Un equipo de investigadores de la Universidad de Haifa y la Universidad de Yale realizó un experimento con 20,000 respuestas generadas por cinco modelos de lenguaje de gran escala (GPT-5.6 Sol, Claude Sonnet 5, Gemini 3.6 Flash, Grok 4.6 y Mistral Large 2512) para medir si un diagnóstico psiquiátrico previo altera las recomendaciones clínicas cuando la evidencia actual es idéntica. El diseño factorial 2x2, inspirado en el estudio de David Rosenhan de 1973, varió la presencia o ausencia de un diagnóstico previo de esquizofrenia y si las voces reportadas habían cesado o persistían.
Los resultados muestran que, cuando la evidencia apoyaba el alta (voces cesadas), añadir el diagnóstico previo incrementó las recomendaciones de hospitalización continua de 4.7% a 22.3%, un aumento de 17.5 puntos porcentuales (IC 95%: 16.2–18.8). El efecto se observó en los cinco modelos, con incrementos que van de 10.4 a 34.4 puntos porcentuales. En la condición donde las voces persistían, la recomendación de hospitalización ya era alta (92.6%) y subió a 97.0% con la etiqueta diagnóstica.
El estudio también encontró que la confianza declarada por los modelos aumentó en todos los casos al añadir el diagnóstico previo, incluso cuando la concordancia con la referencia experimental disminuyó de 95.3% a 77.7% en la condición de alta. Los análisis de detección de señales indicaron que la etiqueta desplazó el criterio de decisión hacia la hospitalización en los cinco modelos y redujo la discriminación entre las dos condiciones de evidencia actual en tres de ellos.
Los autores aclaran que los modelos no replican procesos cognitivos humanos y que el estudio no valida las afirmaciones empíricas de Rosenhan, sino que utiliza su escenario como un caso de prueba para una pregunta epistémica: ¿puede la evidencia sobre el presente modificar el juicio cuando un diagnóstico psiquiátrico ya forma parte del expediente? Los hallazgos sugieren que la historia clínica puede convertirse en un marco duradero que influye en las recomendaciones de la IA, un riesgo para la autonomía del paciente y la estigmatización.
El experimento utilizó una viñeta sintética de un hombre blanco de 39 años y un prompt estandarizado, por lo que los resultados no son generalizables a otras presentaciones, diagnósticos o poblaciones. Los investigadores piden evaluar los sistemas de IA clínica no solo por su capacidad de retener historia, sino por su habilidad para revisar el peso de esa historia a medida que el paciente cambia.