Resumen: El diagnóstico clínico es un proceso cognitivo complejo, basado en la adquisición dinámica de señales y la acumulación continua de experiencia. Sin embargo, la mayoría de los sistemas de inteligencia artificial (IA) actuales no están alineados con esta realidad, ya que tratan el diagnóstico como una predicción retrospectiva de un solo paso y carecen de mecanismos auditables para una mejora gobernada. Desarrollamos DxEvolve, un agente de diagnóstico de evolución automática que cierra estas brechas a través de un flujo de trabajo interactivo de investigación clínica profunda. El marco solicita exámenes de forma autónoma y externaliza continuamente la experiencia clínica a partir de una exposición cada vez mayor al encuentro como primitivos de cognición diagnóstica. En el punto de referencia MIMIC-CDM, DxEvolve mejoró la precisión diagnóstica en un 11,2 % en promedio en comparación con los modelos troncales y alcanzó el 90,4 % en un subconjunto de estudio de lectores, comparable a la referencia médica (88,8 %). DxEvolve mejoró la precisión en una cohorte externa independiente en un 10,2 % (categorías cubiertas por la cohorte de origen) y un 17,1 % (categorías no cubiertas) en comparación con el método competitivo. Al transformar la experiencia en un activo de aprendizaje controlable, DxEvolve respalda un camino responsable para la evolución continua de la IA clínica.
Publicado originalmente en export.arxiv.org el 11 de marzo de 2026.
Ver fuente original
