Anales de la RANM

141 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 EL PACIENTE ACTIVO Díaz-Rubio García M An RANM. 2026;143(02): 136 - 144 gico extremo, ya que puede desencadenar respuestas inmunológicas letales o mutaciones genéticas no deseadas que deriven, con los años, en cáncer u otras patologías graves. 3. Cibercondria por sensores de glucosa: El uso de monitores continuos de glucosa por parte de personas no diabéticas fomenta la obsesión digital. El riesgo principal es que interpreten variaciones glucémicas fisiológicas normales como patologías, induciendo cambios dieté- ticos drásticos que acaban provocando desnu- trición o trastornos de la conducta alimen- taria (TCA). 4. Sepsis por implantes: La inserción subcutánea de chips y sensores caseros fuera de entornos quirúrgicos estériles conlleva un riesgo extre- madamente alto de infecciones y sepsis. Por estas razones, la comunidad médica observa con mucha cautela la autoinvestigación por pacientes. Aunque impera el respeto a la autonomía del paciente, la seguridad clínica sigue siendo la principal preocupación. Asimismo, se cuestiona la validez científica de los estudios de un solo individuo ( ´N-de-1´ ) debido al inevitable sesgo del propio observador. Por su parte, la industria farmacéutica muestra recelo, aunque recientemente ha comenzado a colaborar —con extrema precaución— integrando datos de la vida real ( Real World Data ) cedidos por los propios pacientes, siempre dentro de un marco legal controlado y nunca procedentes de la autoexperimentación libre. No obstante, genera incomodidad el uso o mal uso que los hackers de la salud puedan hacer de fármacos cuyas patentes ya han expirado. La Inteligencia Artificial como "médico de bolsillo" La disponibilidad y el uso masivo de la Inteligencia Artificial (IA) está acelerando una nueva ola de autoexperimentación. El paciente bien infor- mado acude a la IA para consultar cualquier duda cotidiana y, con mayor frecuencia, cuestiones de salud. Al disponer de un algoritmo y de sus propios datos biométricos, el usuario puede obtener informes sorprendentes. El verdadero problema radica en la interpretación de los mismos. Cada vez es más común que los pacientes acudan a la consulta cargados con tal cantidad de datos, gráficas y prediagnósticos generados por IA que hacen inviable la atención del médico en el tiempo estipulado. Un claro ejemplo es la detección de arritmias mediante los registros de electrocardio- grama de una sola derivación que incorporan los relojes inteligentes. Los cardiólogos sufren una enorme presión para analizar un volumen inasu- mible de datos que, en la mayoría de los casos, no se traduce en patologías reales (29). El médico está para tratar a personas y solucionar problemas de salud, no para auditar flujos abrumadores de datos digitales. Esta concepción de la IA como un "médico de bolsillo" empuja al paciente a introducir los resul- tados de cualquier análisis clínico en el algoritmo para buscar un diagnóstico. Cuanto más rico en datos sea el análisis, más opciones patoló- gicas sugerirá la máquina, lo que genera una gran ansiedad en el usuario, quien acude al médico buscando respuestas de forma urgente que el profesional no puede (ni debe) improvisar. Al mismo tiempo, no son pocos los pacientes que, con estos datos en mano, autoexperimentan con dietas singulares o suplementos sugeridos directamente por la IA. Existen aplicaciones para medir incluso la velocidad de reacción y la memoria tras la toma de algo tan simple como el café matutino. Todo esto nos aboca a un escenario donde el paciente, especialmente el de perfil sensible, se muestra sumamente predispuesto a adoptar cualquier innovación tecnológica. Se ha señalado, con acierto, que estamos evolucionando desde una autoexperimentación de carácter preventivo hacia una de tipo predictivo. En estos casos vamos más lejos, pues el desarrollo de los gemelos digitales (con los que se pueden realizar las pruebas más variopintas) facilita cualquier autoexperimento, incluso de riesgo extremo. A esto se suma la impresión 3D de medica- mentos —que ya permite a algunos pacientes más aventureros fabricar su propia polipíldora perso- nalizada— y las cabinas o estaciones diagnós- ticas autónomas (como los CarePods de Forward Health ), que pondrán aún más datos de salud directamente en manos del usuario. Hitos de la autoexperimentación por pacientes 2004-2007: Inicio de redes sociales de salud y el famoso experimento colectivo de litio para la ELA. 2012-2015: Explosión de la salud móvil ( mHealth ) y literatura científica sobre "Ciencia Ciudadana en Salud". 2020-Presente: Crisis Sanitarias (COVID-19): La pandemia, y especialmente el fenómeno del "COVID Persistente" catalizó la creación de grupos de investigación profesionales gestionados íntegramente por pacientes. Reconocimiento de la investigación liderada por pacientes por revistas como Nature y The BMJ