Página del Dr. Alfredo Calcedo, médico psiquiatra especialista en psiquiatría legal y forense Soy Alfredo Calcedo Barba, Doctor en Medicina, Médico Especialista en Psiquiatría, y Profesor Titular de la Universidad Complutense de Madrid. Trabajo actualmente en el Hospital General Universitario Gregorio Marañón de Madrid, y he sido presidente de la Sociedad Española de Psiquiatría Legal . Dirijo el Máster en Psiquiatría Legal de la U.C.M. En mis treinta y ocho años de actividad profesional me he dedicado a la actividad clínica, y a la evaluación pericial psiquiátrica en diferentes jurisdicciones. Suelo organizar actividades formativas dirigidas a profesionales de la salud mental, y sobre todo a psiquiatras, en temas relacionados con la Psiquiatría Legal TRAYECTORIA PROFESIONAL Publicaciones Contacto ¿Qué es la Psiquiatría Legal? La Psiquiatría Legal es una rama de la Psiquiatría que se dedica al estudio de las relaciones existentes entre la práctica clínica de esta especialidad y el marco legal existente en cada país. Dentro de la Psiquiatría Legal existen dos grandes áreas de actuación: por un lado está la Psiquiatría y Ley en la Práctica Clínica que se encarga de analizar las implicaciones legales que tiene la práctica clínica, y por otro lado, tenemos la Psiquiatría Forense o Pericial, que se ocupa de la tarea pericial, esto es, de realizar evaluaciones clínicas con el fin de orientar a los jueces o jurados. Leer más > Máster en Psiquiatría Legal UCM Desde 2003 dirijo el Máster en Psiquiatría Legal de la Universidad Complutense de Madrid. Este proyecto docente es el programa de formación más importante en Psiquiatría Legal en España y en los países de lengua española. Mi Blog personal Aquí podrás encontrar mi visión personal de algunos temas de actualidad de la Psiquiatría Legal. Acceso al Campus Virtual Aquí puedes acceder al Campus Virtual en la plataforma Moodle del Máster en Psiquiatría Legal. Acceso sólo para los alumnos matriculados Últimas entradas en el Blog Próxima edición del Máster en Psiquiatría Legal 2027-29 hace 20 horas Facultativos médicos y no médicos: ¿Qué significa ahora ser un facultativo en el sistema público? hace 2 días ¿Cómo saben lo que saben los peritos?: el modelo de Philip Candilis sobre epistemología forense hace 5 días El Efecto Werther: de la literatura a la validación científica hace 5 días 1 2 3 4 5

Aviso legal En cumplimiento de la Ley 34/2002, de 11 de julio, de Servicios de la Sociedad de la Información y Comercio Electrónico (LSSI CE), informamos a los usuarios de los datos y las condiciones de uso de ALFREDO CALCEDO, propietario de esta web: Denominación Social: ALFREDO CALCEDO BARBA Nombre comercial: ALFREDO CALCEDO Domicilio Social: C/ Antonio Arias 15, 1ºA. 28009 Madrid (Madrid) NIF: 05252908F Teléfono: 910 91 77 99 e-Mail: alfredo@alfredocalcedo.net Nombre de dominio: www.alfredocalcedo.net El uso de esta web te da la condición de “Usuario”. Eso significa que aceptas los términos y condiciones establecidos a continuación y con ello te comprometes a no usarlo para fines ilegales. ALFREDO CALCEDO se reserva el derecho de modificar cualquier tipo de información que pudiera aparecer en el sitio web, sin que exista obligación de preavisar o poner en conocimiento de los usuarios dichas obligaciones, entendiéndose como suficiente con la publicación en el sitio web de www.alfredocalcedo.net OBJETO A través del Sitio Web, les ofrecemos a los Usuarios la posibilidad de acceder a la información sobre nuestros servicios de psiquiatría. Toda persona que acceda a este sitio web asume el papel de usuario, comprometiéndose a la observancia y cumplimiento riguroso de las disposiciones aquí dispuestas, así como a cualquier otra disposición legal que fuera de aplicación. ALFREDO CALCEDO se reserva el derecho a modificar cualquier tipo de información que pudiera aparecer en el sitio web, sin que exista obligación de preavisar o poner en conocimiento de los usuarios dichas obligaciones, entendiéndose como suficiente con la publicación en el sitio web. CONDICIONES DE USO: OBLIGACIONES El Usuario se compromete a: Hacer un uso adecuado y lícito del Espacio Web así como de los contenidos y servicios, de conformidad con: (i) la legislación aplicable en cada momento; (ii) las Condiciones Generales de Uso del Espacio Web; (iii) la moral y buenas costumbres generalmente aceptadas y (iv) el orden público. Proveerse de todos los medios y requerimientos técnicos que se precisen para acceder al Espacio Web. Facilitar información veraz al cumplimentar con sus datos de carácter personal los formularios contenidos en el Espacio Web y a mantenerlos actualizados en todo momento de forma que responda, en cada momento, a la situación real del Usuario. El Usuario será el único responsable de las manifestaciones falsas o inexactas que realice y de los perjuicios que cause a la empresa o a terceros por la información que facilite. No obstante lo establecido en el apartado anterior el Usuario deberá asimismo abstenerse de: Hacer un uso no autorizado o fraudulento del Espacio Web y/o de los contenidos con fines o efectos ilícitos, prohibidos en las presentes Condiciones Generales de Uso, lesivos de los derechos e intereses de terceros, o que de cualquier forma puedan dañar, inutilizar, sobrecargar, deteriorar o impedir la normal utilización de los servicios o los documentos, archivos y toda clase de contenidos almacenados en cualquier equipo informático. Acceder o intentar acceder a recursos o áreas restringidas del Espacio Web, sin cumplir las condiciones exigidas para dicho acceso. Provocar daños en los sistemas físicos o lógicos del Espacio Web, de sus proveedores o de terceros. Introducir o difundir en la red virus informáticos o cualesquiera otros sistemas físicos o lógicos que sean susceptibles de provocar daños en los sistemas físicos o lógicos de la empresa, proveedores o de terceros. Intentar acceder, utilizar y/o manipular los datos de la empresa, terceros proveedores y otros Usuarios. Reproducir o copiar, distribuir, permitir el acceso del público a través de cualquier modalidad de comunicación pública, transformar o modificar los contenidos, a menos que se cuente con la autorización del titular de los correspondientes derechos o ello resulte legalmente permitido. Suprimir, ocultar o manipular las notas sobre derechos de propiedad intelectual o industrial y demás datos identificativos de los derechos de la empresa o de terceros incorporados a los contenidos, así como los dispositivos técnicos de protección o cualesquiera mecanismos de información que puedan insertarse en los contenidos. Obtener e intentar obtener los contenidos empleando para ello medios o procedimientos distintos de los que, según los casos, se hayan puesto a su disposición a este efecto o se hayan indicado expresamente en las páginas web donde se encuentren los contenidos o, en general, de los que se empleen habitualmente en Internet por no entrañar un riesgo de daño o inutilización del Espacio web y/o de los contenidos. En particular, y a título meramente indicativo y no exhaustivo, el Usuario se compromete a no transmitir, difundir o poner a disposición de terceros informaciones, datos, contenidos, mensajes, gráficos, dibujos, archivos de sonido y/o imagen, fotografías, grabaciones, software y, en general, cualquier clase de material que: • De cualquier forma sea contrario, menosprecie o atente contra los derechos fundamentales y las libertades públicas reconocidas constitucionalmente, en los Tratados Internacionales y en el resto de la legislación vigente.• Induzca, incite o promueva actuaciones delictivas, denigratorias, difamatorias, violentas o, en general, contrarias a la ley, a la moral, a las buenas costumbres generalmente aceptadas o al orden público.• Induzca, incite o promueva actuaciones, actitudes o pensamientos discriminatorios por razón de sexo, raza, religión, creencias, edad o condición.• Incorpore, ponga a disposición o permita acceder a productos, elementos, mensajes y/o servicios delictivos, violentos, ofensivos, nocivos, degradantes o, en general, contrarios a la ley, a la moral y a las buenas costumbres generalmente aceptadas o al orden público. Induzca o pueda inducir a un estado inaceptable de ansiedad o temor.• Induzca o incite a involucrarse en prácticas peligrosas, de riesgo o nocivas para la salud y el equilibrio psíquico.• Se encuentra protegido por la legislación en materia de protección intelectual o industrial perteneciente a la sociedad o a terceros sin que haya sido autorizado el uso que se pretenda realizar.• Sea contrario al honor, a la intimidad personal y familiar o a la propia imagen de las personas.• Constituya cualquier tipo de publicidad.• Incluya cualquier tipo de virus o programa que impida el normal funcionamiento del Espacio Web. Si para acceder a algunos de los servicios y/o contenidos del Espacio Web, se le proporcionara una contraseña, se obliga a usarla de manera diligente, manteniéndola en todo momento en secreto. En consecuencia, será responsable de su adecuada custodia y confidencialidad, comprometiéndose a no cederla a terceros, de manera temporal o permanente, ni a permitir el acceso a los mencionados servicios y/o contenidos por parte de personas ajenas. Igualmente, se obliga a notificar a la sociedad cualquier hecho que pueda suponer un uso indebido de su contraseña, como, a título enunciativo, su robo, extravío o el acceso no autorizado, con el fin de proceder a su inmediata cancelación. En consecuencia, mientras no efectúe la notificación anterior, la empresa quedará eximida de cualquier responsabilidad que pudiera derivarse del uso indebido de su contraseña, siendo de su responsabilidad cualquier utilización ilícita de los contenidos y/o servicios del Espacio Web por cualquier tercero ilegítimo. Si de manera negligente o dolosa incumpliera cualquiera de las obligaciones establecidas en las presentes Condiciones Generales de Uso, responderá por todos los daños y perjuicios que de dicho incumplimiento pudieran derivarse para la empresa. CONDICIONES DE USO: RESPONSABILIDADES No se garantiza el acceso continuado, ni la correcta visualización, descarga o utilidad de los elementos e informaciones contenidas en la web que puedan verse impedidos, dificultados o interrumpidos por factores o circunstancias que están fuera de su control. No se hace responsable de las decisiones que pudieran adoptarse como consecuencia del acceso a los contenidos o informaciones ofrecidas. Se podrá interrumpir el servicio, o resolver de modo inmediato la relación con el Usuario, si se detecta que un uso de su Espacio Web, o de cualquiera de los servicios ofertados en el mismo, es contrario a las presentes Condiciones Generales de Uso. No nos hacemos responsables por daños, perjuicios, pérdidas, reclamaciones o gastos derivados del uso del Espacio Web. Únicamente será responsable de eliminar, lo antes posible, los contenidos que puedan generar tales perjuicios, siempre que así se notifique. En especial no seremos responsables de los perjuicios que se pudieran derivar, entre otros, de: Interferencias, interrupciones, fallos, omisiones, averías telefónicas, retrasos, bloqueos o desconexiones en el funcionamiento del sistema electrónico, motivadas por deficiencias, sobrecargas y errores en las líneas y redes de telecomunicaciones, o por cualquier otra causa ajena al control de la empresa. Intromisiones ilegítimas mediante el uso de programas malignos de cualquier tipo y a través de cualquier medio de comunicación, tales como virus informáticos o cualesquiera otros. Abuso indebido o inadecuado del Espacio Web. Errores de seguridad o navegación producidos por un mal funcionamiento del navegador o por el uso de versiones no actualizadas del mismo. El administrador del espacio web se reservan el derecho de retirar, total o parcialmente, cualquier contenido o información presente en el Espacio Web. La empresa excluye cualquier responsabilidad por los daños y perjuicios de toda naturaleza que pudieran deberse a la mala utilización de los servicios de libre disposición y uso por parte de los Usuarios de Espacio Web. Asimismo, queda exonerado de cualquier responsabilidad por el contenido e informaciones que puedan ser recibidas como consecuencia de los formularios de recogida de datos, estando los mismos únicamente para la prestación de los servicios de consultas y dudas. Por otro lado, en caso de causar daños y perjuicios por un uso ilícito o incorrecto de dichos servicios, podrá ser el Usuario reclamado por los daños o perjuicios causados. Usted mantendrá a la empresa indemne frente a cualesquiera daños y perjuicios que se deriven de reclamaciones, acciones o demandas de terceros como consecuencia de su acceso o uso del Espacio Web. Asimismo, usted se obliga a indemnizar frente a cualesquiera daños y perjuicios, que se deriven del uso por su parte de “robots”, “spiders”, “crawlers” o herramientas similares empleadas con el fin de recabar o extraer datos o de cualquier otra actuación por su parte que imponga una carga irrazonable sobre el funcionamiento del Espacio Web. HIPERVÍNCULOS El Usuario se obliga a no reproducir de ningún modo, ni siquiera mediante un hiperenlace o hipervínculo, el Espacio Web, así como ninguno de sus contenidos, salvo autorización expresa y por escrito del responsable del fichero. El Espacio Web puede incluir enlaces a otros espacios web, gestionados por terceros, con objeto de facilitar el acceso del Usuario a la información de empresas colaboradoras y/o patrocinadoras. Conforme con ello, la sociedad no se responsabiliza del contenido de dichos Espacios web, ni se sitúa en una posición de garante ni/o de parte ofertante de los servicios y/o información que se puedan ofrecer a terceros a través de los enlaces de terceros. Se concede al Usuario un derecho limitado, revocable y no exclusivo a crear enlaces a la página principal del Espacio Web exclusivamente para uso privado y no comercial. Los Espacios web que incluyan enlace a nuestro Espacio Web (i) no podrán falsear su relación ni afirmar que se ha autorizado tal enlace, ni incluir marcas, denominaciones, nombres comerciales, logotipos u otros signos distintivos de nuestra sociedad; (ii) no podrán incluir contenidos que puedan considerarse de mal gusto, obscenos, ofensivos, controvertidos, que inciten a la violencia o la discriminación por razón de sexo, raza o religión, contrarios al orden público o ilícitos; (iii) no podrán enlazar a ninguna página del Espacio Web distinta de la página principal; (iv) deberá enlazar con la propia dirección del Espacio Web, sin permitir que el Espacio web que realice el enlace reproduzca el Espacio Web como parte de su web o dentro de uno de sus “frames” o crear un “browser” sobre cualquiera de las páginas del Espacio Web. La empresa podrá solicitar, en cualquier momento, que elimine cualquier enlace al Espacio Web, después de lo cual deberá proceder de inmediato a su eliminación. La empresa no puede controlar la información, contenidos, productos o servicios facilitados por otros Espacios web que tengan establecidos enlaces con destino al Espacio Web. FUERZA MAYOR La empresa no será responsable en todo en caso de imposibilidad de prestar servicio, si ésta se debe a interrupciones prolongadas del suministro eléctrico, líneas de telecomunicaciones, conflictos sociales, huelgas, rebelión, explosiones, inundaciones, actos y omisiones del Gobierno, y en general todos los supuestos de fuerza mayor o de caso fortuito. PROPIEDAD INDUSTRIAL E INTELECTUAL El Usuario reconoce y acepta que todos los contenidos que se muestran en el Espacio Web y en especial, diseños, textos, imágenes, logos, iconos, botones, software, nombres comerciales, marcas, o cualesquiera otros signos susceptibles de utilización industrial y/o comercial están sujetos a derechos de Propiedad Intelectual y todas las marcas, nombres comerciales o signos distintivos, todos los derechos de propiedad industrial e intelectual, sobre los contenidos y/o cualesquiera otros elementos insertados en el página, que son propiedad exclusiva de la empresa y/o de terceros, quienes tienen el derecho exclusivo de utilizarlos en el tráfico económico. Por todo ello el Usuario se compromete a no reproducir, copiar, distribuir, poner a disposición o de cualquier otra forma comunicar públicamente, transformar o modificar tales contenidos manteniendo indemne a la empresa de cualquier reclamación que se derive del incumplimiento de tales obligaciones. En ningún caso el acceso al Espacio Web implica ningún tipo de renuncia, transmisión, licencia o cesión total ni parcial de dichos derechos, salvo que se establezca expresamente lo contrario. Las presentes Condiciones Generales de Uso del Espacio Web no confieren a los Usuarios ningún otro derecho de utilización, RRHH , alteración, explotación, reproducción, distribución o comunicación pública del Espacio Web y/o de sus Contenidos distintos de los aquí expresamente previstos. Cualquier otro uso o explotación de cualesquiera derechos estará sujeto a la previa y expresa autorización específicamente otorgada a tal efecto por la empresa o el tercero titular de los derechos afectados. Los contenidos, textos, fotografías, diseños, logotipos, imágenes, programas de ordenador, códigos fuente y, en general, cualquier creación intelectual existente en este Espacio, así como el propio Espacio en su conjunto, como obra artística multimedia, están protegidos como derechos de autor por la legislación en materia de propiedad intelectual. La empresa es titular de los elementos que integran el diseño gráfico del Espacio Web, lo menús, botones de navegación, el código HTML, los textos, imágenes, texturas, gráficos y cualquier otro contenido del Espacio Web o, en cualquier caso dispone de la correspondiente autorización para la utilización de dichos elementos. El contenido dispuesto en el Espacio Web no podrá ser reproducido ni en todo ni en parte, ni transmitido, ni registrado por ningún sistema de recuperación de información, en ninguna forma ni en ningún medio, a menos que se cuente con la autorización previa, por escrito, de la citada Entidad. Asimismo, queda prohibido suprimir, eludir y/o manipular el «copyright» así como los dispositivos técnicos de protección, o cualesquiera mecanismos de información que pudieren contener los contenidos. El Usuario de este Espacio Web se compromete a respetar los derechos enunciados y a evitar cualquier actuación que pudiera perjudicarlos, reservándose en todo caso la empresa el ejercicio de cuantos medios o acciones legales le correspondan en defensa de sus legítimos derechos de propiedad intelectual e industrial. LEY APLICABLE Y JURISDICCIÓN Para la resolución de todas las controversias o cuestiones relacionadas con el presente sitio web o de las actividades en él desarrolladas, será de aplicación la legislación española, a la que se someten expresamente las partes, siendo competentes para la resolución de todos los conflictos derivados o relacionados con su uso los Juzgados y Tribunales de la Comunidad de Madrid.

NOTICIAS Falta de profesionales sanitarios Psiquiatría actual Psiquiatría legal Tecnología y sociedad En esta página incluyo enlaces a noticias que selecciono personalmente, y que creo que son de interés para los profesionales de la salud mental, y a quien les pueda interesar algunos de estos temas. Las noticias están clasificadas por bloques temáticos, se puede ver el titular de la noticia y una imagen si la tiene. Al pinchar en el titular se accede directamente a la noticia en el medio que la publicó. Falta de profesionales sanitarios : aquí aparecen noticias relacionadas con la falta de profesionales de la salud. Aunque pongo especial interés en la falta de psiquiatras, también recojo lo relativo a otros profesionales de salud mental, médicos en general y enfermeras. Psiquiatría actual : noticias que me parecen interesantes sobre investigaciones en Psiquiatría y Neurociencias. Psiquiatría legal : noticias relacionadas con los problemas éticos y legales de la práctica de la Psiquiatría. Tecnología y sociedad : noticias en las que se pone de manifiesto cómo los avances tecnológicos provocan cambios en el comportamiento humano y en la sociedad en general.

