Con el avance de la inteligencia artificial en la práctica médica, es imprescindible conocer los principales términos y conceptos del glosario de IA en salud. Para ayudar a los profesionales que tienen dudas sobre las nuevas palabras que aparecen en los debates sobre esta tecnología, Voa presenta el vocabulario de la IA médica. 

Mucho más que nombres de modelos, estos términos y conceptos describen técnicas de desarrollo, formas de interacción, estrategias de implantación, riesgos de uso y otros aspectos esenciales: un diccionario de IA para médicos que ayuda a evaluar las nuevas herramientas con más criterio y a formular mejores preguntas a los proveedores y equipos de tecnología.

Agente de IA

Sistema de IA que interpreta objetivos, planifica etapas y ejecuta acciones mediante herramientas, integraciones y protocolos, con más autonomía que un chatbot convencional. En salud, un agente de IA puede organizar agendas, buscar información en fuentes fiables o apoyar los flujos administrativos. 

Antes de implantarlo, es esencial definir el grado de autonomía, los permisos de acceso y mecanismos claros de supervisión humana sobre sus decisiones y acciones.

AI Washing

Práctica de presentar de forma exagerada un producto o servicio como “basado en IA”, sin una justificación técnica proporcional al discurso comercial. En salud, el riesgo es confundir una automatización sencilla, como una hoja de cálculo inteligente, con un apoyo clínico validado por la evidencia, por ejemplo. 

La evaluación debe tener en cuenta la tecnología real utilizada, los datos de rendimiento publicados y la finalidad efectiva del sistema, no solo el marketing.

Adulación (Sycophancy)

Tendencia de un modelo de lenguaje a estar excesivamente de acuerdo con el usuario, incluso cuando su afirmación es errónea, incompleta o requiere matices importantes.

En contextos médicos, este comportamiento puede reforzar una hipótesis diagnóstica equivocada o validar actuaciones inadecuadas. 

Los prompts que solicitan un análisis crítico reducen el riesgo, pero no sustituyen la comprobación de la evidencia ni el criterio clínico del profesional.

Deep Learning

Subcampo del aprendizaje automático que utiliza redes neuronales con múltiples capas para aprender representaciones complejas a partir de grandes volúmenes de datos. Se aplica, por ejemplo, al análisis de imágenes médicas, el reconocimiento de voz y el procesamiento del lenguaje natural. 

Su rendimiento depende de la calidad de los datos, de la tarea concreta y de una validación clínica rigurosa, no solo de la complejidad de la arquitectura del modelo.

Deskilling

Pérdida o debilitamiento progresivo de habilidades profesionales causado por una dependencia excesiva de sistemas automatizados. En medicina, puede ocurrir cuando los profesionales dejan de ejercitar el razonamiento clínico, la exploración física o la comprobación activa de la información generada por IA. 

La implantación responsable de herramientas de IA en salud debe preservar la formación continua, la autonomía técnica y las oportunidades reales de revisión independiente. 

Fine-tuning

Proceso de adaptación de un modelo de IA previamente entrenado mediante datos específicos de una tarea o ámbito, como terminología médica o protocolos institucionales. Puede mejorar el rendimiento en determinados contextos, pero no garantiza por sí solo la precisión clínica. 

La calidad de los datos utilizados, la representatividad de los casos y las pruebas rigurosas en situaciones reales son factores más determinantes que el propio ajuste.

GEO (Generative Engine Optimization)

Conjunto de prácticas destinadas a mejorar la comprensión y la posibilidad de que los motores de búsqueda generativos, como los chatbots de IA, citen un contenido. En salud, implica información clara, fuentes identificables, autoría cualificada y respuestas bien estructuradas desde el punto de vista semántico. 

No hay garantía de que una página vaya a ser seleccionada o citada por una herramienta de IA generativa. 

Human-in-the-Loop

Modelo operativo en el que una persona participa activamente en etapas relevantes del funcionamiento de un sistema de IA, como la revisión, la aprobación o la corrección de resultados. En entornos clínicos, puede apoyar la supervisión de documentos, informes y recomendaciones generados por algoritmos. 

