AI analiza 4.000 estudios médicos: la mayoría no comparte código útil
Los investigadores usaron IA para saber si los doctores y científicos pueden realmente reconstruir resultados de estudios publicados, y la respuesta fue mayormente que no.

- La IA revisa miles de artículos médicos.
- La IA extrae las menciones sobre compartir código y los enlaces que aparecen.
- El software recopila los repositorios de código a los que apuntan esos enlaces.
- Las personas analizan una muestra para confirmar los hallazgos.
Qué puedes hacer con ello
- Los investigadores podrían usar modelos de lenguaje grandes para revisar casi 4.000 artículos médicos e identificar afirmaciones sobre código compartido, y luego seguir los enlaces para evaluar los repositorios asociados 1.
- Las revistas podrían usar los hallazgos para informar TRIPOD-Code, una directriz de reporteo diseñada para aclarar exactamente qué deben compartir los investigadores para que su trabajo sea reproducible 1.
- Los revisores humanos podrían verificar de forma independiente una muestra de artículos y repositorios de código para confirmar lo que las herramientas de IA han encontrado, detectando errores y desacuerdos antes de finalizar los resultados 1.

Picture: news.mit.edu
Lo que hizo el equipo
Los estudios de predicción clínica construyen modelos informáticos que estiman los resultados de los pacientes, como el riesgo de desarrollar una enfermedad. Dado que estos modelos pueden influir en decisiones reales de atención al paciente, es importante que otros científicos puedan examinar de cerca cómo se desarrollaron y evaluaron 1.
Para ver con qué frecuencia ocurre eso realmente, un equipo internacional liderado por investigadores del MIT y Dana-Farber utilizó modelos de lenguaje grandes — sistemas de IA entrenados con enormes cantidades de texto que pueden entender y procesar información no estructurada — para revisar casi 4.000 artículos disponibles a través de la colección de acceso abierto de PubMed Central 1.
Los LLM identificaron afirmaciones sobre código compartido, extrajeron enlaces y luego el software recuperó los repositorios de código vinculados para una evaluación adicional 1. Los revisores humanos verificaron de forma independiente una muestra de 500 artículos y repositorios para verificar el trabajo de la IA, resolviendo desacuerdos antes de comparar los resultados .
Tom Pollard, autor principal del estudio 1 y científico investigador en el Laboratorio de Fisiología Computacional del MIT, así como en el Laboratorio de Ciencia de la Computación e Inteligencia Artificial, dijo que la mayor fortaleza de los LLM es cómo manejan los datos no estructurados como el texto.
Lo que encontraron
La revisión reveló dos brechas importantes 1:
El intercambio de código sigue siendo poco común. Solo aproximadamente uno de cada ocho estudios reportó compartir código, y donde se compartió código, la calidad variaba enormemente 1. Algunos repositorios de código estaban altamente estructurados y bien documentados, mientras que otros proporcionaban muy pocas indicaciones en absoluto .
El código público no equivale a código reutilizable. Incluso cuando los investigadores ponían su código disponible en línea, muchos no incluían la documentación, los requisitos de software y la información de apoyo necesaria para que otra persona pudiera ejecutarlo y reproducir los resultados 1.
Las prácticas también variaban considerablemente entre revistas y países 1. Entre diferentes revistas, la proporción de estudios que hacían disponible su código variaba desde cero hasta más del 70 por ciento . Ciertas revistas que tenían bajas tasas de intercambio de código aún mantenían políticas oficiales que lo requerían, lo que indica que tener reglas en papel puede no ser suficiente por sí solo para fomentar que los investigadores compartan su trabajo .
Thomas Sounack, primer autor del estudio, explicó que el buen intercambio de código significa "dar suficiente información para entender qué hace el código y poder ejecutarlo para reproducir los resultados reportados en el artículo" 1.
Estableciendo un nuevo estándar
Los hallazgos, publicados recientemente en Nature Medicine, ahora están informando el desarrollo de TRIPOD-Code, una directriz de reporteo diseñada para aclarar qué deben compartir los investigadores junto con su código 1. TRIPOD-Code se basa en listas de verificación existentes llamadas TRIPOD y TRIPOD+AI, que ayudan a los investigadores a reportar cómo se desarrollaron y evaluaron los modelos de predicción clínica .
Pollard dijo que el objetivo es práctico: "Queremos dar a los investigadores orientación práctica sobre cómo compartir código, y dar a las revistas expectativas más claras para comunicar a los autores" 1.
Esta historia informa sobre una tendencia únicamente para fines informativos. No constituye consejo ni aliento para realizar ninguna de estas acciones.
Qué tan bueno es
Solo aproximadamente uno de cada ocho estudios reportó compartir código, cuando el código fue efectivamente compartido 1. Cuando los investigadores sí hacían público su código en línea, muchos no incluían la documentación y los requisitos de software necesarios para que otra persona pudiera ejecutarlo y reproducir resultados . La proporción de estudios que compartían código variaba desde cero hasta más del 70 por ciento dependiendo de la revista, lo que sugiere prácticas inconsistentes en lugar de calidad uniforme . Tener políticas escritas de intercambio de código parece insuficiente por sí solo, ya que algunas revistas con bajas tasas de intercambio aún mantenían políticas oficiales que lo requerían .
Correcciones y actualizaciones
- Corrected on 20 November 2026. Una versión anterior llamaba a TRIPOD-Code 'una nueva directriz de reporteo'; la fuente lo describe específicamente como 'una directriz de reporteo que se está desarrollando', reflejando su etapa actual de desarrollo en lugar de simplemente etiquetarlo como nuevo.
Los datos clave
- Casi 4.000 estudios médicos y cientos de repositorios de código fueron examinados usando IA
- Solo aproximadamente uno de cada ocho estudios reportó compartir código
- Donde se compartió código, la calidad variaba enormemente
- Findings are shaping TRIPOD-Code, a reporting guideline being developed
- Estudio publicado en Nature Medicine por investigadores del MIT y Dana-Farber
Fuentes
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Cómo funcionaNuevo método permite que los detectores de texto para IA alcancen 93 % de precisión, atrapando textos disfrazadosHerald of AI
Nuevo método permite que los detectores de texto para IA alcancen 93 % de precisión, atrapando textos disfrazados
Un truco de entrenamiento permite que las herramientas de detección se adapten en tiempo real para mantener su precisión mientras siguen cambiando los estilos de escritura de la IA y de los humanos.
Cómo funcionaEl investigador del MIT quiere que la IA se explique sola en lugar de ocultar su funcionamientoHerald of AI
El investigador del MIT quiere que la IA se explique sola en lugar de ocultar su funcionamiento
Jacob Andreas está entrenando a la IA para hablar sobre lo que ha aprendido, brindando a los usuarios habituales una forma de entender cómo toman decisiones estos sistemas, en vez de depender solo de complejas herramientas de depuración.
Apps y productosEl copiloto con IA del MIT permite a los ingenieros guiar diseños estructurales en tiempo realHerald of AI
El copiloto con IA del MIT permite a los ingenieros guiar diseños estructurales en tiempo real
Una nueva herramienta muestra a los diseñadores de edificios el borrador que está creando la IA y pide su opinión, produciendo estructuras más resistentes y viables en solo 15 segundos adicionales.