La precisión de ChatGPT para monitores de presión arterial se queda corta en un nuevo estudio sobre IA
La precisión de ChatGPT para monitores de presión arterial cayó hasta el 63% en un nuevo estudio que abarcó 324 dispositivos domésticos. Microsoft Copilot y Perplexity también tuvieron dificultades, mientras que Google Gemini generó respuestas incorrectas en aproximadamente entre el 9% y el 14% de las pruebas.
Los hallazgos preliminares cuestionan una suposición común sobre la búsqueda con IA. Un chatbot puede localizar un registro oficial de dispositivos, citarlo y aun así malinterpretar lo que significa la ficha. Esa brecha importa cuando los consumidores utilizan herramientas conversacionales para realizar compras relacionadas con la salud.
El estudio no establece que todas las respuestas de los chatbots sean inseguras. Sí muestra que las respuestas pulidas pueden ocultar una recuperación de información y un razonamiento inconsistentes. Para los compradores, la vía más segura sigue siendo consultar un registro reconocido y hablar sobre la elección del dispositivo con un profesional clínico.
Lo que encontró la prueba de 324 dispositivos
Cuatro herramientas de IA líderes clasificaron erróneamente de forma repetida monitores de presión arterial cuyo estado de validación los investigadores pudieron verificar de manera independiente.
Los investigadores probaron 324 monitores domésticos de presión arterial en Canadá durante abril y mayo de 2026. La muestra incluyó 145 dispositivos validados y 179 dispositivos que no habían sido validados.
El equipo seleccionó los dispositivos de tres registros reconocidos, una lista de productos conocidos no validados y anuncios de venta minorista en línea. La muestra de comercios incluyó populares monitores de manguito vendidos a través de Amazon en Canadá, Australia y Estados Unidos.
Cada dispositivo se verificó utilizando ChatGPT, Google Gemini, Microsoft Copilot y Perplexity. Los investigadores plantearon a cada herramienta tres versiones de la misma pregunta básica.
El primer prompt se parecía a la pregunta de un consumidor común. El segundo indicaba a la herramienta que consultara un registro de validación específico. El tercero aportaba más detalles y exigía una respuesta de una sola palabra.
Según el estudio sobre dispositivos de IA, Gemini respondió correctamente entre el 86% y el 91% de las veces. ChatGPT, Copilot y Perplexity registraron una precisión de aproximadamente entre el 63% y el 83%.
Esos rangos variaron según el prompt. También muestran por qué una única cifra destacada no puede describir todos los modelos ni todas las condiciones de prueba.
Los investigadores detectaron otro patrón preocupante. Las cuatro herramientas tuvieron peor desempeño al identificar monitores de presión arterial validados que al evaluar productos no validados.
El resultado parece contraintuitivo. Los dispositivos validados ya han superado pruebas independientes y figuran en registros estructurados de acceso público.
En ocasiones, los chatbots localizaron la página oficial pertinente, pero no trataron la inclusión como evidencia de validación. En otros casos, informaron erróneamente a los usuarios que los dispositivos incluidos no cumplían las normas clínicas.
Anna Soriano, ponente del estudio y residente de medicina interna en la Universidad de Montreal, afirmó que la mayoría de las herramientas funcionaron solo ligeramente mejor que el azar. Señaló que incluso Gemini tuvo dificultades con información que estaba fácilmente disponible.
El estudio también evaluó la consistencia. Los investigadores seleccionaron el 20% de los dispositivos que produjeron respuestas contradictorias y repitieron las preguntas a través de tres examinadores.
Esas comprobaciones de seguimiento se realizaron en distintos ordenadores y en días diferentes, principalmente durante mayo de 2026. La misma herramienta solía devolver una respuesta distinta a la misma pregunta.
Esa variabilidad es central para el hallazgo. Una recomendación de un chatbot puede parecer concluyente incluso cuando el resultado subyacente cambia entre sesiones.
El trabajo se presentó en las Hypertension Scientific Sessions 2026 de la American Heart Association, celebradas en Arlington, Virginia. Sigue siendo un resumen de conferencia, no un artículo completo revisado por pares.
