Antes de que la inteligencia artificial aprendiera, obedecía. Y durante mucho tiempo —más del que solemos admitir— eso fue suficiente.

La IA basada en reglas es la forma más antigua, más simple y más extendida de inteligencia artificial en medicina. También es la menos comprendida, quizá porque no se parece a la idea moderna de "máquina inteligente". No aprende, no descubre patrones ocultos ni se adapta sola. Ejecuta reglas explícitas definidas por humanos. Y, sin embargo, ha cambiado la práctica clínica y la investigación más de lo que muchas tecnologías más sofisticadas lograron.

Qué es realmente una IA basada en reglas

Un sistema basado en reglas funciona bajo una lógica directa:

Si ocurre A (y B, y C), entonces sugerir D.

No hay inferencia estadística compleja ni aprendizaje automático. Hay conocimiento humano codificado. Cada regla expresa una decisión clínica previa: una guía, un consenso, una evidencia aceptada en un momento histórico.

Desde el punto de vista lógico, estos sistemas se apoyan en lógica proposicional (verdadero/falso) y umbrales definidos: presión arterial > X, creatinina > Y, frecuencia > Z. Esa simplicidad es su mayor fortaleza… y su principal límite.

Los primeros sistemas expertos: cuando la medicina habló en reglas

En los años 70 y 80 surgieron los sistemas expertos médicos, antecesores directos de muchas herramientas actuales. Uno de los más citados es MYCIN, desarrollado en Stanford para recomendar antibióticos en infecciones graves. MYCIN no "descubría" tratamientos: aplicaba reglas escritas por clínicos.

Su impacto fue más profundo de lo que sugiere la anécdota tecnológica: por primera vez, la medicina intentó formalizar el razonamiento clínico (qué datos importan, con qué peso, en qué orden, y bajo qué condiciones).

En investigación, estos sistemas expusieron algo incómodo: gran parte del conocimiento experto era tácito. Al intentar escribirlo en reglas, aparecieron inconsistencias, zonas grises y supuestos no documentados. Ese fue un aporte silencioso: no automatizar decisiones, sino obligarnos a explicitar qué creemos saber.

Dónde vive hoy la IA basada en reglas (aunque no la llamemos así)

Hoy estos sistemas suelen estar integrados, naturalizados, invisibles: alertas de interacción en la HCE, recordatorios, scores automatizados, checklists, protocolos de sepsis, reglas de triage. Cada vez que el sistema "salta" con una advertencia, hay una regla detrás. Y cada regla refleja una decisión humana previa.

Cómo se integra bien al flujo de trabajo (y cómo se arruina)

Una IA basada en reglas funciona bien cuando respeta el contexto clínico. Funciona mal cuando lo ignora. Integrarla bien es decidir, explícitamente: cuándo alertar y cuándo callar; qué severidad justifica interrumpir; quién puede desactivar; y cómo se documenta el desacuerdo del clínico.

Si no se hace esto, aparece el fenómeno más humano de todos: fatiga por alertas. El problema no es "la regla": es el exceso de reglas mal jerarquizadas que convierte la seguridad en ruido.

Una regla verdadera puede volverse clínicamente falsa si interrumpe en el momento equivocado.

Qué hace bien (y por qué sigue siendo valiosa)

Su valor no es "ser brillante". Su valor es ser consistente. Estandariza mínimos, reduce omisiones, protege cuando el sistema humano está fatigado, y es auditable. En investigación clínica, además, habilita comparabilidad: sin criterios explícitos, no hay reproducibilidad.

Qué no puede hacer (y cómo falla)

No improvisa. No aprende. No se adapta. Cuando el paciente real no encaja en el protocolo —y ocurre seguido—, la regla se vuelve ruido. Su error típico no es el "fallo inteligente", sino la rigidez (o el "spam" de alertas).

Y hay un riesgo ético específico: una regla desactualizada no es neutral; es un sesgo institucional codificado. Si nadie revisa cuándo se escribió, con qué evidencia y para qué población, la IA basada en reglas perpetúa errores con autoridad.

Un aporte silencioso a la investigación moderna

Paradójicamente, la IA basada en reglas preparó el terreno para el aprendizaje automático. Al formalizar decisiones, ayudó a generar datos estructurados, variables claras y criterios más reproducibles. En ese sentido, estas IAs no fueron el final de nada: fueron el cimiento.

Cierre editorial

La IA basada en reglas no es obsoleta. Es honesta: dice exactamente lo que hace y nada más. No promete intuición ni descubrimiento. Promete coherencia. Y en medicina, la coherencia no es menor.

Cuando las reglas ya no alcanzan, aparece la tentación de dejar que la máquina "aprenda". En el próximo artículo: aprendizaje automático en clínica. Qué gana el sistema cuando aprende… y qué riesgo aparece cuando dejamos de entender por qué decide.