Inteligencia artificial: predicción, inferencia y el concepto de 'borrar aprendizaje' en medicina

En los últimos dos años, he tenido cientos de conversaciones sobre IA con reguladores, instituciones financieras, ingenieros, directores ejecutivos y personas escépticas. Lo que surge constantemente es la cantidad de confusión y ambigüedad que rodea este campo. Todo el mundo habla de inteligencia artificial como si fuera una tecnología que avanza en una dirección, mientras que la realidad es mucho más compleja y detallada. Según lo escrito por Shawn Kamkar.

La inteligencia artificial es la intersección de la predicción y el razonamiento

La IA representa el punto de encuentro de dos sistemas fundamentalmente diferentes: uno diseñado para predecir y el otro diseñado para razonar. Las empresas que comprendan esta diferencia y aprendan a combinarlas tendrán una ventaja significativa sobre las empresas que tratan la IA como una herramienta monolítica.

IA predictiva versus IA generativa

Durante muchos años, la IA predictiva ha apoyado la toma de decisiones de forma silenciosa y entre bastidores; Los modelos de aprendizaje automático destacan por detectar patrones en grandes cantidades de datos históricos. Por ejemplo, en el sector crediticio, estos modelos analizan enormes volúmenes de datos históricos para identificar patrones que prácticamente ningún analista humano puede detectar entre millones de resultados; Predice la probabilidad de reembolso, el riesgo de fraude y la volatilidad de una cartera de inversiones con mucha más precisión que los sistemas de valoración tradicionales creados hace décadas.

La IA generativa realiza una función completamente diferente: recopila información, aborda la ambigüedad y se comunica en lenguaje humano. Puede explicar la importancia de una tendencia, resumir resultados complejos, resaltar compensaciones estratégicas y ayudar a las personas a interactuar con sistemas que antes requerían experiencia especializada para comprenderlos. Su función no se limita únicamente a la predicción; Más bien, incluye inferencia y traducción (transformar datos en conceptos comprensibles).

La diferencia y combinación entre ambos: La forma más sencilla de entender esta diferencia es con la siguiente analogía: el aprendizaje automático representa el “laboratorio de diagnóstico” que realiza las pruebas, mientras que la IA obstétrica representa el “médico” que ayuda a interpretar los resultados y determinar el siguiente paso. Ninguno de los dos es indispensable para el otro; Más bien, se integran para crear un sistema más poderoso y eficaz.

Utilice el tipo correcto de IA para la tarea

Esta distinción es importante porque muchas organizaciones están intentando actualmente insertar IA generativa en funciones para las que no fue diseñada originalmente. A pesar de las enormes capacidades de los grandes modelos de lenguaje, no son sistemas de predicción deterministas (es decir, no dan resultados estables y definidos con precisión matemática).

Pedirle a un “chatbot” de uso general que tome decisiones financieras u operativas cruciales de forma independiente (sin una infraestructura analítica especializada que lo respalde) es algo similar a pedirle a un médico que diagnostique la condición de un paciente sin la ayuda de laboratorios, exámenes médicos o medición de signos vitales. El razonamiento que carece de datos fiables y sólidos sigue siendo poco fiable.

Mientras tanto, los sistemas de predicción que carecen de explicabilidad crean un tipo diferente de problema. Lo que estoy notando es que las organizaciones son capaces de generar resultados que son cada vez más precisos, pero difíciles de entender, y cada vez menos personas los comprenden. Esta discrepancia es la que da forma a las características de la próxima fase de adopción de la inteligencia artificial en varios sectores.

Varias aplicaciones de campo

Por ejemplo, en el sector sanitario, los modelos de predicción pueden identificar antes a los pacientes de alto riesgo, en comparación con los métodos de detección tradicionales. Sin embargo, los médicos todavía necesitan sistemas capaces de interpretar los resultados, resumir las consideraciones terapéuticas y comunicarse claramente con los pacientes. En el campo de los vehículos autónomos, una capa de inteligencia artificial monitorea constantemente caminos, peatones, distancias y obstáculos en tiempo real, mientras que otra capa determina cómo responderá el vehículo a las condiciones cambiantes.

