Stifel Healthcare publica este "Human Progress, Medicine and AI" como pieza especial de research el 11 de septiembre 2025 — un departure del Biopharma Market Update bisemanal regular. La portada presenta una imagen de The Parker Library en Corpus Christi College Cambridge, sugiriendo el tono: ensayo histórico sobre transmisión de conocimiento. El paper articula una tesis sólida sobre por qué la AI puede ser el catalizador transformacional más importante de la medicina en décadas — no por su capacidad de diagnóstico, sino por su capacidad de resolver el problema fundamental del knowledge transmission.

El contexto histórico: el milagro lento de la medicina

Stifel empieza con un dato históricamente revelador: la mortalidad maternal en UK durante 4 siglos.

Chart de la página 14: "Maternal Deaths Per 1000 Births, United Kingdom, 1650 to 2020" — área chart desde 1650 a 2020. Datos: 17 muertes por 1000 nacimientos en 1650, declinando gradualmente a 12 en 1750, 9 en 1825, 5 en 1850, plateau ~4 hasta 1930, descenso brusco a 1 en 1950, ~0 en 2020. Cuadro de texto: 'The likelihood that an English woman would die while giving birth was 1.7% in 1650. Given that the average women in this time had four to five children this implied a lifetime risk of death from childbirth of 1 in 12. Obviously, having children was a risky affair. But this risk fell over time and, while mothers still occasionally die in childbirth, it is now quite a rare event. High maternal mortality is a problem that medical innovation eventually solved.' Fuente Wrigley/Davies/Oeppen/Schofield, English Population History from Family Reconstitution, 1580-1837, Cambridge University Press.

Los datos: en 1650, una mujer inglesa tenía 1,7% de probabilidad de morir en cada parto. Con 4-5 hijos promedio en la vida, eso implicaba un riesgo vital del 8-12% — 1 de cada 12 mujeres moría dando a luz. Hoy es prácticamente cero.

¿Cómo se llegó ahí? Stifel argumenta que NO fue una progresión continua. Fue una serie de descubrimientos individuales (asepsia, ergotamina para sangrado postparto, anestesia, cesárea segura, antibióticos, banco de sangre) que se conocieron mucho antes de adoptarse masivamente.

El ejemplo paradigmático es Ignaz Semmelweis. En 1847, este obstetra húngaro demostró que lavarse las manos con cal clorada reducía drásticamente la mortalidad maternal por fiebre puerperal. Su método era simple, barato y observacionalmente irrefutable. Pero, como recoge Stifel, Semmelweis no publicó sus hallazgos durante 13 años, y su libro resultó mal escrito y poco persuasivo para el lector. La aceptación general no llegó hasta décadas después, cuando Pasteur formalizó la teoría germicidal. El propio paper subraya que, en estos casos, el tiempo desde el insight hasta la adopción generalizada ha superado con frecuencia los 100 años — décadas de mujeres muriendo innecesariamente.

Esta es la observación central del paper: el cuello de botella en medicina nunca ha sido la generación de insight. Ha sido la transmisión y adopción del insight.

Los cuatro obstáculos del knowledge transmission

Stifel formaliza esto en un framework de cuatro obstáculos secuenciales:

Slide de la página 37: "Key Obstacles in Knowledge Transmission" — 4 paneles azules: (1) "Failure to Preserve Insight" — A medical insight got lost or forgotten along the way. For example, libraries or printed matter may have been lost or destroyed. Ejemplo: Soranus' key insights on derisking birth were lost in the fall of Rome; (2) "Failure to Communicate Insight" — An insight gets made as a throwaway comment in a long book and is not picked up by others. There is a 'lost in translation' factor at play. Ejemplo: Semmelweis did not publish his findings for 13 years; (3) "Failure to Propagate Insight" — It's one thing to have an insight. It's another to transmit knowledge. Knowledge needs to be communicated in a persuasive way and taught to others, often with repetition. Ejemplo: The Chamberlens invented a pair of obstetric forceps that...; (4) "Failure to Accept Insight" — Incumbents committed to the old way of thinking block acceptance of a new idea. May be motivated by profit, ego, inertia or stupidity. Ejemplo: The British Admiralty was notoriously 'clubby' and staffed...

