\ntesis de que la inteligencia artificial ya habr\u00eda hecho innecesario contratar m\u00e1s radi\u00f3logos en
\nEstados Unidos. El equipo lo encabeza Elizabeth Rula, directora ejecutiva del Harvey L. Neiman
\nHealth Policy Institute (HPI), en Reston, Virginia, y responde a unos comentarios publicados en 2026
\nen JAMA Health Forum<\/em> por el economista David Cutler, de Harvard, y por Lev Klarnet.<\/p>\n
Cutler y Klarnet sostuvieron que la ca\u00edda en el uso de imagen m\u00e9dica \u00abpermiti\u00f3 a Estados Unidos El problema central que se\u00f1alan Rula y colegas es la base emp\u00edrica. El estudio clave que citan los El segundo problema es la m\u00e9trica. Contar estudios ignora la carga real del radi\u00f3logo, que La r\u00e9plica se apoya en estudios revisados por pares del propio instituto. En 2025, el grupo Otro estudio del HPI midi\u00f3 la carga de trabajo en unidades de valor relativo (RVU), que ponderan Cutler y Klarnet tambi\u00e9n argumentaron que la historia cl\u00ednica electr\u00f3nica habr\u00eda reducido la El editorial dedica espacio al contexto hist\u00f3rico, con raz\u00f3n. En 2016, el premio Nobel Geoffrey Rula y colegas observan que la preocupaci\u00f3n \u00absigue siendo noticia y los radi\u00f3logos siguen a la La disputa es sobre datos estadounidenses, pero la lecci\u00f3n metodol\u00f3gica viaja bien. Cualquier Hay adem\u00e1s un efecto sobre quienes ya est\u00e1n en la profesi\u00f3n. Los estudios de rotaci\u00f3n muestran que Conviene escepticismo en las dos direcciones. El HPI es un instituto vinculado al American College El escenario que la evidencia sostiene no es ni la sustituci\u00f3n ni la escasez autom\u00e1tica. Es un
\natender la necesidad de estudios sin aumentar el n\u00famero de radi\u00f3logos\u00bb. La respuesta del HPI es
\ndirecta: \u00abLa afirmaci\u00f3n, creemos, contradice la experiencia colectiva reciente de la comunidad
\nradiol\u00f3gica e ignora una d\u00e9cada de evidencia.\u00bb<\/p>\n![\"Gr\u00e1fico](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/10\/radiologia-carga-trabajo-vs-remuneracion-hpi.png\")
D\u00f3nde falla la lectura de los datos<\/h2>\n
\neconomistas examin\u00f3 el uso de imagen per c\u00e1pita hasta 2016 y atribuy\u00f3 parte de la aparente ca\u00edda al
\nagrupamiento de c\u00f3digos de Medicare, un cambio de facturaci\u00f3n y no de volumen de estudios. Cuando el
\npagador funde dos c\u00f3digos en uno, el n\u00famero de \u00abprocedimientos\u00bb baja en el registro administrativo
\nsin que se deje de hacer un solo examen.<\/p>\n
\ndepende tanto del volumen como de la complejidad. Una tomograf\u00eda de cuerpo entero con
\nreconstrucciones multiplanares y comparaci\u00f3n con tres estudios previos no equivale a una radiograf\u00eda
\nde t\u00f3rax, pero ambas figuran como \u00abun examen\u00bb.<\/p>\nLas cifras que el HPI puso sobre la mesa<\/h2>\n
\nproyect\u00f3 un crecimiento del 17% al 27% en el uso de imagen m\u00e9dica en Estados Unidos hasta 2055,
\nimpulsado por el crecimiento y el envejecimiento de la poblaci\u00f3n. Los datos de Medicare recopilados
\nen el Neiman Almanac muestran aumentos relevantes de volumen de tomograf\u00eda y resonancia en la Parte
\nB entre 2016 y 2024, justo el per\u00edodo posterior al final de la serie usada por los economistas.<\/p>\n
\ntiempo, esfuerzo y riesgo de cada procedimiento. Las RVU de imagen por beneficiario alcanzaron su
\nnivel m\u00e1s alto en 2021, con un alza del 13% frente a 2005. En el mismo per\u00edodo, el mandato de
