Fernando H. Terciado_IA_Med

¿De qué va esta cuenta? 🤔Después de casi 2 años aprendiendo de Inteligencia Artificial y Machine Learning y cómo pueden aplicarse al mundo de la Medicina y la salud, he llegado a varias conclusiones. La primera, que es obvia, es que esto está ya por todas partes. 🧵👇

Ayer pudimos debatir en una mesa de diálogo sobre el impacto de la Inteligencia Artificial en la Medicina, centrándonos en cómo puede ayudar a la humanización de la asistencia (o ponerla en riesgo si no la usamos bien) y en cuestiones más específicas como la importancia de los datos de buena calidad y las barreras que tenemos para conseguirlos. Fue en el V Congreso Autonómico de personas afectadas por el Cáncer en Castilla y León organizado por las juntas provinciales de CyL de la AECC (@ContraCancerEs), un congreso precioso y de muchísimo nivel en el que participaron profesionales de todas las disciplinas que tratan a los pacientes con cáncer y sobre todo, los pacientes y sus familias.

📖✍️Interesante editorial en @JAMA_current sobre el uso de #InteligenciaArtificial en el proceso de revisión por pares👇 Por un lado: el interés en incorporarla en un modelo híbrido/colaborativo (p.ej. en resúmenes o en tareas concretas como la estadística o la coherencia texto-figuras) por la sobrecarga creciente de los revisores. Por otro lado: nuevos problemas que añade la IA como su sesgo/"entusiasmo" hacia las valoraciones positivas, su probable incapacidad para apreciar la relevancia clínica de un trabajo novedoso, e incluso los problemas de subir manuscritos confidenciales a programas de IA que pueden usar esa información para entrenar modelos futuros. Como tantas cosas en la aplicación de IA en Medicina: puede ser muy útil y puede ahorrarnos tiempo, pero cuidado con cómo la usamos 😬 🔗DOI: 10.1001/jama.2025.15827

Qué interesante trabajo, creo que la radiómica aplicada a RM y TC cardiaco tienen un potencial enorme si nos fijamos en sus hallazgos en Oncología, aunque queda muchísimo por recorrer. Eso sí, la radiómica basada en ultrasonidos que nos comentaba hacer un par de días también pienso que está mucho más limitada y me cuesta pensar que llegará a algo. Si tenemos en mente la resolución más limitada de la escala de grises en eco y lo que cambia la imagen p.ej. en función del IMC del paciente y del fabricante del eco utilizado, nos damos cuenta de que la ecografía está sujeta a altísima variabilidad, y por eso, con lo sensibles que son los marcadores radiómicos probablemente esto sea una fuente inmanejable de sobreajuste/baja reproducibilidad/asociaciones espurias. Muchas gracias por los resúmenes!

Más allá de la distribución y cuantificación de realce tardío con gadolinio LGC ,la radiomica mediante el análisis de la distribución , texturas ,heterogenocidad de intensidades puede ser un predictor de riesgo en la Miocardiopatia hipertrofica..me gusta ..te lo leo ..en @ImagenCardiaca

👇La #IA lo cambiará todo… ¿o es una burbuja? 🫧🪡 Recomiendo este vídeo (TechButMakeItReal via @YouTube) en el que se expone cómo se crean las burbujas tecnológicas con ejemplos actuales como Tesla o OpenAI. Para ello se basa en las promesas tecnológicas excesivas, el colapso de las leyes de escalado que teníamos hasta ahora y la generalización del crecimiento de productos como ChatGPT al resto de la industria. Mi sensación es que en la Medicina puede haber también una cierta “burbuja” en cuanto a dinero invertido en #HealthTech, aprobación de dispositivos con IA (a veces con validez externa cuestionable) y exceso de marketing, pero también es evidente el tremendo potencial de la IA en Medicina si vemos cómo puede simplificar todo el trabajo con documentos y lo bien que funcionan los modelos de DeepLearning p.ej. en reconocimiento de imágenes, además de los avances que ha habido en biología molecular. Por otro lado, la regulación en Sanidad es muchísimo más estricta que en otras industrias (véase periodismo o marketing) y me tranquiliza también que los médicos tenemos unos “anticuerpos” que son nuestro propio escepticismo, probablemente porque reconocemos lo compleja que es la realidad y el coste que tienen los errores. El rigor y la honestidad con la que se trata el tema en este vídeo es enorme, estoy abierto a comentarios si alguien se anima a verlo! youtu.be/mL24RKiBeU0?si…