Esa distinción limita la amplitud con la que deberían aplicarse los resultados. Sin embargo, la escala y el diseño de prompts repetidos ofrecen una advertencia significativa sobre la selección de dispositivos asistida por IA.
Por qué importa la precisión de ChatGPT para monitores de presión arterial
Una respuesta incorrecta sobre un producto puede afectar las mediciones que pacientes y profesionales clínicos utilizan para tomar decisiones de tratamiento.
Un monitor doméstico de presión arterial no está validado simplemente porque se encienda, muestre cifras plausibles o reciba reseñas favorables de clientes. La validación significa que pruebas independientes determinaron que sus lecturas son suficientemente precisas conforme a un protocolo reconocido.
Ese estatus importa porque las lecturas de presión arterial orientan el diagnóstico, los cambios de medicación y la gestión del riesgo a largo plazo. Un error de medición constante puede crear un registro engañoso sobre la salud de una persona.
Un monitor inexacto podría generar lecturas aparentemente demasiado altas. Ese resultado puede provocar ansiedad, citas innecesarias o conversaciones inapropiadas sobre tratamiento.
Un monitor que arroja lecturas demasiado bajas plantea otro peligro. Puede hacer que una hipertensión no controlada parezca estable y retrasar una respuesta clínica necesaria.
Lo que está en juego va más allá de una sola medición. Muchos pacientes registran sus lecturas durante días o semanas antes de compartirlas con un profesional clínico.
Un error sistemático del dispositivo pasa entonces a formar parte del historial del paciente. El volumen de mediciones puede hacer que ese patrón parezca más creíble, aunque lo haya causado el instrumento.
Más de 125 millones de adultos estadounidenses tienen presión arterial alta, según las estadísticas de 2026 de la American Heart Association citadas junto con el estudio. Eso representa aproximadamente el 47% de la población adulta.
Solo alrededor de una cuarta parte de los adultos afectados tiene la presión arterial dentro del rango objetivo citado por la asociación. Por tanto, la medición en casa respalda a una población amplia y clínicamente importante.
La actual guía sobre presión arterial recomienda utilizar un dispositivo doméstico cuya precisión haya sido validada. También sitúa la monitorización en casa dentro de un proceso asistencial más amplio, en lugar de tratar el dispositivo como un sistema de diagnóstico autónomo.
Los errores de los chatbots pueden interferir incluso antes de que empiece la medición. Un consumidor podría preguntar qué manguito comprar, si un modelo existente está validado o si dos productos con nombres similares son equivalentes.
Los nombres de los modelos generan otra fuente de confusión. Un mismo fabricante puede vender varios dispositivos cuyos nombres se diferencian solo por unas pocas letras o identificadores regionales.
La validación suele aplicarse a un modelo concreto, no a todos los productos de la misma marca. Por ello, un chatbot que generaliza sobre una familia de productos puede ofrecer una respuesta segura de sí misma pero incorrecta.
Aquí es donde la precisión de ChatGPT para monitores de presión arterial se convierte en algo más que una puntuación de referencia. La respuesta puede influir en qué instrumento genera los datos médicos utilizados posteriormente.
El riesgo no requiere un comportamiento malicioso ni una afirmación evidentemente falsa. Puede surgir de un pequeño error de identificación integrado en una explicación fluida y útil.
La advertencia del estudio también alcanza a los profesionales clínicos. Los pacientes llegan cada vez más con información recopilada mediante herramientas de IA de uso general, igual que antes llevaban resultados de búsqueda y reseñas en línea.
Es posible que un profesional clínico no sepa qué prompt utilizó el paciente ni qué versión del modelo respondió. La respuesta también puede carecer de un rastro de fuentes estable que otra persona pueda reproducir.
Keith Ferdinand, profesor de la Universidad de Tulane y vicepresidente de la guía de 2025 de la asociación, instó a la cautela en torno a la toma de decisiones clínicas con IA. No participó en la investigación.
