Inteligencia artificial en el laboratorio: qué cambia y quédepende de nosotros

Por el Dr. Federico Contreras

El bioquímico Contreras, del Colegio de Bioquímicos de Santa Fe 2da. Circunscripción, analiza cómo la inteligencia artificial ya se aplica en cada etapa del proceso de laboratorio preanalítica, analítica y postanalítica- y qué riesgos, límites y responsabilidades trae para la profesión el uso creciente de esta tecnología.

Nada más perecedero que un trabajo sobre IA en plena fase exponencial de la tecnología. Los llamamientos de Darío Amodei (Anthropic – Claude) y Sam Altman (OpenAI-ChatGPT) para ralentizar el desarrollo de sus modelos, las predicciones apocalípticas de desempleo masivo o el surgimiento de la Skynet de Terminator, el impacto energético y ambiental de los centros de datos y el encarecimiento de PCs y smartphones por la memoria RAM que estos demandan son temas del discurso público. Decir hasta qué punto nos encontramos frente a un hype/burbuja con empresas como NVIDIA alcanzando capitalizaciones de un millón de millones de dólares o una tecnología capaz de revolucionar la sociedad y las relaciones de producción como lo fueron en su momento la imprenta y la máquina de vapor nos excede, pero como bioquímicos y bioquímicas tenemos la obligación de examinar las ventajas y desventajas de la aplicación de IA en nuestro ámbito.

Un concepto clave en las modernas IA es el transformador, un tipo de arquitectura de red neuronal que procesa secuencias de datos analizando el contexto y las relaciones entre todos sus elementos de forma simultánea; ChatGPT significa precisamente Generative
Pretrained Transformer indicando que crea contenido nuevo a partir de un entrenamiento (cantidades masivas de datos., textos, imágenes, audios) en base a un transformador. Otro es el RLHF (Reinforcement Learning from Human Feedback, aprendizaje por
refuerzo a partir de comentarios humanos) que califica las respuestas a una instrucción en base a su utilidad, precisión, tono y seguridad permitiendo moldear su comportamiento futuro y su derivado RLAIF donde el entrenamiento corre a cargo de la propia IA. Con procesadores que se acercan a escalas subnanométricas con rendimientos del orden de los petaflops (1 petaflop = 10 12 operaciones por segundo) y modelos que por diseño dejaron obsoleto el test de Turing (que postulaba que si una persona no podía distinguir si estaba frente a otra o un programa, este último podía considerarse “inteligente”) tenemos que plantearnos si estamos ante una revolución de orden completamente diferente a la que significó por ejemplo que el calígrafo que usaba pluma y tinta pasase a una máquina de escribir y el mecanógrafo a un procesador de textos.

Las principales aplicaciones de la IA en los laboratorios de investigación son la predicción de estructuras tridimensionales a partir de secuencias aminoacídicas y el diseño de fármacos en base a la simulación de interacciones moleculares, mientras que en
laboratorios clínicos tenemos en microbiología, hematología y microscopía en general el análisis de imágenes y el procesamiento de datos para el control de calidad predictivo (anticipa fallas en los equipos y optimiza los procesos internos del laboratorio mediante el monitoreo de indicadores en tiempo real); la integración de datos clínicos e historias clínicas (autovalidación) y la optimización administrativa.

Siendo más específicos, podemos encontrar en la fase Preanalítica (donde se concentra hasta el 70 % del error laboratorial) un filtro inteligente de órdenes médicas con algoritmos basados en machine learning que detecta solicitudes de pruebas redundantes/innecesarias optimizando recursos, el control de calidad de la muestra por visión artificial capaz de identificar volúmenes insuficientes, hemólisis, lipemia o errores en el rotulado y el uso de chatbots o asistentes virtuales para programar turnos, explicar las condiciones de ayuno, fechas de promesa, requisitos de autorización/copago de corresponde, etc. En la fase Analítica la IA se integra directamente en los analizadores comerciales de gama media que se están comercializando, microscopios ópticos/IF, contadores hematológicos y sistemas de análisis de sedimento urinario y lectores automáticos de placas cromogénicas reduciendo la fatiga visual y el error humano.

Finalmente en la etapa Postanalítica los algoritmos cruzan los resultados actuales del paciente con sus datos históricos (deltacheck) y valores de referencia demográficos. Si todo coincide dentro de los patrones lógicos entrenados, el sistema prevalida el resultado,
alertando al profesional únicamente ante desvíos o valores críticos. La IA Generativa proporciona tanto resúmenes clínicos para médicos de atención primaria como pacientes incluyendo el envío automático de alertas urgentes cuando uno o varios analitos superan umbrales críticos. El estudio de los datos de calibración, consumo de los equipos y vida útil de los componentes permite predecir fallas, evitando que el laboratorio deba detener su operación en forma imprevista. Por último la gestión inteligente de stock analiza las fluctuaciones de la demanda según la temporada (por ejemplo, picos de perfiles lipídicos o hemogramas en ciertas épocas del año) para optimizar la compra de reactivos, evitando el vencimiento de insumos costosos.

