Usted no necesita leer más,
necesita saber qué merece su tiempo.

Los modelos de IA generativa pueden producir citas plausibles que no corresponden a publicaciones reales. En un estudio de 2023, la proporción de referencias fabricadas fue 55% en un modelo y 18% en otro; entre las referencias reales también se observaron errores sustanciales. Otro estudio en JAMA Network Open encontró un 20,6% de referencias falsas en uno de los modelos evaluados. Estas cifras dependen del modelo, la tarea y la fecha: no son una tasa universal de los chatbots actuales.

Fuentes: Walters WH, Wilder EI. Scientific Reports. 2023;13:14045. doi:10.1038/s41598-023-41032-5. Ver estudio ›
Chen A, Chen DO. JAMA Network Open. 2023;6(8):e2327647. doi:10.1001/jamanetworkopen.2023.27647. Ver en JAMA ›

Cuando una consulta clínica contiene deliberadamente información fabricada, los modelos pueden aceptarla y desarrollarla en vez de corregirla. Un estudio adversarial de 2025 observó tasas de alucinación de 50% a 82% según el modelo y la estrategia de prompting. Esas cifras describen una prueba diseñada para provocar el error, no la tasa de error de una consulta médica ordinaria.

Fuente: Communications Medicine. 2025;5:330. doi:10.1038/s43856-025-01021-3. Ver estudio ›

En consultas de salud que incorporaban presuposiciones, varios LLM coincidieron con el 23–32% de afirmaciones falsas existentes y con el 49–55% de afirmaciones nuevas fabricadas. El riesgo relevante no es sólo “inventar”: también es aceptar como verdadera una premisa errónea incluida por el usuario.

Fuente: Kaur N, Choudhury M, Pruthi D. Findings of ACL. 2024:14308–14331. doi:10.18653/v1/2024.findings-acl.850. Ver estudio ›

Un chatbot de IA generativa produce respuestas a partir de una consulta y de su contexto disponible. CATELMIRA realiza antes un proceso editorial definido de búsqueda, selección, priorización y verificación de fuentes para decidir qué merece llegar al especialista. La diferencia está en el proceso editorial, no en afirmar que todos los chatbots sean incapaces de trabajar de forma proactiva.

Base: diferencia de diseño del servicio CATELMIRA; no se presenta como una limitación científica universal de los chatbots.

Los sistemas de IA generativa pueden personalizar respuestas mediante instrucciones, memoria o contexto. La diferencia de CATELMIRA es otra: la composición editorial se define por especialidad y criterios de curaduría, sin depender de que el médico formule el prompt correcto o conozca de antemano el estudio que debería buscar.

Base: diferencia de diseño del servicio CATELMIRA; no se afirma que los chatbots carezcan de personalización.

Los estudios patrocinados por la industria tienden a informar con mayor frecuencia resultados de eficacia y conclusiones favorables al producto del patrocinador. Una revisión Cochrane que reunió 75 trabajos encontró esta asociación y concluyó que no se explicaba por diferencias estándar de riesgo de sesgo metodológico.

Fuente: Lundh A, Lexchin J, Mintzes B, Schroll JB, Bero L. Cochrane Database of Systematic Reviews. 2017;2:MR000033. doi:10.1002/14651858.MR000033.pub3. Ver en Cochrane ›

Un estudio de 2024 encontró que 58,9% de 1.962 médicos que actuaban como revisores de cuatro grandes revistas habían recibido algún pago de fabricantes de fármacos o dispositivos entre 2020 y 2022. Esto documenta una exposición frecuente a conflictos de interés potenciales; por sí solo, el estudio no demuestra que un pago haya sesgado una revisión concreta.

Fuente: Nguyen D-D, et al. JAMA. 2024;332(17):1480–1482. doi:10.1001/jama.2024.17681. Ver en JAMA ›

Los ensayos con resultados positivos o estadísticamente significativos tienen mayor probabilidad de publicarse que aquellos con resultados negativos o nulos. Una revisión Cochrane encontró que los resultados positivos tenían casi cuatro veces las probabilidades de publicación y tendían además a publicarse antes.

Fuente: Hopewell S, Loudon K, Clarke MJ, Oxman AD, Dickersin K. Cochrane Database of Systematic Reviews. 2009;1:MR000006. doi:10.1002/14651858.MR000006.pub3. Ver en Cochrane ›

El sistema científico recompensa la novedad, la significación y la productividad. Modelos del ecosistema de investigación muestran que la selección y publicación preferente de hallazgos llamativos puede favorecer la persistencia de resultados espurios y dificultar la autocorrección. Esto es más preciso que atribuir el fenómeno a un supuesto “pensamiento de grupo” de las revistas.

Fuente: Grimes DR. Royal Society Open Science. 2024;11(1):231056. doi:10.1098/rsos.231056. Ver estudio ›

Las rivalidades académicas, compromisos intelectuales, relaciones personales, intereses políticos, carrera y reputación pueden constituir conflictos de interés aunque no exista pago directo. Una revisión de 206 publicaciones encontró que 96% respaldaba considerar estos intereses no financieros como conflictos de interés y 76% sostenía que requieren gestión.

Fuente: Bauer D, et al. BMC Medical Ethics. 2025;26:61. doi:10.1186/s12910-025-01221-5. Ver en BMC ›

La publicación académica está altamente concentrada y las grandes editoriales han operado con márgenes de beneficio cercanos al 40%. La literatura también describe cómo la presión de “publicar o perecer” y las métricas de impacto condicionan los incentivos del sistema. Estos factores no prueban sesgo en un artículo concreto, pero forman parte del contexto estructural que conviene examinar.

Fuente: Puehringer S, Rath J, Griesebner T. PLOS ONE. 2021;16(6):e0253226. doi:10.1371/journal.pone.0253226. Ver en PLOS ONE ›