Steve Jobs en 2010 (Wikipedia) Steve Jobs es una figura fundamental en la historia de la tecnología, su creatividad y genialidad dieron lugar a aparatos que nunca nadie se había atrevido a imaginar. Sin embargo, resulta sorprendente la historia de Steve Jobs como paciente, y como reaccionó ante el diagnóstico de un tumor, negándose a una intervención que todos los médicos le recomendaron. Optó por métodos naturistas que creía que le ayudarían a vencer el cáncer. Más tarde aceptó la cirugía cuando ya se detectaron metástasis. Muchos consideran que si hubiera consentido ser intervenido cuando fue diagnosticado no hubiera muerto. Jobs tuvo a su lado en estos años a su biógrafo, Walter Isaacson, que recogió minuciosamente la historia de su enfermedad y cómo fue evolucionando su pensamiento respecto a los tratamientos con base científica que le ofrecían. 1. Introducción Steve Jobs murió el 5 de octubre de 2011, a los 56 años, casi ocho años después de que una tomografía revelara un tumor en su páncreas. La causa oficial fue una parada respiratoria secundaria a un tumor neuroendocrino pancreático metastásico. Detrás de ese diagnóstico hay una de las historias médicas más comentadas de nuestro tiempo: la de un hombre extraordinariamente inteligente que, ante un cáncer con un pronóstico relativamente favorable, aplazó durante nueve meses la cirugía que le recomendaban sus médicos y, después, recorrió casi todo el arsenal de la oncología moderna, desde la resección quirúrgica hasta el trasplante hepático y la terapia guiada por la secuenciación de su propio genoma tumoral. El caso suele contarse como una fábula moral: el genio que confió en zumos de frutas y acupuntura y pagó con su vida. Esa versión tiene parte de verdad, porque el propio Jobs reconoció ante su biógrafo, Walter Isaacson, que lamentaba la demora. Pero es también una simplificación. La biología de los tumores neuroendocrinos, la falta de acceso público a su historia clínica y los límites del conocimiento médico de la época obligan a matizar mucho cualquier conclusión rotunda. Este ensayo se propone tres objetivos. Primero, describir con precisión la enfermedad que padeció Jobs y en qué se diferencia del cáncer de páncreas "clásico". Segundo, reconstruir cronológicamente los tratamientos que le ofrecieron y las decisiones que tomó, distinguiendo lo documentado de lo especulativo. Tercero, responder con honestidad a la pregunta que da sentido al trabajo: ¿se habría podido evitar su muerte con un tratamiento más temprano o más agresivo? La tesis que se defenderá es la siguiente. La demora inicial de nueve meses fue un error clínico real, que muy probablemente redujo sus posibilidades de curación; sin embargo, no es posible afirmar con certeza que la cirugía inmediata le hubiera salvado la vida, y la evidencia sugiere que su supervivencia de casi ocho años se debió, en buena medida, al tratamiento agresivo que recibió después. La pregunta pertinente no es tanto si "la medicina alternativa mató a Steve Jobs", sino cuánto margen perdió y qué nos enseña su caso sobre la toma de decisiones ante el cáncer. 2. La enfermedad: el tumor neuroendocrino pancreático 2.1. Dos cánceres muy distintos en el mismo órgano El páncreas es una glándula con dos funciones. La porción exocrina, que constituye la mayor parte del órgano, fabrica enzimas digestivas y las vierte al duodeno. La porción endocrina, formada por los islotes de Langerhans, produce hormonas como la insulina, el glucagón o la somatostatina, que pasan directamente a la sangre. Cada una de estas partes puede originar tumores malignos, y las diferencias entre ellos son enormes. El adenocarcinoma ductal de páncreas, que nace del tejido exocrino, representa alrededor del 90-95 % de los cánceres pancreáticos. Es el que la población asocia con la expresión "cáncer de páncreas": suele diagnosticarse tarde, responde mal a la quimioterapia y tiene una supervivencia a cinco años que, incluso hoy, apenas supera el 10 % en el conjunto de los pacientes. Cuando es resecable, la cirugía se programa con urgencia, porque cada semana cuenta. Jobs no tenía ese tumor. Tenía un tumor neuroendocrino pancreático (TNEp, o pNET en la literatura anglosajona), también llamado tumor de células de los islotes. Estos tumores suponen en torno al 5 % de las neoplasias pancreáticas y, en general, crecen mucho más despacio. Muchos pacientes conviven con ellos años antes del diagnóstico, y la supervivencia de los casos localizados y resecados completamente es muy superior a la del adenocarcinoma. 2.2. Funcionantes y no funcionantes Los TNEp se clasifican según produzcan o no hormonas en exceso. Los funcionantes generan síndromes característicos: el insulinoma provoca hipoglucemias; el glucagonoma, diabetes, pérdida de peso y una erupción cutánea típica; el gastrinoma, úlceras pépticas recurrentes; el VIPoma, diarrea acuosa grave. Los no funcionantes, más frecuentes, no producen síntomas hormonales y suelen descubrirse por casualidad o cuando el tumor ya es grande. No se sabe con certeza a qué subtipo pertenecía el tumor de Jobs. Algunos comentaristas, como el investigador Ramzi Amri, hablaron de un insulinoma; otros han especulado con un glucagonoma, dada su llamativa pérdida de peso posterior. Ninguna de estas hipótesis está confirmada, porque su historia clínica nunca se hizo pública. Lo que sí está documentado es que el tumor se descubrió de forma incidental y que se trataba de un tumor neuroendocrino, no de un adenocarcinoma. 2.3. Grado, estadio y pronóstico El comportamiento de un TNEp depende sobre todo de dos variables. La primera es el grado histológico, que mide la velocidad de proliferación de las células mediante el índice Ki-67 y el número de mitosis. Los tumores de grado 1 proliferan muy lentamente; los de grado 3 se comportan de forma más agresiva. La segunda es la extensión: si el tumor está confinado al páncreas, si afecta a ganglios linfáticos o si ha producido metástasis a distancia, casi siempre en el hígado. En los TNEp localizados, la resección quirúrgica completa es el único tratamiento con intención curativa, y una proporción importante de pacientes queda libre de enfermedad durante muchos años. Cuando aparecen metástasis hepáticas, el panorama cambia: la curación se vuelve excepcional, aunque la enfermedad puede controlarse durante años con cirugía, terapias locales sobre el hígado, análogos de somatostatina, fármacos dirigidos o radioterapia con péptidos marcados. En la época en que enfermó Jobs, las estimaciones divulgadas por organizaciones de pacientes situaban la esperanza de vida media del TNEp metastásico en torno a dos años, una cifra que hoy se considera pesimista y que ha mejorado con los tratamientos modernos. Esta distinción es clave para todo el ensayo. Un tumor neuroendocrino ofrece algo que el adenocarcinoma rara vez concede: tiempo. La pregunta es cuánto tiempo, y qué se hizo con él. 3. El diagnóstico de octubre de 2003 El hallazgo fue fortuito. Según la biografía de Isaacson, en octubre de 2003 el urólogo de Jobs, que le seguía por unos cálculos renales, le recomendó una tomografía computarizada abdominal. La imagen mostró una sombra en el páncreas. La primera interpretación fue alarmante: los médicos pensaron en un adenocarcinoma y le advirtieron de que debía prepararse para lo peor, hasta el punto de sugerirle que pusiera en orden sus asuntos. La biopsia, realizada por endoscopia, cambió el pronóstico de forma radical. El análisis reveló células de un tumor neuroendocrino de los islotes, y los médicos que estaban presentes, según el relato de su esposa recogido por Isaacson, se emocionaron porque se trataba de uno de los pocos tipos de cáncer pancreático que pueden curarse con cirugía. Era, en palabras de muchos comentaristas, la "buena noticia" dentro de una mala noticia. El tumor parecía localizado. Isaacson indica que, en el momento en que se le recomendó la operación por primera vez, no había evidencia de metástasis. El tratamiento propuesto era quirúrgico: la extirpación del tumor, seguramente mediante una pancreaticoduodenectomía (operación de Whipple) o una resección pancreática adaptada a su localización. No era una cirugía menor, pues la operación de Whipple es una de las intervenciones abdominales más complejas, pero en centros de referencia como Stanford tenía ya una mortalidad baja y unos resultados oncológicos excelentes en este tipo de tumores. Conviene detenerse en lo que los médicos sabían y no sabían en ese momento. Sabían que el tumor era neuroendocrino y que no se veían metástasis en las pruebas de imagen. No podían saber si existían micrometástasis invisibles, demasiado pequeñas para la tomografía de 2003. Esta incertidumbre es esencial para el análisis posterior: un tumor que parece localizado puede no estarlo, y en ese caso ni la cirugía más rápida garantiza la curación. Con todo, desde el punto de vista de la práctica clínica, la recomendación era clara y unánime. Un TNEp localizado, resecable y en un paciente de 48 años sin otras enfermedades graves debía operarse. No había indicación de esperar, ni existía ninguna alternativa médica con capacidad curativa comparable. 4. Los nueve meses: tratamientos alternativos y razones de la demora 4.1. Lo que hizo Jobs Entre octubre de 2003 y julio de 2004, Jobs rechazó la cirugía. Según Isaacson, durante esos meses siguió una dieta vegana estricta, tomó grandes cantidades de zumos de zanahoria y frutas, se sometió a sesiones de acupuntura, probó remedios de hierbas y otros tratamientos que encontró por internet, o que le recomendaron diversos profesionales, entre ellos limpiezas intestinales y consultas con un vidente. Jobs ya tenía, desde su juventud, una relación intensa con las dietas restrictivas, el ayuno y la alimentación frugal, que asociaba a la purificación del cuerpo y de la mente. Su entorno reaccionó con angustia. Su esposa, Laurene Powell, su hermana, la novelista Mona Simpson, y amigos cercanos le insistieron una y otra vez en que se operara. Isaacson cita entre quienes intentaron convencerle a Art Levinson, presidente de Genentech, y a Andy Grove, exconsejero delegado de Intel, que había superado un cáncer de próstata. Levinson, biólogo molecular de formación, le buscaba información y le advertía de que no existía ninguna terapia alternativa capaz de curar ese tumor. Nada de ello le hizo cambiar de opinión durante meses. 4.2. Por qué lo hizo La explicación más directa la dio el propio Jobs. Isaacson le preguntó por qué no se había operado entonces, y Jobs respondió que no quería que abrieran su cuerpo, que no quería ser "violado" de esa forma. Laurene Powell lo resumió de manera parecida: él no estaba preparado para que le abrieran. Isaacson ofrece una interpretación más amplia, ligada al carácter de Jobs. En la entrevista de 60 Minutes sugirió que Jobs tenía una forma de pensamiento mágico: la convicción de que, si uno ignora algo o no desea que exista, puede hacer que desaparezca. Era la otra cara del famoso "campo de distorsión de la realidad" que le atribuían sus colaboradores, esa capacidad de convencerse a sí mismo y a los demás de que lo imposible era alcanzable. En el terreno empresarial esa actitud le había permitido lograr cosas extraordinarias; frente a la biología de un tumor, era un recurso sin valor. A ello se suman otros factores comprensibles. El miedo a una cirugía mayor y a sus secuelas, como la diabetes o los problemas digestivos, es frecuente y legítimo. La desconfianza hacia la medicina convencional formaba parte de la contracultura californiana en la que Jobs se había formado. Y la propia naturaleza lenta del tumor pudo reforzar la sensación de que había tiempo, de que nada urgente ocurría mientras los síntomas fueran escasos o inexistentes. 4.3. Una precisión importante Es justo señalar que no todos los expertos consideraron la demora igual de grave. Algunos cirujanos recordaron entonces que, en los tumores neuroendocrinos, el margen para decidir es mayor que en el adenocarcinoma, donde la operación se programa casi de inmediato. Otros, como Len Lichtenfeld, de la American Cancer Society, subrayaron que estos tumores suelen estar presentes durante años antes del diagnóstico, de modo que nueve meses más no son necesariamente decisivos. Pero, como señaló el oncólogo Michael Pishvaian, nueve meses siguen siendo un retraso significativo, y ningún especialista habría recomendado esperar de forma deliberada sin una razón clínica. 5. La cirugía de 2004 y el hallazgo de metástasis En julio de 2004 una nueva tomografía mostró que el tumor había crecido y que posiblemente se había extendido. Ante esa evidencia, Jobs aceptó por fin la operación. El 31 de julio de 2004 fue intervenido en el Centro Médico de la Universidad de Stanford, donde le practicaron una pancreaticoduodenectomía modificada, una variante de la operación de Whipple que extirpa la cabeza del páncreas, parte del duodeno y otras estructuras vecinas. El hallazgo intraoperatorio fue la peor noticia posible dentro del escenario quirúrgico. Según Isaacson, los cirujanos encontraron tres pequeñas metástasis en el hígado. Esto significaba que el cáncer ya no estaba confinado al páncreas. La enfermedad había pasado de ser potencialmente curable a ser, con toda probabilidad, una enfermedad crónica que habría que controlar durante el resto de su vida. Al día siguiente, Jobs envió un correo electrónico a los empleados de Apple en el que comunicaba que había sido operado de un tumor neuroendocrino de los islotes, que su forma de cáncer podía curarse con la extirpación quirúrgica si se diagnosticaba a tiempo, como había sido su caso, y que no necesitaría quimioterapia ni radioterapia. El mensaje era tranquilizador y, a la luz de lo que se supo después, incompleto. Las metástasis hepáticas no se mencionaban. Isaacson relata que, tras la intervención, sus médicos le recomendaron tratamiento adicional y que Jobs llegó a recibir quimioterapia. Aun así, la información sobre este periodo es escasa y en parte contradictoria. Su recuperación se complicó por los problemas digestivos propios de la cirugía pancreática: tras una operación de Whipple, la absorción de grasas y proteínas se altera y el paciente necesita suplementos de enzimas pancreáticas. A ello se sumaban sus hábitos alimentarios restrictivos, que dificultaban mantener el peso y la masa muscular. Este momento es el punto de inflexión del caso. Si las metástasis no existían en octubre de 2003, la demora fue probablemente la diferencia entre la curación y la cronicidad. Si ya existían, aunque fueran invisibles para la tecnología de la época, la cirugía temprana no habría cambiado el destino de fondo, aunque podría haber reducido la carga tumoral y quizá retrasado la progresión. Nadie fuera de su equipo médico conoce la respuesta, y probablemente ni siquiera ellos pudieron saberlo con certeza. 6. 2008-2009: desgaste, opacidad pública y trasplante hepático 6.1. La progresión visible Durante 2005, 2006 y buena parte de 2007 Jobs mantuvo una actividad frenética: presentó el iPhone en enero de 2007 y dirigió una de las etapas más brillantes de Apple. Pero la enfermedad seguía su curso. En la conferencia de desarrolladores de junio de 2008 apareció visiblemente demacrado, y la delgadez extrema desató una oleada de especulaciones. Apple atribuyó su aspecto a una infección común, y el propio Jobs restó importancia al asunto en conversaciones con periodistas. El 5 de enero de 2009, Jobs publicó una carta abierta en la que explicaba su pérdida de peso por un "desequilibrio hormonal" que le impedía asimilar proteínas, y aseguraba que el remedio era sencillo. Nueve días después, el 14 de enero, anunció una baja médica de seis meses, reconociendo que sus problemas de salud eran más complejos de lo que había pensado. Hoy sabemos que las metástasis hepáticas habían progresado y que el hígado estaba fallando. 6.2. El trasplante de Memphis En la primavera de 2009, Jobs recibió un trasplante de hígado en el Instituto de Trasplantes del Hospital Universitario Metodista de Memphis (Tennessee), en colaboración con la Universidad de Tennessee. La operación la dirigió el cirujano James Eason. La noticia la publicó The Wall Street Journal en junio, y el 23 de junio de 2009 el hospital la confirmó, con permiso del paciente. Según su comunicado, Jobs había sido evaluado y listado conforme a las normas de la UNOS, la red estadounidense de distribución de órganos, y recibió el injerto porque era el paciente con la puntuación MELD más alta de su grupo sanguíneo, es decir, el enfermo más grave de la lista cuando apareció el órgano. El trasplante generó polémica por dos motivos. El primero fue ético y de equidad: Jobs residía en California, donde las esperas eran largas, y pudo inscribirse en Tennessee, con listas más cortas, gracias a su capacidad económica y a su avión privado. Esta práctica, conocida como inscripción múltiple, era legal, pero muchos expertos en bioética, como Arthur Caplan, señalaron que favorecía a quienes tenían recursos. El segundo fue clínico: el trasplante hepático para metástasis de tumores neuroendocrinos era, y sigue siendo, una indicación controvertida. Solo se considera en pacientes muy seleccionados, con tumores de bajo grado, el tumor primario ya extirpado y sin enfermedad fuera del hígado, y el riesgo de recurrencia es alto, en parte porque la inmunosupresión necesaria para evitar el rechazo puede favorecer el crecimiento de las células tumorales residuales. 6.3. Radioterapia con péptidos en Basilea En ese mismo periodo, según contó a Fortune Jerry York, consejero de Apple, Jobs viajó discretamente a Basilea (Suiza) para someterse a un tratamiento radiológico que entonces no estaba disponible en Estados Unidos: la radioterapia con radionúclidos dirigida a receptores peptídicos (PRRT). Esta técnica aprovecha que muchas células neuroendocrinas expresan receptores de somatostatina: se inyecta un análogo de esa hormona unido a un isótopo radiactivo, que se concentra en el tumor y lo irradia desde dentro. El Hospital Universitario de Basilea era uno de los centros pioneros. Hoy, la PRRT con lutecio-177 está aprobada en Europa y Estados Unidos y es un tratamiento estándar para ciertos tumores neuroendocrinos avanzados. El periodo 2008-2009 muestra un cambio completo de actitud. El Jobs que en 2003 se negaba a ser operado aceptó ahora un trasplante de hígado y una terapia experimental en el extranjero. Pero también muestra el coste de la opacidad: su obsesión por la privacidad, comprensible en lo personal, chocaba con las obligaciones de información de una empresa cotizada cuya valoración dependía en parte de su salud. 7. 2010-2011: terapias dirigidas, secuenciación genómica y final 7.1. La medicina de precisión antes de que tuviera nombre Tras el trasplante, Jobs volvió a Apple en junio de 2009 y, en septiembre de ese año, habló en público por primera vez de su operación: dijo que tenía el hígado de una persona de unos veinte años que había muerto en un accidente de tráfico y que no estaría allí sin la generosidad de los donantes. En enero de 2010 presentó el iPad. Fueron meses de aparente estabilidad. En paralelo, Jobs se convirtió en un paciente excepcionalmente informado y activo. Según Isaacson, fue una de las primeras veinte personas del mundo en las que se secuenció el genoma completo de su tumor junto con su ADN normal, un análisis que costó más de 100.000 dólares y en el que colaboraron equipos de Stanford, la Universidad Johns Hopkins y el Instituto Broad del MIT y Harvard. El objetivo era identificar las vías moleculares alteradas en las células tumorales para elegir fármacos dirigidos contra ellas, en lugar de recurrir a la quimioterapia convencional, que actúa de forma indiscriminada. Isaacson describe a un Jobs que estudiaba cada opción, discutía con sus médicos y tomaba la decisión final en cada nuevo régimen. Cuando una vía de señalización se bloqueaba, el tumor encontraba otra, y el equipo cambiaba de fármaco. Jobs resumió su situación con una frase que se ha citado mucho: iba a ser uno de los primeros en dejar atrás a un cáncer como el suyo, o uno de los últimos en morir de él. El contexto científico ayuda a entender el valor y los límites de esa estrategia. En 2011 la FDA estadounidense aprobó los dos primeros fármacos dirigidos específicamente para los TNEp avanzados: el everolimus, un inhibidor de la vía mTOR, y el sunitinib, un inhibidor de tirosina cinasas con efecto antiangiogénico. Ambos prolongaban la supervivencia libre de progresión, pero ninguno curaba la enfermedad. Jobs estaba, literalmente, en la frontera de lo que la oncología podía ofrecer. 7.2. El declive final El 17 de enero de 2011, Jobs anunció su tercera baja médica. Siguió apareciendo en presentaciones clave, como la del iPad 2 en marzo o la de iCloud en junio, cada vez más delgado. El 24 de agosto de 2011 dimitió como consejero delegado de Apple y propuso como sucesor a Tim Cook, aunque se mantuvo como presidente del consejo de administración. Murió el 5 de octubre de 2011 en su casa de Palo Alto, rodeado de su familia, un día después de que Apple presentara el iPhone 4S. El certificado de defunción estableció como causa inmediata una parada respiratoria, y como causa subyacente un tumor neuroendocrino pancreático metastásico. Habían pasado casi ocho años desde el diagnóstico. A continuación se resume la cronología de la enfermedad: Fecha Hecho Octubre de 2003 Tomografía incidental y biopsia: tumor neuroendocrino pancreático, aparentemente localizado. Octubre de 2003 a julio de 2004 Jobs rechaza la cirugía y sigue dieta, acupuntura y remedios alternativos. Julio de 2004 Nueva tomografía: el tumor ha crecido. Cirugía en Stanford; se hallan tres metástasis hepáticas. Junio de 2008 Pérdida de peso muy visible en la conferencia de desarrolladores de Apple. Enero de 2009 Carta sobre un "desequilibrio hormonal" y, días después, baja médica de seis meses. Primavera de 2009 Trasplante hepático en Memphis; radioterapia con péptidos en Basilea durante ese periodo. 2009-2011 Secuenciación del genoma tumoral y terapias moleculares dirigidas. Enero de 2011 Tercera baja médica. 24 de agosto de 2011 Dimite como consejero delegado de Apple. 5 de octubre de 2011 Fallece en Palo Alto a los 56 años. 8. ¿Se podría haber evitado su muerte? Análisis de la evidencia La pregunta admite dos lecturas. La primera es si la cirugía inmediata, en octubre de 2003, le habría curado. La segunda es si, una vez diseminada la enfermedad, un tratamiento más agresivo o más precoz en las fases posteriores le habría permitido sobrevivir. Conviene analizarlas por separado, porque las respuestas son distintas. 8.1. Lo que dicen las cifras Las estadísticas actuales del programa SEER del Instituto Nacional del Cáncer de Estados Unidos, correspondientes a pacientes diagnosticados entre 2015 y 2021, muestran el peso decisivo de la extensión del tumor en el momento del tratamiento: Extensión del TNEp en el diagnóstico Supervivencia relativa a 5 años Localizado (confinado al páncreas) 91 % Regional (ganglios o estructuras vecinas) 64 % A distancia (por ejemplo, hígado) 19 % Fuente: National Cancer Institute, SEER y American Cancer Society. La diferencia entre el 91 % y el 19 % resume el dilema. Si en octubre de 2003 el tumor de Jobs estaba realmente localizado, su probabilidad de supervivencia a largo plazo con cirugía inmediata habría sido muy alta. Cuando por fin se operó, en julio de 2004, ya tenía metástasis hepáticas, y entraba en la categoría de peor pronóstico. Hay que advertir que estas cifras son posteriores a la época de Jobs y reflejan tratamientos más modernos, por lo que en 2003 las probabilidades eran algo peores en todas las categorías. 8.2. Los argumentos a favor de que la demora fue decisiva El primer argumento es cronológico. Las pruebas de 2003 no mostraban metástasis; las de julio de 2004 sugerían crecimiento y posible extensión, y la cirugía confirmó tres lesiones hepáticas. Que en nueve meses aparezcan metástasis detectables en un paciente que no las tenía es compatible con que la enfermedad se diseminara precisamente durante la demora. El segundo argumento es biológico. Aunque los TNEp crecen despacio, el riesgo de metástasis aumenta con el tamaño del tumor y con el tiempo. Cada mes que un tumor maligno permanece en el organismo es una oportunidad más para que sus células invadan vasos sanguíneos y colonicen el hígado. El tercer argumento es el testimonio del propio Jobs y de su entorno. Isaacson afirma que Jobs lamentó la decisión y que creía que debería haberse operado antes. Ramzi Amri, entonces investigador en la Facultad de Medicina de Harvard, sostuvo públicamente en 2011 que, dadas las circunstancias, parecía razonable suponer que la opción por la medicina alternativa había conducido a una muerte innecesariamente temprana. Amri subrayó que Jobs no tenía el temido adenocarcinoma y que su tumor parecía ser uno de los subtipos con mejor pronóstico. 