Lectura guiada del artículo Guerra-Adames, A., Avalos-Fernandez, M., Dorémus, O. et al. Auditing sex/gender disparities in emergency triage with LLM-based paired comparisons. npj Digit. Med. (2026).

Los sesgos no son exclusivos de los algoritmos: también pueden colarse en las decisiones humanas, incluidas las de los profesionales sanitarios, a pesar de su experiencia y su compromiso con los pacientes. En medicina de urgencias, donde a menudo hay que tomar decisiones rápidamente, es fundamental poder detectar posibles diferencias en la atención a los pacientes que no estén justificadas por el estado clínico de los pacientes. Pero, cómo identificar estos sesgos sin recurrir a métodos de testing (o test de situación o prueba de verificación in situ, una prueba empírica de prácticas discriminatorias), que se basan en la comparación de situaciones equivalentes y cuya aplicación en el contexto asistencial plantea dificultades éticas y prácticas?

Esta presentación propone descubrir el enfoque original que utiliza la IA para examinar el rastro de las decisiones tomadas en los servicios de urgencias hospitalarias. Al enseñar a un modelo de IA a reproducir las decisiones documentadas y, a continuación, comparar situaciones ficticias que solo difieren en una característica del paciente, como el sexo, resulta posible explorar si estas diferencias pueden influir en la orientación o en el nivel de prioridad asignado. Este enfoque, por sí solo, no permite concluir que existan sesgos en las prácticas reales, pero ofrece un medio para detectar indicios, cuestionar los datos y orientar futuras investigaciones.

Los trabajos presentados en el artículo se articulan en torno a la tesis de Ariel Guerra-Adames, codirigida por Emmanuel Lagarde y Marta Ávalos. https://doi.org/10.1038/s41746-026-03090-7