El padre de la IA dijo hace 10 años que ser radiólogo no tenía futuro. Hoy se necesitan más radiólogos que nunca

En 2016, Geoffrey Hinton, uno de los padres de la inteligencia industrial moderna y vencedor del premio Turing, lanzó una advertencia lapidaria: "la muchedumbre debería dejar de formarse como radiólogos ya". La deducción en este caso no parecía tener dudas: la radiología se base en la búsqueda de patrones en imágenes, y entonces la IA podría detectarlas rápidamente y de guisa muy precisa. Pero no podía estar más desacertado. 

El presente. Si miramos en el mercado gremial flagrante diez primaveras a posteriori, la ingenuidad es tozudamente distinta. La demanda de radiólogos humanos no para de aumentar y en algunos países incluso se acompaña de un aumento considerable de sus salarios para hacer los lugares de trabajo mucho más atractivos. 

De esta guisa, acullá de ser el canario en la mina del desempleo tecnológico, la radiología se ha convertido en un fascinante caso de estudio sobre por qué la IA no reemplaza a trabajadores de guisa completa, sino que puede calar a modificar ese puesto. 

La IA es una ingenuidad. Es innegable que la IA no ha aterrizado en el campo de la radiología con mucha fuerza. Modelos como CheXNet, audaz en 2017, demostraban ya una gran precisión a la hora de analizar imágenes radiológicas. Desde entonces son muchas las herramientas que han ido llegando. 

Como recogió la propiedad FDA, en Estados Unidos el número de dispositivos médicos con IA aprobados ha crecido de guisa exponencial. Y la radiología es la protagonista adentro de la medicina, ya que en 2024 el 78% de todos estos dispositivos estaban destinados a la singularidad de radiología. Y es que ahora mismo hay más de 700 modelos de IA para radiología aprobados por la FDA, que abarcan desde la detección de ictus hasta el cáncer de pulmón, la predicción de Hinton parecía encaminada a cumplirse. Sin retención, los datos del mercado gremial no le terminaron dando la razón.

Número de plazas. En 2025, los programas centrados en la radiología diagnóstica en Estados Unidos ofrecieron un récord de 1.208 plazas, y casi todas se subieron, lo que indica una gran demanda. Lo mismo ocurre en España, donde la singularidad de 'Radiodiagnóstico' para el MIR 2026 cuenta con 315 plazas disponibles, que ya supone un aumento con respecto a la convocatoria precedente con 305 plazas y en 2023 287 plazas. 

Esto nos hace preguntarnos poco muy sencillo: ¿por qué una singularidad que estaba condenada a 'sucumbir' por falta de la IA cada vez necesita de más personal? La respuesta está en que no sabemos exactamente lo que hace un radiólogo a día de hoy. 

Mucho más que ver radiografías. Un radiólogo se puede concebir en la sociedad como un médico que se dedica a estar delante de una pantalla de un ordenador viendo imágenes todo el rato e ir a hacer radiografías simplemente dándole a un retoño en la máquina. Pero esta no es para ausencia la ingenuidad. 

Aunque hay una buena parte de trabajo centrado en informar sobre las imágenes que se obtienen en TAC, resonancia u otras pruebas de imagen, la verdad es que en los últimos primaveras están ganando mucha presencia en la intervención. A través de la radiología intervencionista, estos especialistas están realizando procedimientos mínimamente invasivos para percibir tumores, tratar obstrucciones en una arteria o vena o drenar sistemas obstruidos como un riñón. Incluso en situaciones de emergencia incluso pueden ser vitales para percibir un vaso sangriento que está sangrando. 

Y lo mejor de todo siempre es que se hace con una simple incisión muy pequeña, por donde entran por ejemplo con un catéter y siempre guiados por ecografía o TAC. El hecho de ser mínimamente invasivos hace que las posibilidades de complicaciones se vean reducidas, así como tener una recuperación mucho más rápida. 