8.3. Los argumentos a favor de la prudencia Frente a esa lectura, hay razones serias para no convertir la hipótesis en certeza. La primera es la ausencia de datos: nadie ajeno a su equipo médico ha visto su historia clínica, sus pruebas de imagen ni el informe anatomopatológico. No conocemos con seguridad el grado histológico del tumor, su índice de proliferación ni su tamaño exacto. Amri reconoció que no tenía información privilegiada y que nunca trató a Jobs. La segunda razón son las micrometástasis. La tomografía de 2003 no podía detectar lesiones de pocos milímetros. Es perfectamente posible que el tumor ya se hubiera diseminado antes del diagnóstico y que las metástasis simplemente crecieran hasta hacerse visibles en 2004. En ese caso, la cirugía inmediata habría tenido un efecto mucho menor en el pronóstico final. La tercera razón es el sesgo de adelanto diagnóstico y la naturaleza lenta de estos tumores. Como recordó Len Lichtenfeld, de la American Cancer Society, los pacientes suelen convivir con estos tumores mucho más de nueve meses antes del diagnóstico. El oncólogo y divulgador David Gorski, muy crítico con la medicina alternativa, concluyó también que, aunque Jobs no se hizo ningún favor al retrasar la operación, la información disponible no permite saber cuánto redujo sus probabilidades de supervivencia, si es que las redujo. La cuarta razón es la propia evolución del caso. Jobs vivió casi ocho años desde el diagnóstico y unos siete desde que se confirmaron las metástasis hepáticas. Para un TNEp metastásico en aquella época, en que las estimaciones divulgativas hablaban de una supervivencia media de unos dos años, ese resultado es notable. Sugiere que el tratamiento intensivo que recibió después fue eficaz para prolongar su vida, y también que su tumor no era especialmente agresivo, lo cual refuerza la idea de que una cirugía temprana habría tenido muchas posibilidades de éxito. 8.4. ¿Y un tratamiento más agresivo después de 2004? La segunda lectura de la pregunta se refiere a las fases posteriores. Una vez confirmadas las metástasis hepáticas en 2004, las opciones disponibles en la época incluían la resección o ablación de las lesiones hepáticas, la quimioembolización, los análogos de somatostatina y la quimioterapia sistémica. Amri sugirió que, durante la recaída de 2008, Jobs pareció dar prioridad a Apple antes que a un tratamiento convencional intensivo, aunque esta afirmación tampoco puede verificarse. Es difícil sostener que un tratamiento aún más agresivo le hubiera salvado. Entre 2004 y 2011 Jobs recibió cirugía mayor, quimioterapia, un trasplante hepático, radioterapia con péptidos y terapias moleculares guiadas por secuenciación genómica. Pocas personas en el mundo tuvieron acceso a un arsenal tan completo. El trasplante, en particular, fue en sí mismo una medida extrema y discutida, y la inmunosupresión posterior pudo incluso favorecer la progresión. Con la enfermedad metastásica, la medicina de 2011 podía ganar tiempo, pero no curar. 8.5. Valoración Con la información disponible, la conclusión más rigurosa es probabilística. La demora de nueve meses fue un error que muy probablemente redujo, de forma significativa, sus opciones de curación, porque coincidió con el paso de una enfermedad aparentemente localizada a una enfermedad metastásica. Sin embargo, no puede afirmarse con certeza que la operación inmediata le hubiera salvado, porque es posible que la diseminación microscópica fuera anterior al diagnóstico. Y, una vez instaurada la enfermedad metastásica, no parece que un tratamiento más agresivo que el que recibió hubiera cambiado el desenlace. Dicho de otro modo: su muerte no era inevitable en octubre de 2003, pero sí era, con gran probabilidad, difícil de evitar a partir de julio de 2004. 9. Dimensión ética y lecciones 9.1. La autonomía del paciente Desde el punto de vista bioético, la decisión de Jobs de rechazar la cirugía fue legítima. Un adulto capaz tiene derecho a rechazar un tratamiento, aunque sus médicos lo consideren imprudente. El principio de autonomía, central en la ética médica contemporánea, protege precisamente esas decisiones. Sus médicos y su familia hicieron lo que debían: informar, insistir y respetar. Pero la autonomía plena exige información comprensible y una valoración realista de los riesgos. El caso de Jobs muestra que incluso una persona con recursos ilimitados y acceso a los mejores especialistas puede tomar decisiones que contradicen sus propios intereses cuando el miedo, las creencias previas o el pensamiento desiderativo pesan más que la evidencia. La inteligencia no inmuniza contra el sesgo; a veces lo refuerza, porque proporciona argumentos más sofisticados para justificar lo que uno ya quería creer. 9.2. Medicina alternativa y complementaria El caso suele usarse en el debate sobre las terapias alternativas, y conviene ser preciso. Una dieta saludable, la acupuntura o las técnicas de relajación pueden tener un papel como medidas complementarias para mejorar el bienestar del paciente oncológico. El problema surge cuando sustituyen al tratamiento con eficacia demostrada. No existe ninguna evidencia de que una dieta, unos zumos o unos remedios de hierbas puedan curar un tumor neuroendocrino. Algunos estudios posteriores, como los de Johnson y colaboradores publicados en el Journal of the National Cancer Institute en 2018, han encontrado que los pacientes que eligen exclusivamente medicina alternativa tienen un riesgo de muerte significativamente mayor que quienes reciben tratamiento convencional. 9.3. Privacidad y responsabilidad pública El caso abrió también un debate sobre la salud de los directivos de empresas cotizadas. La carta de enero de 2009 que hablaba de un simple "desequilibrio hormonal", seguida días después de una baja de seis meses, y el correo de 2004 que omitía las metástasis, alimentaron la discusión sobre hasta dónde llega el derecho a la intimidad de un consejero delegado cuya salud afecta al valor de la empresa y a los ahorros de millones de accionistas. No hay una respuesta sencilla, pero el caso se estudia hoy en escuelas de negocios y de derecho como ejemplo de esa tensión. 9.4. Equidad en el acceso a los trasplantes Por último, el trasplante de Memphis planteó una cuestión de justicia distributiva. Aunque el hospital aseguró que Jobs cumplió todas las normas y recibió el órgano por ser el paciente más grave de su grupo sanguíneo, su capacidad para inscribirse en un estado con listas más cortas y desplazarse en avión privado en pocas horas no está al alcance de la mayoría. El caso contribuyó a reabrir el debate sobre la inscripción múltiple y la distribución geográfica de órganos en Estados Unidos. 9.5. Lecciones Ante un diagnóstico de cáncer con opción curativa, el tiempo es un recurso que no se recupera; la demora deliberada sin justificación clínica es un riesgo real. No todos los "cánceres de páncreas" son iguales: el tipo histológico cambia por completo el pronóstico y la estrategia. Las terapias complementarias pueden acompañar, pero nunca sustituir, al tratamiento con eficacia demostrada. La medicina de precisión, de la que Jobs fue pionero involuntario, puede prolongar la vida en la enfermedad avanzada, pero su mayor valor está en combinarla con un tratamiento precoz. El juicio retrospectivo debe ser prudente: sin acceso a la historia clínica, las certezas sobre lo que "habría pasado" son, en el mejor de los casos, probabilidades. 10. Conclusión Steve Jobs no murió del cáncer de páncreas que la mayoría imagina, sino de un tumor neuroendocrino pancreático, una enfermedad mucho menos frecuente y, en sus fases iniciales, con un pronóstico considerablemente mejor. Esa diferencia es la que convierte su historia en una tragedia de oportunidades perdidas y no en una simple fatalidad. En octubre de 2003 tenía un tumor aparentemente localizado y una recomendación quirúrgica clara. Durante nueve meses eligió dietas, acupuntura y remedios sin eficacia demostrada, movido por el miedo a que abrieran su cuerpo y por una confianza casi mágica en su capacidad para doblegar la realidad. Cuando por fin se operó, el cáncer ya había llegado al hígado. Desde entonces, y sobre todo a partir de 2008, recorrió con determinación casi todo lo que la oncología podía ofrecer: cirugía, quimioterapia, un trasplante hepático, radioterapia con péptidos en Suiza y terapias diseñadas a partir de la secuenciación de su tumor. Ese esfuerzo le dio casi ocho años de vida y le permitió presentar el iPhone y el iPad, pero no pudo curarle. ¿Se podría haber evitado su muerte? La respuesta honesta es que probablemente sí, si se hubiera operado a tiempo y si, como todo indicaba, el tumor estaba entonces confinado al páncreas. Con las cifras actuales, la diferencia entre operar una enfermedad localizada y tratar una enfermedad metastásica es la diferencia entre una supervivencia a cinco años del 91 % y otra del 19 %. Pero ese "probablemente" no puede convertirse en certeza: sin acceso a su historia clínica, no sabemos si ya existían metástasis microscópicas en 2003. Y una vez diseminado el tumor, no parece que un tratamiento más agresivo que el que recibió hubiera cambiado el final. El propio Jobs ofreció, sin quererlo, la mejor síntesis de su caso al decir que sería uno de los primeros en dejar atrás un cáncer como el suyo o uno de los últimos en morir de él. Fue lo segundo. Su historia recuerda que la medicina basada en la evidencia no es infalible, pero que sus mejores armas son más eficaces cuanto antes se usan, y que ni el talento ni la riqueza protegen frente a la tentación de ignorar lo que no queremos oír. Bibliografía y fuentes Isaacson, W. (2011). Steve Jobs. Nueva York: Simon & Schuster. (Edición en español: Barcelona, Debate, 2011). Schlender, B. y Tetzeli, R. (2015). Becoming Steve Jobs. Nueva York: Crown Business. Johnson, S. B., Park, H. S., Gross, C. P. y Yu, J. B. (2018). Use of alternative medicine for cancer and its impact on survival. Journal of the National Cancer Institute, 110(1), 121-124. National Cancer Institute. Pancreatic Neuroendocrine Tumor Prognosis and Survival. American Cancer Society. Survival Rates for Pancreatic Neuroendocrine Tumors. Advisory Board (2011). Steve Jobs, the iPatient. KQED (2011). Biographer: Jobs tried both exotic and innovative treatments to fight cancer. Gulf News / Associated Press (2011). Steve Jobs questioned authority all his life, book says. Fortune (2011). Steve Jobs went to Switzerland in search of cancer treatment. Fortune (2009). Inside Steve Jobs' liver transplant. Daring Fireball (2009). Statement from Jobs's hospital (comunicado del Methodist University Hospital). ABC News (2009). Steve Jobs opens up about liver transplant at Apple event. Live Science (2011). Did alternative medicine kill Steve Jobs? NBC News (2011). Claims that Jobs doomed himself based on gossip and guesses. MassDevice (2011). Did Steve Jobs' stubbornness kill him? (sobre el análisis de Ramzi Amri). Gorski, D. (2011). Did Steve Jobs' flirtation with alternative medicine kill him? AppleInsider (2011). Steve Jobs had his DNA sequenced for $100K to fight cancer. Nota: la historia clínica de Steve Jobs nunca se ha hecho pública. Los datos clínicos proceden de la biografía autorizada, de comunicados oficiales y de la prensa; las interpretaciones médicas sobre subtipo tumoral y evolución son, por tanto, inferencias. Este texto ha sido redactado con ayuda de Inteligencia Artificial.

Resumen Los asistentes conversacionales basados en grandes modelos de lenguaje (ChatGPT, Claude, Gemini, Llama, entre otros) se han convertido en interlocutores cotidianos a los que se consultan dudas prácticas, pero también dilemas personales, cuestiones políticas y problemas morales. Este ensayo examina si existen estudios experimentales que hayan interrogado a estos modelos con preguntas cuya respuesta presupone un posicionamiento moral o ideológico, y qué han encontrado. La respuesta es afirmativa: desde 2022 se ha desarrollado una literatura abundante que aplica a los modelos cuestionarios de orientación política, encuestas de opinión pública, cuestionarios de psicología moral y dilemas clásicos como el del tranvía. Sus resultados convergen en algunos puntos (una inclinación frecuente hacia posiciones progresistas y liberales en sentido anglosajón, una cercanía a los valores de las sociedades occidentales, educadas e industrializadas, y una notable sensibilidad a la forma en que se formula la pregunta) y discrepan en otros. El ensayo analiza después lo que estos hallazgos significan desde la filosofía moral y política (la imposibilidad de una neutralidad perfecta, el pluralismo de valores, la autonomía moral del usuario, la legitimidad de quien fija los valores de la máquina) y desde el derecho, con especial atención al marco español y europeo. 1. Introducción: una pregunta que ya no es hipotética Hasta hace pocos años, preguntarse por la «moral» o la «ideología» de una máquina era un ejercicio de ciencia ficción o, como mucho, de filosofía especulativa. Hoy es una cuestión empírica y práctica. Cientos de millones de personas consultan a diario a asistentes conversacionales que no se limitan a recuperar información: redactan, aconsejan, resumen debates y, cuando se les pregunta, opinan o al menos parecen opinar. Si un estudiante pide a uno de estos sistemas que le explique los argumentos sobre la eutanasia, si una persona le pregunta si debería denunciar a un compañero de trabajo o si un votante indeciso le solicita una comparación entre programas electorales, la respuesta que recibe no es moralmente inocua. Seleccionar qué argumentos se presentan primero, cuáles se califican de «sólidos» y cuáles de «controvertidos», qué se considera un hecho y qué una opinión, son decisiones con contenido normativo. La pregunta que guía este ensayo es doble. En primer lugar, una pregunta de hecho: ¿existen estudios experimentales que hayan sometido a los modelos de lenguaje a preguntas que exigen tomar una posición moral o que pueden revelar una ideología? En segundo lugar, una pregunta de sentido: ¿qué significan esos resultados desde el punto de vista ético, filosófico y jurídico? La primera tiene una respuesta clara: sí, existen, y son ya numerosos. La segunda es más difícil y exige separar con cuidado lo que los datos muestran de lo que con frecuencia se les atribuye. El ensayo se organiza del siguiente modo. Tras unas precisiones conceptuales sobre qué puede significar que una máquina «tenga» moral o ideología (apartado 2) y una explicación no técnica del origen de esos valores (apartado 3), se revisan los estudios sobre orientación política (apartado 4), sobre juicio moral (apartado 5) y sobre la influencia de los modelos en las personas (apartado 6). El apartado 7 discute los límites metodológicos de esta literatura. Los apartados 8 y 9 abordan, respectivamente, la reflexión filosófica y la dimensión jurídica. El ensayo concluye con una valoración de conjunto y algunas preguntas abiertas. 2. ¿Puede una máquina tener moral o ideología? Precisiones conceptuales Antes de examinar los estudios conviene aclarar el vocabulario, porque buena parte de la confusión pública sobre este tema procede de usar en sentido literal términos que solo pueden aplicarse a las máquinas en sentido analógico. Un modelo de lenguaje es, en esencia, un sistema que ha aprendido, a partir de enormes cantidades de texto escrito por personas, a producir continuaciones plausibles de un texto dado, y que después ha sido ajustado para comportarse como un asistente útil y cortés. No tiene, hasta donde sabemos, convicciones en el sentido en que las tiene una persona: no ha llegado a ellas por experiencia vital, no está dispuesto a sacrificar nada por ellas y no sufre remordimiento cuando las traiciona. Bender, Gebru, McMillan-Major y Shmitchell (2021) popularizaron la imagen del «loro estocástico» para subrayar que estos sistemas recombinan patrones lingüísticos sin acceso al significado en el sentido humano del término. Sin embargo, de ello no se sigue que hablar de la «moralidad implícita» o la «ideología» de un modelo carezca de sentido. Puede entenderse en un sentido disposicional y conductual: un modelo tiene una orientación moral o ideológica en la medida en que, ante preguntas con contenido normativo, sus respuestas muestran regularidades sistemáticas que, si procedieran de una persona, atribuiríamos a un conjunto determinado de valores. Es lo que podríamos llamar la «actitud intencional» del observador: tratamos al sistema como si tuviera creencias porque esa descripción predice bien su comportamiento, sin comprometernos con lo que ocurre en su interior. Esta precisión permite distinguir tres niveles que a menudo se confunden: • Moralidad explícita: los principios que los desarrolladores declaran haber incorporado deliberadamente, como evitar daños, no discriminar o ser honesto. Algunas empresas publican estos principios en forma de «constitución» (Bai et al., 2022). • Moralidad implícita: las regularidades valorativas que emergen de las respuestas del modelo sin que nadie las haya programado expresamente, heredadas de los textos con los que se entrenó o de las preferencias de las personas que evaluaron sus respuestas. • Ideología: un subconjunto de la moralidad implícita referido a cuestiones de organización política y social (el papel del Estado, la redistribución, la inmigración, el medio ambiente, los derechos de las minorías, la religión en la esfera pública) en el que existe desacuerdo razonable entre ciudadanos y que suele cristalizar en programas partidistas. La distinción importa porque la evaluación ética no es la misma en cada caso. Que un modelo se niegue a explicar cómo fabricar un arma química expresa un valor, pero difícilmente una ideología en sentido partidista: existe un consenso casi universal al respecto. Que un modelo se muestre sistemáticamente más favorable a un impuesto sobre el carbono que a la reducción de impuestos sobre la renta es, en cambio, una toma de partido en un terreno de desacuerdo razonable. Gran parte del debate filosófico que se expondrá más adelante gira precisamente en torno a dónde trazar la línea entre ambos tipos de cuestiones. 3. ¿De dónde vendrían esos valores? Sin entrar en detalles técnicos, la literatura identifica tres fuentes principales de las orientaciones valorativas de un modelo de lenguaje. La primera son los datos de entrenamiento. Los modelos aprenden de grandes colecciones de textos procedentes de internet, libros, prensa, foros y enciclopedias. Esos textos no son una muestra representativa de la humanidad: sobrerrepresentan el inglés, a los países ricos, a las personas jóvenes y con estudios y a determinadas comunidades en línea. Bender et al. (2021) advirtieron de que esta composición tiende a amplificar las perspectivas hegemónicas. Feng, Park, Liu y Tsvetkov (2023) mostraron experimentalmente que los modelos absorben las inclinaciones políticas de sus datos: al continuar el entrenamiento con textos de medios de una orientación determinada, el modelo se desplazaba en esa dirección, y esa inclinación afectaba después a tareas aparentemente neutrales, como detectar discurso de odio o desinformación. La segunda fuente es el ajuste con preferencias humanas. Tras el entrenamiento inicial, los modelos se refinan para que sus respuestas sean útiles, inofensivas y honestas. Para ello, grupos de evaluadores comparan respuestas alternativas e indican cuál prefieren, y el modelo aprende a producir respuestas del tipo preferido (Ouyang et al., 2022). Este paso, decisivo para convertir un generador de texto en un asistente, introduce los juicios de un grupo relativamente pequeño de personas, con su perfil cultural y sus intuiciones morales. Santurkar et al. (2023) encontraron que precisamente este ajuste desplazaba las opiniones de los modelos hacia las de los grupos más liberales, con mayores ingresos y mayor nivel educativo de la sociedad estadounidense. La tercera fuente son las instrucciones y principios explícitos que fijan las empresas: políticas de uso, listas de temas sensibles, directrices de equilibrio o constituciones escritas. El enfoque de la «IA constitucional» (Bai et al., 2022) consiste en que el modelo evalúe y corrija sus propias respuestas a la luz de una lista de principios redactada por los desarrolladores. Tiene la ventaja de hacer explícitos y auditables los valores, pero desplaza la pregunta: ¿quién redacta la constitución y con qué legitimidad? Buyl et al. (2026) añaden una cuarta dimensión, de naturaleza geopolítica: al comparar modelos desarrollados en distintos países y al interrogarlos en distintos idiomas, encontraron que las valoraciones de figuras políticas y acontecimientos históricos reflejaban, en parte, la cosmovisión del entorno de sus creadores. Los modelos occidentales y los chinos, por ejemplo, diferían de manera sistemática, e incluso un mismo modelo variaba según se le preguntara en inglés o en chino. La conclusión de los autores es significativa: la neutralidad ideológica de un modelo no debe presumirse, y la diversidad de proveedores puede ser en sí misma una garantía de pluralismo. 