Ética y responsabilidad profesional en el uso de IA en diagnóstico por imagen

AUTORES

1. Paloma Briceño Torralba. Residente de Radiodiagnóstico del Hospital Universitario Miguel Servet, Zaragoza, España.
2. Andrea Senovilla Ardid. Residente de Radiodiagnóstico del Hospital Universitario Miguel Servet, Zaragoza, España.
3. Daniel Alejandro Cadavid Cadavid. Residente de Radiodiagnóstico del Hospital Universitario Miguel Servet, Zaragoza, España.
4. Sofía Thais Escobar Narro. Residente de Radiodiagnóstico del Hospital Universitario Miguel Servet, Zaragoza, España.
5. Elena Sierra Beltrán. Residente de Radiodiagnóstico del Hospital Universitario Miguel Servet, Zaragoza, España.
6. María Gayarre Baquedano. Residente de Medicina de Familia y Comunitaria del Hospital Universitario Miguel Servet, Zaragoza, España.

RESUMEN

La incorporación de la inteligencia artificial (IA) en el diagnóstico por imagen representa una revolución en la práctica radiológica, con potencial para mejorar la precisión, eficiencia y acceso al cuidado de la salud. Sin embargo, su adopción plantea desafíos éticos y de responsabilidad profesional que requieren una reflexión profunda y multidisciplinaria. Las principales sociedades científicas, como la RSNA, el American College of Radiology y la European Society of Radiology, coinciden en que el uso ético de la IA debe priorizar el bienestar del paciente, minimizar el daño y promover una distribución justa de los beneficios y riesgos.

Entre los principales retos éticos destacan la ética de los datos, que abarca la propiedad, privacidad y consentimiento informado en el uso de estudios radiológicos para el entrenamiento de algoritmos. La anonimización completa de los datos, aunque esencial, presenta dificultades técnicas. Asimismo, el sesgo algorítmico derivado de conjuntos de datos no representativos puede perpetuar inequidades diagnósticas, especialmente en poblaciones vulnerables. La transparencia y explicabilidad de los modelos —a menudo percibidos como “cajas negras”— son indispensables para sostener la confianza pública y profesional.

En cuanto a la responsabilidad profesional, el control y la validación final de los resultados continúan siendo deber del médico, aunque el avance hacia sistemas autónomos genera incertidumbre sobre la atribución de responsabilidad ante errores diagnósticos. La gobernanza ética de la IA exige marcos regulatorios claros que incluyan criterios de rendición de cuentas, participación activa de los profesionales y actualización continua de competencias.

Finalmente, los principios de beneficencia, no maleficencia, autonomía y justicia deben guiar el diseño y la implementación de la IA en diagnóstico por imagen, asegurando que la tecnología refuerce la confianza, respete la dignidad humana y beneficie equitativamente a la sociedad.

PALABRAS CLAVE

Inteligencia artificial, diagnóstico por imagen, ética, responsabilidad profesional, sesgo algorítmico, privacidad de datos, rendición de cuentas.

ABSTRACT

The integration of Artificial Intelligence (AI) into diagnostic imaging represents a transformative shift in radiological practice, with the potential to enhance diagnostic accuracy, efficiency, and accessibility in healthcare. However, its implementation raises complex ethical and professional responsibility challenges that demand rigorous multidisciplinary reflection. Leading scientific societies, including the RSNA, the American College of Radiology, and the European Society of Radiology, agree that the ethical use of AI must prioritize patient welfare, minimize harm, and ensure a fair distribution of benefits and risks.

Key ethical concerns include data ethics, encompassing ownership, privacy, and informed consent in the use of imaging data for algorithm training. Complete data anonymization, while essential, remains technically challenging. Algorithmic bias, arising from non-representative datasets, may perpetuate diagnostic inequities, particularly among vulnerable populations. Transparency and explainability of AI models—often perceived as “black boxes”—are fundamental to maintaining professional and public trust.

Regarding professional responsibility, the ultimate accountability for diagnostic interpretation remains with the physician, although the emergence of autonomous systems introduces uncertainty regarding liability in cases of diagnostic error. Ethical governance of AI requires clear regulatory frameworks emphasizing transparency, accountability, clinician participation, and continuous professional education.