🤖🆚🤖 Interesante comparación entre varios modelos de IA (GPT, Claude, Grok, Gemini y OpenEvidence) sobre sus recomendaciones en escenarios clínicos “inciertos” (transfundir vs observar, reiniciar anticoagulación tras sangrado, dar de alta con ligero deterioro de fn renal…). En 120 interacciones, los autores encuentran una gran variación entre modelos (50%-50% en algunos escenarios) y lo que llama más la atención: cambios en la respuesta que da un mismo modelo cuando se le pregunta lo mismo varias veces (consistencia interna mínima de 0.60). Entre los modelos estudiados, el más consistente fue OpenEvidence (el único específicamente desarrollado para medicina). 🎯Me parece un ejemplo más para que recordemos que por mucho sistema “autónomo” que se implemente en el futuro, va a ser difícil quitar a los médicos la responsabilidad final de las decisiones. 🔗DOI: 10.1007/s11606-025-09888-7 #LLM #HealthcareAI #IA #MedTwitter

🎁Ayer ChatGPT me "regaló" este ejemplo de adulación (en inglés sycophancy), uno de los problemas que tienen estas IAs/LLMs y que puede afectar muy negativamente a su uso en Medicina. En resumen, la adulación en este contexto se produce cuando el modelo nos da una respuesta que suena muy bien y que intenta halagar o alinearse con lo que ha dicho el usuario, aunque esa respuesta no siempre sea cierta. ¿Y esto qué tiene que ver con la Medicina? Si se usa una IA como asistencia al diagnóstico puede tender a confirmar la hipótesis del clínico aunque no sea cierta, puede ofrecer información tranquilizadora aunque tenga una evidencia muy débil, o puede amplificar sesgos y creencias populares al no querer revocarlos. Sus causas pueden ser varias y complejas: desde ciertas expresiones que se repiten con más frecuencia en los datos de entrenamiento a una elección por parte de los usuarios de las respuestas más amables en encuestas de uso o durante el aprendizaje por refuerzo con feedback humano (RLHF) al que se someten estos LLMs antes de ver la luz. Las propias medidas de seguridad o "guardarrailes" que llevan los modelos para no enfrentarse a los usuarios pueden influir también. Y como mejor "antídoto" para este problema: sobre todo sentido común y uso responsable de la IA. No uses ChatGPT para un tema que no conoces y no vas a poder garantizar su veracidad, y comprueba siempre los resultados si de ellos se derivan otras actuaciones.   #MedTwitter #MedEd #IA

@MemoriasPez Entre la clara reducción que habrá en clicks a las webs de anunciantes y los costes de computación de los millones de búsquedas que hace Google... A ver como cambian los números 😳

🤯 Pues parece que ya se puede ver por donde van a ir los tiros de cómo Google planea rediseñar su buscador. Muy bueno para el usuario y permite mostrar anuncios. No obstante, lo veo arriesgado. $GOOGL

🎯¿Cómo puede prepararse un médico para la #IA generativa?🤖📚 ✅Que no te sorprendan futuros cambios en los flujos de trabajo clínicos habituales (sistemas de soporte a la decisión, mayor acceso a los registros electrónicos, etc.). ✅Que no te sorprenda tampoco si cambia la relación médico-paciente. Los pacientes cada vez usan más ChatGPT para investigar sus síntomas, interpretar pruebas y valorar posibles diagnósticos (y su precisión e interactividad es muy superior a la del “Dr Google”). ✅La forma de hacer la pregunta o “prompting” es fundamental. Muy importante también los datos de contexto que damos para que la respuesta de un LLM sea más sólida. ✅Los médicos son responsables de las respuestas de una IA generativa, p.ej. con un informe generado por un “escriba digital” y firmado por un médico. ✅Una formación básica en cómo funcionan los LLM es fundamental: cómo utilizarlos, sus aspectos éticos, en qué y cómo se equivocan (alucinaciones, adulación), etc. 🔗: doi: 10.1001/jamainternmed.2025.4914 @JAMAInternalMed #GenerativeAI #AI #LLM #MedEd #MedTwitter