4. Los estudios experimentales sobre ideología política La primera oleada de estudios, iniciada pocas semanas después del lanzamiento público de ChatGPT a finales de 2022, siguió una estrategia sencilla: aplicar al modelo los mismos cuestionarios que se aplican a las personas para situarlas en el espectro político y observar dónde «caía». Hartmann, Schwenzow y Witte (2023) sometieron a ChatGPT a cientos de afirmaciones procedentes de herramientas de orientación de voto utilizadas en Alemania y los Países Bajos, así como al conocido Political Compass. El resultado, robusto a distintas formulaciones e idiomas, fue una orientación que los autores calificaron de proambientalista e izquierdista-libertaria: en las elecciones simuladas, el modelo habría votado preferentemente por partidos verdes y de izquierda. Rozado (2023) aplicó quince pruebas de orientación política distintas y encontró que en catorce de ellas las respuestas del modelo se situaban a la izquierda del centro. Un año después, el mismo autor amplió el análisis a veinticuatro modelos de diferentes empresas con once pruebas distintas (Rozado, 2024). La mayoría de los modelos conversacionales, es decir, los ya ajustados para dialogar con usuarios, tendían a respuestas que las pruebas clasificaban de centroizquierda. Dos hallazgos complementarios resultan especialmente relevantes para la reflexión ética. Por un lado, los modelos «base», antes del ajuste conversacional, no mostraban esa inclinación de manera consistente, lo que apunta al ajuste con preferencias humanas como fuente principal del sesgo. Por otro, con una pequeña cantidad de datos adicionales era posible desplazar un modelo hacia la izquierda, hacia la derecha o hacia el centro, lo que demuestra la facilidad con que la orientación de un sistema puede ser manipulada deliberadamente. Motoki, Pinho Neto y Rodrigues (2024) diseñaron un procedimiento más sutil. Pidieron a ChatGPT que respondiera a un cuestionario primero «por defecto» y luego haciéndose pasar por un votante demócrata o republicano en Estados Unidos (y por simpatizantes de partidos en Brasil y el Reino Unido). Las respuestas por defecto resultaron mucho más próximas a las del perfil demócrata, del Partido de los Trabajadores de Lula y del laborismo británico que a las de sus rivales. Fujimoto y Takemoto (2023), al repetir las pruebas con versiones posteriores, observaron que las inclinaciones parecían haberse atenuado, lo que ilustra un problema metodológico que se discutirá después: los modelos cambian constantemente y los resultados caducan con rapidez. Otro grupo de estudios ha abandonado los tests ideológicos para comparar al modelo con poblaciones reales. Santurkar et al. (2023) utilizaron preguntas de las encuestas del Pew Research Center para medir con qué grupos demográficos de la sociedad estadounidense coincidían las opiniones de los modelos. Los modelos ajustados tendían a parecerse a los ciudadanos liberales, con estudios universitarios y mayores ingresos, mientras que grupos como las personas mayores de 65 años, las viudas o las personas muy religiosas quedaban mal representados. Durmus et al. (2023) extendieron el método a escala internacional con encuestas como la World Values Survey: las respuestas de los modelos se parecían más a las de Estados Unidos y algunos países europeos que a las de otras regiones del mundo. Cuando se pedía al modelo que respondiera como un ciudadano de un país concreto, sus respuestas cambiaban, pero a veces recurriendo a estereotipos culturales. Por último, Röttger et al. (2024) pusieron en cuestión buena parte de esta primera oleada. Mostraron que, cuando se obliga a un modelo a elegir entre opciones cerradas («muy de acuerdo», «en desacuerdo»...), sus respuestas pueden variar sustancialmente con pequeños cambios en la formulación, y que cuando se le permite responder libremente, su posición expresada no coincide necesariamente con la obtenida en el formato forzado. De ahí el título de su trabajo: el resultado se parece más a una «flecha que gira» que a una brújula estable. Esta crítica no invalida los estudios anteriores, pero exige interpretarlos con prudencia. La Tabla 1 resume los principales estudios sobre orientación política. Tabla 1 Principales estudios experimentales sobre orientación política de los modelos de lenguaje Estudio Qué se preguntó al modelo Resultado principal Hartmann et al. (2023) Afirmaciones de herramientas de orientación de voto (Alemania, Países Bajos) y Political Compass Orientación proambientalista e izquierdista-libertaria en ChatGPT Rozado (2023) 15 tests de orientación política 14 de 15 tests sitúan a ChatGPT a la izquierda del centro Rozado (2024) 11 tests aplicados a 24 modelos Los modelos conversacionales tienden al centroizquierda; los modelos base, no; la orientación puede desplazarse con poco ajuste Motoki et al. (2024) Cuestionario respondido por defecto y suplantando a votantes de distintos partidos (EE. UU., Brasil, Reino Unido) Las respuestas por defecto se aproximan a demócratas, Lula y laboristas Fujimoto y Takemoto (2023) Repetición de tests con versiones posteriores de ChatGPT Inclinación atenuada en versiones más recientes Feng et al. (2023) Tests políticos y entrenamiento adicional con medios de distinta orientación Los datos de entrenamiento transmiten inclinaciones que afectan a tareas posteriores Santurkar et al. (2023) Preguntas de encuestas Pew Más cercanía a grupos liberales, educados y de mayores ingresos de EE. UU. Durmus et al. (2023) Encuestas internacionales (World Values Survey y otras) Más cercanía a EE. UU. y Europa occidental que a otras regiones Röttger et al. (2024) Formato cerrado frente a respuesta abierta, con paráfrasis Las posiciones son inestables y dependen del formato de pregunta Buyl et al. (2026) Valoración de figuras políticas en varios idiomas y modelos de distinto origen Los modelos reflejan la cosmovisión de su entorno de creación 5. Los estudios experimentales sobre juicio moral En paralelo a los estudios políticos se ha desarrollado una línea de investigación centrada en la moral en sentido más amplio, que recurre a dilemas, escenarios cotidianos y cuestionarios de psicología moral. Incluso antes de los asistentes conversacionales, Schramowski, Turan, Andersen, Rothkopf y Kersting (2022) mostraron que los modelos de lenguaje contienen una especie de «dirección moral»: una dimensión interna que separa las acciones que las personas consideran correctas de las incorrectas («matar personas» frente a «matar el tiempo»), y que coincide en buena medida con los juicios humanos. Hendrycks et al. (2021) construyeron un banco de pruebas, llamado ETHICS, que evalúa la capacidad de los modelos para aplicar nociones de justicia, deontología, virtud, utilidad y moral de sentido común, y que se convirtió en una referencia para la investigación posterior. El proyecto Delphi llevó la idea más lejos al entrenar un modelo específicamente para emitir juicios morales sobre situaciones cotidianas a partir de millones de valoraciones humanas (Jiang et al., 2025). Sus autores documentaron tanto sus aciertos como sus limitaciones: el sistema reproducía con bastante fidelidad el sentido común moral estadounidense, pero también algunos de sus sesgos sociales, y podía ser inducido a error con formulaciones engañosas. El experimento fue objeto de un intenso debate público precisamente por su ambición de construir un «oráculo moral». Dillion, Tandon, Gu y Gray (2023) compararon los juicios morales de GPT-3.5 con los de personas sobre 464 escenarios y encontraron una correlación de 0,95, extraordinariamente alta. Este resultado llevó a los autores a plantear si los modelos podrían sustituir a participantes humanos en ciertos experimentos, aunque advirtieron de que el modelo reproduce el juicio medio de una población concreta y no la diversidad de juicios existentes. Scherrer, Shi, Feder y Blei (2023) diseñaron un procedimiento especialmente cuidadoso. Presentaron a veintiocho modelos cientos de escenarios morales de dos tipos: de baja ambigüedad (en los que una de las opciones es claramente preferible según el sentido común) y de alta ambigüedad (dilemas genuinos en los que personas razonables discrepan). En los primeros, casi todos los modelos elegían la opción que la mayoría consideraría correcta. En los segundos, la mayoría expresaba incertidumbre, pero algunos modelos mostraban preferencias claras y consistentes, y los modelos de distintas empresas tendían a coincidir entre sí, lo que sugiere que comparten rasgos del proceso de ajuste. Los autores también observaron que las preferencias cambiaban según cómo se formulara la pregunta. Un enfoque especialmente fértil ha sido aplicar a los modelos la teoría de los fundamentos morales de Jonathan Haidt y sus colaboradores. Según esta teoría, la moral humana se apoya en varias intuiciones básicas (cuidado frente a daño, equidad, lealtad al grupo, respeto a la autoridad y pureza o santidad), y las personas progresistas tienden a dar más peso a las dos primeras mientras que las conservadoras distribuyen su atención de forma más equilibrada entre todas (Graham, Haidt y Nosek, 2009; Haidt, 2001). Abdulhai et al. (2024) aplicaron el cuestionario de fundamentos morales a varios modelos y encontraron perfiles que se asemejaban a los de determinados grupos políticos humanos, generalmente con más peso en cuidado y equidad; además, comprobaron que el perfil podía ser desplazado mediante instrucciones y que ese desplazamiento afectaba a decisiones posteriores del modelo, como cuánto «donar» en una tarea simulada. Simmons (2023) describió un fenómeno que denominó «mimetismo moral»: cuando se indica al modelo que adopte la identidad de un liberal o de un conservador, genera justificaciones morales que recurren precisamente a los fundamentos que la teoría atribuye a cada grupo. El modelo, en otras palabras, sabe hablar el lenguaje moral de cada tribu política. Los dilemas del tranvía y sus variantes también se han trasladado a los modelos. El experimento Moral Machine recogió en su día millones de decisiones humanas de más de doscientos países sobre a quién debería sacrificar un vehículo autónomo en caso de accidente inevitable (Awad et al., 2018). Takemoto (2024) presentó los mismos dilemas a varios modelos de lenguaje y encontró que, en términos generales, compartían las prioridades humanas (salvar a más personas, preferir humanos a animales), aunque algunos modelos mostraban preferencias más extremas que las de la población humana en determinadas dimensiones. Cheung, Maier y Lieder (2025) estudiaron los sesgos cognitivos en las decisiones morales. Encontraron que los modelos mostraban un sesgo de omisión más pronunciado que el humano, es decir, una tendencia a preferir no actuar aunque la acción produjera mejores consecuencias, y además un sesgo hacia responder «no», de modo que la conclusión moral podía invertirse con solo reformular la pregunta. Este resultado tiene una lectura filosófica inquietante, que se retomará más adelante: el ajuste para hacer a los modelos prudentes e inofensivos podría estar incorporando una ética implícita de la abstención. Finalmente, Atari, Xue, Park, Blasi y Henrich (2023) plantearon una pregunta de fondo con un título elocuente: ¿Qué humanos? Al comparar las respuestas psicológicas de los modelos con datos de decenas de países, encontraron que se parecían sobre todo a las de las poblaciones occidentales, educadas, industrializadas, ricas y democráticas (las llamadas sociedades WEIRD), y que la semejanza disminuía a medida que aumentaba la distancia cultural respecto a Estados Unidos. Cuando se dice que un modelo coincide con «los humanos», conviene preguntar siempre con cuáles. 6. Más allá de las respuestas: la influencia sobre las personas Que un modelo tenga una orientación moral o ideológica sería una curiosidad académica si no influyera en quienes lo usan. Varios experimentos indican que sí influye, y que lo hace de maneras que las propias personas no siempre perciben. Krügel, Ostermaier y Uhl (2023) preguntaron reiteradamente a ChatGPT si era correcto sacrificar a una persona para salvar a cinco y observaron que el modelo daba consejos contradictorios en distintas ocasiones, a favor y en contra. Después mostraron esos consejos a participantes humanos antes de que emitieran su propio juicio. Los participantes se dejaron influir por el consejo recibido, incluso sabiendo que procedía de un chatbot, y subestimaron cuánto les había influido. Los autores concluyen que el modelo amenaza con corromper el juicio moral de los usuarios en lugar de mejorarlo, y que la solución pasa más por la alfabetización digital que por confiar en que el sistema sea coherente. Otros estudios muestran que las personas valoran muy positivamente los razonamientos morales de las máquinas. Aharoni et al. (2024) realizaron una versión modificada del test de Turing en el terreno moral: los participantes valoraron las evaluaciones morales de GPT-4 como superiores a las humanas en casi todas las dimensiones (virtud, inteligencia, fiabilidad), y paradójicamente pudieron identificar cuáles procedían de la máquina en parte porque parecían mejores. Dillion, Mondal, Tandon y Gray (2025) compararon los consejos de un modelo con los de un columnista especializado en ética de The New York Times, y los participantes consideraron los del modelo ligeramente más morales, fiables y reflexivos. Estos resultados plantean una cuestión filosófica de primer orden: ¿qué ocurre cuando una sociedad empieza a percibir a una máquina como una autoridad moral? En el terreno político, Jakesch, Bhat, Buschek, Zalmanson y Naaman (2023) pidieron a participantes que escribieran un texto sobre si las redes sociales son buenas para la sociedad con ayuda de un asistente programado para sugerir una postura determinada. Los participantes no solo escribieron textos más favorables a esa postura, sino que su opinión personal, medida después, también se desplazó en esa dirección, sin que fueran conscientes de ello. Hackenburg y Margetts (2024) encontraron que los mensajes políticos generados por un modelo resultaban persuasivos, aunque adaptarlos al perfil individual de cada destinatario no aumentaba significativamente su eficacia. Costello, Pennycook y Rand (2024) informaron de que diálogos breves con un modelo reducían de forma duradera la creencia en teorías conspirativas; conviene advertir que la revista Science publicó en junio de 2026 una expresión de preocupación sobre este artículo por problemas en la gestión de los datos, aunque los autores sostienen que el análisis corregido confirma los resultados (Thorp, 2026). En conjunto, estos trabajos muestran que la capacidad persuasiva de los modelos puede servir tanto para fines que la mayoría consideraría valiosos como para otros que muchos considerarían manipuladores, y que la diferencia depende en gran medida de quién define qué es una creencia errónea. Un último fenómeno complica el cuadro: la complacencia. Diversos estudios han mostrado que los modelos ajustados con preferencias humanas tienden a adaptar sus respuestas a lo que perciben como la opinión del usuario, dándole la razón aunque no la tenga (Perez et al., 2023; Sharma et al., 2024). Esto significa que un mismo modelo puede reforzar posiciones opuestas en usuarios distintos. Desde el punto de vista de la polarización, el riesgo no sería tanto que la máquina imponga una ideología única como que se convierta en un espejo que devuelve a cada cual su propia imagen, ahora con la aparente autoridad de un sistema que «lo sabe todo». 7. Límites metodológicos: ¿medimos lo que creemos medir? Antes de extraer conclusiones normativas, conviene ser conscientes de las limitaciones de esta literatura, que sus propios autores suelen reconocer. La primera es la validez de constructo. Los cuestionarios de orientación política y de fundamentos morales se diseñaron para personas, que responden desde una identidad relativamente estable. Aplicarlos a un sistema que puede adoptar cualquier perspectiva según la instrucción recibida plantea dudas sobre si el resultado mide una «posición» del modelo o simplemente la respuesta más probable a un formato de pregunta determinado (Röttger et al., 2024). Además, la clasificación de una respuesta como «de izquierdas» depende del propio test: aceptar que el cambio climático tiene origen humano aparece en algunos cuestionarios como indicador ideológico, aunque sea una afirmación respaldada por el consenso científico. Parte de la aparente inclinación de los modelos puede deberse, por tanto, a que se ajustan al conocimiento científico disponible en cuestiones que el debate político ha convertido en identitarias. Distinguir ambos componentes es metodológicamente difícil y políticamente delicado. La segunda es la inestabilidad. Las respuestas cambian con la redacción de la pregunta, el idioma, el orden de las opciones y la versión del modelo (Cheung et al., 2025; Fujimoto y Takemoto, 2023). Un resultado obtenido con una versión de un modelo en 2023 puede no ser válido para la versión de 2026. La tercera es la dependencia cultural de la vara de medir. La mayoría de los cuestionarios procede de Estados Unidos, y el eje izquierda-derecha estadounidense no se traslada sin problemas a otras sociedades. Lo que en Estados Unidos se considera progresista puede ser centrista en buena parte de Europa, y las categorías de «liberal» y «conservador» no significan lo mismo en Madrid que en Texas o en Pekín. La cuarta es la distancia entre lo que el modelo dice cuando se le pregunta directamente y lo que hace cuando redacta, resume o aconseja. Las inclinaciones más relevantes desde el punto de vista ético pueden estar en las elecciones sutiles de encuadre, énfasis y omisión, que los cuestionarios no capturan. Estas limitaciones no restan valor a la conclusión general (los modelos no son neutrales en sentido estricto y sus orientaciones pueden medirse e influir en las personas), pero desaconsejan las afirmaciones simplificadoras del tipo «el modelo X es de izquierdas» o «el modelo Y es conservador». 8. Reflexión filosófica: neutralidad, pluralismo y autonomía 8.1. La imposibilidad de la neutralidad perfecta La conclusión filosófica más inmediata de los estudios revisados es que un modelo de lenguaje perfectamente neutral es imposible. No por falta de voluntad de sus diseñadores, sino por razones de principio. Todo sistema que responde preguntas debe decidir qué cuenta como un hecho y qué como una opinión, qué temas exigen presentar varias posturas y cuáles no, qué es una fuente fiable, qué lenguaje es respetuoso. Cada una de esas decisiones presupone valores. Un modelo que presentara «ambos lados» sobre si la esclavitud fue moralmente aceptable no sería neutral, sino que estaría adoptando una posición moral gravemente equivocada. Un modelo que se negara a responder cualquier pregunta con contenido normativo tampoco sería neutral: estaría transmitiendo implícitamente que todas las cuestiones morales son meras preferencias, lo cual es en sí una tesis filosófica discutible (un relativismo o un emotivismo). Peters (2022) observa que el sesgo político de los algoritmos presenta un rasgo que lo distingue de otros sesgos, como los de género o raza: en nuestras sociedades está menos estigmatizado discriminar por ideas políticas que por origen étnico, y por ello es más fácil que pase inadvertido y que no se corrija. Además, a diferencia de lo que ocurre con el sexo o la raza, la ideología se infiere a menudo de manera indirecta, lo que hace el sesgo más difícil de detectar. La filosofía política liberal ofrece una distinción útil para pensar este problema. John Rawls (1993) distinguía entre la neutralidad de efecto, que exigiría que las instituciones no favorezcan de hecho a ninguna concepción del bien, y la neutralidad de justificación o de propósito, que exige que las instituciones no se justifiquen apelando a la superioridad de una doctrina comprehensiva particular (religiosa, filosófica o moral) sobre las demás. La primera es imposible; la segunda es exigente pero alcanzable. Trasladada a los modelos de lenguaje, esta distinción sugiere que no debemos pedirles que no tengan ningún efecto ideológico, sino que sus valores puedan justificarse con razones que ciudadanos de muy distintas convicciones podrían aceptar: el respeto a los derechos humanos, la veracidad, la no discriminación, la protección frente a daños graves. En cambio, en las cuestiones que caen dentro del desacuerdo razonable (la política fiscal, la regulación del aborto, la inmigración, el papel de la religión) el modelo debería abstenerse de tomar partido y presentar con equidad las posiciones en conflicto. 8.2. El problema de los valores de quién Gabriel (2020) formuló con precisión el dilema central del llamado «alineamiento» de la inteligencia artificial: alinear un sistema con los valores humanos exige decidir con qué valores, cuando los humanos discrepamos profundamente. Propone tres estrategias, inspiradas en la filosofía política, para afrontar el pluralismo: buscar un consenso entrecruzado entre distintas tradiciones sobre principios mínimos (por ejemplo, los derechos humanos), razonar tras un «velo de ignorancia» sobre qué principios elegiríamos si no supiéramos qué posición ocuparemos en la sociedad, o recurrir a mecanismos democráticos de elección social para agregar preferencias. Ninguna de las tres está exenta de dificultades, pero las tres comparten una idea: la legitimidad de los valores de un sistema que usan cientos de millones de personas no puede descansar únicamente en la decisión de una empresa privada. Los estudios revisados muestran que, en la práctica, los valores de los modelos proceden en buena medida de un grupo reducido de evaluadores y de directrices redactadas por empresas radicadas mayoritariamente en Estados Unidos y China. El trabajo de Atari et al. (2023) sobre la «WEIRDización» de los modelos y el de Kirk et al. (2024), que recogió preferencias de unas 1.500 personas de 75 países y mostró profundas divergencias en lo que distintas poblaciones consideran una buena respuesta, apuntan en la misma dirección: el alineamiento actual tiende a universalizar una perspectiva particular. Desde la ética intercultural cabe hablar de una nueva forma de hegemonía cultural, no impuesta por la fuerza sino por la comodidad de un servicio útil y gratuito. 8.3. Autoridad moral, autonomía y desaprendizaje La tradición ilustrada, desde Kant, ha entendido la autonomía moral como la capacidad de darse la ley a uno mismo mediante el uso público de la propia razón, y ha considerado una forma de minoría de edad la delegación del juicio en otros. Los estudios de Krügel et al. (2023), Aharoni et al. (2024) y Dillion et al. (2025) muestran que las personas se dejan influir por los consejos morales de las máquinas, que tienden a valorarlos muy positivamente y que no son plenamente conscientes de esa influencia. La combinación es delicada: una autoridad percibida como imparcial y superior, cuyo consejo puede ser inconsistente o sesgado, y cuya influencia el usuario subestima. El riesgo no es solo que la máquina aconseje mal, sino que, aunque aconseje bien, debilite la capacidad de las personas para deliberar por sí mismas, del mismo modo que la calculadora ha erosionado la aritmética mental. Mittelstadt (2019) advirtió de que los principios éticos generales no bastan para garantizar una inteligencia artificial ética porque, a diferencia de la medicina, este ámbito carece de fines compartidos, de deberes profesionales consolidados y de mecanismos de rendición de cuentas. Floridi et al. (2018) incluyeron la autonomía entre los cinco principios de una buena sociedad de la inteligencia artificial, entendida como el equilibrio entre el poder de decisión que conservamos y el que delegamos. La pregunta ética no es si se debe consultar a las máquinas sobre cuestiones morales, sino cómo diseñarlas para que fortalezcan el juicio propio en lugar de sustituirlo: ofreciendo razones y no veredictos, presentando la diversidad de posiciones razonables y devolviendo la decisión al usuario. 8.4. El mimetismo moral y la cuestión de la sinceridad El fenómeno del «mimetismo moral» descrito por Simmons (2023) y la complacencia documentada por Sharma et al. (2024) plantean una cuestión filosófica de otro orden: la de la sinceridad. Un interlocutor humano que adapta sus convicciones morales a quien tiene delante sería calificado de hipócrita o adulador. ¿Puede aplicarse ese juicio a una máquina? Kasirzadeh y Gabriel (2023) proponen pensar el problema a partir de las normas de la conversación: en una conversación científica rige ante todo la veracidad; en una deliberación democrática, el respeto mutuo y la disposición a dar razones; en una conversación creativa, otras normas. Un modelo bien alineado no sería el que tiene «opiniones correctas», sino el que respeta las normas propias de cada tipo de conversación. Desde esta perspectiva, la complacencia es un defecto moral del sistema no porque el modelo «mienta» en sentido estricto, sino porque defrauda la expectativa legítima de un usuario que consulta a un interlocutor que presume honesto. 8.5. ¿Una ética de la abstención? El hallazgo de Cheung et al. (2025) sobre el sesgo de omisión amplificado invita a una reflexión adicional. El ajuste de los modelos persigue que sean inofensivos, y una manera sencilla de no causar daño es no hacer nada. Pero la ética no se reduce a evitar daños: en muchas situaciones no actuar es también una decisión con consecuencias, y la tradición moral ha discutido durante siglos si existe una diferencia moral relevante entre hacer y dejar hacer. Un sistema que, por diseño, se inclina sistemáticamente hacia la omisión está incorporando implícitamente una posición en ese debate, próxima a ciertas versiones de la ética deontológica y alejada del consecuencialismo. Es un ejemplo de cómo decisiones de ingeniería motivadas por la prudencia comercial pueden traducirse en compromisos filosóficos que nadie ha debatido abiertamente. 9. Dimensión jurídica 9.1. El marco constitucional y europeo La orientación ideológica de los sistemas de inteligencia artificial afecta a bienes jurídicos de primer orden. La Constitución española proclama el pluralismo político como valor superior del ordenamiento jurídico (art. 1.1), garantiza la libertad ideológica (art. 16) y protege la libertad de expresión y el derecho a recibir libremente información veraz (art. 20). El propio artículo 20.3 exige que el acceso a los medios de comunicación de titularidad pública respete el pluralismo de la sociedad. Los asistentes conversacionales no son medios públicos, pero cumplen una función creciente en la formación de la opinión pública, lo que justifica preguntarse si deben quedar sujetos a obligaciones análogas de pluralismo y transparencia. La Carta de los Derechos Fundamentales de la Unión Europea reconoce igualmente la libertad de pensamiento (art. 10) y la libertad de expresión e información, con la mención expresa del respeto a la libertad de los medios y su pluralismo (art. 11). 