Cuando las máquinas aprendieron: datos, estadística y el nacimiento del aprendizaje automático

1) De reglas a patrones: el cambio de mentalidad

Programar reglas explícitas funciona cuando el mundo es estable. La clínica vive en zonas grises: síntomas incompletos, datos faltantes, comorbilidades, variabilidad biológica. Ahí la estadística aparece como tecnología intelectual.

Un modelo estima qué es más probable, no dicta órdenes. La diferencia entre apoyo y automatismo es una decisión humana.

Mapa mental rápido

Toda predicción combina etiqueta (lo que querés anticipar), variables (lo observado) y contexto (dónde y cómo se midió). Si el contexto cambia, el modelo puede degradarse aunque el código sea el mismo.

La IA clínica se parece más a un dispositivo médico que a una app: requiere validación local, monitoreo y circuito de mejora.

2) Probabilidad: pensar con incertidumbre

La probabilidad acepta que el azar no es solo ignorancia, sino parte de la realidad. Herramientas como inferencia bayesiana, regresión y teoría de decisiones son IA sin marketing: formalizan cómo actualizamos creencias con evidencia.

Probabilidad no es indecisión

Un riesgo 0,18 significa “en pacientes parecidos, esto ocurrió 18 de cada 100 veces”. La conducta depende del umbral: no tratás igual un 2% que un 40%, y el umbral no lo define el algoritmo.

Bayes, sin misticismo

Bayes es formalizar un instinto clínico: empezás con una sospecha (prior), pedís un estudio y actualizás la probabilidad (posterior). El dato aislado no manda; manda el contexto.

3) Estadística moderna: medir, comparar, generalizar

Pearson organiza correlación y regresión; Fisher sistematiza diseño experimental; Markov formaliza cadenas de estados; Kolmogórov fija axiomas de probabilidad. Resultado: la estadística se convierte en el arte de decidir bajo incertidumbre con reglas explícitas.

En clínica, si medís mal o sesgás la muestra, el modelo no se equivoca: aprende el sesgo y lo escala. El enemigo silencioso es el sobreajuste: memorizar datos en vez de generalizar.

4) Información, comunicación y control

Teoría de la información y cibernética conectan señal con acción: medir → actuar → volver a medir. En UCI es cotidiano; en IA clínica también. Un circuito mal diseñado puede crear sesgo de automatización: confiar “porque lo dijo la máquina”.

Métricas que importan a pie de cama: sensibilidad, valor predictivo positivo, calibración e impacto operacional. AUC no cuenta toda la historia.

5) Ecos globales (sin inventar historia)

La probabilidad moderna se desarrolló sobre todo en Europa, pero decidir con registros y series de observación es un hábito amplio: censos, catastros, contabilidad, calendarios. Esa infraestructura cultural vuelve imaginable entrenar modelos con datos.

En medicina, sin buena documentación no hay aprendizaje. Los pacientes llegan con experiencias, síntomas y fragmentos: la HCE y la comunicación clínica son el puente.

6) Tipos de aprendizaje automático (en lenguaje clínico)

Supervisado: ejemplos con “respuesta correcta” (etiqueta). Ej.: predecir mortalidad, sepsis o reingreso.
No supervisado: no hay etiqueta; el modelo agrupa o encuentra estructura. Ej.: fenotipos de insuficiencia cardíaca, clusters de laboratorio.
Aprendizaje por refuerzo: aprende por ensayo/error con recompensas; más usado en simulación y optimización que en decisiones directas.

El modelo no reemplaza tu razonamiento: devuelve una perspectiva estadística. Vos decidís si tiene sentido en el paciente real y su contexto social.

Advertencia clínica

Un modelo entrenado con datos históricos puede reproducir injusticias históricas. Antes de preguntar “¿qué AUC tiene?”, preguntá: ¿con qué datos aprendió, a quién representa y quién queda afuera?

La IA en salud es estadística aplicada sobre historias humanas. Si olvidamos lo humano, la estadística se vuelve una coartada.