Ultimately, the principles of beneficence, non-maleficence, autonomy, and justice must guide the design and application of AI in diagnostic imaging, ensuring that technological advancement reinforces trust, respects human dignity, and benefits society equitably.

KEY WORDS

Artificial intelligence, diagnostic imaging, ethics, professional responsibility, algorithmic bias, data privacy, accountability.

DESARROLLO DEL TEMA

La transformación de la Radiología por la Inteligencia Artificial (IA):

La inteligencia artificial (IA) representa uno de los avances más transformadores en la historia de la medicina moderna. Se define como el conjunto de sistemas computacionales capaces de ejecutar tareas que tradicionalmente requerían inteligencia humana, como la percepción visual, el reconocimiento de patrones, la toma de decisiones y la predicción^1,2. A diferencia de los algoritmos convencionales, que operan bajo reglas predefinidas, los sistemas de IA aprenden de grandes volúmenes de datos y ajustan sus propios parámetros para optimizar el rendimiento³. En el ámbito sanitario, esta capacidad de procesar información compleja y masiva con rapidez y precisión convierte a la IA en una herramienta prometedora para mejorar la eficiencia, la exactitud diagnóstica y la personalización de la atención médica^1-7.

La radiología, por su naturaleza basada en datos y su papel central en el diagnóstico clínico, se encuentra entre las especialidades más impactadas por la integración de la IA¹. Las aplicaciones actuales abarcan desde la detección automatizada de lesiones hasta la segmentación de tejidos y la generación asistida de informes. Estas innovaciones tienen el potencial de reducir la carga de trabajo, mejorar la detección temprana de enfermedades y optimizar los recursos sanitarios^4,5. No obstante, su adopción plantea también desafíos éticos y de responsabilidad profesional que no pueden ser ignorados⁶.

El debate ético en torno a la IA en diagnóstico por imagen no busca frenar el progreso tecnológico, sino garantizar que este avance se oriente al bien común, minimizando los riesgos y maximizando los beneficios. Problemas como la privacidad y propiedad de los datos, el consentimiento informado para el uso de imágenes en el entrenamiento de algoritmos, y el sesgo derivado de conjuntos de datos no representativos constituyen aspectos críticos de la llamada “ética de los datos”^2-4. Asimismo, la falta de transparencia o explicabilidad de los modelos de IA (las llamadas “cajas negras”) genera incertidumbre sobre cómo y por qué se alcanza una determinada conclusión diagnóstica, lo cual compromete la confianza profesional y la autonomía del paciente⁵.

En este contexto, la responsabilidad profesional adquiere un papel central. Aunque la IA puede asistir o incluso automatizar parte del proceso diagnóstico, la rendición de cuentas continúa recayendo en el médico radiólogo, quien debe validar los resultados y asumir la responsabilidad última de las decisiones clínicas. La gobernanza ética de la IA requiere, por tanto, marcos normativos claros que promuevan la transparencia, la supervisión humana y la actualización constante de competencias profesionales^1-7.

Más que reemplazar al radiólogo, la IA redefine su rol: libera al especialista de tareas repetitivas y perceptivas, permitiéndole concentrarse en la integración cognitiva, el razonamiento clínico y la toma de decisiones complejas³. Los radiólogos que aprendan a trabajar de manera crítica y responsable con estas herramientas estarán mejor preparados para liderar una práctica médica segura, eficiente y éticamente sólida. En última instancia, los principios de beneficencia, no maleficencia, autonomía y justicia deben guiar el uso de la IA en diagnóstico por imagen, asegurando que la tecnología refuerce la confianza, respete la dignidad humana y contribuya al bienestar equitativo de la sociedad^2,4-7.

