Inteligencia artificial y la era de las soluciones médicas inexplicables: navegando la opacidad algorítmica en la medicina actual.
Artificial intelligence (AI)-based technologies are pro foundly transforming healthcare through machine learn ing techniques and neural networks. These statistical tools revolutionize classical deterministic programming by directly learning probabilistic patterns from data. Such systems enable the r...
| Publicado en: | Medicina (Buenos Aires) Vol. 85; no. 5; pp. 1076 - 1093 |
|---|---|
| Autor principal: | |
| Formato: | Artículo |
| Publicado: |
Medicina (Buenos Aires)
sep/oct2025
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=lth&AN=189688820&site=ehost-live header: @attributes: shortDbName: lth uiTerm: 189688820 longDbName: MedicLatina uiTag: AN controlInfo: bkinfo: jinfo: jid: 00257680 50C2 jtl: Medicina (Buenos Aires) issn: 00257680 maglogo: N pubinfo: dt: sep/oct2025 vid: 85 iid: 5 pid: 39353 pub: Medicina (Buenos Aires) artinfo: ui: 189688820 ppf: 1076 ppct: 17 formats: fmt: – @attributes: type: T – @attributes: type: P size: 787KB tig: atl: Inteligencia artificial y la era de las soluciones médicas inexplicables: navegando la opacidad algorítmica en la medicina actual. aug: au: Regazzoni, Carlos J. affil: Comité de Salud Global y Seguridad Humana, Consejo Argentino para las Relaciones Internacionales Instituto de Salud Global, Universidad J. F. Kennedy, Buenos Aires, Argentina su: Artificial intelligence Machine learning Prediction models Medical care Causation (Philosophy) Medical sciences Medical practice Computational complexity sug: subj: Artificial intelligence Machine learning Prediction models Medical care Causation (Philosophy) Medical sciences Medical practice Computational complexity keyword: Algorithm Causal inference Clinical reasoning Inference Statistics Al goritmo Es tadística Inferencia Inferencia causal Inteligencia artificial Razonamiento clínico ab: Artificial intelligence (AI)-based technologies are pro foundly transforming healthcare through machine learn ing techniques and neural networks. These statistical tools revolutionize classical deterministic programming by directly learning probabilistic patterns from data. Such systems enable the resolution of clinical problems previously inaccessible due to their complexity or ambi guity, thus optimizing diagnostics, treatment, healthcare management, and biomedical research. However, this technological revolution presents an unprecedented epistemological challenge whereas traditional statis tics seek causal explanations for observed phenomena, predictive AI models prioritize predictive performance regardless of the underlying theoretical understanding. This "algorithmic opacity," resulting from models with millions of autonomously adjusted parameters, con trasts with human clinical reasoning based on analytical or heuristic methods. Medicine, historically grounded in causality and explanatory evidence, now confronts predictive tools whose internal logic is often inacces sible even to their developers. This divergence poses significant educational, professional, and ethical chal lenges, requiring physicians to acquire new conceptual competencies in advanced statistics and informatics to effectively navigate this transition. This article examines the biostatistical and conceptual foundations of this tension between prediction and explanation in AI, con trasting both approaches from the inferential process to causal evaluation. It emphasizes the urgent necessity for medicine to deeply comprehend these emerging para digms in order to critically integrate them into clinical practice and scientific research. Las tecnologías basadas en inteligencia artificial (IA) están transformando profundamente el cuidado de la salud mediante técnicas de machine learning (o aprendi zaje automático) y redes neuronales. Estas herramientas estadísticas revolucionan la programación determinista clásica al aprender directamente patrones probabilísticos a partir de los datos. Estos sistemas permiten abordar problemas clínicos antes inaccesibles por complejidad o ambigüedad, optimizando así diagnóstico, tratamiento, gestión sanitaria e investigación biomédica. Sin embargo, esta revolución tecnológica plantea un desafío epistemo lógico sin precedentes mientras la estadística tradicional busca explicaciones causales de los fenómenos bajo observación, los modelos predictivos de IA priorizan el rendimiento predictivo, independientemente de la comprensión teórica subyacente. Esta "opacidad algorít mica", derivada de modelos con millones de parámetros ajustados automáticamente, contrasta con el razona miento clínico humano basado en métodos analíticos o heurísticos. La medicina, que históricamente fundamenta sus decisiones en causalidad y evidencia explicativa, se enfrenta ahora a herramientas predictivas cuya lógica interna frecuentemente resulta inaccesible incluso para sus desarrolladores. Esta divergencia genera retos signifi cativos a nivel educativo, profesional y ético, requiriendo que los médicos adquieran nuevos equipamientos con ceptuales en estadística avanzada e informática para na vegar efectivamente esta transición. Este artículo explora las bases bioestadísticas y conceptuales de esta tensión entre predicción y explicación en IA, contrastando ambas aproximaciones desde el proceso inferencial hasta la evaluación causal, destacando la necesidad imperiosa de que la medicina comprenda profundamente estos nuevos paradigmas para integrarlos críticamente en la práctica clínica y la investigación científica. pubtype: Academic Journal doctype: Article src: R language: Spanish refInfo: copyright: @attributes: flag: Y custom: Copyright of Medicina (Buenos Aires) is the property of Medicina (Buenos Aires) and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. item: Medicina (Buenos Aires) holder: Medicina (Buenos Aires) dt: @attributes: year: 2025 holdings: @attributes: islocal: N |
|---|