Los cuatro obstáculos:

  1. Failure to Preserve Insight: el conocimiento se pierde físicamente. Ejemplo: Soranus de Éfeso (siglo II d.C.) escribió "Gynecology", uno de los textos médicos más avanzados de la antigüedad. Sus insights sobre disminuir riesgo de muerte materna se perdieron tras la caída de Roma. Solo se redescubrió en el siglo XVI.

  2. Failure to Communicate Insight: el insight existe pero está enterrado. Semmelweis no publicó sus hallazgos hasta 1861, 14 años después de su descubrimiento. Para entonces, gran parte de la comunidad médica había decidido ya que su teoría era heterodoxa. El paper también menciona que la fórmula del logaritmo neperiano fue desarrollada independientemente por John Napier (1614) y Joost Bürgi (1620) — pero ambos comunicaron mal, retrasando adoption décadas.

  3. Failure to Propagate Insight: el conocimiento existe y se comunica, pero no se enseña masivamente. Los Chamberlen inventaron unos obstetric forceps inigualados durante siglos. Mantuvieron la idea del fórceps como secreto familiar — protegiendo su monopolio comercial — y su valor como solución se retrasó, según Stifel, durante bastante más de 100 años. Innumerables vidas perdidas porque el insight no se difundió.

  4. Failure to Accept Insight: los incumbentes activamente bloquean nueva información. Ego, profit motive, inercia institucional. Ejemplo histórico: la Royal Navy británica rechazó durante décadas la prevención del escorbuto con lemons (descubierto por James Lind en 1747) — porque "no encajaba con la cultura naval". Resultado: 100.000+ marines muertos innecesariamente.

La promesa de AI

Y aquí viene la tesis central del paper: la AI es la primera tecnología que puede resolver los CUATRO obstáculos simultáneamente.

Para preservación: la información médica vive en data centers replicados globalmente. Pérdida física es prácticamente imposible.

Para comunicación: la AI puede leer, sintetizar y compartir literatura médica al ritmo de million de papers al día. Las herramientas como Open Evidence (citada por Tal Zaks de OrbiMed) están reemplazando UpToDate como referencia clínica para medical residents. La velocidad de transmisión es órdenes de magnitud mayor.

Para propagación: la AI puede enseñar individualmente a cada médico, adaptándose a su nivel, especialidad y patient mix. No depende de conferences anuales o publicaciones que se leen tarde y mal. El framework de "Knowledge to Action" (KTA) es ahora implementable:

Diagrama de la página 50: "Knowledge to Action (KTA) Calls for Physician Education" — 5 niveles cascada: (1) Knowledge translation is about turning knowledge into action and encompasses the processes of both knowledge creation and knowledge application; (2) Knowledge translation subsumes and builds on continuing education and continuing professional development; (3) Health care professionals need to learn about planned-action theories and frameworks so as to be able to understand and influence change in their practice settings; (4) Continuing education should be based on the best available knowledge; (5) Continuing education should apply strategies shown to be effective at transferring knowledge. Fuente Graham et al, Journal of Continuing Education in Health Professions 2006.

Para aceptación: la AI puede generar evidencia transparente y replicable. Los incumbentes no pueden "no haber visto" un meta-análisis de 10.000 papers compilado automáticamente. La resistencia ideológica es más difícil cuando los datos son indiscutibles.

Las tres categorías de medical reasoning

Stifel cita específicamente los tres tipos de reasoning médico que la AI debe dominar:

Slide de la página 60: "Three Types of Medical Reasoning Built into Software" from John Snow Labs — 3 paneles describiendo los tipos: (1) Deductive Reasoning: Applying Rules to Specific Cases — clinical reasoning central to healthcare practice, encompasses cognitive processes physicians use to evaluate patients, consider evidence and make decisions; (2) Inductive Reasoning: Finding Patterns in Clinical Observations — inductive reasoning moves from specific observations to general conclusions, vital for hypothesis formation in clinical settings; (3) Abductive Reasoning: Making the Best Explanation with Incomplete Information — perhaps most critical in urgent care scenarios, abductive reasoning is the most likely explanation given limited information.