Su postura deja espacio para una IA médica útil, al tiempo que establece un límite frente a decisiones sin respaldo. Los chatbots pueden ayudar a organizar preguntas, pero no deberían sustituir la verificación de un dispositivo de medición.
La búsqueda con IA perdió frente a los registros a los que ya podía acceder
El fallo central no fue la falta de conocimiento médico. Fue la interpretación poco fiable de una consulta directa en un registro.
Tres registros principales informaron el estudio: ValidateBP, STRIDE BP y Hypertension Canada. Estos recursos identifican monitores específicos que han pasado pruebas de validación reconocidas.
Los consumidores de Estados Unidos pueden buscar en el registro gratuito de dispositivos validados. El sitio está diseñado para reducir el mercado a modelos con evidencia documentada que respalde la precisión de sus mediciones.
La lista internacional de validación de dispositivos ofrece otra referencia estructurada. Organiza los monitores por caso de uso e incluye detalles que ayudan a distinguir los modelos.
Una búsqueda en un registro es más acotada que una consulta abierta a un chatbot. Pregunta si un producto exacto aparece en una colección controlada creada con ese propósito.
Un asistente de IA de uso general gestiona una cadena más complicada. Debe identificar el dispositivo, recuperar el registro correcto, interpretar la ficha y expresar el resultado con precisión.
Cualquier eslabón de esa cadena puede fallar. La ambigüedad en el nombre del producto puede hacer que el modelo recupere un dispositivo relacionado en lugar del modelo solicitado.
La clasificación de resultados puede favorecer páginas de comercios, reseñas o descripciones de fabricantes por encima de los registros. Entonces, el modelo puede combinar esas fuentes en una respuesta sin preservar su distinto valor probatorio.
Incluso una recuperación de información exitosa no garantiza una interpretación correcta. El nuevo estudio encontró casos en los que una herramienta localizó una ficha oficial, pero no reconoció esa ficha como prueba de validación.
Esa brecha se parece a un problema de anclaje de datos. El anclaje implica vincular una respuesta a una fuente externa definida y preservar lo que esa fuente realmente establece.
Un chatbot puede citar una página sin estar plenamente anclado en su significado. Por tanto, la presencia de una cita no equivale a la fidelidad de la cita.
El problema se vuelve más difícil cuando una respuesta combina varias páginas web. Un comercio puede describir un monitor como clínicamente preciso, mientras que un registro enumera solo un modelo diferente.
El chatbot puede fusionar ambos registros en una narrativa fluida. Su tono puede ocultar la discrepancia de identidad sin resolver.
Este mecanismo ayuda a explicar por qué los prompts detallados mejoraron algunos resultados sin eliminar los errores. Dirigir una herramienta hacia un registro reduce el espacio de búsqueda, pero no garantiza una correspondencia correcta del modelo.
El contraste entre la búsqueda con IA y la consulta de registros es la tensión principal del artículo. La IA conversacional promete una ruta más sencilla a través de información dispersa, pero la fuente autorizada ya era sencilla y gratuita.
La IA aporta valor cuando sintetiza material complejo o ayuda a los usuarios a formular preguntas. En este caso, la síntesis introdujo otro punto de fallo en una tarea de verificación binaria.
Eso no vuelve inútil la búsqueda con IA para la investigación sobre salud. Significa que el papel de la herramienta debe corresponderse con la tolerancia al error de la tarea.
Un chatbot puede ayudar a elaborar una lista breve de características, explicar cómo elegir el tamaño del manguito o redactar preguntas para una cita médica. La comprobación final de validación debe seguir realizándose en el registro.
Esta separación es práctica. Los usuarios no necesitan rechazar por completo la ayuda de la IA, pero no deberían delegar la consulta decisiva.
La misma lección se aplica más allá de los manguitos de presión arterial. Los productos de salud suelen incluir números de modelo precisos, versiones específicas por región y evidencia aplicable solo a determinadas poblaciones.
Un asistente que pase por alto un sufijo puede transferir evidencia de un producto a otro. Ese error sigue siendo difícil de detectar cuando el texto final suena autoritativo.