Ética de los datos y algoritmos: riesgos inherentes y necesidad de transparencia:

La ética de los datos constituye uno de los pilares fundamentales en el desarrollo y aplicación de la IA en radiología, pues se relaciona directamente con la confianza depositada en la adquisición, gestión y uso de la información médica³. Los datos clínicos e imagenológicos se han convertido en un recurso de alto valor, considerados por muchos como la nueva mercancía estratégica del siglo XXI. Si se utilizan de manera responsable, pueden contribuir de forma significativa al progreso de la medicina, sin embargo, su explotación inapropiada o la utilización indebida de los resultados generados por algoritmos de IA pueden ocasionar daños considerables, tanto a los pacientes como a la sociedad^4-7.

Los sistemas de IA requieren el acceso a grandes volúmenes de datos de pacientes (principalmente estudios de imagen) para su entrenamiento, validación y mejora continua. En este contexto, los principios éticos relacionados con el consentimiento informado, la privacidad, la protección y propiedad de los datos, así como la objetividad y transparencia, adquieren una importancia crucial³. Garantizar la veracidad y completitud de los datos, así como reconocer su grado de variabilidad y posible sesgo, es indispensable para el desarrollo de modelos confiables^1,3,5-7.

La privacidad y el consentimiento representan desafíos éticos sustanciales. De acuerdo con el Reglamento General de Protección de Datos (GDPR) de la Unión Europea, los pacientes mantienen la titularidad y el control sobre su información sensible¹. Por ello, deben otorgar consentimiento explícito y renovable para cualquier reutilización o intercambio de sus datos, especialmente cuando estos se emplean en el entrenamiento de algoritmos⁴. La anonimización completa es una exigencia esencial, aunque técnicamente compleja: los avances en reconocimiento facial permite reidentificar imágenes médicas tridimensionales de cabeza y cuello, revelando el riesgo potencial de exposición de la identidad del paciente. Además, el cruce de información procedente de redes sociales, aplicaciones médicas o búsquedas en línea incrementa la posibilidad de reidentificación o uso indebido con fines comerciales o coercitivos. En consecuencia, los desarrolladores y gestores de datos deben implementar medidas rigurosas de seguridad y salvaguarda de la privacidad^5-7.

Otro de los grandes retos éticos es el sesgo de los datos. Los algoritmos pueden amplificar los prejuicios y desigualdades existentes en los conjuntos de entrenamiento, reproduciendo discriminaciones por edad, género o etnia. El sesgo de selección ocurre cuando los datos utilizados no representan adecuadamente a la población general, lo que conduce a diagnósticos imprecisos o injustos². De igual manera, el sesgo de minorías (producto de la subrepresentación de ciertos grupos— y el sesgo de etiqueta —derivado del uso de variables proxy que reflejan desigualdades sociales) pueden distorsionar los resultados. Incluso el “desplazamiento de conjunto de datos”, cuando las condiciones de aplicación difieren de las de entrenamiento, afecta gravemente el desempeño del modelo⁴. Mitigar estos sesgos es una obligación ética ineludible para garantizar la equidad en la toma de decisiones clínicas.

A ello se suma el problema de la llamada “verdad fundamental” o ground truth, esencial en el aprendizaje supervisado. En radiología, la asignación de etiquetas diagnósticas puede ser ambigua, ya que los hallazgos imagenológicos no siempre reflejan el diagnóstico final del paciente. Forzar una clasificación dicotómica (“normal” o “anormal”) simplifica la realidad clínica y puede disminuir la precisión del modelo^5,6. Por lo tanto, la definición de la verdad fundamental debe abordarse con cautela y bajo supervisión experta, para evitar errores interpretativos y sesgos estructurales.

Finalmente, la opacidad inherente a las redes neuronales profundas plantea el dilema de la “caja negra”. Cuando un sistema de IA produce un resultado erróneo o un evento adverso, la falta de transparencia impide comprender las causas del fallo y dificulta la asignación de responsabilidades. La interpretabilidad y la explicabilidad de los modelos son, por tanto, elementos esenciales para sostener la confianza pública y profesional⁷. La transparencia implica la posibilidad de auditar los procesos internos de decisión, la interpretabilidad, entender cómo se procesan los datos, y la explicabilidad, traducir estos procesos en términos comprensibles para los usuarios y pacientes. Si bien los modelos más explicables suelen tener un rendimiento ligeramente inferior, la ausencia de explicabilidad compromete la legitimidad ética y la aceptación social de la IA³.