9.2. El Reglamento europeo de Inteligencia Artificial El Reglamento (UE) 2024/1689, conocido como Reglamento de Inteligencia Artificial, no regula directamente la «ideología» de los modelos, pero contiene varias disposiciones relevantes. Su artículo 5 prohíbe los sistemas que utilicen técnicas subliminales, manipuladoras o engañosas con el objetivo o el efecto de alterar de manera sustancial el comportamiento de las personas, mermando su capacidad de tomar una decisión informada, cuando ello cause o pueda causar perjuicios considerables. El anexo III califica como de alto riesgo los sistemas destinados a influir en el resultado de elecciones o referendos o en el comportamiento electoral de las personas. El artículo 50 impone obligaciones de transparencia, como informar a las personas de que interactúan con un sistema de inteligencia artificial. Y los artículos 53 y 55 establecen obligaciones específicas para los proveedores de modelos de uso general, que en el caso de los modelos con riesgo sistémico incluyen evaluar y mitigar riesgos que pueden afectar, entre otros ámbitos, a los procesos democráticos. A ello se suma el Reglamento de Servicios Digitales (Reglamento [UE] 2022/2065), cuyo artículo 34 obliga a las grandes plataformas a evaluar los riesgos sistémicos para el discurso cívico y los procesos electorales, una obligación que podría extenderse a los asistentes integrados en tales plataformas. En el ámbito del Consejo de Europa, el Convenio Marco sobre Inteligencia Artificial y Derechos Humanos, Democracia y Estado de Derecho (2024) exige a los Estados adoptar medidas para que los sistemas de inteligencia artificial no se utilicen para socavar la integridad de los procesos democráticos. 9.3. Tensiones y paradojas regulatorias El tratamiento jurídico de la ideología de las máquinas plantea paradojas que conviene explicitar. La primera es que exigir neutralidad por vía legal puede convertirse en una forma de imposición ideológica. Si el Estado define qué cuenta como respuesta «neutral», está fijando un criterio que inevitablemente será discutido. En Estados Unidos, una orden ejecutiva de julio de 2025 exigió que los modelos adquiridos por la Administración federal fueran «ideológicamente neutrales» y «buscadores de la verdad», y excluyó expresamente determinados enfoques sobre diversidad e inclusión (Executive Office of the President, 2025). Sus defensores la presentan como una garantía frente al sesgo progresista documentado en los estudios; sus críticos sostienen que sustituye un sesgo por otro y que el poder político define qué es la verdad. Con independencia de cómo se valore, el caso ilustra la dificultad de legislar la neutralidad sin tomar partido. La segunda paradoja afecta a la libertad de expresión de las empresas. Si los resultados de un modelo se consideran una forma de expresión de su desarrollador, las exigencias de pluralismo podrían colisionar con la libertad de expresión de este, del mismo modo que no se exige a un periódico que sea imparcial. La analogía, sin embargo, cojea: un periódico declara su línea editorial y compite con otros en un mercado plural, mientras que un asistente conversacional se presenta como una herramienta de propósito general y de apariencia neutral, y el mercado está muy concentrado. Esto sugiere que la exigencia jurídica más razonable no es la neutralidad, sino la transparencia sobre los valores incorporados y la pluralidad de la oferta. La tercera paradoja es probatoria. Como se ha visto en el apartado 7, medir la orientación de un modelo es metodológicamente difícil y los resultados son inestables. Una regulación que imponga obligaciones de neutralidad necesita instrumentos de verificación fiables, que aún no existen de forma consolidada. De ahí la importancia de fomentar auditorías independientes, el acceso de investigadores a los modelos y la publicación de los principios que guían su comportamiento. 10. Conclusiones La respuesta a la pregunta que motivó este ensayo es inequívoca: existen numerosos estudios experimentales que han interrogado a los grandes modelos de lenguaje con preguntas que exigen un posicionamiento moral y que pueden revelar una ideología. Esta literatura, desarrollada principalmente entre 2022 y 2026, permite extraer varias conclusiones con un grado razonable de confianza: Los modelos conversacionales más utilizados tienden, cuando se les aplican cuestionarios políticos, a situarse a la izquierda del centro y en posiciones socialmente liberales, sobre todo en sus primeras versiones, aunque esta inclinación varía entre modelos y versiones y se ha atenuado en algunos casos. Sus juicios morales coinciden en gran medida con el sentido común moral de las sociedades occidentales, educadas y ricas, y se alejan de los de otras culturas. La principal fuente de estas orientaciones parece ser el ajuste con preferencias humanas, más que los datos de entrenamiento por sí solos, lo que significa que son en parte el resultado de decisiones humanas identificables. Las respuestas son muy sensibles a la formulación de la pregunta, de modo que la «moral» de un modelo es menos una brújula estable que una disposición dependiente del contexto. Los modelos influyen en el juicio moral y en las opiniones políticas de los usuarios, a menudo sin que estos sean conscientes, y tienden a ser percibidos como autoridades morales fiables. Desde la filosofía moral y política, estos hallazgos obligan a abandonar el ideal ingenuo de una máquina sin valores y a sustituirlo por exigencias más realistas: neutralidad de justificación en las cuestiones de desacuerdo razonable, firmeza en los mínimos morales compartidos, transparencia sobre los principios incorporados, respeto a la autonomía deliberativa del usuario y legitimidad democrática en la definición de los valores de sistemas que funcionan como infraestructuras sociales. Desde el derecho, el marco europeo ofrece instrumentos útiles, centrados en la prohibición de la manipulación, la protección de los procesos democráticos y la transparencia, pero aún no da respuesta a la cuestión de fondo de quién debe decidir los valores de las máquinas y con qué controles. Quedan abiertas preguntas importantes para la investigación futura: cómo medir la orientación valorativa en el uso real y no solo en cuestionarios; cómo varía en lenguas distintas del inglés, incluido el español; qué efectos acumulados tiene sobre la opinión pública una exposición prolongada; y cómo diseñar procedimientos participativos y plurales para definir los valores de los sistemas. Para una universidad pública, estas preguntas no son solo objeto de estudio: afectan también a cómo se forma a quienes usarán estas herramientas para aprender, investigar y deliberar. En última instancia, los modelos de lenguaje funcionan como un espejo de la sociedad que los produce, pero no de toda ella por igual, sino de unos sectores más que de otros, y con un pulido que eligen sus fabricantes. La tarea ética no consiste en romper el espejo ni en exigirle una imposible transparencia absoluta, sino en saber qué refleja, quién lo ha pulido y qué parte de la imagen queda fuera. Referencias Abdulhai, M., Serapio-García, G., Crepy, C., Valter, D., Canny, J. y Jaques, N. (2024). Moral foundations of large language models. En Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (pp. 17737–17752). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.emnlp-main.982 Aharoni, E., Fernandes, S., Brady, D. J., Alexander, C., Criner, M., Queen, K., Rando, J., Nahmias, E. y Crespo, V. (2024). Attributions toward artificial agents in a modified Moral Turing Test. Scientific Reports, 14, Artículo 8458. https://doi.org/10.1038/s41598-024-58087-7 Atari, M., Xue, M. J., Park, P. S., Blasi, D. E. y Henrich, J. (2023). Which humans? [Preprint]. PsyArXiv. https://doi.org/10.31234/osf.io/5b26t Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J.-F. y Rahwan, I. (2018). The Moral Machine experiment. Nature, 563(7729), 59–64. https://doi.org/10.1038/s41586-018-0637-6 Bai, Y., Kadavath, S., Kundu, S., Askell, A., Kernion, J., Jones, A., Chen, A., Goldie, A., Mirhoseini, A., McKinnon, C., Chen, C., Olsson, C., Olah, C., Hernandez, D., Drain, D., Ganguli, D., Li, D., Tran-Johnson, E., Perez, E., … Kaplan, J. (2022). Constitutional AI: Harmlessness from AI feedback [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2212.08073 Bender, E. M., Gebru, T., McMillan-Major, A. y Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922 Buyl, M., Rogiers, A., Noels, S., Bied, G., Dominguez-Catena, I., Heiter, E., Johary, I., Mara, A.-C., Romero, R., Lijffijt, J. y De Bie, T. (2026). Large language models reflect the ideology of their creators. npj Artificial Intelligence, 2, Artículo 7. https://doi.org/10.1038/s44387-025-00048-0 Cheung, V., Maier, M. y Lieder, F. (2025). Large language models show amplified cognitive biases in moral decision-making. Proceedings of the National Academy of Sciences, 122(25), Artículo e2412015122. https://doi.org/10.1073/pnas.2412015122 Consejo de Europa. (2024). Convenio Marco del Consejo de Europa sobre Inteligencia Artificial y Derechos Humanos, Democracia y Estado de Derecho (Serie de Tratados del Consejo de Europa n.º 225). https://www.coe.int/en/web/artificial-intelligence/the-framework-convention-on-artificial-intelligence Constitución Española. Boletín Oficial del Estado, 311, de 29 de diciembre de 1978. https://www.boe.es/eli/es/c/1978/12/27/(1)/con Costello, T. H., Pennycook, G. y Rand, D. G. (2024). Durably reducing conspiracy beliefs through dialogues with AI. Science, 385(6714), Artículo eadq1814. https://doi.org/10.1126/science.adq1814 Dillion, D., Mondal, D., Tandon, N. y Gray, K. (2025). AI language model rivals expert ethicist in perceived moral expertise. Scientific Reports, 15, Artículo 4084. https://doi.org/10.1038/s41598-025-86510-0 Dillion, D., Tandon, N., Gu, Y. y Gray, K. (2023). Can AI language models replace human participants? Trends in Cognitive Sciences, 27(7), 597–600. https://doi.org/10.1016/j.tics.2023.04.008 Durmus, E., Nguyen, K., Liao, T. I., Schiefer, N., Askell, A., Bakhtin, A., Chen, C., Hatfield-Dodds, Z., Hernandez, D., Joseph, N., Lovitt, L., McCandlish, S., Sikder, O., Tamkin, A., Thamkul, J., Kaplan, J., Clark, J. y Ganguli, D. (2023). Towards measuring the representation of subjective global opinions in language models [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2306.16388 Executive Office of the President. (2025, 23 de julio). Preventing woke AI in the federal government (Orden ejecutiva 14319). The White House. https://www.whitehouse.gov/presidential-actions/2025/07/preventing-woke-ai-in-the-federal-government/ Feng, S., Park, C. Y., Liu, Y. y Tsvetkov, Y. (2023). From pretraining data to language models to downstream tasks: Tracking the trails of political biases leading to unfair NLP models. En Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 11737–11762). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.acl-long.656 Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P. y Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5 Fujimoto, S. y Takemoto, K. (2023). Revisiting the political biases of ChatGPT. Frontiers in Artificial Intelligence, 6, Artículo 1232003. https://doi.org/10.3389/frai.2023.1232003 Gabriel, I. (2020). Artificial intelligence, values, and alignment. Minds and Machines, 30(3), 411–437. https://doi.org/10.1007/s11023-020-09539-2 Graham, J., Haidt, J. y Nosek, B. A. (2009). Liberals and conservatives rely on different sets of moral foundations. Journal of Personality and Social Psychology, 96(5), 1029–1046. https://doi.org/10.1037/a0015141 Hackenburg, K. y Margetts, H. (2024). Evaluating the persuasive influence of political microtargeting with large language models. Proceedings of the National Academy of Sciences, 121(24), Artículo e2403116121. https://doi.org/10.1073/pnas.2403116121 Haidt, J. (2001). The emotional dog and its rational tail: A social intuitionist approach to moral judgment. Psychological Review, 108(4), 814–834. https://doi.org/10.1037/0033-295X.108.4.814 Hartmann, J., Schwenzow, J. y Witte, M. (2023). The political ideology of conversational AI: Converging evidence on ChatGPT's pro-environmental, left-libertarian orientation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2301.01768 Hendrycks, D., Burns, C., Basart, S., Critch, A., Li, J., Song, D. y Steinhardt, J. (2021). Aligning AI with shared human values. En International Conference on Learning Representations (ICLR 2021). https://doi.org/10.48550/arXiv.2008.02275 Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L. y Naaman, M. (2023). Co-writing with opinionated language models affects users' views. En Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (pp. 1–15). Association for Computing Machinery. https://doi.org/10.1145/3544548.3581196 Jiang, L., Hwang, J. D., Bhagavatula, C., Le Bras, R., Liang, J. T., Levine, S., Dodge, J., Sakaguchi, K., Forbes, M., Hessel, J., Borchardt, J., Sorensen, T., Gabriel, S., Tsvetkov, Y., Etzioni, O., Sap, M., Rini, R. y Choi, Y. (2025). Investigating machine moral judgement through the Delphi experiment. Nature Machine Intelligence, 7(1), 145–160. https://doi.org/10.1038/s42256-024-00969-6 Kasirzadeh, A. y Gabriel, I. (2023). In conversation with artificial intelligence: Aligning language models with human values. Philosophy & Technology, 36(2), Artículo 27. https://doi.org/10.1007/s13347-023-00606-x Kirk, H. R., Whitefield, A., Röttger, P., Bean, A., Margatina, K., Ciro, J., Mosquera, R., Bartolo, M., Williams, A., He, H., Vidgen, B. y Hale, S. A. (2024). The PRISM alignment dataset: What participatory, representative and individualised human feedback reveals about the subjective and multicultural alignment of large language models. En Advances in Neural Information Processing Systems, 37 (pp. 105236–105344). https://doi.org/10.52202/079017-3342 Krügel, S., Ostermaier, A. y Uhl, M. (2023). ChatGPT's inconsistent moral advice influences users' judgment. Scientific Reports, 13, Artículo 4569. https://doi.org/10.1038/s41598-023-31341-0 Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1(11), 501–507. https://doi.org/10.1038/s42256-019-0114-4 Motoki, F., Pinho Neto, V. y Rodrigues, V. (2024). More human than human: Measuring ChatGPT political bias. Public Choice, 198(1–2), 3–23. https://doi.org/10.1007/s11127-023-01097-2 Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J. y Lowe, R. (2022). Training language models to follow instructions with human feedback. En Advances in Neural Information Processing Systems, 35 (pp. 27730–27744). https://doi.org/10.48550/arXiv.2203.02155 Perez, E., Ringer, S., Lukošiūtė, K., Nguyen, K., Chen, E., Heiner, S., Pettit, C., Olsson, C., Kundu, S., Kadavath, S., Jones, A., Chen, A., Mann, B., Israel, B., Seethor, B., McKinnon, C., Olah, C., Yan, D., Amodei, D., … Kaplan, J. (2023). Discovering language model behaviors with model-written evaluations. En Findings of the Association for Computational Linguistics: ACL 2023 (pp. 13387–13434). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.findings-acl.847 Peters, U. (2022). Algorithmic political bias in artificial intelligence systems. Philosophy & Technology, 35(2), Artículo 25. https://doi.org/10.1007/s13347-022-00512-8 Rawls, J. (1993). Political liberalism. Columbia University Press. Reglamento (UE) 2022/2065 del Parlamento Europeo y del Consejo, de 19 de octubre de 2022, relativo a un mercado único de servicios digitales (Reglamento de Servicios Digitales). Diario Oficial de la Unión Europea, L 277, 1–102. http://data.europa.eu/eli/reg/2022/2065/oj Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). Diario Oficial de la Unión Europea, L, 2024/1689. http://data.europa.eu/eli/reg/2024/1689/oj Röttger, P., Hofmann, V., Pyatkin, V., Hinck, M., Kirk, H. R., Schütze, H. y Hovy, D. (2024). Political compass or spinning arrow? Towards more meaningful evaluations for values and opinions in large language models. En Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 15295–15311). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.acl-long.816 Rozado, D. (2023). The political biases of ChatGPT. Social Sciences, 12(3), Artículo 148. https://doi.org/10.3390/socsci12030148 Rozado, D. (2024). The political preferences of LLMs. PLOS ONE, 19(7), Artículo e0306621. https://doi.org/10.1371/journal.pone.0306621 Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P. y Hashimoto, T. (2023). Whose opinions do language models reflect? En Proceedings of the 40th International Conference on Machine Learning (PMLR 202, pp. 29971–30004). https://doi.org/10.48550/arXiv.2303.17548 Scherrer, N., Shi, C., Feder, A. y Blei, D. M. (2023). Evaluating the moral beliefs encoded in LLMs. En Advances in Neural Information Processing Systems, 36. https://doi.org/10.48550/arXiv.2307.14324 Schramowski, P., Turan, C., Andersen, N., Rothkopf, C. A. y Kersting, K. (2022). Large pre-trained language models contain human-like biases of what is right and wrong to do. Nature Machine Intelligence, 4(3), 258–268. https://doi.org/10.1038/s42256-022-00458-8 Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M. y Perez, E. (2024). Towards understanding sycophancy in language models. En International Conference on Learning Representations (ICLR 2024). https://doi.org/10.48550/arXiv.2310.13548 Simmons, G. (2023). Moral mimicry: Large language models produce moral rationalizations tailored to political identity. En Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 4: Student Research Workshop) (pp. 282–297). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.acl-srw.40 Takemoto, K. (2024). The moral machine experiment on large language models. Royal Society Open Science, 11(2), Artículo 231393. https://doi.org/10.1098/rsos.231393 Thorp, H. H. (2026). Editorial expression of concern. Science, 392(6803). https://doi.org/10.1126/science.aej2383 Este texto ha sido redactado con ayuda de Inteligencia Artificial

Resumen La irrupción de la inteligencia artificial (IA), y en particular de los modelos de lenguaje de gran tamaño, está alterando la forma en que se genera, se organiza y se comunica el conocimiento médico. La prueba pericial médica, pieza central de numerosos procesos civiles, penales, laborales y contencioso-administrativos, no es ajena a esa transformación. Este ensayo examina, en primer lugar, la naturaleza jurídica y epistémica del informe pericial y las exigencias que el ordenamiento español impone al perito. En segundo lugar, revisa el estado de la evidencia sobre aplicaciones de IA en las principales áreas de la medicina legal: patología forense e imagen postmortem, estimación del intervalo postmortem, toxicología, clínica médico-forense y valoración del daño corporal, antropología y odontología forense, genética y responsabilidad profesional sanitaria. En tercer lugar, dedica un análisis específico a la psiquiatría forense —imputabilidad, capacidad, valoración del riesgo de violencia, detección de simulación y análisis automatizado del lenguaje—, por ser el ámbito en el que la dimensión interpretativa y relacional del peritaje resulta más acusada. Por último, aborda la hipótesis de un informe pericial íntegramente elaborado por IA, sin intervención humana, y concluye que, en el estado actual de la técnica y del derecho, tal escenario es jurídicamente inviable, epistémicamente prematuro y éticamente desaconsejable, aunque la IA puede y debe integrarse como herramienta de apoyo bajo un modelo de «perito aumentado» con supervisión humana efectiva, trazabilidad y transparencia. 1. Introducción El informe pericial médico ocupa una posición singular en la Administración de Justicia. A través de él, un saber especializado —el de la medicina— se pone al servicio de un órgano que carece de ese saber, el juez o tribunal, para que pueda conocer o apreciar hechos relevantes para la resolución de un litigio. El perito no decide; ilustra. Pero su ilustración, en la práctica, condiciona de forma decisiva la decisión judicial en materias tan diversas como la causa y la data de una muerte, la gravedad de unas lesiones, la existencia de mala praxis, la capacidad de una persona para regir su vida o la imputabilidad de quien ha cometido un delito. Durante la última década, la medicina ha incorporado de forma creciente herramientas de inteligencia artificial capaces de igualar o superar el rendimiento de especialistas humanos en tareas acotadas de reconocimiento de patrones, especialmente en imagen médica (Esteva et al., 2017; Topol, 2019). Desde finales de 2022, la aparición de modelos de lenguaje de gran tamaño (en adelante, LLM, por sus siglas en inglés) accesibles al público ha añadido una dimensión nueva: sistemas capaces de redactar textos clínicos coherentes, responder preguntas médicas complejas y superar exámenes de licenciatura médica (Kung et al., 2023; Lee et al., 2023; Singhal et al., 2023; Thirunavukarasu et al., 2023). La pregunta de si estas herramientas pueden asistir al perito médico —o incluso sustituirlo— ha dejado de ser especulativa. La medicina legal y forense es, por su propia naturaleza, una disciplina de síntesis: integra conocimientos de patología, radiología, toxicología, genética, traumatología, psiquiatría y prácticamente cualquier especialidad clínica, y los traduce a categorías jurídicas. Esta posición de frontera la hace especialmente receptiva a la IA, pero también especialmente vulnerable a sus riesgos. Un error diagnóstico en la clínica afecta a un paciente; un error pericial puede afectar a la libertad de una persona, a la reparación debida a una víctima o a la credibilidad del propio sistema judicial. El objetivo de este ensayo es triple. Primero, ofrecer un mapa razonado de las aplicaciones actuales y previsibles de la IA en la elaboración de informes periciales en las distintas áreas de la medicina legal. Segundo, analizar con detenimiento el caso de la psiquiatría forense, cuyas particularidades epistemológicas y éticas la convierten en un terreno de prueba especialmente exigente. Tercero, someter a examen crítico la hipótesis más radical: la de un informe pericial generado íntegramente por un sistema de IA, sin intervención humana sustantiva. El análisis se sitúa preferentemente en el marco del derecho español y europeo, con referencias comparadas cuando resultan ilustrativas. 2. La prueba pericial médica: naturaleza, función y exigencias 2.1. El perito y su informe en el ordenamiento español En el proceso civil, la Ley de Enjuiciamiento Civil (LEC) configura el dictamen pericial como un medio de prueba que procede cuando sean necesarios conocimientos científicos, artísticos, técnicos o prácticos para valorar hechos o circunstancias relevantes (art. 335.1 LEC). El perito debe manifestar, bajo juramento o promesa de decir verdad, que ha actuado y actuará con la mayor objetividad posible, tomando en consideración tanto lo que pueda favorecer como lo que sea susceptible de causar perjuicio a cualquiera de las partes, y que conoce las sanciones penales en que podría incurrir si incumpliere su deber (art. 335.2 LEC). La ley exige, además, que los peritos posean el título oficial correspondiente a la materia objeto del dictamen (art. 340.1 LEC), prevé su presencia en juicio para explicar, aclarar o ampliar el dictamen y responder a preguntas y objeciones (art. 347 LEC) y somete su valoración a las reglas de la sana crítica (art. 348 LEC) (Ley 1/2000). En el proceso penal, la Ley de Enjuiciamiento Criminal (LECrim) dispone que el juez acordará el informe pericial cuando, para conocer o apreciar algún hecho o circunstancia importante en el sumario, fuesen necesarios o convenientes conocimientos científicos o artísticos (art. 456 LECrim). El informe debe comprender la descripción de la persona o cosa objeto del mismo, la relación detallada de las operaciones practicadas y de su resultado, y las conclusiones que formulen los peritos conforme a los principios y reglas de su ciencia o arte (art. 478 LECrim). La prueba pericial practicada en la fase de instrucción debe, como regla general, reproducirse en el juicio oral bajo los principios de inmediación, oralidad y contradicción (Real Decreto de 14 de septiembre de 1882). A ello se añade que el Código Penal tipifica como delito la conducta del perito que faltare a la verdad maliciosamente en su dictamen (art. 459 del Código Penal; Ley Orgánica 10/1995). De este marco normativo se desprenden varias notas que resultan decisivas para el análisis posterior. El perito es una persona física, cualificada profesionalmente, que asume un compromiso personal de objetividad, cuya actuación está sujeta a responsabilidad —incluso penal— y que debe poder ser interrogada y contradicha en presencia del juez. El informe no es solo un documento: es la expresión documentada de un juicio profesional del que alguien responde. 