Seis disciplinas, un objetivo: IA biomédica fiable
Cada disciplina combina métodos científicos, criterios de evaluación medibles y experiencia clínica. Reunimos los enfoques más relevantes para los objetivos y retos de cada proyecto.
Sesgos: tipos y metodologías
Los conjuntos de datos biomédicos pueden contener distintas formas de sesgo que afectan a la validez, la equidad y la capacidad de generalización de los modelos de IA. Identificamos y cuantificamos el sesgo a lo largo de todo el ciclo de vida del dato: desde la selección de participantes y la adquisición de datos hasta la medición, los datos ausentes y el desarrollo del modelo. Nuestro enfoque combina evaluación estadística, estrategias de mitigación específicas y análisis de robustez.
Sesgo de selección y representatividad: ponderación por probabilidad inversa (IPW), remuestreo estratificado y auditoría del reclutamiento
Sesgo de medición e información: corrección de error de clasificación, análisis de sensibilidad y auditoría de los protocolos de etiquetado
Sesgo demográfico y de equidad: métricas por subgrupo (paridad demográfica, equalised odds), auditorías de equidad y revisión de umbrales
Sesgo histórico y de atajo: pruebas contrafactuales, robustez frente a correlatos espurios y revisión de la procedencia del dato
Inferencia causal: asociación, estimación y ML causal
La asociación predictiva no implica necesariamente causalidad. Distinguimos entre identificar relaciones estadísticas, estimar efectos causales e investigar cómo varían estos efectos entre individuos o poblaciones. Al combinar marcos de inferencia causal con aprendizaje automático, analizamos relaciones biomédicas complejas y abordamos explícitamente la confusión y los supuestos subyacentes.
Asociación estadística: la correlación y la regresión predictiva describen covariación; no responden a qué ocurre bajo una intervención
Estimación causal: DAG y criterio backdoor, scores de propensión, IPTW, estimadores doblemente robustos, variables instrumentales y diferencias en diferencias
Machine learning causal: bosques causales, meta-aprendices (T/S/X), double machine learning y efectos heterogéneos del tratamiento
Refutación: pruebas placebo, controles negativos y sensibilidad a confusores no observados (valor E)
IA predictiva: modelos longitudinales y multimodales
Las condiciones biomédicas evolucionan con el tiempo y rara vez se explican a partir de una única fuente de información. Desarrollamos modelos predictivos que capturan patrones temporales e integran datos heterogéneos, como historias clínicas, mediciones de laboratorio, imágenes médicas, mediciones biológicas y señales fisiológicas. Nos centramos en el rendimiento predictivo, la consistencia temporal y la generalización entre conjuntos de datos.
Modelos longitudinales: trayectorias de biomarcadores, modelos de efectos mixtos, Transformers/LSTM temporales y supervivencia con covariables dependientes del tiempo
Fusión multimodal: imagen (CNN/ViT), datos clínicos tabulares, genómica y ómicas, texto clínico y señales de wearables
Desenlaces clínicos: riesgo, progresión, respuesta al tratamiento, reingreso y complicaciones
Validación temporal y externa: particiones por tiempo y replicación en cohortes independientes
Explicabilidad e IA de caja blanca
Comprender cómo llega un modelo de IA a sus predicciones es esencial para su interpretación científica y evaluación clínica. Combinamos técnicas de IA explicable con investigaciones más profundas de las representaciones internas y los mecanismos computacionales del modelo. También exploramos reconstrucciones interpretables que facilitan la inspección, evaluación y auditoría de modelos complejos.
Atribución: SHAP, Integrated Gradients y análisis de atención a nivel de paciente y de cohorte
Evidencia en imagen: mapas de saliencia que localizan las regiones que sostienen cada hallazgo
Reconstrucción de caja blanca: sustitutos interpretables, destilación, GAM/EBM y árboles regularizados
Auditoría de mecanismos: detección de shortcut learning e inspección de las variables que el modelo usa realmente
IA fiable: cómo se mide la fiabilidad
La precisión predictiva por sí sola no basta para establecer la fiabilidad de un sistema de IA. Evaluamos el rendimiento del modelo con medidas complementarias de discriminación, calibración, robustez, equidad, incertidumbre y generalización. También analizamos la reproducibilidad y la validez externa para identificar limitaciones y determinar en qué condiciones siguen siendo fiables sus predicciones.
Calibración: Brier score, curvas de fiabilidad y error de calibración esperado (ECE)
Discriminación: AUROC y AUPRC con intervalos de confianza, reportadas por subgrupo
Robustez: validación externa, pruebas de estrés y sensibilidad a valores ausentes y ruido
Estabilidad y equidad: rendimiento por subgrupo, monitorización de deriva (drift) y vigilancia post-despliegue
Incertidumbre: predicción conforme e intervalos que indican al clínico cuándo no debe confiar en un caso
Integración del conocimiento clínico
La IA biomédica debe combinar los patrones aprendidos de los datos con el conocimiento clínico y biológico establecido. Integramos conocimiento experto, guías clínicas, relaciones fisiológicas, terminologías estructuradas e información causal en el diseño, desarrollo y evaluación de los modelos. Así conectamos las predicciones estadísticas con conceptos clínicamente relevantes y relaciones interpretables desde el punto de vista científico.
Diseño con expertos: definición de variables y DAG construidos junto con clínicos
Restricciones basadas en guías: regularización y restricciones de variables alineadas con guías de práctica clínica
Modelos híbridos: componentes mecanicistas y farmacocinéticos combinados con machine learning
Revisión clínica: revisión de casos con comités clínicos y reporte estilo TRIPOD+AI
Colaboración
Construyamos juntos una IA fiable
Cuéntanos el problema clínico o de investigación y te responderemos con una propuesta de colaboración.
