Just ara fa un any, us presentàvem iniciatives de l’àrea de la salut on s’estava introduint la intel·ligència artificial (IA). Us parlàvem de diverses aplicacions que ajuden els professionals sanitaris a omplir la història clínica dels pacients, amb l’objectiu de “desenganxar-los de la pantalla”, així com de les proves que s’estaven fent en el camp del cribratge i el diagnòstic.
En quin punt estem ara?
A Catalunya ja s’estan desplegant, en diferents centres de salut públics i privats, eines que graven, transcriuen automàticament la conversa del professional amb el pacient i en fan un resum. Si us hi heu trobat, haureu comprovat que el metge us demana el vostre consentiment per utilitzar-les, perquè la conversa queda enregistrada. En qualsevol cas, tot i que escoltin i redactin resums de forma automàtica, com que el sistema comet errors, el professional en fa una revisió posterior. La responsabilitat clínica continua sent humana.
De fet, els reguladors han començat a posar barreres perquè aquestes eines no es converteixin en una font nova d’errors. A Europa, la peça clau és l’AI Act, que tracta la IA segons el risc. I en salut, quan pot influir en decisions clíniques o en l’accés a serveis, sovint es considera d’alt risc. Això vol dir que no n’hi ha prou que el sistema “funcioni”: cal demostrar com s’ha entrenat, com es controla, com es monitora un cop desplegat i, sobretot, qui respon si s’equivoca.
També s’ha avançat en els camps del cribratge i el diagnòstic. Però aquí hi ha un límit fonamental: les IA es comporten generalment com una caixa negra. Tenen unes entrades d’informació —símptomes, imatges, textos o analítiques— i una sortida —un diagnòstic suggerit, un risc avaluat o una recomanació—. Però no hi ha una manera clara de seguir el “raonament” que ha fet el sistema per arribar a aquella conclusió.
Aquest comportament xoca amb el mètode científic, que demana traçabilitat: si algú arriba a una conclusió, hauríem de poder veure on es podria haver equivocat. Per exemple, identificar si hi ha hagut dades mal recollides, un patró fals, un biaix del conjunt de dades o una correlació accidental. La ciència avança formulant hipòtesis del tipus “si X, aleshores Y”, i intentant comprovar-les. En canvi, moltes IA no operen amb hipòtesis causals sinó amb correlacions estadístiques: poden encertar sovint, però de vegades encerten “pel motiu equivocat”.
A més, la ciència demana que un mateix procediment doni, en condicions equivalents, resultats consistents. I aquí també hi ha matisos: alguns sistemes poden ser sensibles a canvis petits en les dades d’entrada, i les IA generatives poden produir respostes diferents davant la mateixa pregunta. Finalment, la ciència busca explicacions: no només predir, sinó entendre. La IA, en canvi, pot donar una resposta sense oferir una justificació verificable, i quan “explica” sovint ho fa amb un text plausible que no necessàriament reflecteix el veritable procés intern.
Tot això no implica que la IA no sigui útil en cribratge i diagnòstic. El 2025 ha aportat les evidències que faltaven, amb implementació real i amb estudis prospectius. A Alemanya, per exemple, s’ha fet un estudi d’implantació a escala nacional amb gairebé mig milió de dones que mostra que la doble lectura amb suport de la IA va augmentar la detecció en un cas extra per cada mil cribratges de mama (de 5,7 a 6,7 casos per cada 1.000). En aquest cas, el sistema fa triatge de casos clarament normals i activa una mena de “xarxa de seguretat” quan el radiòleg havia interpretat com a normal una exploració que el sistema considera sospitosa. En paral·lel, a Corea del Sud, una mostra prospectiva de gairebé vint-i-cinc mil dones va obtenir una taxa de detecció un 13,8% més alta.
Tot plegat no elimina els riscos: en cribratge, una millora petita en sensibilitat pot venir acompanyada de més falsos positius, més proves addicionals i, en alguns casos, sobrediagnòstic. I, com que la prevalença acostuma a ser baixa, fins i tot una IA “bona” pot generar molts avisos que després resulten no ser res. Per això, el model que s’està consolidant no és “que la IA decideixi”, sinó la IA com a suport (triatge, segon lector, xarxa de seguretat), amb supervisió humana, protocols i auditoria contínua.
D’altra banda, també es continua avançant en la lluita contra el càncer amb l’ajuda de la IA. El nostre sistema immunitari no és gaire eficient contra aquesta malaltia perquè està programat per combatre amenaces externes, com ara virus i bacteris, en lloc de mutacions de les nostres pròpies cèl·lules. Les teràpies immunitàries es basen a indicar-li al sistema immunitari quins són aquests enemics “interns” que ha de perseguir i eliminar. I aquí la IA pot jugar un paper útil: ajudar a triar, a partir de les mutacions del tumor, quines són les millors dianes per dissenyar una vacuna a mida. Per a alguns tipus de càncer ja s’estan fent proves en fase 3, és a dir, assaigs grans pensats per confirmar eficàcia i seguretat abans de demanar una aprovació reguladora.
Al final, la pregunta no és si la IA serà “metge”, sinó si farà que el metge pugui tornar a ser-ho. Si serveix per treure temps de teclat de la consulta i, alhora, per afinar teràpies tan personals com aquestes vacunes, potser el futur immediat no serà una medicina automàtica, sinó una medicina amb més temps, més control i una mica més d’encert.