Un modelo de lenguaje de gran tamaño (LLM) ayudó a los pacientes a comprender mejor sus propios informes de imagen en un estudio prospectivo de la Universidad Emory, en Atlanta. El equipo usó GPT-5, de OpenAI, para crear una aplicación web que combina resúmenes del informe generados por IA, términos clicables y videos explicativos — y la comprensión declarada por los pacientes aumentó de forma medible.
El informe radiológico es un documento técnico, escrito por y para médicos. Para el paciente, suele ser un muro de jerga. La pregunta que el grupo de Emory intentó responder es directa: ¿puede un LLM traducir ese texto a algo comprensible sin distorsionar el contenido clínico? Los resultados iniciales, publicados en el Journal of the American College of Radiology (JACR), sugieren que sí — siempre que haya supervisión médica.
El estudio de Emory en números
El trabajo, liderado por el médico residente Hanzhou Li, incluyó a 100 pacientes atendidos en el verano de 2025 en un piso ambulatorio de imagen de un hospital universitario, antes de estudios programados. Cada participante recibió por correo un acceso al informe «aumentado» por IA y, tras revisarlo, respondió un cuestionario que evaluaba comprensión, utilidad percibida y actitudes hacia los resúmenes generados por LLM, en una escala de cinco puntos. Quienes completaron el cuestionario recibieron una tarjeta de regalo de US$ 15.
El resultado central: la comprensión del informe subió de una mediana de 4/5 antes del estudio a 5/5 después. Entre los recursos ofrecidos, el 48% de los pacientes señaló los resúmenes generados por IA como el más útil. «Este estudio prospectivo demuestra que las aplicaciones interactivas impulsadas por LLM pueden mejorar significativamente la comprensión autodeclarada de informes radiológicos complejos», concluyeron los autores.
Cómo funciona la aplicación
Los informes fueron procesados por GPT-5 con un prompt personalizado, adaptado de un estudio previo. La app ofrecía tres capas de apoyo al paciente: resúmenes del informe editados por radiólogos, términos médicos clicables con contenido educativo incorporado y videos explicativos generados por IA. Esos videos se produjeron pasando los resúmenes editados por una interfaz de generación de video (D-ID) y se transmitían directamente dentro de la aplicación.
Es un enfoque que dialoga con tendencias que ya seguimos, como el informe multimedia interactivo, que enriquece el reporte con imágenes y elementos navegables. La diferencia es el público: aquí el destinatario es el propio paciente, no el médico solicitante.
La supervisión humana sigue siendo indispensable
El punto más importante para el radiólogo quizá sea este: los resúmenes del LLM requirieron edición manual. En promedio se eliminaron unas 24,75 palabras por resumen y se añadieron solo 0,13 — es decir, el trabajo del clínico fue sobre todo de poda, retirando lenguaje excesivo y posibles alucinaciones. Radiólogos del equipo revisaron las salidas justamente para evitar que errores del modelo llegaran al paciente.
Los propios pacientes mostraron reservas. Al preguntarles si estarían cómodos con resúmenes de IA sin edición médica, la mayoría se declaró solo «algo cómoda» (28%) o «muy cómoda» (26%). «Aunque reconocían el valor de los resúmenes editados por clínicos, muchos expresaron reservas sobre el uso de IA sin supervisión, subrayando la importancia de la transparencia y la revisión profesional», anotaron los autores.
Implicaciones para la comunicación con el paciente
Para los servicios de radiología, el estudio señala un camino concreto de valor: usar los LLM no para sustituir el informe, sino para generar una capa de explicación centrada en el paciente. Esto se conecta con normas de acceso a resultados que, en varios países, entregan el informe al paciente casi en tiempo real — a menudo antes de la consulta con el médico tratante. Un resumen claro puede reducir la ansiedad y mejorar la participación.
En el flujo de trabajo, el desafío es integrar esa capa sin crear otro sistema aislado. Plataformas que acercan el informe a la estación de trabajo, como el informe nativo integrado en la plataforma del radiólogo, muestran la dirección: la explicación al paciente debería nacer del mismo entorno en que se produce el informe, y no en una app paralela. Donde el acceso al informe digital crece rápido, este tipo de recurso puede adoptarse con velocidad.
Perspectivas y limitaciones
Los autores son cautelosos. Se trata de un estudio con muestra pequeña, autodeclaración y un solo centro — lejos de una validación definitiva. Insisten en que los resúmenes de IA no sustituyen la conversación entre médico y paciente, funcionando, en el mejor de los casos, como una herramienta preparatoria que hace ese diálogo más productivo.
Está además el costo de la supervisión: si cada resumen necesita revisión médica, la escalabilidad queda limitada. La integración sostenible dependerá de alinear supervisión, cumplimiento regulatorio y flujo de trabajo. Aun así, la dirección es prometedora — la IA generativa parece haber encontrado, en la comunicación con el paciente, un caso de uso de bajo riesgo clínico y alto retorno percibido.