En síntesis, la gobernanza ética de la IA en radiología exige equilibrar el progreso tecnológico con la protección de los derechos individuales. La transparencia, la equidad y la protección de los datos deben consolidarse como principios rectores, garantizando que la innovación digital avance sin sacrificar los valores fundamentales de la medicina: la confianza, la justicia y el respeto a la dignidad humana⁵.

Responsabilidad profesional y desafíos en la práctica clínica:

La IA en la radiología transforma de manera profunda la práctica clínica, generando beneficios potenciales en precisión diagnóstica y eficiencia operativa, pero también planteando nuevos dilemas ético-legales relacionados con la responsabilidad profesional, la rendición de cuentas y la equidad en el acceso^1,2. En este contexto, los radiólogos deben actuar como guardianes de la seguridad, la justicia y la transparencia en la aplicación de estas tecnologías³.

Uno de los principales retos radica en la determinación de la responsabilidad legal (liability) ante resultados adversos o errores derivados del uso de la IA. Tradicionalmente, la responsabilidad médica se define por la omisión del estándar de atención aceptado, sin embargo, la introducción de sistemas automatizados complejiza la identificación del responsable⁵. Surge así la interrogante de si la culpa recae en el médico que utiliza la herramienta, en el desarrollador del software o en la institución que lo adopta. Dado que los algoritmos médicos calificados como dispositivos sanitarios están sujetos a las regulaciones de responsabilidad del producto, los desarrolladores deben ser responsables del mismo principio de no maleficencia que rige la práctica médica^1-7. No obstante, incluso en un entorno tecnológicamente avanzado, la responsabilidad última recae en el profesional humano. En escenarios futuros, un tribunal podría considerar negligente al radiólogo que decida no emplear una herramienta de IA validada o que ignore su recomendación sin fundamento clínico adecuado³.

La rendición de cuentas (accountability) continúa siendo esencial. Los sistemas de IA deben funcionar bajo supervisión humana constante, y toda decisión clínica debe ser validada por un profesional. Este principio preserva la autonomía profesional y protege la confianza del paciente en la medicina. En consecuencia, los radiólogos deben adquirir nuevas competencias digitales y éticas para interpretar, supervisar y comunicar los resultados de la IA¹. Las instituciones sanitarias, a su vez, deben garantizar que los médicos no eludan su responsabilidad escudándose en la tecnología, ya que el juicio clínico humano sigue siendo el eje de la toma de decisiones^4,5.

Un riesgo inherente al uso clínico de sistemas automatizados es el sesgo de automatización (automation bias), es decir, la tendencia a confiar excesivamente en los resultados de la máquina y a minimizar el juicio crítico propio. Este sesgo se manifiesta mediante errores de omisión (cuando se ignoran fallos del sistema) y errores de comisión (cuando se adoptan decisiones incorrectas generadas por la IA a pesar de evidencias contrarias)³. La alta precisión percibida de los sistemas puede inducir complacencia, reduciendo la vigilancia clínica y el mantenimiento de habilidades diagnósticas. Por ello, los programas de formación y las políticas de uso deben reforzar la evaluación crítica de las recomendaciones algorítmicas y fomentar una relación colaborativa, no dependiente, entre el radiólogo y la IA^5-7.

La ética de la comunicación se erige como otro pilar central. La creciente accesibilidad de los pacientes a la información médica refuerza la necesidad de transparencia, consentimiento informado y autonomía. El médico tiene el deber de garantizar que los pacientes comprendan el papel de la IA en su atención, sus limitaciones y su fiabilidad. La aparición del denominado “paternalismo de máquina” (machine paternalism), donde los valores de los programadores pueden condicionar las decisiones clínicas, subraya la importancia del diálogo ético entre médico y paciente. Este intercambio debe centrarse en los valores individuales, respetando la diversidad de preferencias en torno a los fines del cuidado (por ejemplo, calidad de vida frente a longevidad)³.

