Razonamiento Clínico:

Modelos y Aplicaciones

Basado en el Syllabus de Medicina y Ciencia 2025-2025, Facultad de Ciencias Médicas, UCE

El Panorama Cambiante

El razonamiento clínico evoluciona de un "arte" a una ciencia rigurosa.
La era de la sobrecarga de información exige un pensamiento estructurado y probabilístico, no solo memorización.
Objetivo pedagógico: Enseñar cómo pensar, no solo qué saber.
La integración de la Ciencia de Datos y la IA es clave para reducir el error diagnóstico y fomentar la metacognición.

Cada diagnóstico se basa en procesos lógicos. Comprenderlos es desvelar la estructura del pensamiento clínico.

(Top-Down)

De lo general a lo específico. Aplica reglas conocidas.

(Bottom-Up)

De lo específico a lo general. Reconoce patrones.

(Creativa)

Inferencia a la mejor explicación. Genera hipótesis.

El razonamiento experto no es lineal, sino un ciclo iterativo y fluido entre los tres tipos de inferencia.

Un hallazgo anómalo reinicia el ciclo con una nueva abducción.

Operan bajo el principio: "dadas ciertas entradas, el resultado es siempre el mismo". Son la encarnación de la deducción.

Ejemplos: Sistemas Expertos, CDSS basados en reglas (SI-ENTONCES), Árboles de Decisión.
Fortalezas: Altamente interpretables, transparentes y consistentes. Ideales para aplicar guías de práctica clínica.
Debilidades: Rigidez. Luchan con la incertidumbre y la variabilidad biológica, llevando a la fatiga por alertas y al sesgo de automatización.

En lugar de "verdadero/falso", utilizan un espectro de "grados de creencia". La práctica médica es una ciencia de la incertidumbre.

Pregunta clave: No "¿Tiene el paciente la enfermedad A?", sino "¿Cuál es la probabilidad de la enfermedad A, dada la evidencia?".
Marco de pensamiento: Cuantifica la incertidumbre y la usa como parte integral de la decisión.
Importancia: En sistemas no lineales (como la biología), los análisis deterministas (basados en promedios) pueden llevar a conclusiones erróneas y costosas.

La formalización matemática del pensamiento clínico: actualizar creencias a la luz de nueva evidencia.

P(H|E) = [ P(E|H) * P(H) ] / P(E)

P(H|E) - Posterior:
Probabilidad post-test. Lo que queremos saber.

P(E|H) - Verosimilitud:
Sensibilidad/Especificidad de la prueba.

P(H) - Prior:
Probabilidad pre-test. Sospecha clínica inicial.

Modelos gráficos que representan variables (enfermedades, síntomas) y sus dependencias probabilísticas.

Explicabilidad ("Caja Blanca"): La estructura del grafo hace las relaciones explícitas e intuitivas. Se puede entender el "porqué" de un diagnóstico.
Eficiencia de Datos: Requieren menos datos que los modelos de aprendizaje profundo.
Robustez: Manejan bien los datos faltantes, un problema común en la práctica clínica.
Representan un "punto dulce" entre el rendimiento y la interpretabilidad.

Modelos inspirados en el cerebro humano, excelentes para aprender patrones complejos y no lineales de grandes volúmenes de datos.

Éxito Principal: Análisis de imágenes (radiología, patología, dermatología). Han alcanzado y superado el rendimiento humano en tareas específicas.
El gran problema: La "Caja Negra". Su poder predictivo viene con un costo: opacidad. Es imposible entender completamente su razonamiento interno.
Peligros: Sesgos ocultos, correlaciones espurias (efecto "Clever Hans"), falta de confianza y responsabilidad.

Un conjunto de métodos para hacer las decisiones de la IA transparentes y comprensibles. En medicina, es una necesidad ética y de seguridad.

Mapas de Calor (Salicency Maps): Resaltan las regiones de una imagen que más influyeron en la decisión del modelo.
LIME: Explica una predicción individual creando un modelo local simple e interpretable.
SHAP: Asigna a cada característica (ej. un valor de laboratorio) un valor de contribución a la predicción final.

La precisión por sí sola es insuficiente. La confianza requiere comprensión.

Aplicación práctica del razonamiento bayesiano paso a paso.

Presentación: Hombre de 78 años, síncope al levantarse. Tto. con tamsulosina.
Abducción (Dx. Diferencial): Se generan hipótesis y se asignan probabilidades a priori (P(H)).
- Hipotensión Ortostática (HO): 50%
- Cardiogénico: 25%
- Vasovagal: 20%
- Neurológico: 5%
Recolección de Evidencia (E): ECG normal, prueba de ortostatismo positiva.
Actualización Bayesiana: Con cada nueva evidencia, se recalculan las probabilidades. Un ECG normal ↓ P(Cardio). Un ortostatismo (+) ↑↑ P(HO).
Diagnóstico Final: Síncope por HO con alta confianza (P(HO|E) > 90%).

El futuro de la medicina no es Hombre vs. Máquina, sino Hombre + Máquina.
Se requiere una síntesis del potente reconocimiento de patrones de la IA (inducción) con un pensamiento explicable, causal y probabilístico.
El objetivo es formar clínicos que dominen tanto la biología humana como los principios de la lógica, la probabilidad y el pensamiento computacional.
Una atención al paciente más segura, eficaz y humana.