{"id":18723,"date":"2026-07-13T05:11:59","date_gmt":"2026-07-13T08:11:59","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1783930319277\/"},"modified":"2026-07-13T05:12:03","modified_gmt":"2026-07-13T08:12:03","slug":"supervision-humana-ia-radiologia","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/supervision-humana-ia-radiologia\/","title":{"rendered":"Supervisi\u00f3n humana de la IA: HOTL es el punto ideal"},"content":{"rendered":"

\u00bfCu\u00e1l es el lugar del ser humano en el circuito de la inteligencia artificial en radiolog\u00eda? Un nuevo art\u00edculo publicado en RadioGraphics<\/em>, revista de la Sociedad Norteamericana de Radiolog\u00eda (RSNA), sostiene que la respuesta est\u00e1 a mitad de camino: el modelo human-on-the-loop (HOTL)<\/strong>, en el que los radi\u00f3logos dejan de revisar cada resultado individual de la IA y pasan a vigilar tendencias de desempe\u00f1o, recibiendo alertas cuando el comportamiento del algoritmo se aparta de lo esperado. Si el rendimiento cae, la lectura de los estudios vuelve de inmediato a manos de los m\u00e9dicos.<\/p>\n

\"Radi\u00f3logo
El modelo human-on-the-loop propone vigilar tendencias de la IA en lugar de revisar cada resultado individual<\/figcaption><\/figure>\n

La propuesta, firmada por un grupo internacional de investigadores, intenta resolver un dilema que acompa\u00f1a a la radiolog\u00eda desde que los primeros algoritmos llegaron a la pr\u00e1ctica cl\u00ednica: entre esc\u00e9pticos que exigen revisi\u00f3n humana de cada resultado y entusiastas dispuestos a aceptar lo que dice la m\u00e1quina sin cuestionarlo, \u00bfqu\u00e9 grado de supervisi\u00f3n protege realmente al paciente sin anular las ganancias de eficiencia que promete la tecnolog\u00eda?<\/p>\n

Consenso sobre monitorear, dudas sobre cu\u00e1nto<\/h2>\n

Hoy existe un consenso s\u00f3lido en que la IA debe ser monitoreada despu\u00e9s de su implementaci\u00f3n. La FDA, agencia regulatoria de Estados Unidos, y varios organismos equivalentes en el mundo exigen que las instituciones den seguimiento al desempe\u00f1o de los algoritmos, mantengan supervisi\u00f3n humana y cuenten con un plan de acci\u00f3n correctiva listo para activarse. Estudios previos tambi\u00e9n muestran que los mecanismos de supervisi\u00f3n figuran entre las principales preocupaciones de los radi\u00f3logos a la hora de adoptar estas herramientas en la rutina.<\/p>\n

Lo que sigue abierto es el rigor adecuado de esa vigilancia. Revisar manualmente cada resultado consume justamente el tiempo que la tecnolog\u00eda promet\u00eda ahorrar; confiar ciegamente en la m\u00e1quina expone a los pacientes a errores silenciosos. En ese vac\u00edo, el art\u00edculo de RadioGraphics<\/em> posiciona al HOTL como punto de equilibrio para los departamentos de radiolog\u00eda, conciliando seguridad y confiabilidad con eficiencia operativa.<\/p>\n

C\u00f3mo funciona el modelo human-on-the-loop<\/h2>\n

En la literatura sobre automatizaci\u00f3n se suele distinguir el human-in-the-loop<\/em> \u2014 donde una persona valida cada decisi\u00f3n del sistema \u2014 del human-on-the-loop<\/em>, donde el humano supervisa el funcionamiento general e interviene cuando es necesario. Aplicado a la radiolog\u00eda, el HOTL significa que los radi\u00f3logos no necesitan verificar todos los resultados de la IA, pero el servicio tampoco los acepta sin m\u00e1s.<\/p>\n

El mecanismo central es la alerta: el sistema de monitoreo avisa al equipo cuando detecta drift<\/em> (deriva de desempe\u00f1o) o problemas de exactitud. Si se constata una ca\u00edda, el trabajo de lectura de esos estudios vuelve a los radi\u00f3logos hasta que el problema se comprenda y se corrija. El foco se desplaza, por lo tanto, del resultado individual hacia la tendencia \u2014 un cambio de paradigma en la forma de fiscalizar algoritmos cl\u00ednicos en producci\u00f3n.<\/p>\n

Por qu\u00e9 los algoritmos aprobados se degradan en la pr\u00e1ctica<\/h2>\n

El modelo parte de un reconocimiento importante: incluso los algoritmos mejor dise\u00f1ados son sensibles a los cambios en los datos de entrada. Una actualizaci\u00f3n del esc\u00e1ner, un ajuste en el flujo de trabajo o una variaci\u00f3n en el perfil de los pacientes atendidos puede dejar fuera de sinton\u00eda con la realidad cl\u00ednica a una IA que tuvo un desempe\u00f1o impecable en las pruebas de entrenamiento y en la validaci\u00f3n regulatoria.<\/p>\n

