SÍLABO / PLANIFICACIÓN MICROCURRICULAR

La cátedra contribuye a formar un médico general capaz de: (1) razonar con probabilidades ante un hallazgo clínico y decidir si pedir una prueba; (2) leer críticamente la literatura diagnóstica y reconocer la incertidumbre de una cifra; (3) manejar datos clínicos con ética; (4) evaluar y comunicar modelos de predicción y el riesgo al paciente.

Resultados de aprendizaje. Al finalizar, el estudiante será capaz de:

1. Calcular e interpretar sensibilidad, especificidad, VPP, VPN, LR+ y LR− a partir de una tabla 2×2 y de la literatura.
2. Actualizar la probabilidad de enfermedad (pretest → postest) con odds, LR y nomograma de Fagan, y relacionarla con umbrales de decisión.
3. Combinar hallazgos con criterio, reconociendo cuándo el supuesto de independencia falla.
4. Valorar críticamente un estudio de exactitud diagnóstica (STARD, QUADAS-2, sesgo de espectro) y la incertidumbre de un LR (IC 95 %).
5. Distinguir diagnóstico, pronóstico y causalidad, y reconocer confusión, colisionadores y sesgos cognitivos.
6. Manejar datos clínicos con ética: estructurar, consultar (SQL) y analizar (R/Python) una base anonimizada.
7. Evaluar y comunicar modelos de predicción e IA clínica (discriminación, calibración, explicabilidad) y el riesgo al paciente.

La cátedra enseña ciencia de datos y estadística biomédica como instrumento de decisión diagnóstica. Cada concepto se aprende resolviendo un caso clínico del blog Medsemiotics, y la herramienta computacional entra cuando el caso la necesita. El eje es la ruta de un hallazgo: hallazgo clínico → ¿qué tan frecuente es? (probabilidad basal) → ¿qué tan informativo es? (sensibilidad/especificidad → LR+ y LR−) → ¿qué tan seguro es ese número? (IC 95 %, calidad del estudio) → ¿cambia la conducta? (umbrales) → ¿cómo se lo digo al paciente?

Cada sesión usa una condición del blog como caso ancla. Los valores numéricos se toman siempre del artículo correspondiente, que deriva de medsemiotics-db; el docente no los sustituye por cifras de memoria.

Asistente del curso. El repositorio medsemiotics-copilot funciona como asistente de la cátedra: responde desde los artículos del blog y medsemiotics-db citando PMID/DOI y, si no hay cifra documentada, lo dice; hace preguntas socráticas y no entrega la respuesta de las evaluaciones; no recibe ni almacena datos de pacientes ni de estudiantes; su salida es un borrador, no una fuente.

1. Todo dato de paciente debe estar anonimizado; no se cargan nombres, cédulas ni identificadores.
2. Las cifras diagnósticas se citan con su referencia (PMID/DOI); un número sin fuente no puntúa.
3. El uso de IA generativa se declara; la salida de un LLM es un borrador, no una fuente.
4. Las entregas se gestionan en Classroom; la asistencia, mediante el formulario de la cátedra.

• Simel DL, Rennie D, Bossuyt PM, editores. The Rational Clinical Examination: Evidence-Based Clinical Diagnosis. JAMA/McGraw-Hill.
• Fanaroff AC, et al. Does this patient with chest pain have acute coronary syndrome? JAMA. 2015. doi:10.1001/jama.2015.12735 (PMID 26547467).
• Bossuyt PM, et al. STARD 2015. BMJ. 2015;351:h5527.
• Whiting PF, et al. QUADAS-2. Ann Intern Med. 2011;155:529-536.
• Johnson AEW, et al. MIMIC-IV. Sci Data. 2023;10:1. doi:10.1038/s41597-022-01899-x.
• Instituto Nacional de Estadística y Censos. ENSANUT 2018. Ecuador.
• medsemiotics-db: fuente clínica de los casos (DOI 10.5281/zenodo.22064424).