¿Por qué mi médico no es un algoritmo? Fundamentos lógicos de los diferentes métodos de inferencia clínica a través del ejemplo del trasplante hepático

Resumen

Asistimos en la actualidad a un desarrollo asombroso de las herramientas de aprendizaje automático, lo que se traduce en un número creciente de estudios que ensayan su desempeño ante diferentes problemas médicos. Sin embargo, la implementación de estos algoritmos en la práctica diaria permanece como un reto no completamente abordado. Proponemos una aproximación epistemológica (según los fundamentos lógicos) de la aplicabilidad de las herramientas computacionales en la clínica. Nos basamos en la clasificación de los tipos de inferencia científica en deductiva, inductiva y abductiva, y comparamos las características fundamentales de estas herramientas con las de otros métodos de trasferencia del conocimiento a la práctica diaria (medicina basada en la evidencia [MBE] y medicina basada en la experiencia). Ejemplificamos nuestros razonamientos con el caso del trasplante hepático, si bien pueden ser aplicables a otras áreas de la especialidad. La MBE genera conocimientos generales que el clínico aplica de manera deductiva, a pesar de lo cual la certeza de sus conclusiones no es segura. La inducción predomina en el caso de los algoritmos automáticos. Su diseño permite interrelacionar gran cantidad de datos de manera menos sensible a los sesgos emocionales propios de la inducción humana. Sin embargo, su menor capacidad para la inferencia abductiva (mecanismo lógico propio de la experiencia clínica humana) limita su desempeño en aquellos contextos clínicos que están sujetos a gran incertidumbre, en donde los datos son heterogéneos, los resultados están muy influenciados por el contexto o en los que los factores pronósticos pueden cambiar rápidamente.

Abstract

The development of machine learning (ML) tools in many different medical settings is largely increasing. However, the use of the resulting algorithms in daily medical practice is still an unsolved challenge. We propose an epistemological approach (i.e., based on logical principles) to the application of computational tools in clinical practice. We rely on the classification of scientific inference into deductive, inductive, and abductive comparing the characteristics of ML tools with those derived from evidence-based medicine [EBM] and experience-based medicine, as paradigms of well-known methods for generation of knowledge. While we illustrate our arguments using liver transplantation as an example, this approach can be applied to other aspects of the specialty. Regarding EBM, it generates general knowledge that clinicians apply deductively, but the certainty of its conclusions is not guaranteed. In contrast, automatic algorithms primarily rely on inductive reasoning. Their design enables the integration of vast datasets and mitigates the emotional biases inherent in human induction. However, its poor capacity for abductive inference (a logical mechanism inherent to human clinical experience) constrains its performance in clinical settings characterized by uncertainty, where data are heterogeneous, results are highly influenced by context, or where prognostic factors can change rapidly.