El problema
La IA de laboratorio promete mucho, pero no basta con que el modelo exista o esté aprobado.
La medicina de laboratorio genera datos en enormes cantidades: resultados numéricos, controles de calidad, peticiones, incidencias preanalíticas, imágenes, reglas de autoverificación y conexiones con la historia clínica.
Eso hace que el laboratorio sea un lugar natural para aplicar IA. Un modelo puede ayudar a detectar muestras contaminadas, avisar de resultados anómalos, interpretar combinaciones de pruebas o anticipar riesgos.
Pero el mismo modelo puede comportarse de forma distinta al cambiar de población, método analítico, reactivo, middleware, versión del LIS o circuito de trabajo. En salud, esa diferencia no es un detalle técnico: puede afectar a decisiones clínicas reales.
Por qué es difícil
Cada laboratorio tiene su contexto
Los pacientes, analizadores, unidades, rangos, flujos de trabajo y sistemas informáticos no son idénticos entre centros.
La aprobación no lo resuelve todo
Un producto puede estar validado por el fabricante y aun así necesitar verificación local antes de usarse en una rutina concreta.
El rendimiento puede cambiar
La deriva de datos, las actualizaciones del LIS/EHR o cambios en métodos analíticos pueden degradar el comportamiento del modelo.
Falta infraestructura práctica
Los expertos señalan carencias de IT, guías específicas y experiencia para integrar IA en el trabajo diario del laboratorio.
La idea principal
El trabajo no intenta vender un algoritmo nuevo. Su valor está en ordenar una pregunta muy práctica: qué debe hacer un laboratorio antes, durante y después de implantar IA.
La respuesta se parece mucho a la cultura clásica del laboratorio: no se acepta un método solo porque venga de fuera; se comprueba que funciona en el entorno local y se controla con el tiempo.
Los autores proponen tratar los sistemas de IA como herramientas clínicas de alto impacto: pedir transparencia al proveedor, verificar con datos propios, confirmar que el uso previsto coincide con la necesidad real y monitorizar el rendimiento después del despliegue.
La IA clínica no debe entrar en rutina como una caja cerrada: debe entrar como un sistema verificable, monitorizable y gobernado.
Una forma sencilla de verlo
Un analizador no se instala y se olvida. Se verifica, se calibra, se controla y se revisa cuando cambia algo. Con la IA ocurre lo mismo, pero además hay que vigilar datos, sesgos, versiones y deriva.
Cómo se resolvió
El comité C-AILM de la IFCC elaboró una encuesta a profesionales con experiencia en IA y medicina de laboratorio, y usó sus respuestas para proponer recomendaciones de buenas prácticas.
Preguntar qué IA se usa de verdad
La encuesta distinguió entre herramientas internas, middleware, scripts propios y modelos suministrados por proveedores, además de los usos reales dentro del laboratorio.
Definir qué debe revelar el proveedor
Los participantes priorizaron métricas de rendimiento, datos de entrenamiento y prueba, características de la población, validación externa, sesgo, explicabilidad y límites del modelo.
Exigir verificación local
La recomendación central es comprobar el sistema con datos locales representativos, aunque el producto ya tenga aprobación regulatoria.
Separar verificar de modificar
Verificar significa comprobar que el modelo funciona en el entorno local. Reentrenar o adaptar el modelo puede cambiar responsabilidades regulatorias.
Monitorizar después del despliegue
El rendimiento debe seguirse con controles periódicos, revisión frente a decisiones humanas, vigilancia de deriva y mecanismos de calidad proporcionales al riesgo.
Encuesta experta
Cuestionario de 20 preguntas distribuido a profesionales de laboratorio con experiencia o interés avanzado en IA.
Borda count
Método para ordenar prioridades cuando los participantes clasifican opciones de verificación o monitorización.
Verificación local
Comprobación con datos, sistemas y condiciones del laboratorio donde se implantará el modelo.
Monitorización de deriva
Seguimiento de cambios en entradas, salidas y rendimiento que pueden indicar que el modelo ya no se comporta como al inicio.
El experimento
La encuesta tuvo 20 preguntas organizadas en siete dominios: perfil del participante, sistemas LIS/EHR, estado de implantación, información necesaria del proveedor, verificación, monitorización y barreras de adopción.
Participaron 82 profesionales y se analizaron 50 respuestas completas. La mayoría procedía de Europa y Estados Unidos, con participación también de Canadá, Asia y África. Muchas respuestas venían de centros académicos, lo que los autores reconocen como una limitación.
Entre los usos descritos aparecieron clasificación de imágenes, revisión de morfología celular, marcado de resultados anómalos, interpretación de paneles complejos, control de calidad y detección de errores preanalíticos.
La encuesta también preguntó qué información debe pedirse a sistemas externos, qué estudios hacen falta antes de implantarlos y cómo deberían controlarse una vez integrados en el flujo de trabajo.
