Post actualizado el día octubre 27, 2026 by DeiviSanzPlay
La mayoría de los médicos que empiezan con ChatGPT cometen los mismos errores en las primeras dos semanas. No son fallos técnicos ni de manejo de la herramienta: son fallos de criterio profesional. Aquí van los que veo repetirse con más frecuencia, con la forma concreta de esquivarlos.
Error 1: pedirle un diagnóstico en lugar de un diferencial
El modelo no diagnostica. Si le pasas «mujer de 34 años, dolor abdominal derecho, fiebre de 38,2 °C, ¿qué tiene?», te devolverá una lista que suena segura y puede sesgarte hacia la primera impresión. El uso útil es otro: pedir un diferencial ordenado por probabilidad y por gravedad, con los signos de alarma que obligarían a descartar cada entidad. Tú decides después. La herramienta amplía el mapa; no elige la ruta.
Error 2: no verificar nada porque «lo ha dicho la IA»
ChatGPT puede inventar dosis, interacciones o criterios de clasificación con total aplomo. En una prueba informal con fármacos de uso común, es habitual que acierte el mecanismo y falle en el ajuste renal o en la interacción con un inhibidor del CYP3A4. Regla práctica: cualquier cifra que vaya a llegar a una historia clínica se contrasta con la ficha técnica o la guía vigente. La IA sirve para redactar el razonamiento, no como fuente primaria.
Error 3: pegar datos identificativos del paciente
Esto es el fallo más grave y el más frecuente. Nombre, número de historia, fecha de nacimiento o una combinación de edad, ciudad y patología rara pueden reidentificar a una persona. Aunque el proveedor declare que no entrena con los datos enviados, el cumplimiento del RGPD exige base jurídica y minimización. Anonimiza antes de escribir: sustituye el nombre por «paciente A», redondea la edad a rangos y elimina fechas exactas. Si trabajas en un centro con política de IA, consúltala antes del primer copy-paste.
Error 4: confiar en la primera respuesta y no iterar
Un caso real: un residente pidió «resumen de guía de manejo de neumonía adquirida en la comunidad» y obtuvo un texto genérico que mezclaba criterios pediátricos y de adultos. Al reformular con «adultos inmunocompetentes, ámbito ambulatorio, España, guía SEPAR 2024», la respuesta cambió por completo. El contexto en la pregunta es lo que separa una respuesta útil de un texto de revista divulgativa. Especifica población, ámbito, país y año de la evidencia.
Error 5: usarlo para notas clínicas sin revisar la estructura
Transcribir una consulta y pedir un resumen ahorra tiempo, pero el modelo tiende a completar huecos. Si la transcripción dice «refiere molestias desde hace un tiempo», es probable que la nota final diga «desde hace dos semanas». Ese dato inventado acaba en el informe. Exige que el resumen marque explícitamente lo que no consta con una etiqueta tipo [no referido] y revisa siempre los apartados de antecedentes y medicación.
Error 6: ignorar los sesgos del texto generado
Los modelos reproducen sesgos de los corpus con los que se entrenaron. En textos clínicos esto aparece en la descripción de síntomas en mujeres (más atribuidos a ansiedad), en la interpretación del dolor en personas mayores o en la caracterización de pacientes con obesidad. No es un fallo que se corrija con una instrucción: es una limitación conocida y documentada en la literatura sobre IA sanitaria. Si el texto va a servir para formación o para un protocolo, revísalo con esa lente.
Error 7: no registrar qué se pidió ni qué se usó
Si la IA participa en la elaboración de un protocolo, un consentimiento informado o material para pacientes, debe quedar traza: qué prompt se usó, qué versión del modelo, qué se modificó y quién lo validó. Sin ese registro no hay forma de auditar el contenido después. Un documento compartido con fecha, versión y revisor humano resuelve el problema en dos minutos.
Para qué no sirve (y conviene decirlo)
No sustituye la lectura de una guía, no calcula scores validados con fiabilidad si no le das la fórmula exacta, no interpreta imágenes (las versiones de texto no ven radiografías) y no conoce el estado de un paciente real. Tampoco es un buen buscador bibliográfico: puede citar artículos que no existen. Para eso, PubMed y las bases de datos con revisión por pares siguen siendo el punto de partida.
Un flujo de trabajo que sí funciona
Paso uno: redactas el caso anonimizado con datos clínicos concretos. Paso dos: pides diferencial, preguntas pendientes y signos de alarma. Paso tres: contrastas cada afirmación con la fuente primaria. Paso cuatro: tú escribes la conclusión. La IA acelera la parte mecánica —estructurar, resumir, reformular para el paciente— y se queda fuera de la decisión clínica. Esa separación es la que evita casi todos los errores de esta lista.
Perfiles verificables: Sitio web
Publicado el 27 de October de 2026. Última revisión: 27 de October de 2026.
