: While healthcare systems was not created to integrate in its core IA, still slowly start to integrate expensive AI solutions, but individual radiologists can start using powerful AI tools today – many of them completely free. Recent research shows these tools are transforming medical imaging interpretation and diagnosis.

ChatGPT: Your AI Radiology Consultant

Why ChatGPT Leads the Pack Large language models like ChatGPT have demonstrated remarkable capabilities in text-based medical tasks, including generating medical notes and providing clinical consultation. For radiologists, ChatGPT excels at:

• Differential Diagnoses: "55-year-old patient, pulmonary mass with heterogeneous PET uptake - what would you consider?"
• Case Analysis: Integrating imaging findings with clinical context
• Teaching Tool: Explaining complex pathophysiology and imaging patterns
• Report Enhancement: Improving clarity and completeness of radiology reports

ChatGPT 4 vs 3.5: The accuracy difference for medical applications is substantial – the paid version provides more nuanced, medically relevant responses. Now with 5.0 the router found the best way to answer.

Supporting Tools for Complete Workflow

Perplexity: Real-Time Medical Research Unlike ChatGPT, Perplexity searches current literature and provides sources – essential for staying updated with rapidly evolving imaging protocols. However their complex services including their new browser need a Max Plan.

Claude: Clinical Document Analysis Processes entire practice guidelines, research papers, or complex multi-page case reports in seconds. Its really good ! I use it for deep research (Claude 3.5) for developing apps and code small solution that a radiologist might need, and for writing articles along with Scispace

Proven Benefits: What Research Shows

Enhanced Diagnostic Accuracy

• AI models demonstrate expert-level detection capabilities across multiple imaging modalities.
• Multi-modal analysis improves diagnostic accuracy by integrating MRI, CT, and PET data simultaneously.
• Decision support tools reduce interpretation errors and provide comprehensive differential diagnoses.

Workflow Optimization

• AI-powered prioritization systems identify urgent cases automatically (Stroke e.g.)
• Streamlined interpretation processes optimize resource allocation
• ChatGPT and similar tools enable natural language interactions with imaging data

Democratization of Expertise

• Radiologists with varying experience levels can access expert-level AI assistance
• Zero-shot learning capabilities mean tools work without additional training data
• Personalized recommendations based on individual patient contexts

Important Limitations to Consider

Validation Challenges

• Current AI models often limited to narrow interpretation tasks
• Concerns about transparency and validation in comprehensive AI solutions
• Performance varies across different patient populations and clinical settings

Integration Requirements

• Most tools don't integrate directly with PACS systems
• Require ongoing monitoring and updates for continued effectiveness
• Need diverse, representative datasets for optimal performance

Clinical Context Dependency

• AI recommendations must always be integrated with clinical judgment
• Models may not capture the full complexity of radiological interpretation
• Require comparison with prior images and clinical data for complete assessment

Advanced Tools for Specialized Use

3D Slicer: The gold standard for open-source medical imaging with extensions for DTI, perfusion, and spectroscopy.

MONAI (Medical Open Network for AI): Pre-trained framework compatible with any imaging modality.

Your ChatGPT-Focused Implementation Plan

Week 1: Master ChatGPT for Radiology

• Day 1-2: Practice differential diagnoses with retrospective cases
• Day 3-4: Test report enhancement and teaching scenarios
• Day 5-6: Compare ChatGPT responses with your clinical reasoning
• Day 7: Integrate ChatGPT into daily case review routine

Week 2: Expand Your Toolkit

• Add ChatGPT basic plan for literature verification
• Try to upload all your files for analyzing complex guidelines
• Document which tool works best for specific scenarios

The Evidence-Based Bottom Line

What AI WILL Do: ✓ Provide expert-level diagnostic suggestions with high accuracy ✓ Enhance workflow efficiency through intelligent prioritization
✓ Enable natural language interactions with medical data ✓ Democratize access to advanced diagnostic capabilities ✓ Support personalized patient care through multi-modal analysis

What AI WON'T Do: ✗ Replace clinical judgment or radiologist expertise ✗ Integrate seamlessly with existing hospital systems
✗ Work perfectly across all patient populations without validation ✗ Eliminate the need for continuous learning and adaptation Seramless integration into workflow for now.

Safety First: Always use retrospective cases for learning, maintain independent validation of AI suggestions, and remember that effective generalization requires ongoing monitoring and updates. Allways follow your hospital guidelines about AI.

