Resumen: Existe un interés creciente en el uso del aprendizaje automático (ML) para respaldar el diagnóstico clínico, pero la mayoría de los enfoques se basan en conjuntos de datos estáticos y totalmente observados y no reflejan el razonamiento secuencial y consciente de los recursos que los médicos utilizan en la práctica. El diagnóstico sigue siendo complejo y propenso a errores, especialmente en entornos de alta presión o con recursos limitados, lo que subraya la necesidad de contar con marcos que ayuden a los médicos a tomar decisiones oportunas y rentables. Proponemos ACTMED (selección de pruebas clínicas adaptativas mediante diseño experimental basado en modelos), un marco de diagnóstico que integra el diseño experimental bayesiano (BED) con modelos de lenguaje grandes (LLM) para emular mejor el razonamiento de diagnóstico del mundo real. En cada paso, ACTMED selecciona la prueba que se espera que produzca la mayor reducción en la incertidumbre diagnóstica para un paciente determinado. Los LLM actúan como simuladores flexibles, generan distribuciones plausibles del estado del paciente y respaldan actualizaciones de creencias sin requerir datos de capacitación estructurados y específicos de la tarea. Los médicos pueden permanecer informados; revisar sugerencias de pruebas, interpretar resultados intermedios y aplicar juicio clínico en todo momento. Evaluamos ACTMED en conjuntos de datos del mundo real y demostramos que puede optimizar la selección de pruebas para mejorar la precisión del diagnóstico, la interpretabilidad y el uso de recursos. Esto representa un paso hacia sistemas de diagnóstico transparentes, adaptables y alineados con los médicos que se generalizan en todos los entornos con una menor dependencia de datos de dominios específicos.
Publicado originalmente en export.arxiv.org el 22 de octubre de 2025.
Ver fuente original