La simplificación de la información médica mediante modelos de lenguaje grandes (Large Language Models, LLMs) plantea un dilema entre legibilidad y precisión clínica. La adaptación del lenguaje técnico para mejorar la comprensión del paciente es un avance relevante para su autonomía, sin embargo, la evidencia reciente muestra que, al reducir los textos a niveles de lectura inferiores al undécimo grado, se incrementa el riesgo de omisiones y distorsiones con implicancias clínicas. Así, el nivel de onceavo grado se considera actualmente el umbral mínimo para mantener la exactitud diagnóstica en informes radiológicos generados o adaptados por IA, mientras que el ideal ético de comprensión universal aún requiere avances técnicos adicionales para no comprometer la seguridad del paciente^3-5.

La equidad en el acceso constituye otro desafío ético sustancial. El desarrollo y despliegue de la IA exige grandes volúmenes de datos, capacidades computacionales y recursos humanos especializados, lo que genera una distribución desigual de beneficios entre países, regiones e instituciones. Este desequilibrio amenaza con profundizar las disparidades en salud. Los principios de justicia y beneficencia exigen que los beneficios de la IA se distribuyan de manera equitativa, garantizando que la innovación tecnológica mejore la atención de todos los pacientes, sin importar su contexto económico o geográfico^4,5.

Finalmente, los conflictos de interés emergen como un componente ético inevitable. La participación de los radiólogos en el desarrollo de herramientas de IA es esencial para asegurar su validez clínica, pero puede generar tensiones entre intereses científicos, comerciales y profesionales. Estos conflictos deben manejarse con transparencia, divulgación pública, supervisión institucional y, cuando sea necesario, desinversión o recusación en decisiones comerciales. La integridad profesional exige que el compromiso con la mejora del cuidado del paciente prevalezca sobre los incentivos económicos o reputacionales.

En conjunto, la responsabilidad profesional en la era de la inteligencia artificial requiere una redefinición de los límites entre tecnología y juicio humano². La supervisión ética, la formación continua y la equidad en el acceso deben consolidarse como ejes de la práctica radiológica contemporánea. Solo así la IA podrá integrarse de manera segura, justa y responsable en la medicina del futuro^1-7.

El impacto de la IA en el rol profesional y la formación:

La IA representa uno de los desarrollos de mayor alcance en la historia reciente de la medicina, y la radiología, como especialidad basada en datos, se encuentra a la vanguardia de su integración. Este contexto transforma profundamente los roles profesionales, tanto de los radiólogos como de los radiógrafos, generando oportunidades y desafíos simultáneamente³. La automatización de tareas repetitivas, como la revisión de cientos de imágenes de tomografía computarizada o la segmentación de estructuras anatómicas, libera a los profesionales para concentrarse en labores cognitivas de mayor nivel, como la interpretación clínica contextualizada y la toma de decisiones estratégicas. La conclusión práctica que ha emergido de múltiples estudios es clara: “los radiólogos que utilicen la IA reemplazarán a los radiólogos que no lo hagan”^1,3-7.

En paralelo, los radiógrafos experimentarán cambios significativos en sus responsabilidades. La automatización de procesos de adquisición y procesamiento de imágenes podría reducir ciertas tareas rutinarias, aunque la supervisión técnica y la interacción directa con el paciente continúan siendo esenciales⁴. La profesión ha convivido con tecnologías automatizadas durante décadas, y el desafío actual radica en gestionar de manera ética y efectiva el impacto de la IA en la cultura laboral, la moral y la seguridad del paciente, un rol que recae en los líderes y empleadores^3-7.

Para operar de manera segura y eficaz con sistemas de IA, los profesionales deben adquirir nuevas competencias. Los radiólogos requieren conocimientos sobre los principios de funcionamiento de los algoritmos, así como la capacidad de supervisar, interpretar y validar sus resultados. Los radiógrafos necesitan formación en fundamentos de machine learning y deep learning, estadística aplicada a sistemas de IA y competencias técnicas para garantizar la correcta adquisición, procesamiento y calidad de las imágenes¹. Estas necesidades educativas han dado lugar al concepto de Algor-Ética, un marco que promueve el desarrollo, despliegue y uso ético de la IA bajo principios de transparencia, inclusión, responsabilidad, imparcialidad, fiabilidad, seguridad, privacidad y respeto por la autonomía, equidad y prevención de daños^3-7.