  • Deductive reasoning: aplicar reglas a casos. "Si el paciente tiene fiebre + cuello rígido + petequias → meningitis bacteriana → empezar ceftriaxona." Es lo que los protocolos clínicos hacen, y donde AI es ya muy fuerte.
  • Inductive reasoning: encontrar patrones en observaciones. "Estos 50 pacientes con presentación X tuvieron diagnóstico Y." Es donde los large language models entrenados en literatura médica añaden valor masivo.
  • Abductive reasoning: hacer la mejor explicación con información incompleta. "Síntomas confusos en emergency: ¿qué es más probable?" Es el tipo de reasoning más difícil de codificar y donde la AI todavía está mejorando.

El estado de la adopción 2025

Stifel aporta datos concretos de adopción actual. El caso más documentado es Open Evidence: según el paper, es la herramienta de búsqueda y síntesis de literatura médica con AI más utilizada, usada por ~40% de los médicos de EE.UU., con citas sobre más de 35 millones de publicaciones. Stifel apunta que ofrece mejor sourcing que ChatGPT y que acababa de levantar 210 millones de dólares a una valoración de 3.500 millones, en una ronda liderada por Sequoia y Kleiner Perkins.

El paper recoge además comentarios de lectores del propio informe:

Sami Yusuf (Chair Corp Development, Mayo Clinic): "We at the Mayo Clinic are investing in AI for medicine in a huge way." En el mismo comentario advierte que, pese a ello, muchos médicos en EE.UU. siguen resistiéndose a llevar la AI a su práctica, y que China ha sido bastante más receptiva.

Tal Zaks (Partner, OrbiMed): "The one tool you should absolutely mention is Open Evidence. It has replaced Uptodate as the medical resident's 'go to', and the shift is telling." Zaks matiza, eso sí, que persiste un reto de trust: cómo saber, en el vasto universo de casos de uso, que la respuesta de la AI es correcta para la pregunta concreta que estás haciendo.

Las dos tendencias que Stifel destaca

Stifel cierra el paper apuntando a dos tendencias recientes que prometen acelerar el progreso médico y reducir el riesgo de que el próximo gran descubrimiento tarde en llegar a los pacientes:

  • El movimiento open science: al permitir publicar preprints sin pasar por los lentos procesos de revisión y edición de las revistas tradicionales, acorta el tiempo entre descubrimiento y difusión y reduce la capacidad del establishment médico para suprimir ideas nuevas.
  • El LLM combinado con el reasoning engine: ya ha provocado un cambio relevante en la atención primaria en pocos años y promete mucho más. En última instancia, según Stifel, estas herramientas harán un trabajo mucho mejor manejando la avalancha de datos (proteómica y demás) para diseñar mejores intervenciones médicas.

Lo que me llevo

Tres apuntes:

Primero, la tesis del knowledge transmission como cuello de botella histórico es brillante. Si Stifel tiene razón, AI no es marginal — es la tecnología que puede resolver un problema que ha frenado el progreso médico durante 5 siglos. La aceleración sería matemática: si en 5 años podemos comprimir 30 años de adoption en 1, la productividad médica saltaría 30x.

Segundo, Open Evidence desplazando a UpToDate es la evidencia más concreta del cambio. Los medical residents de EE.UU. no la adoptaron porque fuera "mejor" sin más — fue una decisión generacional basada en velocidad y usabilidad. El mismo patrón se replica en otras especialidades.

Tercero, el patrón Semmelweis se va a romper. Históricamente, el camino del insight a la adopción generalizada se medía en décadas —con frecuencia más de 100 años— porque dependía de profesores veteranos, lecturas estudiantiles y publicaciones lentas. Con AI, la adopción puede ser casi inmediata. Eso cambia toda la economía del biopharma y la delivery sanitaria.

Stifel "Human Progress, Medicine and AI" es uno de los mejores ensayos thought-leadership que he leído este año. Para BISSAN, la tesis de la transmisión de conocimiento vía AI tiene implicaciones más amplias que la biotecnología: si la AI resuelve el problema del knowledge transfer, la productividad puede acelerarse en muchos sectores (sanidad, legal, educación, I+D, servicios financieros). Lectura recomendada.