Un análisis apoyado en grandes modelos de lenguaje examinó casi 4.000 estudios de predicción clínica y cientos de repositorios. La revisión encontró que compartir código sigue siendo poco frecuente y que publicar archivos no garantiza instrucciones suficientes para examinarlos o reutilizarlos.
***
- El equipo identificó declaraciones sobre disponibilidad de código en casi 4.000 artículos que citaron guías de reporte clínico.
- Apenas alrededor de uno de cada ocho estudios reportó compartir código, y la calidad de los repositorios varió ampliamente.
- Los hallazgos aportan evidencia para TRIPOD-Code, una guía en desarrollo sobre qué información debería acompañar al código.
🧬⚠️ IA revisó casi 4.000 estudios clínicos: solo 1 de cada 8 reportó compartir código.
Publicar archivos no siempre basta: la documentación y los requisitos técnicos variaron ampliamente.
Los hallazgos aportan evidencia para la guía TRIPOD-Code. pic.twitter.com/pRYCQUP3mh
— Diario฿itcoin (@DiarioBitcoin) November 19, 2026
Compartir el código utilizado en una investigación médica puede ayudar a otros equipos a entender cómo se prepararon los datos, se construyeron los modelos y se evaluaron sus resultados. Sin embargo, publicar esos archivos no siempre permite reproducir el trabajo: también hacen falta documentación, requisitos técnicos y datos de apoyo que expliquen cómo ponerlos en uso. Un análisis liderado por investigadores del MIT y del Dana-Farber Cancer Institute halló que ambas dimensiones siguen siendo desiguales en los estudios de predicción clínica.
El equipo empleó grandes modelos de lenguaje para revisar casi 4.000 artículos y rastrear cientos de repositorios asociados, con el objetivo de describir las prácticas de intercambio de código. La revisión encontró que solo alrededor de uno de cada ocho estudios reportó compartirlo y que, entre los que sí lo hicieron, la utilidad de los materiales varió considerablemente. Los resultados, publicados en Nature Medicine el 19 de noviembre de 2026, contribuyen al desarrollo de TRIPOD-Code, una guía que busca precisar qué información conviene acompañar al código analítico.
Una revisión centrada en modelos de predicción clínica
Los estudios de predicción clínica desarrollan o evalúan modelos que estiman resultados relacionados con pacientes, como el riesgo de desarrollar una enfermedad. Debido a que esas estimaciones pueden informar decisiones de atención, conocer cómo se construyó y probó un modelo resulta importante para que otros investigadores puedan examinar sus métodos. El código ofrece pistas que una descripción general de los procedimientos en un artículo quizá no alcance a detallar.
Los investigadores partieron de artículos que citaban TRIPOD o TRIPOD+AI, listas de verificación destinadas a mejorar la presentación de modelos de predicción clínica. TRIPOD+AI es una lista de 27 elementos para armonizar la presentación de estudios que desarrollan, validan o actualizan modelos de predicción, tanto si usan regresión como aprendizaje automático, según la declaración TRIPOD+AI. La revisión se limitó a estudios que desarrollaron, actualizaron o validaron modelos y cuyo texto completo estaba disponible en la colección de acceso abierto PubMed Central. Así, el equipo reunió casi 4.000 trabajos para observar cómo informaban sobre la disponibilidad de sus programas y archivos.
La búsqueda no consistió simplemente en contar enlaces a repositorios. Thomas Sounack, primer autor del estudio, explicó que los artículos describen y enlazan el código de muchas maneras, lo que dificultaba identificar de forma uniforme cuándo se compartía. El equipo recurrió a un modelo de lenguaje para filtrar textos, reconocer declaraciones pertinentes y extraer posibles enlaces, que luego utilizó para localizar los repositorios relacionados.
Una vez encontrados esos repositorios, el análisis revisó elementos que podían incidir en su uso, como la integridad de la documentación, los requisitos de software y las condiciones de reutilización. Tom Pollard, autor sénior, señaló que los grandes modelos de lenguaje ayudaron a procesar información no estructurada dispersa entre artículos y repositorios, en vez de limitar la revisión a datos ordenados en una tabla. Esa capacidad permitió evaluar un conjunto amplio con más detalle, aunque no eliminó la necesidad de comprobar los resultados.
Los límites de compartir archivos sin contexto
La conclusión más directa fue que compartir código continúa siendo poco habitual: solo alrededor de uno de cada ocho artículos informó que lo hacía. La cifra describe la muestra revisada, no necesariamente todas las áreas de la investigación médica, ya que el trabajo se concentró en estudios vinculados con guías de predicción clínica y disponibles en una colección específica. Aun con ese alcance, el análisis mostró que la publicación de código no es una práctica extendida dentro del grupo examinado.
Además, la existencia de un repositorio no garantizaba que otro equipo pudiera comprender qué hacía el código o ejecutarlo para reproducir los resultados. Sounack describió diferencias marcadas entre repositorios muy bien organizados y documentados, y otros que ofrecían escasa orientación. La distinción importa porque un enlace, por sí solo, no explica cómo se prepararon los archivos, qué herramientas se requieren o qué pasos seguir para repetir el análisis.