Este patrón se repite en todas partes: inteligencia predictiva combinada con inteligencia deductiva (basada en la lógica y el análisis).

Combinando predicción, inferencia... y juicio humano

Las operaciones de préstamo son uno de los ejemplos más claros de ello; El proceso de evaluación crediticia debe ser determinista y repetible, lo que significa que los mismos datos deben conducir siempre al mismo resultado e interpretación; de lo contrario, la decisión no será justificable ante los supervisores o prestatarios. Aquí surge el poder del aprendizaje automático, pero no proporciona un medio para explorar las connotaciones de estos números y sus significados.

Aquí entra en juego el papel de la inteligencia artificial generativa para llenar este vacío. Interpreta los resultados en contexto, prueba escenarios hipotéticos alternativos (análisis de “qué pasaría si”) en carteras de crédito y simula el impacto de los cambios de política en las decisiones de aprobación. En lugar de simplemente evaluar los préstamos, esta inteligencia ayuda a los prestamistas a comprender los resultados de los sistemas que manejan el proceso de evaluación real. Esta combinación no niega el papel del juicio humano; Más bien, aumenta su valor; Permite a los humanos dedicar menos tiempo al análisis rutinario y más tiempo para afrontar casos excepcionales, tomar decisiones estratégicas y ejercer tareas de control y supervisión.

Las organizaciones que mejores resultados consiguen son aquellas que no sustituyen a los humanos por sistemas de IA; Más bien, construyen sistemas que integran diferentes formas de inteligencia: modelos estadísticos que detectan patrones a gran escala, sistemas generativos que transforman la complejidad en conocimientos procesables y un elemento humano que agrega contexto y desempeña funciones de supervisión y evaluación.

Capacidades de análisis avanzadas

Durante décadas, las capacidades analíticas avanzadas se han concentrado en las principales instituciones globales; Sólo estas instituciones tenían los recursos financieros para proporcionar la infraestructura y la experiencia necesarias para procesar información a gran escala. Sin embargo, la inteligencia artificial está empezando a cambiar esta realidad. Las organizaciones que obtendrán los mayores beneficios no serán aquellas que busquen una automatización total; Más bien, aquellos que combinan predicción, razonamiento y juicio humano en sistemas de trabajo que mejoran la eficacia de los individuos.

Imaginemos a un paciente que hace años aceptó utilizar sus datos médicos para entrenar un sistema inteligente que ayude a los médicos a detectar enfermedades. Así, sus fotografías, exámenes e historial médico se incluyeron en los miles, quizás millones, de registros que se utilizaron para construir el modelo. Luego cambió de opinión y pidió retirar su consentimiento y borrar sus datos.

En una base de datos tradicional, la solución parece sencilla: se elimina el registro y se acaba la historia. Pero el problema se vuelve más complejo cuando el sistema ya ha aprendido de esos datos; Durante el entrenamiento, el modelo no necesariamente retiene el registro del paciente como lo hace una base de datos, sino que sus parámetros internos cambian según los patrones que ha extraído. Así, el archivo original se puede eliminar, mientras que parte de su efecto estadístico permanece en lo que ha aprendido el algoritmo.

Cuando el botón “Eliminar” no es suficiente

¿Se puede eliminar también lo que la máquina ha aprendido? Ésta es la pregunta planteada por los investigadores en un reciente estudio analítico publicado el 18 de julio de 2026 en la revista “npj Digital Medicine”, parte del “Nature Portfolio”, titulado “Borrar el aprendizaje automático como una necesidad para la gobernanza de la inteligencia artificial clínica”.

El estudio analiza el concepto de “Machine Unlearning”, es decir, el intento de eliminar la influencia de datos específicos de un modelo previamente entrenado, sin necesariamente tener que volver a entrenarlo completamente desde cero.