Finalmente en la etapa Postanalítica los algoritmos cruzan los resultados actuales del paciente con sus datos históricos (deltacheck) y valores de referencia demográficos. Si todo coincide dentro de los patrones lógicos entrenados, el sistema prevalida el resultado,
alertando al profesional únicamente ante desvíos o valores críticos. La IA Generativa proporciona tanto resúmenes clínicos para médicos de atención primaria como pacientes incluyendo el envío automático de alertas urgentes cuando uno o varios analitos superan umbrales críticos. El estudio de los datos de calibración, consumo de los equipos y vida útil de los componentes permite predecir fallas, evitando que el laboratorio deba detener su operación en forma imprevista. Por último la gestión inteligente de stock analiza las fluctuaciones de la demanda según la temporada (por ejemplo, picos de perfiles lipídicos o hemogramas en ciertas épocas del año) para optimizar la compra de reactivos, evitando el vencimiento de insumos costosos.

Es importante recordar que la IA no reemplaza la responsabilidad legal del bioquímico/la bioquímica ni su criterio clínico; su función principal es automatizar lo monótono para que el profesional se concentre exclusivamente en las muestras complejas o patológicas y del mismo que vimos los beneficios considerar los inconvenientes tanto salvables como no de su implementación. Dentro de los primeros tenemos los costos iniciales y de mantenimiento (suscripciones, licencias de software) la dependencia tecnológica y el riesgo de sesgos en algoritmos que no están entrenados para poblaciones locales /combinaciones de plataformas y reactivos específicos.

La transición hacia flujos de trabajo automatizados por IA suele generar desconfianza o temor al desplazamiento laboral entre los técnicos y bioquímicos, mientras que paradójicamente la falta de formación en informática médica o bioinformática puede originar una brecha de capacitación a la hora de operar un sistema IA. Los laboratorios de complejidad baja/media suelen usar una mezcla de procesos manuales y semiautomatizados. La IA requiere datos masivos y ultraestandarizados para funcionar bien; los datos fragmentados o inconsistentes disminuyen su precisión. Finalmente existe el efecto “caja negra”: si el software arroja un resultado inesperado, el profesional puede tener dificultades para entender el razonamiento lógico detrás de esa predicción, lo que complica la validación clínica o peor aún, encontrarse en lo que se denomina downskilling/deskilling, que es el fenómeno en que los profesionales pierden habilidades técnicas, juicio crítico o destrezas cognitivas debido a una dependencia excesiva de las
herramientas de IA.

A diferencia del upskilling (mejorar habilidades) o el reskilling (reciclarse), el downskilling representa un retroceso o estancamiento de la capacidad intelectual humana porque la máquina empieza a sustituir el criterio propio en lugar de simplemente potenciarlo. Al delegar la redacción, el análisis de datos o la resolución de problemas complejos a sistemas IA el cerebro deja de ejercitar los procesos cognitivos profundos llevando a un deterioro del pensamiento crítico; un estudios publicados en la Harvard Business Review (https://hbr.org/2026/08/ai-is-undermining-leaders-judgment-heres-what-to-do-about-it) postulan que los profesionales tienden a revisar con menor rigor el contenido generado por IA, asumiendo erróneamente que es infalible.

La atrofia intelectual a mediano y largo plazo, la pérdida de lo que podríamos llamar “semillero” (al automatizar las tareas rutinarias y de entrada la IA impide que los profesionales construyan experiencia e intuición desde la base) y el riesgo evidente de
validar un resultado “alucinado” por la IA (en EEUU hubo casos de abogados que haciendo copy & paste presentaron ante tribunales jurisprudencia inventada) son riesgos inherentes al uso institucional/profesional de la IA, mientras que la saturación de los medios con contenido de bajo valor generado por IA (slopification del inglés “slop”, basura o desperdicio), las fake news, los deepfakes y el acceso no consensuado ni informado a datos personales para entrenar modelos son amenazas a las que nos enfrentamos como cualquier hijo de vecino y no es esta la ocasión de hablar de ellas o especular sobre predicciones distópicas de robots autónomos asesinos, desempleo masivo y estados de vigilancia muchísimo más eficientes que cualquier cosa que Orwell haya podido imaginar sino de retomar el tema y luego de hablar de las aplicaciones e inconvenientes de la IA en los laboratorios; esbozar qué podemos hacer bioquímicos y bioquímicas ante esta tecnología.

Bioquímicos y bioquímicas deben mantener el rol de “director/directora” en vez del de “transcriptor/transcriptora”, lo que implica procesar determinaciones y generar borradores, pero continuar editando, contextualizando, analizando críticamente y diseñando
estrategias. Potenciar las habilidades blandas (“Soft Skills”) de empatía, negociación, inteligencia emocional y ética siempre es útil en el trato interpersonal. También la práctica deliberada sin tecnología (la fórmula leucocitaria, la división con papel y birome, la lectura de un libro en vez de la pregunta sobre una patología) mantiene activos los procesos lógicos y de abstracción evitando que el profesional se convierte en un simple visualizador de pantallas. Para concluir y parafraseando al Deckard de Harrison Ford en Blade Runner… la IA en el laboratorio, como cualquier otra herramienta, tiene beneficios y riesgos. De nosotros depende aprovechar los primeros y minimizar los segundos.

CD Colegio Bioquímico Santa Fe 2da. Circunscripción. Comisión de Difusión y
Ediciones.