La adopción generalizada de la IA abre oportunidades significativas para los radiógrafos, aumentando su autonomía profesional y reforzando su liderazgo en la atención directa al paciente. Aunque los sistemas automatizados facilitan la verificación de referencias, el posicionamiento de pacientes, la planificación de exámenes, la selección de protocolos, la reducción de dosis y el postprocesamiento de imágenes, la supervisión humana sigue siendo indispensable^2,3. Asimismo, los radiógrafos desempeñarán un papel creciente en la auditoría y control de calidad de los sistemas basados en IA, asegurando que los resultados sean precisos, confiables y conformes con la normativa vigente^4-7.

En conjunto, la integración de la IA redefine los roles profesionales en radiología, destacando la importancia de la formación continua, la supervisión ética y la colaboración hombre-máquina. La tecnología ofrece la posibilidad de elevar la precisión diagnóstica, optimizar los flujos de trabajo y mejorar la atención al paciente, siempre que se combine con competencias humanas sólidas, principios éticos claros y un compromiso permanente con la seguridad, la equidad y la calidad profesional^1-7.

Marcos éticos:

Soluciones y principios de la Algor-Ética (Autonomía, Beneficencia, Justicia):

La reflexión ética sobre la IA no debe limitar el progreso, sino más bien asegurar el bien común. Para lograr una implementación ética, es necesario un marco conocido como Algor-Ética. La Algor-Ética se define como el uso ético de la IA basado en principios como transparencia, inclusión, responsabilidad, imparcialidad, fiabilidad, seguridad y privacidad¹. El consenso en la comunidad radiológica subraya que el uso ético de la IA debe adherirse a los principios bioéticos fundamentales³:

1. Respeto por la autonomía humana^1-4: Los sistemas de IA deben respetar los derechos y libertades humanas, incluida la dignidad y la privacidad. Esto exige que la información proporcionada al paciente sea transparente y comprensible, respetando su capacidad de tomar decisiones informadas.
2. Beneficencia y no maleficencia (minimización del daño): El uso de la IA debe promover el bienestar y minimizar el daño. Es una obligación moral para todos los involucrados asegurar que el impacto sea positivo y no perjudicial^1-4.
3. Equidad y justicia: Se debe garantizar que los beneficios y perjuicios se distribuyan entre las partes interesadas de manera justa. La justicia exige vigilancia contra estrategias de simplificación que puedan dañar desproporcionadamente a grupos marginados o negarles el acceso a los beneficios potenciales de la IA^1-4.

Además, es crucial la transparencia sobre cómo se toman las decisiones de la IA. El sistema debe ser diseñado para ser altamente fiable y reducir el sesgo en la toma de decisiones.

Desarrollo de códigos de ética y práctica (Nacional e Internacional):

Dada la rápida evolución de la tecnología, la comunidad radiológica debe comenzar inmediatamente a desarrollar códigos de ética y práctica para la IA. Estos códigos deben promover cualquier uso que ayude a los pacientes y al bien común y deben bloquear el uso de datos y algoritmos radiológicos para obtener ganancias financieras que no cumplan con esos dos atributos⁷. Múltiples organismos profesionales nacionales e internacionales han abordado formalmente estos problemas y han publicado documentos orientativos:

• Sociedades como la Sociedad Europea de Radiología (ESR), el Colegio Americano de Radiología (ACR) y la Sociedad Radiológica de Norteamérica (RSNA), entre otras, han redactado una declaración multi-sociedad sobre la ética de la IA en radiología⁷.
• Otras sociedades nacionales (como la Italiana, Canadiense y Francesa) han publicado recomendaciones de consenso⁷.
• Organizaciones globales como la Organización Mundial de la Salud (OMS), la UNESCO y la Asociación Médica Mundial (AMM) han publicado normas y documentos sobre el uso ético de la IA en la atención médica⁷.
• Las regulaciones, normas y códigos de conducta deben acordarse y actualizarse continuamente, ya que los nuevos problemas éticos aparecen rápida y regularmente⁷.