Si esta idea tiene éxito en la práctica, puede añadir a la medicina digital una capacidad que tradicionalmente no formaba parte del diseño de algoritmos: no sólo aprender, sino también saber olvidar.

¿Qué es el “desaprendizaje”?

Entrenar sistemas de inteligencia artificial implica extraer patrones y relaciones estadísticas de grandes cantidades de datos y luego codificar lo que han aprendido de manera distribuida dentro de los parámetros del modelo, para que luego puedan usarse en clasificación, predicción o diagnóstico de soporte.

“Eliminar aprendizaje” intenta ir en la dirección opuesta: eliminar el rastro de ciertos datos después de que el modelo ya haya aprendido de ellos. El objetivo, en lugar de volver a entrenar desde cero cada vez que se solicita la eliminación de un registro, es modificar el modelo para que su comportamiento sea lo más parecido posible a un modelo hipotético que no fue entrenado con esos datos en primer lugar. Este modelo reentrenado sin los datos que se van a eliminar se conoce a veces como el "estándar de oro" con el que se compara la eficacia del proceso de eliminación.

La diferencia aquí es fundamental; Eliminar una imagen de rayos X o el resultado de un examen de la base de datos no garantiza que su efecto desaparezca del modelo que se entrenó previamente en ella. Porque es posible que su impacto ya se haya distribuido en una gran cantidad de sus transacciones internas.

Esto puede compararse con arrancar una página de un libro después de que el lector ha memorizado su contenido: la página ha desaparecido, pero la información no necesariamente ha desaparecido de la memoria.

¿Por qué la medicina necesita “olvidar”?

La necesidad de olvidar no comienza ni termina cuando un paciente cambia de opinión y retira el consentimiento al uso de sus datos; Después del entrenamiento puede quedar claro que algunos registros contenían errores, que las imágenes médicas fueron clasificadas con un diagnóstico incorrecto o que un grupo de población no estaba representado de manera equilibrada. En otros casos, el problema puede no ser los datos en sí, sino que el conocimiento médico en el que se basaban ha cambiado.

Este es un punto muy importante en medicina. El conocimiento clínico no es estático. Las recomendaciones de tratamiento también cambian a medida que surgen nuevas experiencias y evidencia, y pueden revisarse las prácticas que eran aceptables cuando se recopilaron los datos a partir de los cuales se recopiló el sistema.

Los investigadores citan la pandemia de “Covid-19” como un claro ejemplo, cuando la evidencia y las recomendaciones de tratamiento cambiaron excepcionalmente rápido. Si un modelo médico aprende de prácticas que luego se demuestra que son inapropiadas, el simple hecho de agregar datos más recientes puede no siempre responder a una pregunta más difícil: ¿podemos eliminar un rastro de conocimiento en el que ya no queremos que dependa el sistema?

Aquí el “aprendizaje del borrado” adquiere una función que va más allá de borrar datos; Puede convertirse en una herramienta para corregir la memoria clínica del modelo cuando la ciencia misma cambie.

¿Tiene el paciente derecho a ser olvidado por el algoritmo?

La cuestión se vuelve más compleja cuando se pasa de la informática a la ley y los derechos de los pacientes; El Reglamento General de Protección de Datos de la UE (GDPR) otorga a las personas, en virtud del artículo 17 y en circunstancias específicas, el derecho a solicitar que se eliminen sus datos personales, lo que a veces se conoce como “derecho a borrar” o “derecho al olvido”.

Pero los modelos inteligentes plantean un problema para el cual las bases de datos tradicionales no fueron diseñadas; Si los datos del paciente ya ingresaron al proceso de capacitación, eliminar el registro original no necesariamente responde a otra pregunta: ¿Qué pasa con el impacto de esos datos dentro del modelo?

El estudio indica que hasta qué punto se aplican las obligaciones de borrado a las transacciones de modelos entrenados sigue siendo una cuestión legal sin resolver. La información original no puede permanecer almacenada en una ubicación específica que pueda simplemente ser encontrada y eliminada, sino que su efecto puede distribuirse por toda la estructura del modelo.