Mejores prompts no hicieron fiables las respuestas
La especificidad de los prompts cambió el rendimiento, pero no convirtió a ninguno de los chatbots evaluados en una herramienta de verificación consistentemente fiable.
Los investigadores utilizaron tres estilos de prompts porque los usuarios comunes formulan las preguntas de manera diferente. Algunos proporcionan solo el nombre de un producto, mientras que otros solicitan una comprobación frente a una fuente específica.
El prompt más restrictivo añadió detalles y solicitó una respuesta de una sola palabra. Ese diseño redujo el margen para explicaciones, pero no eliminó los errores de recuperación o clasificación.
Una respuesta breve incluso puede ocultar la incertidumbre. “Sí” no ofrece un rastro visible que muestre si la herramienta encontró el modelo exacto o infirió la respuesta a partir de un dispositivo relacionado.
Una respuesta más extensa crea un problema distinto. Puede incluir advertencias y enlaces y, aun así, llegar a una conclusión equivocada.
Los usuarios suelen considerar la ingeniería de prompts como una solución a la fiabilidad de los chatbots. El estudio sugiere que una mejor redacción solo ayuda dentro de ciertos límites.
Un prompt puede indicarle al modelo dónde buscar. No puede garantizar que el servicio acceda a la página actual, resuelva cada identificador de modelo o interprete correctamente el registro.
Las pruebas repetidas también cuestionan la idea de que los usuarios puedan refinar una respuesta hasta volverla fiable. La misma pregunta a veces produjo resultados distintos según el día o el ordenador.
Esa inconsistencia refleja la naturaleza probabilística de los sistemas generativos. Las respuestas pueden variar con las actualizaciones del modelo, los resultados de búsqueda, el contexto y configuraciones a nivel de sistema que no están disponibles para el usuario.
Se utilizaron sesiones de navegación privada para reducir el aprendizaje derivado de búsquedas anteriores. Sin embargo, los investigadores reconocieron que este método no podía aislar por completo todas las fuentes de variación.
La precisión de ChatGPT para monitores de presión arterial debe entenderse, por tanto, como un objetivo móvil. El rango informado describe el período probado, los dispositivos, los prompts y las versiones de modelo disponibles.
No demuestra que una sesión actual vaya a reproducir el mismo porcentaje. Tampoco garantiza que futuras actualizaciones del modelo mejoren todas las búsquedas de productos.
Investigaciones anteriores ofrecen un contraste útil. Un estudio de 2024 que comparó ChatGPT y Bing mediante una lista de conocimientos sobre monitorización en el hogar obtuvo buenos resultados para la orientación general sobre mediciones.
En ese estudio sobre monitorización en el hogar, los cardiólogos valoraron altamente las respuestas de ChatGPT por su precisión e integridad. Las preguntas abordaban conocimientos sobre cómo medir y controlar la presión arterial en casa.
Los dos estudios examinan capacidades distintas. Explicar orientaciones estándar no es lo mismo que cotejar cientos de modelos de productos con registros cambiantes.
Un modelo puede responder correctamente preguntas generales y, al mismo tiempo, fallar en la verificación exacta de entidades. Esa distinción suele perderse cuando se describe a un chatbot como médicamente preciso o impreciso.
La precisión médica de los chatbots de IA depende de la tarea, la estructura de las fuentes, el prompt y la precisión requerida. El rendimiento en educación para pacientes no puede justificar automáticamente la selección de productos.
Lo contrario también es cierto. Una clasificación deficiente de dispositivos no demuestra que toda explicación sobre hipertensión del mismo modelo sea errónea.
Esta visión específica de cada tarea ofrece un mejor criterio para compradores y profesionales clínicos. Deben preguntarse qué operación debe completar el modelo y cómo afectaría un error al usuario.
Para una preparación de bajo riesgo, la rapidez de un chatbot puede justificar correcciones ocasionales. Para seleccionar un instrumento médico, la verificación independiente sigue siendo económica y accesible.
Por lo tanto, el mejor prompt no sustituye una comprobación de la fuente. Un flujo de trabajo más seguro pide contexto al chatbot y luego confirma el dispositivo exacto en otra fuente.