\nneutralidad presupuestaria de Medicare recort\u00f3 un 48,3% la remuneraci\u00f3n del radi\u00f3logo ajustada por
\ninflaci\u00f3n entre 2005 y 2025. M\u00e1s trabajo, menos pago por unidad de trabajo.<\/p>\nEl argumento de la historia cl\u00ednica electr\u00f3nica tampoco se sostiene<\/h2>\n
\nrepetici\u00f3n de estudios. El HPI responde con un an\u00e1lisis reciente que hall\u00f3 repetici\u00f3n en el 12,5% de
\nlos estudios de imagen de consultorio en Medicare entre 2013 y 2022. No es un detalle marginal: la
\nduplicaci\u00f3n es uno de los principales vectores de desperdicio y de exposici\u00f3n evitable a radiaci\u00f3n, y
\nsigue vigente incluso donde la interoperabilidad est\u00e1 formalmente disponible, un fallo de proceso que
\nrecuerda lo que ya escribimos sobre
\nla gobernanza tecnol\u00f3gica en radiolog\u00eda<\/a>.<\/p>\nEl fantasma de 2016 sigue en la sala<\/h2>\n
\nHinton afirm\u00f3 que el aprendizaje profundo superar\u00eda a los radi\u00f3logos en el an\u00e1lisis de im\u00e1genes y que
\nno ten\u00eda sentido seguir form\u00e1ndolos. La predicci\u00f3n no se cumpli\u00f3 y el propio Hinton se retract\u00f3: en
\nuna entrevista con el New York Times<\/em> en septiembre de 2026 dijo que la combinaci\u00f3n de IA con
\nradi\u00f3logos har\u00e1 a estos profesionales m\u00e1s eficientes y m\u00e1s precisos.<\/p>\n
\ndefensiva, lo que indica el efecto duradero de la predicci\u00f3n de Hinton\u00bb. El argumento pr\u00e1ctico es que
\nlas declaraciones amplias de figuras con autoridad p\u00fablica tienen consecuencias reales sobre la
\nelecci\u00f3n de especialidad, el dimensionamiento de la residencia y las decisiones de inversi\u00f3n, y
\ntardan a\u00f1os en corregirse con evidencia.<\/p>\nQu\u00e9 significa fuera de Estados Unidos<\/h2>\n
\ndiscusi\u00f3n sobre si \u00abla IA resolver\u00e1 la falta de radi\u00f3logos\u00bb debe separar tres cosas que suelen
\nmezclarse: volumen de estudios, complejidad por estudio y capacidad de lectura disponible. En
\nsistemas de salud donde la distribuci\u00f3n de especialistas est\u00e1 muy concentrada en las grandes ciudades
\ny la teleradiolog\u00eda absorbe parte de la demanda del interior, el riesgo de leer un indicador agregado
\ncomo prueba de suficiencia es todav\u00eda mayor, que fue justamente el punto que planteamos al preguntar
\nsi la escasez de radi\u00f3logos es regional<\/a>.<\/p>\n
\nla carga percibida predice las salidas, y los relatos p\u00fablicos de obsolescencia no ayudan ni a
\nretener ni a atraer, un tema que tratamos en
\npor qu\u00e9 los radi\u00f3logos renuncian<\/a>.<\/p>\nC\u00f3mo leer esta discusi\u00f3n sin elegir bando por reflejo<\/h2>\n
\nof Radiology, y defender la relevancia econ\u00f3mica de la especialidad est\u00e1 dentro de su \u00e1mbito
\ninstitucional; eso no invalida los datos citados, pero obliga a mirar qu\u00e9 m\u00e9tricas se seleccionaron.
\nDel otro lado, los comentarios criticados se publicaron como opini\u00f3n, no como estudio original. Lo
\nque la r\u00e9plica demuestra con solidez es m\u00e1s estrecho y m\u00e1s \u00fatil que lo que sugiere el debate
\npolarizado: la serie de datos usada para afirmar que la demanda cay\u00f3 termina en 2016, est\u00e1
\nconfundida por un cambio de codificaci\u00f3n y no mide complejidad.<\/p>\n
\nsistema donde la demanda crece, la complejidad por estudio crece m\u00e1s r\u00e1pido, el pago por unidad cae y
\nla IA entra como herramienta de productividad, con ganancias que todav\u00eda se miden caso por caso, como
\nilustran las
\ncifras de autorizaciones de IA en radiolog\u00eda en la FDA<\/a>.<\/p>\n