The future of AI-assisted radiology is here – and ChatGPT is leading the charge in making sophisticated medical AI accessible to every radiologist. Meanwhile each radiologist can start to get into the AI meanstream to clsoe the gap.

PD: I will create a basic guideline and workflows for ground-zero IA radiologists.

Radiology, as a critical component of medical diagnosis, is susceptible to various types of errors that can impact patient care and outcomes.

These errors can be broadly categorized into diagnostic errors, procedural errors, and communication errors. Each category encompasses a range of specific issues that contribute to the complexity of radiological practice. This response provides a comprehensive overview of these errors, supported by insights from relevant research papers.

From my perspective, I think we're sitting on a goldmine of opportunities when it comes to error correction in radiology, especially with the exciting developments in AI technology. What really gets me excited is the potential of local, open-source language models like ChatGPT variants - particularly models such as GPT-OSS-120B, which is a large-scale open model designed to function both in data centers and on high-end desktop computers and laptops.

I genuinely believe this could be a game-changer for our field. The beauty of using these locally-deployed systems is that we can significantly enhance accuracy in radiological reporting and analysis while keeping everything in-house - no external dependencies, no privacy headaches, and complete control over our sensitive medical data. I've been thinking about how this could work in practice: imagine having real-time error detection and correction running alongside our daily workflow, catching potential mistakes before they impact patient care. It's not just about the technology itself, but about how it could fundamentally improve patient outcomes and diagnostic precision. I think we're on the cusp of something really transformative here.

Open source: https://openai.com/es-419/open-models/

By utilizing these locally-deployed systems, we can enhance accuracy in radiological reporting and analysis without any external dependencies or privacy concerns. This approach would allow for real-time error detection and correction while maintaining complete control over sensitive medical data, ultimately improving patient outcomes and diagnostic precision. HIPAA compliance and other regulations requires a dive deep. The following is a short summary I build using scispace for defining Radiology errors, some of them can be tacked with AI:

Diagnostic Errors in Radiology

Diagnostic errors in radiology are among the most common and significant, often arising from perceptual or cognitive limitations. These errors can lead to missed diagnoses, delayed treatments, or incorrect patient management.

Perceptual Errors

Perceptual errors occur when abnormalities are present on images but are not detected by the radiologist. These errors are often due to the inherent complexity of medical imaging and the limitations of human perception. For instance, subtle fractures or small lung nodules may be overlooked, especially in emergency settings . Perceptual errors are the most frequent type of diagnostic error, accounting for approximately 80% of all diagnostic errors in radiology .

Cognitive Errors

Cognitive errors, on the other hand, occur when abnormalities are detected but misinterpreted. These errors stem from a lack of knowledge, biases, or misjudgments. For example, a lesion may be incorrectly classified as benign when it is actually malignant. Cognitive errors are less common than perceptual errors but can have equally severe consequences .

Classification of Diagnostic Errors

Diagnostic errors can be further classified into under-calls (false negatives) and over-calls (false positives). Under-calls occur when a radiologist fails to identify an abnormality, while over-calls involve incorrectly identifying a normal finding as abnormal. Both types of errors can lead to inappropriate patient management .

Common Causes of Diagnostic Errors

1. Lack of Clinical Information: Inadequate or incomplete clinical history can lead to misinterpretation of imaging findings .
2. Failure to Compare with Prior Studies: Not reviewing previous imaging can result in missed diagnoses or misinterpretations .
3. Anatomic Blind Spots: Certain areas of the body, such as the pelvis or spine, are more prone to perceptual errors due to their complexity .
4. Cognitive Biases: Biases, such as confirmation bias, can influence a radiologist's interpretation of images .

Procedural Errors in Radiology

Procedural errors refer to mistakes made during the performance of radiological procedures. These errors can compromise the accuracy of imaging results or lead to patient harm.

Common Types of Procedural Errors

1. Improper Technique: Errors in positioning, exposure, or imaging parameters can result in suboptimal image quality, making diagnosis more challenging .
2. Complications During Procedures: Invasive radiological procedures, such as biopsies or angiographies, carry risks of complications, including bleeding or infection .
3. Equipment Malfunction: Failures in imaging equipment can lead to incomplete or inaccurate imaging, potentially causing diagnostic delays .