Monitorización continua y evaluación de sistemas de IA:

La implementación ética exige que los sistemas de IA sean debidamente evaluados por juntas reguladoras legítimamente elegidas antes de su uso clínico. Es necesaria una extensa investigación para comprender la mejor manera de implementar la IA en la práctica clínica⁶.

Se requiere que las organizaciones científicas, gubernamentales y sociales mantengan una monitorización continua del funcionamiento de estos sistemas, de su seguridad y del nivel de protección de datos. Se deben imponer protocolos para determinar las causas de los fallos e implementar acciones correctivas^4,5.

Los profesionales deben implementar procesos para monitorear el impacto (resultados, privacidad y discriminación no intencionada) de la IA en sus pacientes y proveedores. Esto incluye el establecimiento de controles de calidad que aseguren que los sistemas de IA continúan funcionando según lo previsto y que su rendimiento no se degrada con el tiempo⁵.

CONCLUSIÓN

La responsabilidad y la rendición de cuentas (accountability) finales de la IA recaen en sus diseñadores u operadores humanos en el futuro previsible. Este es un punto de consenso ético fundamental. El desafío principal es anticipar cómo los sistemas de rápida evolución pueden fallar o ser objeto de abuso, y protegerse contra estos posibles resultados. Como se ha señalado, la rendición de cuentas no puede ser cumplida por la máquina, sino por las personas que la construyeron y las personas que la utilizan.

Aunque la IA puede ayudar a los médicos a tomar mejores decisiones, no reemplazará por completo el juicio clínico. Los radiólogos seguirán siendo los responsables últimos de la atención al paciente y deberán adquirir nuevas habilidades para operar de manera segura y efectiva en este nuevo ecosistema. Los administradores deben dejar claro que los médicos no pueden eludir la rendición de cuentas culpando al sistema de IA.

La IA es, en esencia, solo otra herramienta humana. Si bien ofrece un potencial enorme para transformar radicalmente la medicina, dependerá de nosotros (los humanos) dominar la IA para cosechar sus beneficios, asegurando que se mantenga al servicio del ser humano y que la ética se mantenga inevitable en nuestras decisiones.

La IA en el diagnóstico por imagen actúa como un espejo de aumento: magnifica la capacidad del radiólogo para ver, pero al mismo tiempo, amplifica cualquier sesgo o error presente en los datos originales o en la programación. Por ello, la mano y el juicio humano son esenciales para interpretar la imagen final y asumir la responsabilidad de lo que el paciente recibe.

BIBLIOGRAFÍA

1. Brady AP, Neri E. Artificial Intelligence in Radiology— Ethical Considerations. Diagnostics. 2020,10(4):231. doi:10.3390/diagnostics10040231.
2. Hardy M, Harvey H. Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol. 2020,93:20190840. doi:10.1259/bjr.20190840.
3. Savulescu J, Giubilini A, Vandersluis R, Mishra A. Ethics of artificial intelligence in medicine. Singapore Med J. 2024,65:150–8. doi:10.4103/singaporemedj.SMJ-2023-279.
4. Naik N, Hameed BMZ, Shetty DK, Swain D, Shah M, Paul R, et al. Legal and Ethical Consideration in Artificial Intelligence in Healthcare: Who Takes Responsibility? Front Surg. 2022,9:862322. doi:10.3389/fsurg.2022.862322.
5. Albisua J, Pacheco P. Límites éticos en el uso de la inteligencia artificial (IA) en medicina. Open Respir Arch. 2025,7:100383. doi:10.1016/j.opresp.2024.100383.
6. Lee HS, Song SH, Park C, Seo J, Kim WH, Kim J, et al. The ethics of simplification: balancing patient autonomy, comprehension, and accuracy in AI-generated radiology reports. BMC Med Ethics. 2025,26:136. doi:10.1186/s12910-025-01285-3.
7. Geis JR, Brady AP, Wu CC, Spencer J, Ranschaert E, Jaremko JL, et al. Ethics of Artificial Intelligence in Radiology: Summary of the Joint European and North American Multisociety Statement. Radiology. 2019,293:436–40. doi:10.1148/radiol.2019191586.