Aquí aparece una nueva brecha entre el derecho legal a eliminar datos y la capacidad técnica de hacer que el algoritmo se comporte como si no hubiera aprendido de ellos en primer lugar. Es un área donde se encuentran la medicina, la informática y el derecho, mientras aún se están perfilando los límites del “derecho al olvido digital” del paciente.

Olvidar no está exento de riesgos

Pero hacer que el modelo se olvide no es un proceso gratuito; Eliminar el impacto de un conjunto de datos puede cambiar su comportamiento de maneras que van más allá de la información objetivo en sí y puede afectar su capacidad para distinguir entre situaciones o “calibrarla”; Es decir, el grado en que las probabilidades previstas coinciden con los resultados que realmente ocurren.

Es posible que este efecto no se distribuya uniformemente; Un proceso que parece exitoso al medir el desempeño general puede tener un mayor impacto en un grupo específico de pacientes, especialmente si ya está representado por un número limitado de casos.

Por lo tanto, los investigadores advierten contra el tratamiento del borrado del aprendizaje como un "botón de eliminación". Después de cualquier modificación fundamental, se debe volver a probar el modelo, comparar su rendimiento con la versión anterior y verificar que no aparezcan efectos secundarios no deseados, manteniendo la posibilidad de volver a una versión anterior si el proceso falla.

Por lo tanto, el estudio propone un concepto importante, que es el de “desaprendizaje de la preparación”: es decir, los sistemas médicos deben diseñarse desde el principio para que luego sea posible identificar los datos que se van a olvidar, eliminar sus rastros, luego verificar el éxito del proceso y documentar lo que ha cambiado.

Por lo tanto, el “olvido” se convierte en una propiedad en la que se debe pensar al construir el modelo, no después de que aparezca la necesidad.

Del “modelo fijo” al ciclo de vida continuo

El “aprendizaje de borrado” también cambia la forma en que vemos los sistemas médicos después de su adopción; El modelo no debe tratarse como un producto fijo que obtiene aprobación y luego permanece sin cambios; Los datos cambian, la evidencia médica evoluciona, se pueden descubrir nuevos errores o los pacientes pueden retirar su consentimiento para el uso de su información.

Por ello, el estudio propone abordarlo dentro de un ciclo de vida continuo que comienza con conocer la fuente de los datos y la posibilidad de rastrearlos, pasa por gestionar versiones del modelo y determinar las circunstancias que requieren eliminar el rastro de cierta información, para luego probar la versión modificada antes de seguir utilizándola clínicamente.

Esto significa que la pregunta a la hora de adoptar un nuevo sistema médico no debe ser sólo: ¿Cómo aprendiste? Pero también: ¿Sabemos corregir lo aprendido si luego descubrimos que ya no es válido?

La gobernanza, en este sentido, se convierte en una gestión del ciclo de vida de la IA médica, en lugar de una aprobación regulatoria única cuando ingresa a un hospital.

La siguiente pregunta para la inteligencia artificial médica

Hemos pasado los últimos años intentando construir sistemas que puedan aprender de la mayor cantidad de datos posible. Pero la medicina ahora puede necesitar una capacidad diferente: que una máquina sepa qué olvidar, cuándo y cómo demostrar que lo ha olvidado sin dañar lo que ha aprendido correctamente. El filósofo alemán Friedrich Nietzsche escribió hace más de un siglo que “Olvidar no es sólo un poder ocioso... sino un poder activo y positivo”. Hablaba de la mente humana, no de algoritmos, pero hoy su frase adquiere un significado técnico inimaginable en su época. Después de años en los que la atención se ha centrado en cómo enseñar a una máquina, la siguiente etapa puede comenzar preguntando cómo hacer que deshaga lo que ha aprendido cuando sea necesario. Quizás la memoria de una máquina se mide no sólo por lo que puede retener, sino también por lo que puede olvidar cuando el recuerdo se vuelve incorrecto.