2.2. Las exigencias epistémicas: fiabilidad, transparencia y contradicción Más allá de los requisitos formales, la doctrina y la jurisprudencia comparadas han subrayado que el valor probatorio de una pericia depende de la fiabilidad del método empleado. En Estados Unidos, la sentencia del Tribunal Supremo en el caso Daubert v. Merrell Dow Pharmaceuticals, Inc. (1993) encomendó al juez una función de control (gatekeeping) sobre la admisibilidad de la prueba científica, sugiriendo criterios como la posibilidad de contrastar empíricamente la técnica, su sometimiento a revisión por pares, la tasa de error conocida o potencial, la existencia de estándares que controlen su aplicación y su aceptación general en la comunidad científica relevante. Aunque el derecho español no ha incorporado formalmente estos criterios, la valoración conforme a la sana crítica exige, de hecho, que el tribunal pueda comprender en qué se basan las conclusiones del perito y por qué son razonables. Estos criterios adquieren una relevancia particular cuando la herramienta utilizada es un sistema de IA. Muchos modelos de aprendizaje profundo funcionan como «cajas negras» cuyo razonamiento interno no resulta accesible ni siquiera para sus desarrolladores. Se ha argumentado con fuerza que, en decisiones de alto riesgo, deberían preferirse modelos intrínsecamente interpretables en lugar de intentar explicar a posteriori modelos opacos (Rudin, 2019), y que las técnicas actuales de «IA explicable» ofrecen en el ámbito sanitario garantías mucho menores de lo que a menudo se supone (Ghassemi et al., 2021). En el contexto forense, donde la contradicción entre partes es la vía principal de control de la prueba, la opacidad no es un mero inconveniente técnico: compromete el derecho de defensa. 2.3. El factor humano: sesgos cognitivos en la pericia Sería ingenuo idealizar al perito humano. Una abundante literatura ha documentado que los expertos forenses son vulnerables a sesgos cognitivos que pueden distorsionar sus conclusiones. Dror y Hampikian (2011) mostraron que analistas de ADN que examinaron una misma mezcla genética sin información contextual del caso llegaban a conclusiones dispares, y en su mayoría distintas de las alcanzadas originalmente por los peritos que sí conocían el contexto. Dror (2020) sistematizó posteriormente seis falacias habituales entre los expertos —entre ellas, la creencia de que el sesgo solo afecta a personas poco éticas o incompetentes, o la de que la experiencia y la tecnología lo eliminan— y ocho fuentes de sesgo que operan en distintos niveles del razonamiento experto. En el terreno de la salud mental forense, Murrie et al. (2013) demostraron el denominado «sesgo de adscripción» (allegiance effect): evaluadores que puntuaban los mismos casos con instrumentos estandarizados de riesgo obtenían puntuaciones sistemáticamente más altas cuando creían haber sido contratados por la acusación que cuando creían trabajar para la defensa. Zapf et al. (2018), en una encuesta a evaluadores forenses, observaron que la mayoría reconocía la existencia de sesgos en su disciplina, pero una proporción considerablemente menor los admitía en su propia práctica, fenómeno conocido como «punto ciego del sesgo». Esta evidencia es relevante en dos sentidos opuestos. Por un lado, constituye el argumento más poderoso a favor de incorporar herramientas automatizadas que, en principio, no conocen quién paga el informe ni se dejan influir por el relato emocional del caso. Por otro, advierte de que la IA no está libre de sesgos: simplemente los traslada a otro lugar —los datos de entrenamiento, el diseño del modelo, la formulación de la pregunta— donde pueden resultar más difíciles de detectar. 3. La inteligencia artificial: conceptos útiles para el perito médico 3.1. Aprendizaje automático y aprendizaje profundo Bajo la etiqueta de «inteligencia artificial» se agrupan técnicas muy heterogéneas. Para el perito médico interesa distinguir, al menos, entre los sistemas de aprendizaje automático (machine learning) entrenados para tareas específicas —clasificar una imagen, estimar una edad, predecir un riesgo— y los modelos generativos de propósito general. Los primeros aprenden a partir de grandes conjuntos de datos etiquetados y pueden alcanzar un rendimiento notable en tareas acotadas. El trabajo de Esteva et al. (2017), en el que una red neuronal convolucional entrenada con cerca de 130.000 imágenes clínicas clasificó lesiones cutáneas con un rendimiento comparable al de médicos dermatólogos, se convirtió en un hito que anticipaba la llamada «medicina de alto rendimiento» basada en la convergencia entre inteligencia humana y artificial (Topol, 2019). Para la prueba pericial, este tipo de sistemas tiene una ventaja importante: sus métricas de rendimiento (sensibilidad, especificidad, error medio, área bajo la curva) pueden medirse y comunicarse, lo que permite, al menos en teoría, satisfacer el criterio de tasa de error conocida. Su principal limitación es la validez externa: un modelo entrenado en una población, con un tipo de equipo o en un contexto clínico determinado puede comportarse de forma impredecible cuando se aplica a casos que difieren de los de entrenamiento. 3.2. Modelos de lenguaje de gran tamaño Los LLM son modelos generativos entrenados con enormes corpus de texto para predecir secuencias de palabras. Su capacidad para producir textos fluidos y aparentemente razonados ha generado un entusiasmo considerable en medicina. Singhal et al. (2023) mostraron que estos modelos codifican una cantidad sustancial de conocimiento clínico y pueden alcanzar resultados elevados en preguntas de tipo examen médico, aunque con deficiencias relevantes cuando sus respuestas eran evaluadas por clínicos en dimensiones como la posibilidad de causar daño o la omisión de información importante. Kung et al. (2023) observaron que ChatGPT se situaba en el umbral de aprobado del examen de licencia médica estadounidense (USMLE) sin entrenamiento específico. Ayers et al. (2023), por su parte, encontraron que evaluadores profesionales preferían las respuestas de un chatbot a preguntas de pacientes frente a las de médicos, tanto por su calidad como por su empatía percibida. Las revisiones de conjunto coinciden en el potencial de estos sistemas para tareas de documentación, síntesis de información y apoyo a la decisión, pero también en la necesidad de cautela ante sus errores, la falta de transparencia sobre sus datos de entrenamiento y los riesgos para la privacidad (Lee et al., 2023; Thirunavukarasu et al., 2023). Para el perito, la tentación es evidente: un LLM puede resumir en minutos una historia clínica de cientos de páginas, ordenar cronológicamente los hechos asistenciales, proponer una estructura de informe y redactar un borrador con apariencia profesional. Precisamente esa apariencia constituye su mayor peligro. 3.3. Limitaciones estructurales: alucinaciones, opacidad, sesgo y automatización Cuatro limitaciones merecen especial atención en el contexto pericial. La primera son las denominadas «alucinaciones»: la generación de contenido falso con apariencia verosímil. Alkaissi y McFarlane (2023) documentaron cómo ChatGPT producía explicaciones médicas plausibles pero erróneas, acompañadas de referencias bibliográficas inexistentes. Walters y Wilder (2023) cuantificaron el fenómeno: una proporción sustancial de las citas bibliográficas generadas por estos modelos eran inventadas o contenían errores relevantes, aunque la proporción disminuía en las versiones más recientes. El riesgo dejó de ser teórico en el ámbito judicial con el caso Mata v. Avianca, Inc. (2023), en el que un tribunal federal estadounidense sancionó a varios abogados por presentar un escrito que citaba precedentes judiciales inexistentes generados por ChatGPT. Un informe pericial que incorporase datos, porcentajes o referencias alucinadas podría inducir a error al tribunal y, eventualmente, comprometer la responsabilidad del perito. La segunda es la opacidad, ya mencionada, que dificulta la contradicción. La tercera es el sesgo algorítmico. Obermeyer et al. (2019) demostraron que un algoritmo ampliamente utilizado en Estados Unidos para asignar recursos sanitarios discriminaba a pacientes negros porque empleaba el gasto sanitario previo como indicador de necesidad clínica, de modo que, a igual puntuación de riesgo, esos pacientes estaban en realidad más enfermos. El ejemplo ilustra cómo decisiones técnicas aparentemente neutras pueden reproducir desigualdades estructurales, un problema que en el ámbito forense —donde las poblaciones evaluadas no son representativas de la población general— puede agravarse (Mittelstadt et al., 2016). La cuarta es el sesgo de automatización: la tendencia humana a confiar en exceso en las recomendaciones de un sistema automatizado, lo que conduce tanto a errores de omisión (no detectar un problema porque el sistema no lo señala) como de comisión (seguir una recomendación errónea). Una revisión sistemática de Goddard et al. (2012) mostró que este sesgo es frecuente en los sistemas de apoyo a la decisión clínica y que factores como la carga de trabajo, la complejidad de la tarea o la confianza en el sistema lo modulan. En la pericia, este sesgo puede transformar una herramienta de apoyo en un sustituto encubierto del juicio profesional, con el perito limitándose a firmar lo que el sistema ha producido. 4. La inteligencia artificial en las distintas áreas de la medicina legal Las revisiones disponibles coinciden en que las aplicaciones de IA en las ciencias forenses se han multiplicado, pero también en que la mayoría se encuentran todavía en fase experimental. Galante et al. (2023) identificaron aplicaciones prometedoras en la estimación de la edad, la identificación, la determinación del intervalo postmortem y el análisis de imagen, junto con limitaciones relacionadas con el tamaño de las muestras, la ausencia de validación externa y los problemas de interpretabilidad. Piraianu et al. (2023) llegaron a conclusiones similares, subrayando el potencial de la IA para reforzar la objetividad de la prueba. La revisión de alcance de Tournois et al. (2024), centrada específicamente en la práctica de la medicina forense, encontró que la totalidad de los estudios analizados se situaban aún en el nivel de investigación, sin implantación rutinaria en la práctica pericial. Con este telón de fondo, conviene examinar las distintas áreas por separado. 4.1. Patología forense, tanatología e imagen postmortem La patología forense ha experimentado en las últimas dos décadas una transformación tecnológica de gran calado con la incorporación de la imagen postmortem. El proyecto Virtopsy, desarrollado en Suiza, demostró la viabilidad de la autopsia virtual mediante tomografía computarizada multicorte y resonancia magnética postmortem como complemento —y en ocasiones alternativa parcial— a la autopsia convencional (Thali et al., 2003). La generalización de estas técnicas genera volúmenes de imágenes que se prestan de forma natural al análisis automatizado. Dobay et al. (2020) exploraron el uso de técnicas de aprendizaje profundo sobre imagen postmortem y concluyeron que su potencial es considerable, aunque limitado por la escasez de conjuntos de datos forenses etiquetados y por las particularidades de los cambios postmortem, que no se encuentran en la imagen clínica con la que se entrenan la mayoría de los modelos. Garland et al. (2020) evaluaron la capacidad de una red neuronal convolucional para identificar lesiones craneales mortales en tomografías postmortem en un estudio de viabilidad que arrojó resultados prometedores, pero con muestras reducidas y un rendimiento todavía lejos del exigible para su uso pericial autónomo. En la práctica pericial, el papel previsible de estas herramientas es el de cribado y priorización: señalar fracturas, colecciones hemáticas, gas intravascular o cuerpos extraños que el patólogo debe confirmar, y orientar la autopsia convencional hacia las regiones de interés. Su incorporación podría mejorar la exhaustividad del examen y reducir omisiones, pero la determinación de la causa, el mecanismo y la etiología médico-legal de la muerte —que requiere integrar hallazgos de autopsia, histopatología, toxicología, circunstancias del levantamiento e información policial— sigue siendo un juicio de síntesis que excede con mucho las capacidades de un clasificador de imágenes. La estimación del intervalo postmortem, uno de los problemas clásicos de la tanatología, constituye otro campo de aplicación. Las aproximaciones tradicionales basadas en fenómenos cadavéricos son notoriamente imprecisas cuando aumenta el tiempo transcurrido. El aprendizaje automático aplicado a datos metabolómicos de distintos tejidos ha mostrado resultados alentadores en estudios recientes (AlJuhani et al., 2025), al igual que el análisis de la sucesión del microbioma postmortem mediante metagenómica combinada con algoritmos de IA (He et al., 2022). Sin embargo, la heterogeneidad de las condiciones ambientales y la falta de validación en casuística real siguen limitando su traslación a la pericia. 4.2. Toxicología forense La toxicología forense se basa en técnicas analíticas que generan grandes volúmenes de datos espectrométricos, terreno natural para el aprendizaje automático. Ward et al. (2024), en el contexto del sistema sueco de medicina legal y toxicología, propusieron la metabolómica postmortem como herramienta de cribado de alto rendimiento para orientar la causa de la muerte, un enfoque que se apoya en técnicas computacionales de análisis multivariante. Las aplicaciones previsibles incluyen la identificación de nuevas sustancias psicoactivas a partir de su perfil espectral, la detección de patrones metabólicos asociados a determinadas causas de muerte y la interpretación de concentraciones teniendo en cuenta la redistribución postmortem. Sin embargo, la toxicología forense ilustra bien un principio general: la IA puede refinar la fase analítica, pero la interpretación médico-legal —si una concentración determinada fue causa, concausa o hallazgo incidental en una muerte concreta, a la luz de la tolerancia, las interacciones y las circunstancias— sigue exigiendo un juicio experto contextualizado. 4.3. Clínica médico-forense, lesiones y valoración del daño corporal La clínica médico-forense —el reconocimiento de personas vivas lesionadas, la valoración de su sanidad y de sus secuelas— constituye el grueso de la actividad cotidiana de muchos institutos de medicina legal. En España, la valoración del daño corporal derivado de accidentes de circulación se rige por un sistema legal de baremación (Ley 35/2015), que exige al perito identificar lesiones, establecer el nexo causal, fijar los periodos de perjuicio temporal y valorar las secuelas conforme a tablas normativas. En este ámbito, la IA ofrece dos líneas de aplicación diferenciadas. La primera es el análisis de imagen de lesiones. Oura et al. (2021) presentaron una prueba de concepto de interpretación de heridas por arma de fuego mediante aprendizaje profundo, mostrando que es técnicamente posible clasificar automáticamente características relevantes de estas lesiones a partir de fotografías. La segunda línea, más próxima a la práctica habitual, es el uso de LLM para redactar informes de lesiones. Aydogan et al. (2025) evaluaron la capacidad de ChatGPT-4 para generar informes médico-forenses sobre la gravedad de lesiones en el marco del sistema legal turco, a partir de 366 casos. El modelo alcanzó una concordancia elevada —en torno al 96 %—, pero inferior a la de los médicos asistentes humanos (en torno al 99 %), y los autores concluyeron que su uso exige supervisión especializada. Una diferencia de tres puntos porcentuales puede parecer pequeña, pero en un volumen de miles de informes anuales significa decenas de calificaciones erróneas con repercusión directa en la tipificación penal de los hechos. La valoración del daño corporal es, además, un terreno en el que la entrevista y la exploración física no son reemplazables: la comprobación de balances articulares, la exploración neurológica, la valoración de la coherencia entre síntomas referidos y hallazgos objetivos o la detección de la exageración sintomática requieren la presencia del perito ante el lesionado. La IA puede ayudar a ordenar la documentación clínica, a calcular la indemnización conforme al baremo o a detectar inconsistencias documentales, pero no puede explorar. 4.4. Antropología y odontología forense: la estimación de la edad La estimación de la edad de personas vivas tiene una enorme trascendencia jurídica, en particular cuando debe determinarse si una persona es mayor o menor de edad en ausencia de documentación fiable. Los métodos clásicos, basados en la comparación de radiografías con atlas de referencia, son criticados por su variabilidad entre observadores y su dependencia de poblaciones de referencia que no siempre se corresponden con la evaluada. La estimación automática de la edad es uno de los campos más maduros de la IA forense. Štern et al. (2019) desarrollaron un sistema de estimación automática de la edad y de clasificación de la mayoría de edad a partir de resonancias magnéticas de múltiples regiones anatómicas (mano, clavícula y dientes), una aproximación que además evita la radiación ionizante. En el ámbito dental, Vila-Blanco et al. (2020), un grupo español, propusieron redes neuronales profundas para la estimación de la edad cronológica a partir de ortopantomografías, con errores medios reducidos en menores de 15 años. Park et al. (2024), con más de 13.000 radiografías panorámicas de población surcoreana, obtuvieron una precisión muy elevada en la estimación del sexo y un error medio de algo menos de tres años en la estimación de la edad. Estos resultados son relevantes, pero también ilustran los límites de la automatización pericial. El margen de error, aun reducido, sigue siendo significativo precisamente en la franja de edad más relevante jurídicamente (en torno a los 18 años), y los modelos entrenados en una población concreta pueden no ser trasladables a personas de otros orígenes geográficos, socioeconómicos o nutricionales. El informe pericial de edad debe expresar la incertidumbre, valorar críticamente la aplicabilidad del método a la persona examinada y, en caso de duda, aplicar el principio favorable a la minoría de edad. Ninguna de estas operaciones es puramente técnica. 4.5. Genética forense La genética forense es un ejemplo paradigmático de disciplina en la que la automatización ya es una realidad, mediante programas de genotipado probabilístico que interpretan mezclas complejas de ADN y calculan razones de verosimilitud. Este campo ilustra tanto las ventajas como los riesgos de la automatización. Por un lado, los sistemas probabilísticos ofrecen una consistencia que los analistas humanos no siempre alcanzan, como demostraron los resultados divergentes documentados por Dror y Hampikian (2011). Por otro, su funcionamiento interno es difícil de auditar para la defensa, y el resultado depende de supuestos y parámetros introducidos por el analista. La experiencia acumulada en genética forense sugiere que la automatización no elimina el juicio experto, sino que lo desplaza a la elección del modelo, los parámetros y la comunicación del resultado al tribunal. 4.6. Responsabilidad profesional sanitaria Los informes periciales sobre responsabilidad profesional médica son, quizá, los más complejos desde el punto de vista argumentativo. Exigen reconstruir la secuencia asistencial a partir de la historia clínica, identificar el estándar de cuidado exigible en el momento y lugar de los hechos (la lex artis ad hoc), valorar si la actuación se ajustó a él, establecer el nexo causal entre una eventual desviación y el daño, y cuantificar ese daño. Es un terreno en el que los LLM podrían parecer especialmente útiles, por su capacidad para procesar grandes volúmenes de documentación. El estudio de Bérar et al. (2026) constituye la evaluación empírica más directa disponible sobre esta cuestión. Los autores sometieron a varios modelos de lenguaje (ChatGPT-4 Turbo, Gemini y Mistral) a nueve casos ficticios de responsabilidad médica y compararon sus respuestas con las de un panel de peritos forenses. Los modelos coincidieron con los expertos en aproximadamente dos tercios de las consultas, pero omitieron errores evidentes, señalaron faltas inexistentes e incurrieron en contradicciones internas. Los autores concluyeron que las conclusiones finales deben permanecer en manos de peritos con formación médico-legal. A ello se añade una cuestión de responsabilidad: si el perito médico utiliza una herramienta de IA y esta induce a error, la responsabilidad no se desplaza al fabricante de la herramienta. La doctrina norteamericana ha señalado que, en el estado actual del derecho, el médico que sigue una recomendación de IA que se aparta del estándar de cuidado asume el riesgo de responsabilidad, lo que incentiva usar la IA únicamente como confirmación de la práctica estándar (Price et al., 2019). El razonamiento es trasladable, con mayor razón, al perito, cuyo deber de objetividad y diligencia es personal (Gerke et al., 2020). 4.7. Las especialidades clínicas como fuente de prueba Una parte considerable de la prueba pericial médica no la emiten médicos forenses, sino especialistas clínicos —radiólogos, traumatólogos, neurólogos, oftalmólogos, cardiólogos— que actúan como peritos de parte o designados judicialmente. En estas especialidades, la IA ya forma parte, en ocasiones, del propio acto asistencial: sistemas de detección de nódulos o fracturas en radiología, análisis automatizado de electrocardiogramas o de retinografías, clasificación de lesiones cutáneas (Esteva et al., 2017). De ello se deriva una consecuencia procesal relevante: el perito puede verse obligado a valorar no solo la actuación del médico, sino también la de la herramienta de IA que este utilizó, y si era razonable confiar en ella. La pericia sobre la IA —su validación, su uso conforme a las instrucciones del fabricante, la adecuación de la supervisión humana— se perfila como un nuevo campo de la medicina legal. 4.8. Balance de las aplicaciones en medicina legal La revisión anterior permite extraer algunas conclusiones generales. Primero, la IA ofrece su mayor rendimiento en tareas perceptivas y analíticas bien acotadas (análisis de imagen, procesamiento de datos analíticos, estimación de parámetros cuantitativos) y en tareas de organización documental. Segundo, su rendimiento es muy inferior en las tareas de integración e interpretación que constituyen el núcleo del juicio médico-legal. De Boer et al. (2026), al someter a ChatGPT a un examen simulado de especialidad en patología forense evaluado de forma ciega, constataron un buen desempeño en preguntas de conocimiento factual, pero un rendimiento deficiente en razonamiento complejo, interpretación de imágenes y análisis de casos de autopsia; y, lo que resulta especialmente preocupante, comprobaron que la fluidez y capacidad persuasiva de las respuestas enmascaraba esos errores. Tercero, prácticamente ninguna aplicación ha alcanzado el nivel de validación externa que permitiría utilizarla de forma rutinaria como fundamento autónomo de una conclusión pericial (Tournois et al., 2024). Como han señalado Dinis-Oliveira y Azevedo (2023), herramientas como ChatGPT abren en las ciencias forenses una auténtica «caja de Pandora»: útiles para tareas auxiliares como la revisión bibliográfica o la redacción, pero cuyo producto debe ser siempre verificado por expertos certificados antes de llegar a un tribunal. 5. La psiquiatría forense ante la inteligencia artificial 5.1. La especificidad epistemológica de la pericia psiquiátrica La psiquiatría forense ocupa una posición singular dentro de la medicina legal. Mientras que la mayoría de las pericias médicas pueden apoyarse en hallazgos objetivos —una fractura, una concentración de tóxico, una lesión anatómica—, la pericia psiquiátrica descansa en gran medida en la exploración del estado mental a través de la entrevista, en la observación de la conducta y en la reconstrucción de la biografía y de la psicopatología del sujeto. No existen, en la actualidad, biomarcadores validados que permitan diagnosticar con fiabilidad los trastornos mentales en el caso individual, y menos aún que permitan responder a las preguntas jurídicas que se formulan al perito. Esas preguntas, además, no son clínicas sino psicolegales. No se pide al psiquiatra forense que diagnostique, sino que valore si, en el momento de los hechos, una persona podía comprender la ilicitud de su conducta o actuar conforme a esa comprensión (art. 20.1 del Código Penal); si precisa apoyos para el ejercicio de su capacidad jurídica; si existe un pronóstico de comportamiento futuro que revele la probabilidad de comisión de nuevos delitos, presupuesto de las medidas de seguridad (art. 95 del Código Penal; Ley Orgánica 10/1995); si es capaz de comparecer el juicio en el que está como acusado; o si los síntomas que refiere son genuinos o simulados. Cada una de estas valoraciones exige un salto inferencial desde lo clínico hasta lo normativo que no es reducible a un cálculo. A ello se suma la dimensión relacional. La entrevista psiquiátrica forense se desarrolla en un contexto no terapéutico, con un examinado que puede tener poderosos incentivos para ocultar, exagerar o fabricar síntomas, y en el que el perito debe manejar la tensión entre la empatía necesaria para obtener información y la distancia necesaria para valorarla críticamente. Estas características hacen de la psiquiatría forense un banco de pruebas especialmente exigente para cualquier pretensión de automatización. 