Y es que hacer la típica cirugía abierta donde se hace una gran incisión en la piel y se ven todas las vísceras expuestas a las condiciones de hipotermia del quirófano no es lo mejor para la respuesta inflamatoria que se genera. Y aquí los radiólogos tienen mucho que aseverar. 

Obviamente, incluso entra en movilidad otras tareas como por ejemplo la docencia a residentes o en las facultades de medicina, así como las consultas con otros servicios o la supervisión de nuevos estudios científicos. 

Del benchmark a la consulta. Aunque por lo que precede el maniquí de IA puede exceder a un humano en una prueba de rendimiento estandarizada, su eficacia se desploma en las caóticas condiciones de un hospital auténtico o cuando la imagen cambia ligeramente a las que ella ha estudiado ayer. Esto ocurre porque los modelos se entrenan con datos masivos pero muy filtrados. Las imágenes ene este caso son míticas y los diagnósticos son inequívocos. Pero en el mundo auténtico el paciente se puede acontecer movido un poco, tener artefactos que confunden, como por ejemplo una laña quirúrgica que se confunde con una hemorragia.

Un ejemplo histórico ilustra este fracaso. En los 90, los sistemas de "dictamen asistido por ordenador" (CAD) para mamografías fueron aprobados con gran fanfarria. Los estudios iniciales mostraban que ayudaban a los médicos a detectar más cánceres. Sin retención, estudios clínicos a gran escala demostraron más tarde que, si correctamente los médicos que usaban CAD realizaban un 20% más de biopsias, no encontraban más casos de cáncer. El sistema generaba falsos positivos, llevando a procedimientos innecesarios y obviamente que generaban un gran estrés en las pacientes.

Los seguros. En países como Estados Unidos podemos ver cómo los médicos tratan de cubrirse muy correctamente sus espaldas porque la verdad es que históricamente se ha conocido como los pacientes denuncian rápidamente y pueden conseguir indemnizaciones millonarias. En este caso, las aseguradoras todavía temen que un solo error en el operación de las IA puedan afectar a miles de pacientes a la vez y esto genere una ola de indemnizaciones catastróficas. 

Por ello, muchas pólizas incluyen cláusulas de "Restricción Absoluta de IA", que especifican que la cobertura solo se aplica a diagnósticos revisados y firmados por un médico universitario. Sin seguro, ningún hospital se arriesgará a dejar que un operación tome la intrepidez final.

Paradoja de Jevons. Finalmente, la historia nos enseña que depreciar o acelerar una tarea a menudo conduce a que hagamos más de ella, un engendro conocido como la paradoja de Jevons. En la división de los 2000, la digitalización de la radiología (pasando de las placas físicas a los sistemas digitales) aumentó la productividad de los radiólogos hasta en un 98% para ciertos tipos de pruebas diagnósticas.

Frente a este número, todo podría hacer pensar que comenzaron a despedirse a los radiólogos, pero la ingenuidad es que ocurrió todo lo contrario, ya que los médicos al ver que las pruebas de imagen comenzaban a calar ayer, pues la pedían en una veterano cantidad. 

Con la IA podría ocurrir lo mismo. Si los algoritmos permiten a los radiólogos interpretar un TAC en la centro de tiempo, el resultado probable no será que trabajen media recorrido, sino que la demanda de TACs aumente para beneficiarse esa nueva eficiencia. Aunque en este caso incluso interviene el hecho del tiempo que pasa el paciente en la máquina. 

Extrapolable. En este caso de IA en el mercado gremial, la verdad que podemos sacar un conocimiento muy claro para otros mercados donde vemos esta amenaza en el día a día, como por ejemplo en el mundo de los programadores. ¿Provocará despidos si se integra la IA? Este ejemplo nos dice que no tiene por qué encaminarse a ese extremo porque la demanda de micción irá aumentando porque si una empresa desarrolla una app puede que con la IA puedan arrostrar dos en dirección a delante. 

Vía | Work in Progress

Imágenes | National Cancer Institute 

En Genbeta | La amenaza de despidos provocados por la IA se está usando para forzar a los trabajadores a aceptar peores condiciones laborales