I've been following the OpenEvidence story from afar and I think they're a canary in the coal mine for the future of direct-to-employee tools in healthcare IMO this is happening for a few reasons 1) Tons of healthcare workers that absolutely hate the software that they use. Building a 10x experience from that baseline is easy because the bar is so low and legacy companies have very little consumer product expertise. Thanks to tools that make it way easier to prototype, you’ll see workers test out their own concept tools to solve their own individual pain points and then try to sell it. 2) Docs, nurses, billers, brokers, etc. are hypernetworked now thanks to social media/online communities. A recommendation from a peer here goes a really long way. 3) AI can now do so many things that you can build easy-to-try apps/tools that people can just get started with and immediately handle a process that is a huge pain in the ass for them. They can log into portals, read documents, make calls, fill out forms, and other tasks that take up a huge amount of time in their day. All from a mobile app, chrome extension, and more. 4) Business models are making this sustainable in the form of free + advertising, de-identified data sales, affiliate links, or premium features. This can undercut enterprise pricing and make versions that individuals can afford or try out themselves. tomorrow I'm sending out a post about what makes OpenEvidence an interesting case study in distribution + some ideas I have for other employee types that could use tools You can sign up to get it below (and we have some really awesome announcements for Out-Of-Pocket 2026 coming out soon!)

✨👍Cuando las cosas están bien hechas: el formato DICOM🩻 es uno de los estándares más importantes en imagen médica, podríamos pensar en él como una cápsula que tiene los datos de imagen de cualquier modalidad (TC, RM, cines de eco, etc.) + unos metadatos con información sobre el paciente, las series del estudio, orientación, etc. Seguro que muchos/as lo habéis usado. Además de la importancia que tiene en el manejo de archivos entre equipos de adquisición-PACS-estaciones de trabajo, tiene un papel fundamental en el desarrollo de modelos de análisis de imagen con #InteligenciaArtificial. Veamos por qué: 1️⃣Alta fidelidad de los datos: se conserva la profundidad de bits de las imágenes evitando pérdidas por compresión indebida, se mantiene también el grosor de cortes y su espaciado, etc. 2️⃣Metadatos estandarizados: se pueden incluir y transmitir fácilmente etiquetas de orientación y posición del paciente, escalas para reproducir adecuadamente valores de intensidad, etc. Es importantísimo también que DICOM permite una desidentificación controlada, borrando datos sensibles del paciente pero manteniendo la fecha, parámetros de adquisición, etc. 3️⃣Interoperabilidad: facilita construir flujos de trabajo (“pipelines”) para recuperación de estudios, procesado automático, despliegue de modelos en un flujo clínico, etc. 4️⃣Admite anotaciones y resultados estructurados: puede guardar segmentaciones, informes o mapas paramétricos, por ejemplo. La creación de bases de datos y modelos de IA sería mucho más fácil si tuviéramos formatos similares en características y tan versátiles por ejemplo para valores de laboratorio, evolutivos médicos, etc., es una de las promesas de HL7/FHIR pero no es tan sencillo. Al menos, se está trabajando en ello! #AImed #IAenMedicina #IA #MedTwitter #Radiology

