Un chatbot LLM para facilitar las transiciones de atención primaria a especialistas: un ensayo aleatorizado controlado

Por qué importa un ayudante digital en la sala de espera

Cualquiera que haya esperado horas para ver a un especialista ocupado en un hospital sabe lo apresurada que puede ser la conversación final. Este estudio plantea una pregunta sencilla con grandes implicaciones: ¿podría un chatbot de inteligencia artificial hablar con los pacientes antes de la visita, recoger su relato y entregar al especialista un resumen claro—ahorrando tiempo y, al mismo tiempo, mejorando el aspecto humano de la atención? En dos grandes hospitales chinos, los investigadores probaron un modelo de lenguaje grande (LLM) orientado a pacientes llamado PreA para ver si ese ayudante digital podría hacer que las clínicas abarrotadas funcionaran con mayor fluidez y se sintieran más personales, especialmente en entornos con recursos limitados.

El problema de las consultas saturadas

Los sistemas de salud de todo el mundo lidian con poblaciones envejecidas, personas que conviven con varias enfermedades crónicas a la vez y un acceso desigual a la atención primaria. En China, muchos pacientes evitan las clínicas locales y acuden directamente a los grandes hospitales, saturando las consultas de especialistas con visitas de primer contacto. Con frecuencia, los especialistas reciben a pacientes sin notas de derivación previas, deben reconstruir toda la historia médica allí mismo y disponen de solo unos minutos para hacerlo. El resultado son largas colas de espera, visitas breves cara a cara y un alto estrés tanto para médicos como para pacientes. Medidas simples como el triaje liderado por enfermeras ayudan, pero las enfermeras rara vez tienen tiempo o formación para recoger historias clínicas detalladas en cada caso.

Cómo se construyó el chatbot con la comunidad

El equipo desarrolló PreA como un asistente conversacional diseñado específicamente para el intervalo entre la llegada del paciente al hospital y la consulta con el especialista. En lugar de entrenar el sistema principalmente con transcripciones locales desordenadas—que pueden incorporar hábitos apresurados y sesgos—los investigadores utilizaron un proceso de co‑diseño. Pacientes, cuidadores, trabajadores de salud comunitarios, enfermeras, médicos de atención primaria, especialistas y directivos hospitalarios contribuyeron a definir cómo debía preguntar el chatbot, qué información debía recopilar y cómo debían ser sus resúmenes. El chatbot funciona en un teléfono móvil, admite texto o voz, utiliza un lenguaje sencillo para personas con alfabetización sanitaria limitada y permite el acceso compartido con familiares que ayudan a parientes mayores o más enfermos a gestionar la atención.

Poniendo a prueba al asistente digital

Para evaluar si PreA funcionaba en el mundo real, el equipo realizó un ensayo aleatorizado controlado en 24 especialidades de dos grandes hospitales del oeste de China. Más de 2.000 adultos que buscaban atención especializada fueron asignados a uno de tres grupos: usar PreA por su cuenta antes de la visita; usar PreA con ayuda del personal; o recibir la atención habitual sin chatbot. En los grupos con PreA, los pacientes pasaron alrededor de tres minutos y medio conversando con el sistema, que luego generó un informe de derivación estructurado sobre sus principales preocupaciones, antecedentes médicos, diagnósticos probables y pruebas sugeridas. Los especialistas revisaron rápidamente este informe y luego atendieron a los pacientes como de costumbre. Las consultas en el grupo que usó solo PreA fueron un 28,7 % más cortas que en el grupo de atención habitual, y aun así los médicos atendieron a más pacientes por turno sin aumentar los tiempos de espera. De forma notable, los resultados fueron igual de sólidos cuando los pacientes usaron el chatbot sin apoyo del personal, lo que sugiere escalabilidad en clínicas concurridas.

¿Las visitas más rápidas seguían siendo humanas?

Las visitas más breves suelen generar el temor de una atención más fría y mecánica. Aquí ocurrió lo contrario. Pacientes y cuidadores que usaron PreA informaron que las conversaciones con sus médicos resultaron más fáciles, que los médicos parecían más atentos y respetuosos, y que estaban más satisfechos con la visita y más dispuestos a usar herramientas de este tipo nuevamente. Los especialistas valoraron los informes de derivación del chatbot como mucho más útiles para coordinar la atención que las notas mínimas que suelen recibir. Expertos independientes juzgaron que los resúmenes de PreA eran más completos y clínicamente relevantes que muchas notas de médicos, en parte porque la documentación habitual en clínicas sobrecargadas suele dejar lagunas. Sin embargo, un análisis de las propias notas de los médicos no mostró indicios de que simplemente copiaran o siguieran ciegamente las sugerencias de la IA, lo que atenúa la preocupación de que el sesgo de automatización pudiera influir sigilosamente en las decisiones.

Por qué importa cómo se entrenó la IA

Los investigadores también examinaron una cuestión más profunda: ¿debería la IA médica limitarse a reflejar la práctica local o ayudar a mejorarla? Compararon el PreA co‑diseñado con una versión afinada adicionalmente con cientos de conversaciones reales de atención primaria de las mismas regiones. Esa versión afinada con datos rindió peor. Reproducía atajos locales, omitía preguntas importantes, no sugería pruebas necesarias y a veces adoptaba un tono poco amigable—esencialmente amplificando debilidades existentes. En contraste, el modelo co‑diseñado, moldeado por directrices de buenas prácticas y prioridades comunitarias, produjo historias, diagnósticos y sugerencias de pruebas de mayor calidad en casos simulados. Este contraste sugiere que involucrar a las partes interesadas locales para orientar el comportamiento del modelo puede ser más seguro y equitativo que limitarse a alimentar al algoritmo con diálogos locales en bruto.

Qué significa esto para pacientes y sistemas de salud

Para los pacientes, la conclusión es que una breve conversación con un asistente de IA antes de ver al médico puede hacer que la visita real sea más clara, más tranquila y más centrada en lo que les importa. Para los sistemas de salud desbordados, PreA apunta a una manera de recuperar tiempo escaso de especialistas sin sacrificar la conexión humana en el corazón de la medicina. En lugar de reemplazar a los clínicos, el chatbot asume el trabajo rutinario de recopilación de información y documentación, permitiendo a los médicos concentrarse en escuchar, explicar y tomar decisiones matizadas. Aunque se necesitan estudios más amplios y diversos, este ensayo apunta a un futuro en el que chatbots cuidadosamente co‑diseñados actúen como guías en la puerta principal—ayudando a los pacientes a navegar hospitales complejos y a los clínicos a ofrecer una atención más centrada en el paciente, incluso cuando cada minuto cuenta.

Cita: Tao, X., Zhou, S., Ding, K. et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial. Nat Med 32, 934–942 (2026). https://doi.org/10.1038/s41591-025-04176-7

Palabras clave: IA en la sanidad, chatbots para pacientes, flujo de trabajo hospitalario, derivaciones desde atención primaria, co‑diseño médico