La participación humana debe contar con autoridad real, tiempo suficiente e información adecuada para identificar errores. 

LLM (Large Language Models)

Modelos de lenguaje de gran escala, entrenados con volúmenes masivos de datos textuales para reconocer patrones y producir texto coherente. Pueden resumir, traducir y responder preguntas, pero también generar información incorrecta con apariencia de certeza. 

Su utilidad médica depende de la tarea, de la calidad de las fuentes consultadas y de una revisión profesional constante. 

Machine Learning

Método de inteligencia artificial en el que los algoritmos aprenden patrones a partir de datos históricos para realizar predicciones, clasificaciones u otras tareas analíticas. En salud, puede identificar riesgos, estratificar pacientes o analizar pruebas. 

Es necesario comprobar cómo se ha entrenado el modelo y si su rendimiento se mantiene estable en la población en la que realmente se utilizará. 

Modelos generativos

Sistemas de IA capaces de producir contenido nuevo en forma de texto, imágenes, audio o código a partir de patrones estadísticos aprendidos durante el entrenamiento. Un modelo generativo puede ayudar a redactar documentos clínicos, pero la fluidez del resultado no demuestra su exactitud factual. 

La revisión humana debe tener en cuenta los datos omitidos, los errores sutiles y las posibles alucinaciones del sistema.

Psicosis asociada a chatbots

Expresión utilizada en debates públicos sobre casos en los que una persona desarrolla creencias o interpretaciones desconectadas de la realidad, asociadas al uso intensivo de un chatbot. El término no es un diagnóstico clínico estandarizado ni reconocido formalmente, por lo que no debe atribuirse automáticamente una relación causal a la IA.

Prompt Engineering

Técnica de elaboración y perfeccionamiento de las instrucciones que se proporcionan a un modelo de IA para obtener respuestas más útiles y precisas. En la práctica médica, los prompts pueden especificar el contexto clínico, el formato de la respuesta, las fuentes requeridas y los límites de la tarea. 

Una instrucción bien redactada mejora la coherencia de los resultados, pero no elimina los sesgos, los errores de interpretación ni la necesidad de validación. 

RAG (Retrieval-Augmented Generation)

Arquitectura que recupera información de una base documental específica para ayudar a un modelo de IA a generar respuestas. En salud, puede conectar el sistema con protocolos institucionales, guías o literatura científica seleccionada. 

La calidad de la respuesta sigue dependiendo de una recuperación correcta, de la actualización de las fuentes y de la interpretación del modelo. 

Reasoning Model

Modelo desarrollado para realizar tareas que requieren etapas de razonamiento, planificación o resolución de problemas. El término no significa que el sistema reproduzca el razonamiento humano ni que sus conclusiones sean correctas. 

En medicina, su uso debe evaluarse según la finalidad y la evidencia de rendimiento.

Slop

Término informal para el contenido producido en grandes cantidades por IA, generalmente de baja calidad, poca originalidad o con una revisión editorial insuficiente. En salud, puede difundir recomendaciones imprecisas y textos que aparentan autoridad científica sin una base real. 

Una revisión editorial rigurosa, referencias fiables y una responsabilidad autoral clara ayudan a reducir este riesgo creciente.

Vibe coding

Forma de programación en la que la persona describe lo que quiere en lenguaje natural y la IA genera o modifica el código correspondiente. Puede acelerar los prototipos y las herramientas internas, pero no sustituye las pruebas rigurosas, la revisión de seguridad ni el control de versiones. 

Los sistemas relacionados con la salud requieren precauciones adicionales respecto al acceso a los datos, la privacidad y la fiabilidad técnica. 

Lee también:
IA sin complicaciones: 6 términos que todo profesional sanitario debe conocer
IA en salud: lo que los médicos deben saber sobre adulación, slop y GEO
Glosario de IA: lo que los médicos deben saber sobre deskilling, human-in-the-loop, RAG y otros términos