5.2. Diagnóstico y evaluación clínica asistidos por IA La investigación sobre IA en psiquiatría ha crecido de forma notable. Las revisiones de referencia subrayan la promesa del aprendizaje automático para predecir la respuesta al tratamiento o el curso clínico, pero también la distancia que separa los resultados de los estudios de su aplicación en la práctica real, debido a problemas de tamaño muestral, sobreajuste, validación externa insuficiente e implementación (Chekroud et al., 2021; Koutsouleris et al., 2022). Los LLM han añadido una dimensión nueva. Kim et al. (2024) observaron que varios modelos de lenguaje identificaban el trastorno obsesivo-compulsivo a partir de viñetas clínicas con una precisión superior a la de profesionales de la salud mental y de atención primaria. Galatzer-Levy et al. (2023) mostraron que un modelo médico de lenguaje podía estimar puntuaciones de escalas psiquiátricas a partir de entrevistas y relatos clínicos con un rendimiento apreciable. Levkovich y Elyoseph (2023), en cambio, encontraron que las valoraciones del riesgo suicida realizadas por distintas versiones de ChatGPT diferían de forma relevante: la versión más antigua tendía a infravalorar el riesgo en los casos más graves, mientras que la más reciente se aproximaba a la valoración de los profesionales, aunque sobrestimaba el peso de determinados factores. La lección es doble: el rendimiento de estos sistemas puede ser alto en condiciones controladas, pero es inestable, depende de la versión del modelo y se ha medido casi siempre con viñetas escritas, no con personas reales en contextos adversariales. Este último matiz es crucial para la pericia. Una viñeta clínica es un texto ya elaborado por un clínico, que ha seleccionado y organizado la información relevante. En la pericia psiquiátrica real, esa selección y organización es precisamente lo que el perito debe hacer, a partir de un relato fragmentario, contradictorio y, a menudo, interesado. 5.3. Análisis automatizado del lenguaje y fenotipado digital Una línea de investigación particularmente interesante para la psiquiatría forense es el análisis computacional del lenguaje. Bedi et al. (2015) mostraron que el análisis automatizado de la coherencia semántica y la complejidad sintáctica del habla libre permitía predecir la transición a la psicosis en jóvenes de alto riesgo, en una muestra pequeña. Corcoran et al. (2018) replicaron y extendieron estos hallazgos en distintas cohortes y protocolos. Estas técnicas podrían, en el futuro, aportar indicadores objetivos de alteraciones formales del pensamiento que complementen la exploración clínica. Su trasposición al ámbito forense plantea, sin embargo, problemas considerables. Las alteraciones del lenguaje pueden deberse a factores culturales, educativos, lingüísticos o neurológicos ajenos al trastorno mental; los modelos se han entrenado mayoritariamente en lengua inglesa y en poblaciones clínicas concretas; y la pregunta forense no es si existe un trastorno del pensamiento en el momento de la evaluación, sino si existía en el momento de los hechos y qué influencia tuvo sobre la conducta. Por otra parte, el Reglamento europeo de inteligencia artificial prohíbe, con excepciones, los sistemas de reconocimiento de emociones en el lugar de trabajo y en centros educativos y clasifica como de alto riesgo diversos usos de sistemas biométricos y de reconocimiento de emociones (Reglamento [UE] 2024/1689), lo que anticipa un escrutinio regulatorio intenso sobre cualquier herramienta que pretenda inferir estados mentales a partir de señales conductuales. 5.4. Valoración del riesgo de violencia y peligrosidad La valoración del riesgo de violencia es, probablemente, el ámbito de la psiquiatría forense en el que los instrumentos actuariales y algorítmicos tienen una trayectoria más larga. Mucho antes de la popularización de la IA, la psiquiatría y la psicología forenses desarrollaron escalas estructuradas para estimar la probabilidad de reincidencia. La evidencia acumulada sobre ellas es instructiva. El metaanálisis de Fazel et al. (2012), con 73 muestras y casi 25.000 personas, concluyó que estos instrumentos tienen una capacidad predictiva moderada: son razonablemente útiles para identificar a las personas de bajo riesgo, pero su valor predictivo positivo es limitado, de modo que una proporción importante de las personas clasificadas como de alto riesgo no llega a reincidir. Una revisión sistemática posterior sobre instrumentos empleados en la fase de sentencia encontró que la calidad de los estudios de validación era generalmente baja y que el rendimiento predictivo variaba considerablemente (Fazel et al., 2022). La sofisticación algorítmica no parece resolver estos límites. Dressel y Farid (2018) demostraron que el sistema comercial COMPAS, utilizado en tribunales estadounidenses para predecir la reincidencia, no era más preciso que las predicciones de personas sin formación específica reclutadas en línea, y que un modelo lineal con solo dos variables (edad y número de condenas previas) alcanzaba un rendimiento equivalente. Este hallazgo sugiere que existe un techo en la predictibilidad de la conducta humana individual que no depende tanto de la potencia del algoritmo como de la naturaleza del fenómeno. Desde el punto de vista ético, se ha argumentado que el uso de instrumentos de riesgo en la justicia penal y en la psiquiatría forense exige datos de mucha mejor calidad sobre su rendimiento en las poblaciones concretas a las que se aplican (Douglas et al., 2017), y que la incorporación de IA a la valoración del riesgo de violencia debe examinarse a la luz de los principios de autonomía, beneficencia, no maleficencia y justicia, con especial atención al riesgo de discriminación (Cockerill, 2020). El Reglamento europeo de IA ha ido más allá: prohíbe los sistemas de IA destinados a evaluar o predecir el riesgo de que una persona física cometa un delito basándose únicamente en la elaboración de perfiles o en la evaluación de rasgos y características de su personalidad, si bien excluye de la prohibición los sistemas que apoyan la valoración humana de la implicación de una persona en una actividad delictiva basada en hechos objetivos y verificables (art. 5.1.d del Reglamento [UE] 2024/1689). La frontera entre un instrumento de apoyo a la valoración pericial y un sistema predictivo prohibido será, previsiblemente, objeto de debate doctrinal y jurisprudencial. 5.5. Detección de la simulación: la IA como herramienta y como amenaza La detección de la simulación es una tarea central de la psiquiatría forense, especialmente en contextos de incapacidad laboral, reclamaciones de daños psíquicos y alegaciones de inimputabilidad. La investigación ha explorado el uso del aprendizaje automático para identificar patrones de respuesta característicos de la simulación. Monaro et al. (2018) desarrollaron una herramienta basada en el análisis de la dinámica de respuesta del examinado ante preguntas sobre síntomas depresivos que, en condiciones experimentales, discriminaba con alta precisión entre síntomas genuinos y simulados. Orrù et al. (2020) han defendido de forma más general la utilidad del aprendizaje automático en psicometría para construir modelos predictivos más robustos que los análisis estadísticos tradicionales. Pero la IA es también una amenaza para la detección de la simulación. Gershan et al. (2025) analizaron las respuestas de ChatGPT a preguntas sobre síntomas psicóticos, simulación y defensa por enajenación: aunque la mayoría de las respuestas eran correctas, el sistema proporcionó orientaciones prácticas que podrían ayudar a fingir una enfermedad mental. Fuermaier y Niesten (2025), en un estudio experimental con 110 estudiantes, demostraron que el entrenamiento con materiales generados por ChatGPT permitía simular un trastorno por déficit de atención con hiperactividad de forma más convincente y con menor probabilidad de ser detectado por las pruebas neuropsicológicas de validez. Roof (2025) ha advertido de que este «engaño asistido por IA» constituye un desafío emergente para la psiquiatría forense que exige actualizar tanto los instrumentos de evaluación como la formación de los peritos. Esta doble dimensión ilustra una idea central de este ensayo: la IA no solo cambia las herramientas del perito, sino también el entorno en el que trabaja. Los examinados, los abogados y las partes tendrán acceso a las mismas herramientas, y el perito deberá tenerlo en cuenta. 5.6. Los modelos de lenguaje en la elaboración y el análisis del informe psiquiátrico El uso de LLM para analizar o redactar informes psiquiátricos forenses es todavía incipiente. Petroni et al. (2025) presentaron un estudio de caso en el que GPT-4o se utilizó para extraer variables clínicas y no clínicas de informes periciales italianos sobre imputabilidad y peligrosidad social y para generar resúmenes de su contenido. El trabajo, basado en un número muy reducido de informes, sugiere que estas herramientas podrían semiautomatizar la recogida de datos con fines de investigación, pero no aporta evidencia sobre su capacidad para emitir valoraciones periciales. En el plano conceptual, Grabb y Angelotta (2023) han señalado que la entrada de los LLM en la práctica forense plantea problemas de fiabilidad, sesgo, validez externa y responsabilidad que la psiquiatría forense debe abordar antes de su adopción. Tortora (2024) ha analizado las aplicaciones de la IA generativa en psiquiatría forense, reconociendo su potencial en la valoración del riesgo y en la formación mediante simulaciones, pero advirtiendo de que agrava problemas ya conocidos —sesgo, opacidad, privacidad— y añade otros nuevos, como las alucinaciones y la posibilidad de pruebas falsificadas mediante deepfakes. En la práctica, las tareas en las que un LLM puede aportar valor real en la pericia psiquiátrica son de carácter instrumental: transcribir y estructurar entrevistas grabadas con consentimiento, ordenar cronológicamente la historia clínica y los antecedentes, identificar contradicciones entre distintas fuentes documentales, verificar que el informe aborda todas las cuestiones planteadas por el tribunal, o mejorar la claridad expositiva del texto. En cambio, la valoración de la credibilidad, la formulación diagnóstica en un contexto adversarial y, sobre todo, la traducción de la psicopatología a las categorías jurídicas son tareas que exigen un juicio clínico y ético que estos sistemas no pueden asumir con garantías. 5.7. Neuropredicción y neuroderecho Una última línea de reflexión se refiere a la combinación de neuroimagen e IA con fines predictivos o explicativos en el ámbito penal. Tortora et al. (2020) han examinado, desde la perspectiva del neuroderecho, la posibilidad de emplear técnicas de neuroimagen analizadas mediante IA para predecir la reincidencia o para fundamentar valoraciones de imputabilidad. Sus conclusiones son prudentes: aunque la neuropredicción podría mejorar en el futuro la precisión de algunas valoraciones, plantea problemas graves de validez en el caso individual, de privacidad mental y de compatibilidad con los principios del derecho penal, como la culpabilidad y la presunción de inocencia. El riesgo de que una imagen cerebral procesada por un algoritmo adquiera ante el tribunal un poder persuasivo desproporcionado a su valor científico real es considerable. 6. ¿Un informe pericial íntegramente elaborado por inteligencia artificial? 6.1. Planteamiento: grados de automatización La pregunta de si un sistema de IA podría elaborar un informe pericial médico completo, sin intervención humana, no admite una respuesta binaria. Resulta útil distinguir distintos grados de automatización, inspirados en las taxonomías empleadas en otros sectores, como la conducción autónoma. La tabla siguiente propone una clasificación orientativa aplicada a la pericia médica. Nivel Denominación Papel de la IA Papel del perito humano Situación actual 0 Pericia convencional Ninguno o herramientas informáticas generales Realiza todas las fases Práctica tradicional 1 Asistencia documental Búsqueda bibliográfica, transcripción, ordenación de documentos, corrección de estilo Realiza la exploración, el análisis y las conclusiones Ya extendido, a menudo sin declarar 2 Asistencia analítica Análisis de imagen, datos analíticos o escalas; sugiere hallazgos Valida los hallazgos y elabora las conclusiones En investigación; uso puntual 3 Borrador integral supervisado Genera un borrador completo de informe a partir de la documentación Revisa, corrige, asume y firma el informe Técnicamente posible; riesgos elevados 4 Informe autónomo con firma nominal Elabora el informe; el humano firma sin revisión sustantiva Responsable formal, no real Inaceptable jurídica y deontológicamente 5 Informe autónomo sin perito Elabora, emite y «defiende» el informe Inexistente Jurídicamente imposible en el marco vigente Tabla 1. Grados de automatización en la elaboración del informe pericial médico. Los niveles 1 y 2 son ya una realidad o lo serán próximamente, y no plantean objeciones de principio siempre que se respeten determinadas garantías. El nivel 3 constituye la frontera crítica: es técnicamente viable con los LLM actuales y puede resultar tentador por razones de eficiencia, pero desliza peligrosamente hacia el nivel 4, en el que la supervisión humana se convierte en una formalidad. Los niveles 4 y 5 corresponden a lo que, en sentido estricto, cabría denominar un informe pericial elaborado íntegramente por IA. A continuación se examinan los obstáculos jurídicos, epistémicos y éticos que se oponen a esta hipótesis. 6.2. Obstáculos jurídicos El primer obstáculo es de naturaleza subjetiva. El ordenamiento procesal español concibe al perito como una persona física dotada de una titulación oficial (art. 340.1 LEC; art. 457 LECrim) que presta juramento o promesa de actuar con objetividad (art. 335.2 LEC). Un sistema de IA no puede ostentar un título, ni prestar juramento, ni asumir un compromiso personal de veracidad. Tampoco puede ser objeto de recusación o tacha por las causas que la ley prevé, que presuponen relaciones personales, intereses o vínculos con las partes. El segundo obstáculo es procesal. Los principios de inmediación, oralidad y contradicción exigen que el perito pueda comparecer en el acto del juicio para explicar su dictamen, responder a las preguntas de las partes y del tribunal y, en su caso, someterse a careo con otros peritos (art. 347 LEC). Aunque podría imaginarse un sistema capaz de responder por escrito o mediante voz sintética a las preguntas formuladas, ello no satisfaría la exigencia de contradicción en su sentido material: la posibilidad de poner a prueba la competencia, la coherencia y la honestidad de quien sostiene una opinión experta. Un sistema que puede producir respuestas distintas ante la misma pregunta, o que no puede explicar verazmente por qué alcanzó una conclusión, no puede ser contradicho en un sentido jurídicamente significativo. El tercer obstáculo es la responsabilidad. El perito responde civil, disciplinaria y penalmente de su dictamen; el Código Penal castiga al perito que falta maliciosamente a la verdad (art. 459 del Código Penal). Un sistema de IA no es sujeto de responsabilidad, y la eventual responsabilidad del fabricante, del proveedor o de quien lo utiliza se rige por regímenes diferentes que no garantizan la misma función de aseguramiento de la veracidad. La literatura sobre responsabilidad en la IA sanitaria ha subrayado precisamente la indefinición de los regímenes de responsabilidad cuando intervienen sistemas automatizados (Gerke et al., 2020; Price et al., 2019). El cuarto obstáculo es regulatorio. El Reglamento europeo de inteligencia artificial establece un régimen específico para los sistemas de alto riesgo, entre los que incluye los destinados a ser utilizados por una autoridad judicial, o en su nombre, para ayudarla en la investigación e interpretación de hechos y del derecho y en la aplicación de la ley a un conjunto concreto de hechos (anexo III, punto 8, del Reglamento [UE] 2024/1689), así como determinados sistemas utilizados por autoridades encargadas de la aplicación de la ley, por ejemplo para evaluar la fiabilidad de las pruebas (anexo III, punto 6). Además, muchos sistemas de IA de uso médico se consideran de alto riesgo por su condición de productos sanitarios. Para estos sistemas, el Reglamento exige que estén diseñados de modo que puedan ser vigilados efectivamente por personas físicas durante su uso, con el fin de prevenir o reducir al mínimo los riesgos para la salud, la seguridad o los derechos fundamentales, y que esas personas sean conscientes de la posible tendencia a confiar automáticamente o en exceso en los resultados del sistema (art. 14). Es decir, la propia norma europea incorpora expresamente la preocupación por el sesgo de automatización y presupone la supervisión humana. Debe advertirse que el calendario de aplicación de algunas obligaciones relativas a sistemas de alto riesgo ha sido objeto de propuestas de ajuste, por lo que su exigibilidad concreta debe comprobarse en cada momento; la orientación de fondo, sin embargo, es inequívoca. En el ámbito interno, el Real Decreto-ley 6/2023 ha regulado por primera vez en España las actuaciones judiciales automatizadas, proactivas y asistidas, y ha establecido que los borradores de texto generados mediante sistemas de apoyo no constituyen resolución sin la intervención y validación de la autoridad competente. Aunque esta norma se refiere a la actuación de los órganos judiciales y no a la prueba pericial, expresa un principio de política legislativa —la IA asiste, pero no sustituye a quien tiene la función atribuida— que resulta plenamente trasladable a la pericia. El quinto obstáculo se refiere a la protección de datos. Los informes periciales médicos tratan datos de salud, categoría especial de datos personales sometida a un régimen reforzado (art. 9 del Reglamento [UE] 2016/679). El mismo Reglamento reconoce el derecho de toda persona a no ser objeto de una decisión basada únicamente en el tratamiento automatizado que produzca efectos jurídicos en ella o la afecte significativamente de modo similar (art. 22). Aunque el informe pericial no es en sí mismo una decisión, su influencia sobre la decisión judicial puede ser determinante, lo que aconseja una interpretación prudente. Por otra parte, el uso de servicios comerciales de IA generativa para procesar documentación clínica implica comunicar datos de salud a terceros, a menudo con servidores fuera del Espacio Económico Europeo, lo que plantea problemas de licitud, de confidencialidad y de secreto profesional que el perito no puede ignorar. 6.3. Obstáculos epistémicos: lo que dice la evidencia Aun si los obstáculos jurídicos pudieran superarse mediante reformas legislativas, subsistiría la cuestión de si la IA es capaz de producir informes periciales de calidad comparable a los humanos. La evidencia disponible, todavía escasa, apunta claramente en sentido negativo. Los estudios que han evaluado directamente el desempeño de los LLM en tareas periciales muestran un patrón consistente: rendimiento aceptable o bueno en tareas factuales o de clasificación simple, y rendimiento insuficiente en las tareas que requieren integración, razonamiento causal y juicio contextual. Así ocurre en la calificación de lesiones, donde el modelo se aproxima pero no alcanza la precisión humana (Aydogan et al., 2025); en la patología forense, donde las deficiencias en razonamiento complejo quedan ocultas tras respuestas fluidas y persuasivas (de Boer et al., 2026); y en la responsabilidad profesional médica, donde los modelos omiten errores evidentes, señalan faltas inexistentes y se contradicen (Bérar et al., 2026). En psiquiatría, la evidencia procede casi exclusivamente de viñetas y no se ha evaluado el rendimiento en informes reales sobre imputabilidad o capacidad (Kim et al., 2024; Levkovich y Elyoseph, 2023; Petroni et al., 2025). Un problema adicional es que los LLM no tienen acceso directo a la realidad que debe peritarse. Trabajan sobre documentos y relatos; no exploran, no observan, no palpan, no escuchan la prosodia de un discurso ni perciben la incongruencia afectiva de un examinado. En medicina legal, la exploración directa no es un elemento accesorio, sino la fuente primaria de los datos sobre los que se construye la pericia. Un informe íntegramente elaborado por IA sería, en el mejor de los casos, un informe documental, con las limitaciones que la doctrina médico-legal reconoce a este tipo de pericias. Por último, las alucinaciones plantean un problema de fiabilidad que no es marginal. Un sistema que genera con cierta frecuencia datos, referencias o hechos falsos con la misma apariencia de certeza que los verdaderos (Alkaissi y McFarlane, 2023; Walters y Wilder, 2023) no puede ser fuente autónoma de una prueba destinada a fundamentar resoluciones judiciales. El caso Mata v. Avianca, Inc. (2023) es una advertencia de lo que puede ocurrir cuando un profesional delega en un LLM sin verificar su producto. 6.4. Obstáculos éticos y de legitimidad Más allá de lo jurídico y lo epistémico, la hipótesis del informe pericial automatizado plantea cuestiones de legitimidad. Los marcos éticos de referencia para la IA coinciden en exigir que los sistemas respeten la autonomía humana, eviten daños, sean justos y resulten explicables, y que exista siempre una atribución clara de responsabilidad (Floridi et al., 2018; Mittelstadt et al., 2016). En medicina, se ha advertido del riesgo de que los sistemas de aprendizaje automático incorporen los valores y los incentivos de quienes los diseñan y financian, y de que su uso altere la relación de confianza entre profesional y paciente (Char et al., 2018). En la pericia, esta advertencia cobra un sentido particular. El informe pericial no es solo un producto técnico, sino un acto de comunicación entre la medicina y la justicia, mediado por una persona que asume, ante el tribunal y ante la sociedad, la responsabilidad de lo que afirma. La persona examinada —el lesionado, el investigado, la persona cuya capacidad se evalúa— tiene derecho a ser examinada por alguien que pueda escucharla, comprender su situación y responder de lo que diga sobre ella. Reducir ese acto a un procesamiento algorítmico supondría, además de un riesgo para la exactitud, una forma de cosificación incompatible con la dignidad de la persona. 6.5. Argumentos a favor y la paradoja del perito automatizado Sería injusto no considerar los argumentos a favor de una mayor automatización. Los partidarios podrían alegar que la IA no conoce a la parte que paga el informe y, por tanto, eliminaría el sesgo de adscripción documentado por Murrie et al. (2013); que aplicaría criterios de forma consistente, evitando la variabilidad entre peritos; que reduciría los tiempos de espera, endémicos en muchos institutos de medicina legal; y que haría accesible una pericia de calidad a quienes no pueden costear un perito de parte. Estos argumentos tienen peso, pero deben matizarse. La consistencia de un sistema no equivale a su exactitud: un sistema puede ser consistentemente erróneo, y su error, al ser sistemático, afectaría a todos los casos de forma simultánea. La supuesta neutralidad se desvanece cuando se advierte que el resultado de un LLM depende en gran medida de cómo se formula la pregunta y de qué documentos se le proporcionan, decisiones que seguirían tomando las partes. Y la eficiencia, siendo un valor legítimo, no puede prevalecer sobre las garantías del proceso. Surge así lo que podría denominarse la paradoja del perito automatizado: cuanto más fiable y autónomo fuera un sistema de IA, más difícil resultaría su control efectivo por el tribunal y por las partes, y más intenso sería el sesgo de automatización de quienes debieran supervisarlo. Un sistema que acierta el 98 % de las veces es más peligroso, en cierto sentido, que uno que acierta el 70 %, porque nadie revisará con atención sus conclusiones. La supervisión humana tiende a degradarse precisamente cuando el sistema funciona bien, y es entonces cuando sus errores pasan inadvertidos. 