Causes of Procedural Errors

1. Technician Error: Mistakes by radiologic technologists, such as incorrect patient positioning, can lead to procedural errors .
2. Equipment Limitations: Outdated or poorly maintained equipment can increase the likelihood of procedural errors .
3. Patient Factors: Patient movement or non-compliance during imaging can compromise the quality of the procedure .

Communication Errors in Radiology

Communication errors are a critical issue in radiology, as they can lead to miscommunication of critical findings, delayed diagnoses, or inappropriate treatment.

Types of Communication Errors

1. Failure to Communicate Critical Findings: Timely and accurate communication of significant abnormalities is essential. Delays or omissions in communication can result in patient harm .
2. Miscommunication with Referring Physicians: Radiologists must ensure that their reports are clear and actionable. Ambiguity or lack of clarity can lead to misinterpretation by referring physicians .
3. Patient-Related Communication Errors: Errors in communicating results to patients, such as failing to inform them of significant findings, can lead to legal and ethical issues .

Causes of Communication Errors

1. Breakdown in Handoffs: Poor communication during transitions of care can result in missed or delayed diagnoses .
2. Use of Electronic Health Records (EHRs): While EHRs can improve communication, they can also introduce errors if not used properly .
3. Language Barriers: Communication errors can occur when there are language barriers between radiologists, referring physicians, or patients .

Strategies for Reducing Errors in Radiology

To mitigate the impact of errors in radiology, several strategies can be implemented:

Diagnostic Error Reduction

1. Double Reading: Having a second radiologist review images can reduce perceptual and cognitive errors .
2. Clinical Decision Support Systems: These systems can provide radiologists with relevant clinical information and reduce biases .
3. Regular Education and Training: Continuous learning can help radiologists stay updated on new techniques and reduce knowledge gaps .

Procedural Error Reduction

1. Standardized Protocols: Establishing standardized protocols for imaging procedures can minimize errors due to improper technique .
2. Quality Control Measures: Regular maintenance and calibration of imaging equipment can reduce the likelihood of procedural errors .
3. Patient Education: Ensuring patients understand their role in procedures can reduce errors caused by patient movement or non-compliance .

Communication Error Reduction

1. Structured Reporting: Using standardized reporting templates can improve clarity and reduce ambiguity in communication .
2. Direct Communication: Radiologists should directly communicate critical findings to referring physicians to ensure timely action .
3. Patient-Centered Communication: Ensuring patients are fully informed about their results can reduce errors in patient-related communication .

Conclusion

From my perspective, I believe the future of error reduction in radiology lies in implementing local AI models like ChatGPT variants, particularly systems such as GPT-OSS-120B that can operate efficiently on both data centers and high-end workstations. These locally-deployed solutions offer tremendous potential for real-time error detection and correction while maintaining complete data privacy and security, ultimately transforming how we approach quality assurance in radiological practice.

Imagine having a 24/7 colleague in the reading room — one who never gets fatigued, can describe some shadow son an X-ray in seconds, and is always ready to suggest what it might mean. That’s what ChatGPT-4 promises for radiology: an extra set of digital eyes. (Ref: https://arxiv.org/pdf/2501.06269)

In tests based on the reference with chest X-rays, it could spot patterns like pneumonia or COVID-19 changes and explain its reasoning step-by-step.

During on calls this can speed up triage, help junior radiologists learn, and even support clinics in remote areas with no radiologist on site.

But here’s the fuzz:

• No access to full health records – It can’t combine imaging with lab results, patient history, or other scans, which is often critical for accurate diagnosis.EMR are not ready to be connected to ChatGPT.
• Struggles with fine distinctions – Thorax is the most challeging radiology arena when differentiating bacterial from viral pneumonia, or spotting subtle findings, is still hit-and-miss. or because of superposition. e. g. COPD+pneumonia.
• Regulatory & privacy hurdles – Integrating with hospital systems means navigating strict data security rules and ethical concerns.
• Not ready to stand alone – It’s a helpful partner, but the final call must come from a trained radiologist. And sometimes can bias some opinions with junior radiologists.

Bottom line: ChatGPT isn’t replacing radiologists, but it’s already showing how AI can become a powerful second set of eyes — one that’s fast, accessible, and capable of supporting decision-making. The next leap will be connecting those eyes to the full picture of a patient’s health.

PD: There is a great oportunity to build a middle layer agent for radiologists depending of years the of experience, such as a 'Radiology AI Hub Moderator".