Este fen\u00f3meno se suma a otras vulnerabilidades ya documentadas de los modelos de imagen, como la dificultad de m\u00e9dicos y algoritmos frente a im\u00e1genes sint\u00e9ticas generadas por IA capaces de enga\u00f1ar a radi\u00f3logos<\/a>, y refuerza una de las tendencias centrales de la radiolog\u00eda en el primer semestre de 2026<\/a>: la discusi\u00f3n sobre autonom\u00eda y supervisi\u00f3n dej\u00f3 el plano te\u00f3rico y ahora define c\u00f3mo los productos llegan al mercado y se mantienen en \u00e9l.<\/p>\n

Fatiga de alertas y subgrupos invisibles<\/h2>\n

Los propios autores reconocen que el HOTL plantea desaf\u00edos. El primero es la fatiga de alertas: las notificaciones excesivas desensibilizan a los equipos de monitoreo. Por eso es fundamental no calibrar el umbral de activaci\u00f3n demasiado bajo, ni tratar desviaciones menores como urgencias \u2014 de lo contrario, el aviso realmente importante puede perderse en medio del ruido.<\/p>\n

El segundo riesgo es m\u00e1s sutil: las ca\u00eddas de desempe\u00f1o en subgrupos espec\u00edficos de pacientes pueden pasar inadvertidas si las m\u00e9tricas globales se mantienen estables. Un algoritmo puede conservar una exactitud promedio excelente mientras falla de forma sistem\u00e1tica en una poblaci\u00f3n particular \u2014 algo que solo sale a la luz cuando el monitoreo estratifica los resultados en lugar de mirar \u00fanicamente el promedio general.<\/p>\n

Qu\u00e9 cambia para los servicios de imagen<\/h2>\n

Para los departamentos de radiolog\u00eda que ya usan o planean adoptar IA, el mensaje pr\u00e1ctico es estructurar cuanto antes un programa formal de monitoreo posimplementaci\u00f3n. Esto incluye definir m\u00e9tricas de desempe\u00f1o, calibrar umbrales de alerta realistas, estratificar resultados por subgrupos relevantes y registrar cambios de equipamiento, protocolo y perfil de pacientes que puedan afectar al modelo \u2014 adem\u00e1s de mantener un plan claro para devolver la lectura a los radi\u00f3logos cuando sea necesario.<\/p>\n

En Am\u00e9rica Latina, donde agencias como la ANVISA brasile\u00f1a ya regulan el software con finalidad m\u00e9dica como dispositivo y los dem\u00e1s reguladores de la regi\u00f3n siguen de cerca las referencias de la FDA, la llegada de herramientas cada vez m\u00e1s aut\u00f3nomas \u2014 como las IA autorizadas por la FDA para producir la primera lectura de radiograf\u00edas<\/a> \u2014 convierte la gobernanza posimplementaci\u00f3n en un diferencial de seguridad y credibilidad para cl\u00ednicas y hospitales. F\u00edsicos m\u00e9dicos y equipos de TI tienden a asumir un papel central en ese proceso, junto a los radi\u00f3logos, documentando el desempe\u00f1o de los algoritmos con el mismo rigor aplicado al control de calidad de los equipos.<\/p>\n

Un debate que sigue abierto<\/h2>\n

La conclusi\u00f3n del art\u00edculo es pragm\u00e1tica: el plan ideal de supervisi\u00f3n protege al paciente sin volver la tecnolog\u00eda m\u00e1s problem\u00e1tica de lo que vale. Al enfocarse en tendencias en lugar de resultados individuales, el modelo HOTL descrito en RadioGraphics<\/em> parece cumplir esos requisitos \u2014 pero, como observa The Imaging Wire, el debate sobre la mejor manera de supervisar la IA en radiolog\u00eda seguir\u00e1 vivo en los pr\u00f3ximos a\u00f1os.<\/p>\n

Fuente:<\/strong> The Imaging Wire<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Supervisi\u00f3n humana de la IA en radiolog\u00eda: RadioGraphics propone el modelo human-on-the-loop para vigilar el drift. Conozca qu\u00e9 cambia en su servicio.<\/p>\n","protected":false},"author":1,"featured_media":18707,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"_rt_cluster":"","fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[229,183],"tags":[],"class_list":{"0":"post-18723","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-inteligencia-artificial-es","8":"category-radiologia-es"},"aioseo_notices":[],"rt_seo":{"title":"","description":"Un art\u00edculo en RadioGraphics propone el modelo human-on-the-loop (HOTL) como punto ideal de supervisi\u00f3n de la IA en radiolog\u00eda. Riesgos y qu\u00e9 cambia.","canonical":"","og_image":"","robots":"index,follow","schema_type":"Article","include_in_llms":true,"llms_label":"Supervisi\u00f3n de IA en radiolog\u00eda (HOTL)","llms_summary":"Un paper en RadioGraphics propone el modelo human-on-the-loop: vigilar tendencias y drift de la IA en lugar de revisar cada resultado, devolviendo la lectura a los radi\u00f3logos si el rendimiento cae.","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/18723\/"}],"collection":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/"}],"about":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/types\/post\/"}],"author":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/users\/1\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=18723"}],"version-history":[{"count":1,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/18723\/revisions\/"}],"predecessor-version":[{"id":18724,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/18723\/revisions\/18724\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/18707\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=18723"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=18723"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=18723"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}