La inteligencia artificial en salud avanza a una velocidad que los marcos de evaluación disponibles no logran acompañar. Esta es la conclusión más incómoda que se desprende de BRIDGE, un sistema de evaluación multilingüe desarrollado por investigadores de Mass General Brigham y publicado en Nature Biomedical Engineering en junio de 2026: los modelos de lenguaje de gran escala que superan los exámenes médicos estandarizados con puntajes cercanos al 92% bajan al 44,8% cuando se los enfrenta a lenguaje clínico real, el mismo que aparece en una historia clínica electrónica, en la nota de evolución de guardia o en el resumen de alta que firma el médico de cabecera. La distancia no es un matiz técnico. Es el espacio donde se juega la seguridad del paciente.

Para el ecosistema de salud digital argentino, donde la historia clínica electrónica se encuentra regulada por los artículos 12 a 16 de la Ley 26.529 de Derechos del Paciente, Historia Clínica y Consentimiento Informado, y donde la Ley 26.682 de Medicina Prepaga y las obras sociales nacionales operan bajo obligaciones de cobertura que se documentan en registros clínicos cotidianos, la pregunta que plantea BRIDGE no es académica: ¿con qué estándar de desempeño se autoriza el uso de un modelo de IA para procesar o asistir en la lectura de esa documentación?

Por qué los benchmarks médicos tradicionales no sirven para el contexto clínico argentino

BRIDGE fue construido sobre 87 tareas extraídas de 59 fuentes de datos clínicos reales, en nueve idiomas, cubriendo desde el triaje hasta la codificación de facturación, en catorce especialidades. El problema que identifica no es exclusivamente técnico: los sistemas de evaluación predominantes entrenan y miden a los modelos sobre preguntas de examen de residencias médicas o textos de publicaciones científicas, formatos que tienen una estructura, un vocabulario y una lógica argumentativa que nada tienen que ver con la nota que dicta un médico de guardia a las tres de la madrugada o con el registro de enfermería en una sala de internación.

En Argentina, esa brecha tiene una dimensión regulatoria adicional. El artículo 14 de la Ley 26.529 establece que la historia clínica es un documento cronológico, foliado y completo, con valor probatorio ante la justicia. El artículo 15 fija quién puede acceder a ella. El artículo 18 regula la conservación y el soporte, admitiendo el formato electrónico siempre que garantice la autenticidad, integridad e inalterabilidad de los datos. Cuando un modelo de IA procesa esa historia, no está extrayendo información de un dataset de investigación: está operando sobre un documento jurídicamente sensible, cuya confidencialidad está protegida además por el artículo 2 inciso c) de la misma ley, que consagra el secreto médico como derecho del paciente, y por los artículos 7 y 8 de la Ley 25.326 de Protección de Datos Personales, que categorizan los datos de salud como datos sensibles con un régimen de tratamiento restrictivo.

Evaluar si un modelo "entiende" esa documentación no es solo un problema de NLP. Es un problema de adecuación a un entorno normativo que impone condiciones sobre la integridad, la confidencialidad y la trazabilidad de cada operación realizada sobre esos datos.

Qué mide BRIDGE y qué le falta para aplicarse al sistema de salud argentino

El sistema evaluó 95 modelos de lenguaje, entre ellos DeepSeek-R1, GPT-4o, Gemini y Qwen3, sobre tareas que incluyen extracción de información clínica, diagnóstico diferencial, pronóstico y codificación de facturación. El hallazgo sobre la caída de rendimiento en lenguaje clínico real es el dato más relevante, pero no el único: los modelos ajustados específicamente para medicina pero construidos sobre arquitecturas anteriores rinden por debajo de los modelos de propósito general más recientes; los modelos de código abierto pueden equiparar el desempeño de los propietarios; y existe variación significativa según el idioma, el tamaño del modelo y la especialidad evaluada.