En medicina, olvidar puede no ser lo opuesto a aprender; Más bien, es una de las condiciones para continuar con el aprendizaje correcto.

Los resultados preliminares de un gran estudio genético revelaron que las personas que tienen variaciones genéticas que los hacen más propensos a los sabores dulces o grasos en realidad tienden a comer mayores cantidades de estos alimentos. Esta predisposición genética también se asocia con un aumento del peso corporal y un modesto aumento del riesgo de desarrollar diabetes tipo 2.

Principales estudios sobre la base genética de las preferencias gustativas.

Estos resultados ofrecen una posible explicación a una pregunta que ha desconcertado a los investigadores durante mucho tiempo: ¿por qué algunas personas son capaces de resistirse fácilmente a un caramelo, mientras que otras se sienten más atraídas por los dulces, las bebidas azucaradas y los alimentos grasos? El estudio sugiere que la respuesta puede estar escrita en parte en nuestros genes.

El estudio es uno de los más grandes hasta la fecha que ha investigado la base genética de las preferencias gustativas y se basó en datos del Biobanco del Reino Unido, que incluye información genética y de salud y datos sobre los hábitos alimentarios de aproximadamente medio millón de personas en el Reino Unido.

Genes detrás de los antojos de comida

El equipo de investigación -dirigido por Julie Jervis, investigadora del Centro de Medicina Genómica del Hospital General de Massachusetts en Estados Unidos- utilizó un método innovador para estudiar la relación entre los genes y las preferencias alimentarias. Jervis presentó los resultados en la conferencia “NUTRICIÓN 2026” en la reunión anual de la Sociedad Estadounidense de Nutrición, que se celebró del 25 al 28 de julio de 2026 en “National Harbor” en Maryland, cerca de Washington, DC. El estudio fue publicado en la revista de la Sociedad Estadounidense de Nutrición (ASN).

Bases de datos sensoriales: en lugar de simplemente preguntar a las personas qué les gusta de los alimentos, los investigadores combinaron respuestas de cuestionarios de preferencia alimentaria con bases de datos sensoriales que describen características de diferentes alimentos, como dulzura, salinidad y cremosidad.

Puntuaciones genéticas para gustos: luego realizaron análisis de todo el genoma en un grupo de participantes para identificar diferencias genéticas asociadas con la preferencia por sabores dulces, salados o grasos. Luego crearon "puntuaciones genéticas" que reflejan la predisposición genética de cada persona a preferir cada uno de estos gustos.

En otro grupo de participantes, los investigadores comprobaron si esta predisposición genética se refleja realmente en el comportamiento alimentario y en la salud.

El postre puede comenzar con una pequeña cantidad.

Los resultados preliminares mostraron que las personas que tenían una mayor tendencia genética a preferir los sabores dulces comían un promedio de alrededor de 7 gramos adicionales de alimentos dulces por día, incluidos dulces y bebidas azucaradas.

Esto puede parecer una pequeña cantidad en un día; Pero los investigadores señalan que las pequeñas diferencias en los hábitos alimentarios pueden acumularse con el tiempo.

Lo más importante es que una alta predisposición genética a preferir sabores dulces o grasos también se asoció con un mayor peso corporal y un modesto aumento en el riesgo de desarrollar diabetes tipo 2.

Una gran parte de esta asociación parecía deberse al consumo de lo que se conoce como “alimentos hiperpalatables”, como bebidas endulzadas, alimentos fritos, patatas fritas y otros alimentos que normalmente combinan altos niveles de azúcar, grasa o sal.

Los genes no son comida.

Los investigadores subrayan que los resultados no significan que una persona esté genéticamente predispuesta a amar los dulces, o que inevitablemente se volverá obesa o diabética. La dieta y la salud metabólica se ven afectadas por una amplia gama de factores, incluidos el medio ambiente, los hábitos alimentarios y la actividad física.