Pollard recordó que los estudios implican decisiones sobre la preparación de datos, el desarrollo de modelos y la evaluación de su desempeño, decisiones que pueden influir en los resultados. En ocasiones se las denomina grados de libertad del investigador, y una sección de métodos no siempre puede registrar cada elección con suficiente detalle. El acceso al código y a los datos puede ayudar a examinar esos pasos, aunque su valor depende de que los materiales sean inteligibles y estén descritos de manera útil.
Los autores también subrayaron que la revisión automatizada puede equivocarse y, por ello, recomendaron interpretar las tendencias generales con cautela, en lugar de asumir que cada conteo es exacto. Dos investigadores examinaron por separado 500 artículos y una muestra independiente de repositorios, resolvieron desacuerdos y compararon sus juicios con los resultados del sistema. La concordancia fue mayor en aspectos concretos, como comprobar si había un archivo de licencia, que al valorar si la documentación era adecuada.
Diferencias entre revistas y soluciones prácticas
Las prácticas de intercambio variaron notablemente entre revistas y países, de acuerdo con el análisis. Entre las revistas, la proporción de estudios que informaban compartir código iba desde cero hasta más de 70%, una diferencia amplia dentro de la muestra. Los investigadores no presentaron esas variaciones como una explicación única del problema, pero sí como evidencia de que la disponibilidad de código no se distribuye de manera uniforme.
El equipo encontró que algunas revistas con tasas bajas de intercambio tenían políticas escritas que pedían compartir código. Ese contraste sugiere que contar con una norma formal puede no bastar para lograr que los autores publiquen materiales utilizables, aunque el análisis no establece por sí mismo qué otros factores explican la brecha. La observación pone el foco no solo en la existencia de políticas, sino también en las expectativas y prácticas que acompañan su aplicación.
La revisión identificó asimismo ejemplos de medidas que pueden facilitar la reutilización sin exponer registros sensibles. Algunos investigadores proporcionaron conjuntos de datos sintéticos cuando los datos originales de pacientes no podían compartirse públicamente. Esa práctica ofrece a otros equipos un recurso de apoyo para entender o probar el código, sin que el estudio la presente como sustituto de los datos clínicos originales ni como una solución aplicable a todos los casos.
En el campo de la predicción clínica confluyen profesionales de medicina, estadística e informática, y sus expectativas sobre cómo documentar o compartir programas pueden diferir. Esa diversidad ayuda a explicar por qué tener archivos disponibles no siempre significa que el repositorio resulte claro para todos sus posibles usuarios. El equipo plantea que una orientación compartida podría reducir esas diferencias y hacer más comprensible qué se espera de quienes publican código junto con sus investigaciones.
TRIPOD-Code busca fijar expectativas comunes
Los hallazgos están contribuyendo al desarrollo de TRIPOD-Code, una guía que pretende aclarar qué elementos del código analítico compartido deberían considerarse esenciales. El proyecto se apoya en TRIPOD y TRIPOD+AI, herramientas anteriores para reportar cómo se desarrollaron y evaluaron modelos clínicos de predicción. En este caso, el propósito es enfocar la atención en los materiales de programación y en la información necesaria para interpretarlos y reutilizarlos.
Según Pollard, el equipo busca ofrecer orientación práctica a investigadores y expectativas más claras para que las revistas puedan comunicarlas a quienes presentan sus trabajos. La revisión de casi 4.000 artículos aporta evidencia para esas conversaciones al mostrar tanto la frecuencia de publicación como las diferencias en la organización y documentación de los repositorios. La fuente no detalla una fecha de lanzamiento de la guía ni enumera una versión final de sus requisitos.
El proceso de elaboración incluye una revisión por expertos para desarrollar recomendaciones sobre los componentes que deberían acompañar al código analítico. Esa etapa importa porque las necesidades pueden variar entre proyectos, y las restricciones de confidencialidad limitan en ocasiones el acceso a datos de pacientes. Los ejemplos de repositorios y conjuntos sintéticos examinados por el equipo ilustran algunas prácticas observadas, pero no sustituyen el consenso que busca establecer la guía.
La principal advertencia del estudio es que la transparencia no termina al hacer público un archivo: también exige información que permita entenderlo y, cuando sea posible, ejecutarlo para comprobar los resultados. El uso de inteligencia artificial ayudó a explorar una colección extensa de textos y repositorios, mientras que la revisión humana permitió contrastar parte de las clasificaciones automatizadas. Para los investigadores, TRIPOD-Code podría convertir esa evidencia en pautas compartidas para autores y revistas.
Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.
Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
Estados Unidos
Apple desarrolla un agente de IA para escribir código, navegar la web y controlar apps en nombre del usuario
Energía
La capacidad de los centros de datos podría duplicarse para 2030, revela informe
Empresas
Acciones de AMD caen en la bolsa mientras Hunterbrook plantea dudas sobre controles de exportación
IA