Este último punto merece atención en el contexto iberoamericano. El castellano que se escribe en una historia clínica argentina incorpora terminología local, abreviaturas institucionales, modismos diagnósticos y variantes regionales que ningún benchmark construido desde el inglés captura con fidelidad. El español clínico de un hospital público del conurbano bonaerense no es el español de una publicación indexada en MEDLINE, y la diferencia no es menor cuando el modelo debe interpretar una sigla, completar una transcripción de voz o clasificar un síntoma para derivación. BRIDGE al menos nombra el problema al incluir múltiples idiomas; pero evaluar esa variación intralingüística requeriría un paso metodológico adicional que el estudio no contempla.

La validación clínica de la IA como requisito regulatorio: lo que Argentina todavía no ha resuelto

La publicación de BRIDGE en Nature Biomedical Engineering ocurre en un contexto regulatorio donde la Administración Nacional de Medicamentos, Alimentos y Tecnología Médica, la ANMAT, no cuenta aún con una normativa específica consolidada para el software como dispositivo médico de diagnóstico asistido por IA, aunque ha avanzado en las disposiciones del marco IMDRF y en las Resoluciones Ministeriales vinculadas a telemedicina, especialmente a partir del Decreto 459/2020 que reguló la prestación de servicios de salud a distancia durante la pandemia y estableció un umbral mínimo de validación funcional para las plataformas utilizadas en consulta médica remota.

Lo que BRIDGE expone, más que una herramienta de evaluación, es la ausencia de un estándar público de desempeño al que deban responder los modelos de IA antes de integrarse a los circuitos clínicos de obras sociales, prepagas o efectores públicos. Un modelo que rinde 92% en el examen de licenciatura médica y 44,8% en lenguaje clínico real puede haber obtenido un marcado de conformidad técnica sin que nadie haya medido cómo se comporta cuando procesa el alta de un paciente con cuatro comorbilidades registradas en el sistema informático hospitalario de un hospital público provincial. La trazabilidad de ese proceso, exigida por el artículo 18 de la Ley 26.529 y reforzada por los principios de calidad y seguridad del tratamiento de datos del artículo 4 de la Ley 25.326, no dice nada sobre si el modelo entendió lo que leyó.

La interoperabilidad, otro eje central de la salud digital argentina, agrega una capa de complejidad adicional. El Plan Nacional de Salud Digital y los esfuerzos de estandarización basados en HL7 FHIR que impulsan desde el Ministerio de Salud de la Nación presuponen que los sistemas que intercambian información clínica pueden procesar esa información de manera consistente. Si un modelo de IA actúa como capa de procesamiento intermedio en ese intercambio, la brecha de desempeño documentada por BRIDGE se convierte en un riesgo de interoperabilidad, no solo de calidad diagnóstica.

Lo que el tablero de clasificación público no puede sustituir

Los investigadores publicaron un leaderboard de actualización continua en Hugging Face, con 107 modelos disponibles para comparación. Es un instrumento útil para desarrolladores y para gestores de tecnología sanitaria que necesitan seleccionar entre opciones. No es, sin embargo, un mecanismo de validación regulatoria ni un sustituto del análisis de riesgo que debería preceder a cualquier implementación de IA en contextos clínicos sensibles.

Para las obras sociales nacionales reguladas por la Superintendencia de Servicios de Salud y para las empresas de medicina prepaga alcanzadas por la Ley 26.682, la incorporación de herramientas de IA en la gestión de autorizaciones, en la auditoría médica o en el procesamiento de historias clínicas electrónicas implica decisiones que no pueden adoptarse solo en función del ranking de un benchmark, por sofisticado que sea. El artículo 3 de la Ley 26.682 exige que las prestaciones cubiertas se brinden con calidad y oportunidad. El artículo 7 de la Ley 25.326 prohíbe el tratamiento de datos sensibles sin consentimiento expreso o sin habilitación legal específica. Ambas normas delimitan un perímetro dentro del cual el desempeño del modelo es condición necesaria pero no suficiente.

Lo que BRIDGE plantea, quizás sin proponérselo expresamente, es que el campo de la evaluación de IA clínica en Argentina necesita un actor regulatorio que traduzca esos hallazgos en exigencias técnicas concretas para los proveedores de tecnología sanitaria. Sin ese paso, el leaderboard sirve como referencia, no como garantía. Y la distancia entre ambas cosas es, en salud, clínicamente significativa.