Los usuarios deben registrar el fabricante, el número completo de modelo, el tipo de brazalete y la población de usuarios prevista. Después pueden comparar esos detalles con la entrada del registro.
Las personas embarazadas, con tamaños de brazo inusuales o que necesiten un dispositivo para un niño pueden requerir una validación específica para su población. Una lista general no debe extenderse más allá de lo que cubren sus pruebas.
Un profesional clínico o farmacéutico puede ayudar cuando los nombres de modelo siguen siendo ambiguos. También puede confirmar si el brazalete elegido se ajusta al plan de monitorización del paciente.
El estudio es una advertencia, no un veredicto final
Los hallazgos identifican un problema real de verificación, pero la evidencia sigue siendo preliminar y envejecerá rápidamente a medida que cambien los servicios de IA.
La investigación se presentó como un póster moderado en una reunión científica. Los resúmenes de conferencias reciben revisión para su presentación, pero no equivalen a artículos de revistas revisados por pares.
Un artículo completo proporcionaría más detalles metodológicos. Los lectores necesitan versiones de los modelos, prompts exactos, matrices de confusión por herramienta y definiciones para las respuestas ambiguas.
La publicación pública informa rangos de precisión, pero no expone todos los resultados a nivel de modelo. Tampoco muestra cómo se dividieron los errores entre falsos positivos y falsos negativos.
Esa diferencia importa. Aprobar incorrectamente un monitor no validado genera un riesgo distinto para el consumidor que rechazar uno validado.
Una aprobación falsa puede orientar a un comprador hacia un dispositivo sin evidencia reconocida de precisión. Un rechazo falso puede limitar innecesariamente las opciones y socavar la confianza en un producto adecuado.
El estudio incluyó productos de múltiples fuentes y mercados. Esa amplitud es valiosa, pero los nombres regionales y la disponibilidad pueden complicar la identificación de dispositivos.
Las listas de comercios pueden cambiar rápidamente. Los fabricantes también pueden introducir revisiones cuyos nombres se parecen a los de productos anteriores.
Otra limitación procede del momento. Las herramientas se probaron durante abril y mayo de 2026, mientras que los hallazgos aparecieron en octubre.
Los servicios de IA cambian con frecuencia mediante sustituciones de modelos, actualizaciones de recuperación y revisiones de interfaz. Una prueba posterior podría producir clasificaciones o patrones de error diferentes.
Sin embargo, el cambio rápido no elimina la preocupación. Hace más importante la reproducción independiente, porque los usuarios no pueden asumir un comportamiento estable.
El resultado líder de Gemini también merece una interpretación cuidadosa. Un rango de precisión del 86% al 91% es sustancialmente mejor que las puntuaciones más bajas reportadas.
Aun así, implica respuestas incorrectas en aproximadamente una de cada siete a once pruebas. Esa tasa de error sigue siendo relevante para una decisión binaria sobre un dispositivo médico.
El estudio no examinó si los usuarios siguieron las recomendaciones o experimentaron daños. Midió la precisión de las respuestas, no los resultados clínicos.
Por ello, las afirmaciones sobre diagnósticos erróneos o tratamientos inadecuados deben plantearse como riesgos plausibles, no como resultados observados de este proyecto.
Soriano explicó claramente la vía. Una respuesta de IA inexacta puede llevar a alguien a confiar en un dispositivo inadecuado, lo que luego puede afectar las lecturas y las conversaciones sobre tratamiento.
Ese mecanismo es creíble, pero las investigaciones futuras deberían evaluar el comportamiento real de los consumidores. Los investigadores deberían examinar si las citas, advertencias o enlaces a registros cambian las decisiones de compra.
El estudio tampoco puede determinar exactamente por qué los sistemas tuvieron dificultades. Entre las posibles explicaciones figuran una débil correspondencia de productos, una indexación incompleta, datos de búsqueda desactualizados e interpretaciones defectuosas.
Sin registros del sistema, los investigadores externos no pueden atribuir cada error a la recuperación, el razonamiento o la generación de respuestas. Las empresas poseen gran parte de esa información diagnóstica.