Qué se descubrió
La implantación de IA en laboratorios clínicos sigue siendo limitada y heterogénea, incluso entre profesionales interesados en el tema. Hay entusiasmo, pero todavía falta una forma común de llevar estos sistemas a rutina.
Para modelos externos, los expertos consideran esencial conocer las métricas usadas en el conjunto original, la población de entrenamiento y prueba, las métricas en validación externa, la arquitectura, los posibles sesgos y la explicabilidad.
La prioridad más fuerte fue la verificación local. Un 82% indicó que un modelo aprobado debería comprobarse primero con datos locales, y casi la mitad contempló reentrenamiento o personalización con datos propios cuando fuese necesario.
En monitorización, la opción más elegida fue revisar de forma regular la precisión y comparar resultados contra decisiones humanas. También aparecieron la monitorización en tiempo real, el seguimiento de nuevas guías clínicas y la retroalimentación de usuarios.
Las barreras principales fueron muy concretas: falta de infraestructura IT suficiente, falta de guías prácticas para medicina de laboratorio, falta de experiencia en implantación y dificultad para integrar la IA en flujos de trabajo reales.
- La IA de laboratorio necesita transparencia técnica antes de llegar al usuario.
- La aprobación regulatoria no sustituye la verificación local.
- El laboratorio debe vigilar el modelo después de desplegarlo, no solo antes.
- Las responsabilidades entre proveedor y laboratorio deben quedar claras.
Qué pedir al proveedor
Uso previsto, población de entrenamiento, métricas, validación externa, límites, requisitos operativos, control de cambios y recomendaciones de monitorización.
Qué comprobar localmente
Compatibilidad técnica, rendimiento con datos propios, alineación con el uso clínico, privacidad, seguridad, sesgos y relevancia de las métricas.
Qué vigilar en rutina
Deriva de datos, cambios de versiones, distribución de salidas, errores inesperados, comparación con expertos y alarmas de calidad.
La buena pregunta no es solo si la IA acierta, sino si acierta aquí, para este uso, con estos datos y durante el tiempo suficiente.
Por qué importa
Este trabajo encaja de forma directa con tus publicaciones sobre eficiencia diagnóstica, reglas clínicas, integración de laboratorio y sistemas de apoyo a la decisión.
En un laboratorio real, la IA no vive aislada: toca analizadores, middleware, LIS, EHR, reglas de autoverificación, control de calidad, trazabilidad y responsabilidad clínica.
La lección práctica es muy útil para cualquier proyecto de decision support: antes de optimizar una decisión hay que saber si el dato entra bien, si el modelo representa a la población local, si el flujo permite actuar y si alguien vigila el sistema cuando cambian las condiciones.
También refuerza una idea importante para productos sanitarios con IA: el valor no está solo en predecir, sino en construir un circuito completo de implantación segura.
Aplicaciones reales
Autoverificación de resultados
Usar modelos o reglas para priorizar resultados, detectar incoherencias y reducir revisión manual sin perder control clínico.
Errores preanalíticos
Detectar muestras con riesgo de hemólisis, contaminación, identificación incorrecta o interferencias antes de que afecten al informe.
Decision support clínico
Ayudar a interpretar paneles complejos, sugerir pruebas reflejas o anticipar riesgos cuando el contexto del paciente lo justifique.
Gobernanza de IA
Definir quién valida, quién monitoriza, quién responde a incidentes y cuándo un cambio obliga a re-verificar el sistema.
Qué podemos aprender
La IA en laboratorio clínico debe tratarse como una tecnología viva: se documenta antes de entrar, se verifica con datos locales, se integra con cuidado y se monitoriza mientras afecta a decisiones reales.
Preguntas frecuentes
Este comentario es una publicación propia
No. Es una explicación divulgativa de un trabajo de He S. Yang y colaboradores, publicado en Clinical Chemistry and Laboratory Medicine.
Un modelo aprobado puede usarse sin más
El trabajo defiende lo contrario: la aprobación puede ser un punto de partida, pero el laboratorio debe verificar el comportamiento con datos y condiciones locales.
Qué significa verificación local
Comprobar que el modelo funciona en el laboratorio concreto donde se usará, con su población, instrumentos, sistemas informáticos y flujo de trabajo.
Por qué importa la monitorización continua
Porque los datos, sistemas, guías clínicas y versiones cambian. Un modelo que funcionaba bien al inicio puede degradarse si nadie vigila su rendimiento.
Trabajo comentado
Publicación original y recursos
Yang, H.S.; Çubukçu, H.C.; Del Ben, F.; Duan, X.; Feng, J.; Frans, G.; Gruson, D.; King, M.; Nieto-Moragas, J.; Wang, B.; Wang, F. Implementation of AI systems in the clinical laboratory: insights from an expert survey and recommendations for best practice. Clinical Chemistry and Laboratory Medicine, 2026.