🏡🛜Si recuerdas el famoso “internet de las cosas” de hace unos años, te gustará conocer el Internet of Medical Things o IoMT. El concepto es el mismo, consiste en un ecosistema de dispositivos conectados que recogen y transmiten datos clínicos que pueden ser muy útiles en diagnóstico, seguimiento y otras formas de telemedicina. Se pueden incluir aquí distintas aplicaciones con sensores de glucosa, parches y relojes de análisis ECG, básculas o tensiómetros inteligentes, pulseras con acelerómetros para detección de crisis epilépticas, parches de temperatura en pacientes en riesgo de neutropenia febril, “smart toilets”😒, monitores de sueño… y podríamos seguir con otros mil ejemplos. Además de unos requisitos mínimos de tipo funcionalidad, duración de batería e incluso estética, tienen también unas barreras para su desarrollo sobre todo en el ámbito de la interoperabilidad (mejor si usan estándares abiertos como HL7) y en el de la ciberseguridad y los protocolos de transmisión que pueden utilizar (WiFi, Zigbee, etc.). En Cardiología se han desarrollado bastante por motivos obvios, pero creo que no hay que dejarse llevar por la sensación de “qué bien poder medir [lo que sea]” sino realmente preguntarnos si son útiles para el manejo del paciente, se reducen métricas como reingresos o estancias, cuál es su rendimiento diagnóstico, etc. Aun así, también creo que es un campo con menos barreras de entrada que el desarrollo de tecnología médica más avanzada o software específico, así que quien tenga ideas que sepa que hay gente haciendo cosas chulísimas con sensores de aliexpress! 😀 #MedTwitter #MedX #AIforMed #MedEd

🫣Detrás de este título tan sensacionalista (“artificial intelligence will replace much of what cardiologist do”) se encuentra un buen debate sobre las posibilidades de la #IA en la educación médica, la interpretación de pruebas diagnósticas, toma de decisiones clínicas, generación de informes y comunicación con los pacientes. En realidad, más que un debate de “pros y contras”, me gusta verlo como una lista por un lado de las posibilidades de mejorar en todos esos campos mediante el uso de la IA, y por otro lado de las limitaciones y barreras que tiene esta tecnología para implantarse en un escenario de uso realista y seguro. Animo a leerlo porque además es una lectura corta y sencilla, y aplicable no solo a Cardiología sino a muchísimas otras especialidades. También puedes ver el abstract gráfico que lo resume bastante bien 😅 🔗DOI 10.1093/eurheartj/ehaf305 #MedTwitter #MedX #MedEd #AIinHealthcare

🤖👂La #IA puede escuchar con muchísimo detalle 🧐.   🩺En los últimos días han saltado a la prensa general los resultados preliminares del estudio TRICORDER que se presentaron en el congreso de la Soc. Europea de Cardiología (@escardio) en Madrid, mostrando la capacidad de un estetoscopio digital asistido por IA para detectar valvulopatías, fibrilación auricular e insuficiencia cardiaca.   A modo de curiosidad, además en fonendos digitales, también el reconocimiento de sonidos por IA se usó durante el COVID para detectar infección analizando la tos grabada por el móvil (@MIT_CSAIL) y hay varios trabajos sobre clasificación de sibilancias y crepitantes, sospecha de Parkinson por análisis de la voz, detección de estenosis en fístulas de diálisis, estudio del llanto neonatal… y mucho más.   🤯Y me parece fascinante también que estos mismos principios se pueden aplicar a los sonidos que producen los motores en aplicaciones industriales, pudiendo distinguirse si lo que falla es una válvula, una bomba o un ventilador. Tremendo 😅   #MedTwitter #CardioTwitter #MedEd #ESCcongress #DeepLearning

🧵❌Para terminar con un checklist práctico🎯: necesidad clara, métricas alineadas con decisiones, integración en flujo, evaluación acorde al riesgo, plan de monitorización y transparencia radical. Así la IA pasa de promesa a práctica✨. (🧵8/8)

Transparencia: explica datos, preprocesado y sesgos potenciales. Comparte código/datos cuando sea posible y registra con antelación estudios prospectivos para aumentar credibilidad. (🧵7/…)

🧵👇Hilo resumen del marco editorial de la revista @JACCJournals para que la #IA en Cardiología aporte valor real y no solo métricas. ✅3 pilares: relevancia clínica, evaluación “fit-for-purpose” y transparencia. 🔗: 10.1016/j.jacc.2025.07.040 #MedTwitter #CardioTwitter #DataScience