6.6. La especificidad psiquiátrica: por qué la automatización es aún menos viable Todo lo anterior es aplicable, con mayor intensidad, a la psiquiatría forense. En primer lugar, porque la fuente principal de información es la entrevista, que es un acto interpersonal en el que el propio perito actúa como instrumento de exploración. En segundo lugar, porque la pregunta psicolegal exige una valoración retrospectiva (el estado mental en el momento de los hechos) o prospectiva (el riesgo futuro) que no puede derivarse directamente de los datos presentes. En tercer lugar, porque la simulación y la disimulación son frecuentes, y la propia IA puede ser utilizada por el examinado para entrenarse (Fuermaier y Niesten, 2025; Gershan et al., 2025). En cuarto lugar, porque la predicción del riesgo de violencia mediante algoritmos ha mostrado límites de rendimiento que no parecen superables mediante mayor potencia computacional (Dressel y Farid, 2018; Fazel et al., 2022) y porque el propio Reglamento europeo prohíbe los sistemas que pretenden predecir la comisión de delitos basándose únicamente en perfiles o rasgos de personalidad. Y, finalmente, porque las consecuencias de la pericia psiquiátrica —la privación de libertad mediante una medida de seguridad, la limitación del ejercicio de la capacidad jurídica, la exoneración o no de responsabilidad penal— afectan a los derechos fundamentales de forma especialmente intensa. Un informe psiquiátrico forense elaborado íntegramente por IA no sería, en definitiva, un informe psiquiátrico: sería un ejercicio de clasificación documental revestido de una autoridad clínica que no posee. 7. Hacia un modelo de «perito aumentado»: propuestas de buenas prácticas Rechazar la hipótesis del informe pericial autónomo no significa rechazar la IA. La alternativa razonable es un modelo de «perito aumentado», en el que la IA potencia las capacidades del perito sin sustituir su juicio ni diluir su responsabilidad. A partir del análisis anterior, pueden formularse las siguientes recomendaciones. Declaración expresa del uso de IA. El informe debe indicar qué herramientas de IA se han utilizado, con qué versión, para qué tareas concretas y bajo qué supervisión. Esta transparencia es condición de la contradicción y debería incorporarse a las guías de buenas prácticas de las sociedades científicas y a los protocolos de los institutos de medicina legal. Verificación integral. Todo dato, cita bibliográfica, cifra o afirmación procedente de un sistema de IA debe ser verificado en su fuente original por el perito antes de incorporarse al informe. La firma del perito debe implicar que ha comprobado personalmente el contenido. Preferencia por herramientas validadas e interpretables. En las tareas analíticas deben preferirse sistemas validados externamente en poblaciones comparables a la evaluada, con métricas de error conocidas y, cuando sea posible, interpretables (Rudin, 2019). El perito debe poder explicar al tribunal por qué confió en la herramienta. Exploración personal irrenunciable. La exploración física y la entrevista clínica, cuando proceden, deben ser realizadas por el perito. La IA puede apoyar el registro y el análisis, pero no sustituir el encuentro con la persona examinada. Protección de los datos. No deben introducirse datos de salud identificables en servicios de IA de uso general que no ofrezcan garantías adecuadas conforme al Reglamento general de protección de datos. Los institutos de medicina legal y los colegios profesionales deberían facilitar herramientas seguras desplegadas en entornos controlados. Formación en IA y en sesgo de automatización. La formación de los peritos médicos, y en particular de los especialistas en medicina legal y forense y de los psiquiatras forenses, debe incluir contenidos sobre el funcionamiento, los límites y los riesgos de la IA, así como estrategias para contrarrestar el sesgo de automatización (Goddard et al., 2012). Actualización de la evaluación de la simulación. Los instrumentos y protocolos de detección de la simulación deben revisarse a la luz de la posibilidad de que los examinados se hayan preparado con ayuda de IA (Roof, 2025). Separación entre tareas instrumentales y juicio pericial. Las tareas de transcripción, ordenación documental, búsqueda bibliográfica y corrección de estilo pueden delegarse con supervisión; la selección de los datos relevantes, la interpretación y la formulación de las conclusiones médico-legales deben permanecer en manos del perito. Investigación aplicada en contexto forense. Es necesario promover estudios que evalúen las herramientas de IA en casuística forense real, en lengua española y en poblaciones representativas de las que llegan a los tribunales, con diseños que comparen informes asistidos y no asistidos. Estas recomendaciones son coherentes con el principio de supervisión humana del Reglamento europeo de IA y con la exigencia constitucional de un proceso con todas las garantías. Su objetivo no es frenar la innovación, sino garantizar que esta refuerce, y no erosione, la calidad y la legitimidad de la prueba pericial. 8. Conclusiones Primera. La inteligencia artificial está llamada a transformar la práctica de la medicina legal y forense. Sus aplicaciones más maduras se concentran en tareas perceptivas y analíticas acotadas —análisis de imagen postmortem, estimación de la edad, procesamiento de datos analíticos— y en la gestión documental. La evidencia disponible, sin embargo, sitúa la mayoría de estas aplicaciones en fase de investigación, sin validación suficiente para su uso rutinario como fundamento autónomo de conclusiones periciales. Segunda. Los modelos de lenguaje de gran tamaño ofrecen ventajas evidentes en la síntesis de documentación y la redacción, pero presentan limitaciones estructurales —alucinaciones, opacidad, inestabilidad entre versiones, sesgos— que los hacen inadecuados como autores de informes periciales. Los estudios que han evaluado su desempeño en tareas médico-legales muestran un buen rendimiento en cuestiones factuales y deficiencias relevantes en razonamiento complejo, a menudo enmascaradas por la fluidez de sus respuestas. Tercera. La psiquiatría forense es el ámbito en el que la automatización resulta menos viable, por la centralidad de la entrevista, la naturaleza psicolegal de las preguntas, la frecuencia de la simulación —que la propia IA puede facilitar— y la intensidad de la afectación de derechos fundamentales. La experiencia con los instrumentos algorítmicos de valoración del riesgo muestra que existen límites a la predictibilidad de la conducta individual que la potencia computacional no supera. Cuarta. Un informe pericial médico elaborado íntegramente por IA, sin intervención humana, es en la actualidad jurídicamente inviable en el ordenamiento español y europeo: el perito ha de ser una persona física cualificada, que presta juramento, responde de su dictamen y se somete a contradicción; y el Reglamento europeo de inteligencia artificial exige supervisión humana efectiva en los sistemas de alto riesgo. Es, además, epistémicamente prematuro y éticamente desaconsejable. Quinta. El modelo deseable es el del «perito aumentado»: un profesional que utiliza la IA de forma declarada, verificada y supervisada para mejorar la exhaustividad, la consistencia y la eficiencia de su trabajo, pero que conserva íntegramente el juicio, la exploración y la responsabilidad. La IA puede ayudar a mitigar algunos sesgos humanos bien documentados, pero solo si el perito es consciente de los nuevos sesgos que introduce, empezando por el de automatización. Sexta. La medicina legal tiene ante sí una doble tarea: incorporar críticamente la IA a sus métodos y, al mismo tiempo, desarrollar la capacidad de peritar la propia IA cuando esta intervenga en los hechos objeto de litigio. Ambas tareas exigen formación, investigación aplicada en contexto forense y guías de buenas prácticas que las sociedades científicas y las instituciones médico-legales deberían elaborar sin demora. La pregunta decisiva no es si la IA puede redactar un informe pericial —ya puede redactar textos que lo parecen—, sino si puede responder de él. Y esa responsabilidad, hoy por hoy, solo puede asumirla una persona. Referencias AlJuhani, A. A., Desoky, R. M., Binshalhoub, A. A., Alzahrani, M. J., Alraythi, M. S. y Alzahrani, F. F. (2025). Advances in postmortem interval estimation: A systematic review of machine learning and metabolomics across various tissue types. Forensic Science, Medicine and Pathology, 21(3), 1428–1446. https://doi.org/10.1007/s12024-025-01026-3 Alkaissi, H. y McFarlane, S. I. (2023). Artificial hallucinations in ChatGPT: Implications in scientific writing. Cureus, 15(2), Artículo e35179. https://doi.org/10.7759/cureus.35179 Aydogan, H. C., Yıkar, B., Balandız, H. y Özsoy, S. (2025). Assessing ChatGPT-4's ability to generate forensic reports: A study of artificial intelligence in forensics. Egyptian Journal of Forensic Sciences, 15(1), Artículo 30. https://doi.org/10.1186/s41935-025-00445-1 Ayers, J. W., Poliak, A., Dredze, M., Leas, E. C., Zhu, Z., Kelley, J. B., Faix, D. J., Goodman, A. M., Longhurst, C. A., Hogarth, M. y Smith, D. M. (2023). Comparing physician and artificial intelligence chatbot responses to patient questions posted to a public social media forum. JAMA Internal Medicine, 183(6), 589–596. https://doi.org/10.1001/jamainternmed.2023.1838 Bedi, G., Carrillo, F., Cecchi, G. A., Slezak, D. F., Sigman, M., Mota, N. B., Ribeiro, S., Javitt, D. C., Copelli, M. y Corcoran, C. M. (2015). Automated analysis of free speech predicts psychosis onset in high-risk youths. npj Schizophrenia, 1(1), Artículo 15030. https://doi.org/10.1038/npjschz.2015.30 Bérar, A., Allain, J.-S. y Bouvet, R. (2026). Could ChatGPT and co. replace forensic experts? A comparative study on medical liability expertise. International Journal of Legal Medicine, 140(4), 2533–2541. https://doi.org/10.1007/s00414-026-03777-2 Char, D. S., Shah, N. H. y Magnus, D. (2018). Implementing machine learning in health care—Addressing ethical challenges. New England Journal of Medicine, 378(11), 981–983. https://doi.org/10.1056/NEJMp1714229 Chekroud, A. M., Bondar, J., Delgadillo, J., Doherty, G., Wasil, A., Fokkema, M., Cohen, Z., Belgrave, D., DeRubeis, R., Iniesta, R., Dwyer, D. y Choi, K. (2021). The promise of machine learning in predicting treatment outcomes in psychiatry. World Psychiatry, 20(2), 154–170. https://doi.org/10.1002/wps.20882 Cockerill, R. G. (2020). Ethics implications of the use of artificial intelligence in violence risk assessment. Journal of the American Academy of Psychiatry and the Law, 48(3), 345–349. https://doi.org/10.29158/JAAPL.003940-20 Corcoran, C. M., Carrillo, F., Fernández-Slezak, D., Bedi, G., Klim, C., Javitt, D. C., Bearden, C. E. y Cecchi, G. A. (2018). Prediction of psychosis across protocols and risk cohorts using automated language analysis. World Psychiatry, 17(1), 67–75. https://doi.org/10.1002/wps.20491 Daubert v. Merrell Dow Pharmaceuticals, Inc., 509 U.S. 579 (1993). https://supreme.justia.com/cases/federal/us/509/579/ de Boer, H. H., Young, G., Bouwer, H. y Heath, K. J. (2026). ChatGPT's performance on a specialist forensic pathology examination: Implications for forensic pathologists and non-specialists. International Journal of Legal Medicine, 140(3), 1717–1724. https://doi.org/10.1007/s00414-025-03699-5 Dinis-Oliveira, R. J. y Azevedo, R. M. S. (2023). ChatGPT in forensic sciences: A new Pandora's box with advantages and challenges to pay attention. Forensic Sciences Research, 8(4), 275–279. https://doi.org/10.1093/fsr/owad039 Dobay, A., Ford, J., Decker, S., Ampanozi, G., Franckenberg, S., Affolter, R., Sieberth, T. y Ebert, L. C. (2020). Potential use of deep learning techniques for postmortem imaging. Forensic Science, Medicine and Pathology, 16(4), 671–679. https://doi.org/10.1007/s12024-020-00307-3 Douglas, T., Pugh, J., Singh, I., Savulescu, J. y Fazel, S. (2017). Risk assessment tools in criminal justice and forensic psychiatry: The need for better data. European Psychiatry, 42, 134–137. https://doi.org/10.1016/j.eurpsy.2016.12.009 Dressel, J. y Farid, H. (2018). The accuracy, fairness, and limits of predicting recidivism. Science Advances, 4(1), Artículo eaao5580. https://doi.org/10.1126/sciadv.aao5580 Dror, I. E. (2020). Cognitive and human factors in expert decision making: Six fallacies and the eight sources of bias. Analytical Chemistry, 92(12), 7998–8004. https://doi.org/10.1021/acs.analchem.0c00704 Dror, I. E. y Hampikian, G. (2011). Subjectivity and bias in forensic DNA mixture interpretation. Science & Justice, 51(4), 204–208. https://doi.org/10.1016/j.scijus.2011.08.004 Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M. y Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056 Fazel, S., Burghart, M., Fanshawe, T., Gil, S. D., Monahan, J. y Yu, R. (2022). The predictive performance of criminal risk assessment tools used at sentencing: Systematic review of validation studies. Journal of Criminal Justice, 81, Artículo 101902. https://doi.org/10.1016/j.jcrimjus.2022.101902 Fazel, S., Singh, J. P., Doll, H. y Grann, M. (2012). Use of risk assessment instruments to predict violence and antisocial behaviour in 73 samples involving 24 827 people: Systematic review and meta-analysis. BMJ, 345, Artículo e4692. https://doi.org/10.1136/bmj.e4692 Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P. y Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5 Fuermaier, A. B. M. y Niesten, I. J. M. (2025). ChatGPT helps students feign ADHD: An analogue study on AI-assisted coaching. Psychological Injury and Law, 18(2), 97–107. https://doi.org/10.1007/s12207-025-09538-7 Galante, N., Cotroneo, R., Furci, D., Lodetti, G. y Casali, M. B. (2023). Applications of artificial intelligence in forensic sciences: Current potential benefits, limitations and perspectives. International Journal of Legal Medicine, 137(2), 445–458. https://doi.org/10.1007/s00414-022-02928-5 Galatzer-Levy, I. R., McDuff, D., Natarajan, V., Karthikesalingam, A. y Malgaroli, M. (2023). The capability of large language models to measure psychiatric functioning (arXiv:2308.01834) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2308.01834 Garland, J., Ondruschka, B., Stables, S., Morrow, P., Kesha, K., Glenn, C. y Tse, R. (2020). Identifying fatal head injuries on postmortem computed tomography using convolutional neural network/deep learning: A feasibility study. Journal of Forensic Sciences, 65(6), 2019–2022. https://doi.org/10.1111/1556-4029.14502 Gerke, S., Minssen, T. y Cohen, I. G. (2020). Ethical and legal challenges of artificial intelligence-driven healthcare. En A. Bohr y K. Memarzadeh (Eds.), Artificial intelligence in healthcare (pp. 295–336). Academic Press. https://doi.org/10.1016/B978-0-12-818438-7.00012-5 Gershan, S. A., Schoenfeld, E. N. y Grabb, D. J. (2025). A pilot analysis investigating the use of AI in malingering. Journal of the American Academy of Psychiatry and the Law, 53(2), 147–156. https://doi.org/10.29158/JAAPL.240115-24 Ghassemi, M., Oakden-Rayner, L. y Beam, A. L. (2021). The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health, 3(11), e745–e750. https://doi.org/10.1016/S2589-7500(21)00208-9 Goddard, K., Roudsari, A. y Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089 Grabb, D. J. y Angelotta, C. (2023). Emerging forensic implications of the artificial intelligence revolution. Journal of the American Academy of Psychiatry and the Law, 51(4), 475–479. https://doi.org/10.29158/JAAPL.230080-23 He, Q., Niu, X., Qi, R.-Q. y Liu, M. (2022). Advances in microbial metagenomics and artificial intelligence analysis in forensic identification. Frontiers in Microbiology, 13, Artículo 1046733. https://doi.org/10.3389/fmicb.2022.1046733 Kim, J., Leonte, K. G., Chen, M. L., Torous, J. B., Linos, E., Pinto, A. y Rodriguez, C. I. (2024). Large language models outperform mental and medical health care professionals in identifying obsessive-compulsive disorder. npj Digital Medicine, 7, Artículo 193. https://doi.org/10.1038/s41746-024-01181-x Koutsouleris, N., Hauser, T. U., Skvortsova, V. y De Choudhury, M. (2022). From promise to practice: Towards the realisation of AI-informed mental health care. The Lancet Digital Health, 4(11), e829–e840. https://doi.org/10.1016/S2589-7500(22)00153-4 Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., Elepaño, C., Madriaga, M., Aggabao, R., Diaz-Candido, G., Maningo, J. y Tseng, V. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health, 2(2), Artículo e0000198. https://doi.org/10.1371/journal.pdig.0000198 Lee, P., Bubeck, S. y Petro, J. (2023). Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. New England Journal of Medicine, 388(13), 1233–1239. https://doi.org/10.1056/NEJMsr2214184 Levkovich, I. y Elyoseph, Z. (2023). Suicide risk assessments through the eyes of ChatGPT-3.5 versus ChatGPT-4: Vignette study. JMIR Mental Health, 10, Artículo e51232. https://doi.org/10.2196/51232 Ley 1/2000, de 7 de enero, de Enjuiciamiento Civil. Boletín Oficial del Estado, 7, de 8 de enero de 2000. https://www.boe.es/buscar/act.php?id=BOE-A-2000-323 Ley 35/2015, de 22 de septiembre, de reforma del sistema para la valoración de los daños y perjuicios causados a las personas en accidentes de circulación. Boletín Oficial del Estado, 228, de 23 de septiembre de 2015. https://www.boe.es/buscar/act.php?id=BOE-A-2015-10197 Ley Orgánica 10/1995, de 23 de noviembre, del Código Penal. Boletín Oficial del Estado, 281, de 24 de noviembre de 1995. https://www.boe.es/buscar/act.php?id=BOE-A-1995-25444 Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023). Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S. y Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2). https://doi.org/10.1177/2053951716679679 Monaro, M., Toncini, A., Ferracuti, S., Tessari, G., Vaccaro, M. G., De Fazio, P., Pigato, G., Meneghel, T., Scarpazza, C. y Sartori, G. (2018). The detection of malingering: A new tool to identify made-up depression. Frontiers in Psychiatry, 9, Artículo 249. https://doi.org/10.3389/fpsyt.2018.00249 Murrie, D. C., Boccaccini, M. T., Guarnera, L. A. y Rufino, K. A. (2013). Are forensic experts biased by the side that retained them? Psychological Science, 24(10), 1889–1897. https://doi.org/10.1177/0956797613481812 Obermeyer, Z., Powers, B., Vogeli, C. y Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342 Orrù, G., Monaro, M., Conversano, C., Gemignani, A. y Sartori, G. (2020). Machine learning in psychometrics and psychological research. Frontiers in Psychology, 10, Artículo 2970. https://doi.org/10.3389/fpsyg.2019.02970 Oura, P., Junno, A. y Junno, J.-A. (2021). Deep learning in forensic gunshot wound interpretation—A proof-of-concept study. International Journal of Legal Medicine, 135(5), 2101–2106. https://doi.org/10.1007/s00414-021-02566-3 Park, S.-J., Yang, S., Kim, J.-M., Kang, J.-H., Kim, J.-E., Huh, K.-H., Lee, S.-S., Yi, W.-J. y Heo, M.-S. (2024). Automatic and robust estimation of sex and chronological age from panoramic radiographs using a multi-task deep learning network: A study on a South Korean population. International Journal of Legal Medicine, 138(4), 1741–1757. https://doi.org/10.1007/s00414-024-03204-4 Petroni, G., Alaimo, S., Mandarelli, G., Catanesi, R., Niolu, C., Siracusano, A. y Pulvirenti, A. (2025). A case study of forensic psychiatry experts' reports analysis through large language models. International Journal of Law and Psychiatry, 102, Artículo 102122. https://doi.org/10.1016/j.ijlp.2025.102122 Piraianu, A.-I., Fulga, A., Musat, C. L., Ciobotaru, O.-R., Poalelungi, D. G., Stamate, E., Ciobotaru, O. y Fulga, I. (2023). Enhancing the evidence with algorithms: How artificial intelligence is transforming forensic medicine. Diagnostics, 13(18), Artículo 2992. https://doi.org/10.3390/diagnostics13182992 Price, W. N., II, Gerke, S. y Cohen, I. G. (2019). Potential liability for physicians using artificial intelligence. JAMA, 322(18), 1765–1766. https://doi.org/10.1001/jama.2019.15064 Real Decreto de 14 de septiembre de 1882 por el que se aprueba la Ley de Enjuiciamiento Criminal. Gaceta de Madrid, 260, de 17 de septiembre de 1882. https://www.boe.es/buscar/act.php?id=BOE-A-1882-6036 Real Decreto-ley 6/2023, de 19 de diciembre, por el que se aprueban medidas urgentes para la ejecución del Plan de Recuperación, Transformación y Resiliencia en materia de servicio público de justicia, función pública, régimen local y mecenazgo. Boletín Oficial del Estado, 303, de 20 de diciembre de 2023. https://www.boe.es/buscar/act.php?id=BOE-A-2023-25758 Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos y por el que se deroga la Directiva 95/46/CE (Reglamento general de protección de datos). Diario Oficial de la Unión Europea, L 119, de 4 de mayo de 2016, 1–88. https://eur-lex.europa.eu/eli/reg/2016/679/oj Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). Diario Oficial de la Unión Europea, L, 2024/1689, de 12 de julio de 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj Roof, J. G. (2025). AI-assisted deception and the emerging challenge of LLMs in forensic psychiatry. Journal of the American Academy of Psychiatry and the Law, 53(2), 157–159. https://doi.org/10.29158/JAAPL.250022-25 Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. https://doi.org/10.1038/s42256-019-0048-x Singhal, K., Azizi, S., Tu, T., Mahdavi, S. S., Wei, J., Chung, H. W., Scales, N., Tanwani, A., Cole-Lewis, H., Pfohl, S., Payne, P., Seneviratne, M., Gamble, P., Kelly, C., Babiker, A., Schärli, N., Chowdhery, A., Mansfield, P., Demner-Fushman, D., … Natarajan, V. (2023). Large language models encode clinical knowledge. Nature, 620(7972), 172–180. https://doi.org/10.1038/s41586-023-06291-2 Štern, D., Payer, C., Giuliani, N. y Urschler, M. (2019). Automatic age estimation and majority age classification from multi-factorial MRI data. IEEE Journal of Biomedical and Health Informatics, 23(4), 1392–1403. https://doi.org/10.1109/JBHI.2018.2869606 Thali, M. J., Yen, K., Schweitzer, W., Vock, P., Boesch, C., Ozdoba, C., Schroth, G., Ith, M., Sonnenschein, M., Doernhoefer, T., Scheurer, E., Plattner, T. y Dirnhofer, R. (2003). Virtopsy, a new imaging horizon in forensic pathology: Virtual autopsy by postmortem multislice computed tomography (MSCT) and magnetic resonance imaging (MRI)—a feasibility study. Journal of Forensic Sciences, 48(2), 386–403. https://doi.org/10.1520/JFS2002166 Thirunavukarasu, A. J., Ting, D. S. J., Elangovan, K., Gutierrez, L., Tan, T. F. y Ting, D. S. W. (2023). Large language models in medicine. Nature Medicine, 29(8), 1930–1940. https://doi.org/10.1038/s41591-023-02448-8 Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7 Tortora, L. (2024). Beyond discrimination: Generative AI applications and ethical challenges in forensic psychiatry. Frontiers in Psychiatry, 15, Artículo 1346059. https://doi.org/10.3389/fpsyt.2024.1346059 Tortora, L., Meynen, G., Bijlsma, J., Tronci, E. y Ferracuti, S. (2020). Neuroprediction and A.I. in forensic psychiatry and criminal justice: A neurolaw perspective. Frontiers in Psychology, 11, Artículo 220. https://doi.org/10.3389/fpsyg.2020.00220 Tournois, L., Trousset, V., Hatsch, D., Delabarde, T., Ludes, B. y Lefèvre, T. (2024). Artificial intelligence in the practice of forensic medicine: A scoping review. International Journal of Legal Medicine, 138(3), 1023–1037. https://doi.org/10.1007/s00414-023-03140-9 Vila-Blanco, N., Carreira, M. J., Varas-Quintana, P., Balsa-Castro, C. y Tomás, I. (2020). Deep neural networks for chronological age estimation from OPG images. IEEE Transactions on Medical Imaging, 39(7), 2374–2384. https://doi.org/10.1109/TMI.2020.2968765 Walters, W. H. y Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, Artículo 14045. https://doi.org/10.1038/s41598-023-41032-5 Ward, L. J., Kling, S., Engvall, G., Söderberg, C., Kugelberg, F. C., Green, H. y Elmsjö, A. (2024). Postmortem metabolomics as a high-throughput cause-of-death screening tool for human death investigations. iScience, 27(5), Artículo 109794. https://doi.org/10.1016/j.isci.2024.109794 Zapf, P. A., Kukucka, J., Kassin, S. M. y Dror, I. E. (2018). Cognitive bias in forensic mental health assessment: Evaluator beliefs about its nature and scope. Psychology, Public Policy, and Law, 24(1), 1–10. https://doi.org/10.1037/law0000153 Este artículo ha sido redactado con ayuda de Inteligencia Artificial.