Ninguno de los cuatro proveedores parece haber emitido una respuesta técnica detallada dentro de la publicación de investigación citada. Sus futuros cambios de producto importarán más que las garantías generales.
Entre las mejoras útiles estarían la desambiguación de modelos exactos, la recuperación estructurada de registros, marcas de tiempo visibles e incertidumbre explícita cuando no exista coincidencia.
Una consulta sobre un producto médico también debería distinguir entre “no encontrado” y “no validado”. Esos resultados no son equivalentes.
No encontrar un producto puede reflejar un error ortográfico, un nombre regional de modelo, un índice desactualizado o la ausencia de un registro. No demuestra de manera independiente que el dispositivo no superara la validación.
Esta distinción ofrece un criterio concreto para futuras pruebas de precisión médica de chatbots de IA. Los sistemas deberían abstenerse cuando la evidencia no respalde una respuesta binaria.
Tres señales mostrarán si mejora el asesoramiento de IA sobre dispositivos
La próxima prueba consistirá en determinar si las empresas de IA pueden hacer que la verificación de productos sanitarios sea reproducible, vinculada a fuentes y transparente.
La primera señal es la publicación del estudio completo revisado por pares. Se espera que el artículo revele detalles que la publicación de la conferencia no puede proporcionar.
Los investigadores y las empresas de IA necesitan prompts exactos, versiones de modelos, resultados a nivel de dispositivo y categorías de error. Esos detalles mostrarán si los fallos se concentran en productos poco conocidos o afectan a modelos ampliamente vendidos.
Una matriz de confusión completa también revelaría si las herramientas aprueban con más frecuencia dispositivos no validados o rechazan monitores de presión arterial validados. Esa distinción precisaría la evaluación del riesgo.
Si la revisión por pares confirma el patrón informado, la advertencia se fortalecerá. Correcciones metodológicas importantes o resultados más limitados debilitarían las conclusiones más amplias.
La segunda señal es una respuesta de producto de OpenAI, Google, Microsoft o Perplexity. El cambio más significativo conectaría las respuestas sobre dispositivos sanitarios directamente con fuentes estructuradas y autorizadas.
Una interfaz útil podría mostrar el modelo exacto coincidente, el registro, la población de validación y la fecha de comprobación. También debería mostrar incertidumbre cuando los identificadores no coincidan.
Simplemente añadir un descargo de responsabilidad médico genérico no resolvería el problema probado. El fallo se produjo dentro de la identificación del producto y la interpretación de la evidencia.
Una respuesta más sólida haría reproducible la búsqueda. Dos usuarios que hagan exactamente la misma pregunta deberían recibir el mismo resultado vinculado a la fuente.
Las pruebas independientes deberían examinar después la precisión de ChatGPT para monitores de presión arterial tras esos cambios. La mejora debería mantenerse entre sesiones en lugar de aparecer en una única demostración seleccionada.
La tercera señal es la adopción por parte de consumidores y profesionales clínicos de hábitos de verificación directa. Los registros solo protegen a los usuarios cuando las personas saben que existen y pueden cotejar correctamente los productos.
Los profesionales clínicos pueden respaldar este proceso recomendando modelos exactos o revisando el dispositivo de un paciente durante una consulta. Los comercios también pueden mostrar con mayor claridad el estado de validación reconocido.
Los asistentes de IA podrían dirigir a los usuarios hacia el registro autorizado sin pretender sustituirlo. Eso conservaría la comodidad conversacional y mantendría visible la evidencia decisiva.
Por ahora, cualquiera que elija un monitor doméstico debería verificar el número completo de modelo en un registro reconocido. El usuario también debería confirmar el ajuste del brazalete y la técnica de medición con un profesional de la salud.
Use los chatbots para organizar preguntas, comparar características no clínicas o comprender términos desconocidos. No trate una respuesta fluida como prueba de que un dispositivo médico superó pruebas independientes.
La prueba más amplia para la IA médica no es si puede sonar segura. Es si los usuarios pueden rastrear, reproducir y cuestionar la respuesta antes de actuar en función de ella.
