Investigación

Estudio revisado por pares de 2026 compara cuatro agentes conversacionales en 128 pares P/R y 1024 evaluaciones expertas.

Preprint de exactitud diagnóstica en medRxiv: modelo en HCE con AUC 0.93, sensibilidad 96.4% y especificidad 84.4%.

Preprint de medRxiv: la reconstrucción automatizada de SOFA mejoró la recuperación de variables respiratorias de 33% a 100%.

Preprint de JMIR: la memoria recursiva eleva la F1 de codificación clínica zero-shot de 0.318 a 0.605 tras 20 iteraciones.

Arkangel AI: el sistema de recuperación de múltiples LLM brinda respuestas médicas basadas en evidencia con un 90 % de precisión.

LLM autoextraído en UCI/paciente ambulatorio (~100%) y PUMA aplicado: 94% de precisión de puntuación; 100% de sensibilidad

Prueba de detección de enfermedad renal crónica (ERC) con ML de datos mínimos en 6 países de ingresos bajos y medios: sensibilidad del 90 %, AUC 0,63.

Revisión: Los LLM tienen un alto puntaje en control de calidad pero necesitan una evaluación humana en el mundo real para un uso clínico seguro.

Vitruvius: el chat multi-LLM con recuperación aumentada responde consultas de estilo USMLE con un 90,3 % de precisión.

PANDORA utilizó GPT-4 para extraer notas clínicas y aplicar PUMA: >90% de extracción, puntuación de EPOC del 95-98%.

Arkangel AI: la IA en tiempo real basada en evidencia redujo el tiempo de respuesta de los médicos en un 79 % y las búsquedas en un 34 % en una prueba piloto.

AI-CNN lee OCT para detectar líquido intrarretiniano/edema macular con una precisión de aproximadamente el 97 %, lo que ayuda al cuidado de la retina.

El agente conversacional GPT-4o, entrenado en 17 pautas de AD, logró una precisión casi perfecta.

En pacientes hospitalizados con COVID, la radiografía de tórax con IA más los datos clínicos predijeron un AUC de UCI de 0,92; un AUC de muerte de 0,81.

América Latina: IA de conjunto que utiliza datos clínicos de rutina detecta ERC: sensibilidad del 91 % (DT2), 92 % (DT2N)

América Latina: IA de conjunto que utiliza datos clínicos de rutina detecta ERC: sensibilidad del 91 % (DT2), 92 % (DT2N)

Los modelos de IA en 68 millones de pacientes predijeron riesgos de ERC, IC y diabetes (AUC > 0,85), reduciendo las admisiones en aproximadamente un 45 %.

La lectura automatizada de radiografías de tórax y tomografías computarizadas de baja dosis mediante inteligencia artificial aumentó la sensibilidad de los nódulos del 47 % al 60 % (+13 %)

Hippocrates AutoML permite a los médicos crear IA sin código y compatible con HIPAA (preparación automática de datos, selección de modelos) 10 veces más rápido, lo que reduce costos y permite la validación prospectiva (se recomienda monitorear sesgos).

Arkangel AI utilizó ML no invasivo en datos clínicos de rutina en América Latina para impulsar la detección temprana de ERC: alta sensibilidad/especificidad, identificando hasta un 90% más de pacientes en riesgo.

En América Latina, el soporte de decisiones con inteligencia artificial para mamografías y datos clínicos de Arkangel AI mejoró la detección (AUC hasta 0,90) y redujo la carga de lectura del radiólogo hasta en un 88%, lo que permitió una detección más temprana y escalable.