Resumen: Los modelos de grandes bases (LFM) transforman la IA sanitaria en la prevención, el diagnóstico y el tratamiento. Sin embargo, sigue siendo una cuestión abierta si los LFM pueden proporcionar recomendaciones de tratamiento verdaderamente personalizadas. Investigaciones recientes han revelado múltiples desafíos para la personalización, incluida la paradoja fundamental de la generalización: los modelos que logran una alta precisión en un estudio clínico funcionan a un nivel aleatorio en otros, lo que demuestra que la personalización y la validez externa existen en tensión. Esto ejemplifica contradicciones más amplias en la atención sanitaria impulsada por la IA: la paradoja de la privacidad-rendimiento, la paradoja de la especificidad de escala y la paradoja de la automatización-empatía. Como otro desafío, el grado de comprensión causal requerido para las recomendaciones personalizadas, a diferencia de las meras capacidades predictivas de los LFM, sigue siendo una cuestión abierta. Los ensayos N-de-1 (autoexperimentos cruzados y el estándar de oro para la inferencia causal individual en la medicina personalizada) resuelven estas tensiones al proporcionar evidencia causal interna y al mismo tiempo preservar la privacidad a través de la experimentación local. A pesar de sus impresionantes capacidades, este artículo sostiene que los LFM no pueden reemplazar los ensayos N de 1. Sostenemos que los LFM y los ensayos N de 1 son complementarios: los LFM destacan en la generación rápida de hipótesis a partir de patrones poblacionales utilizando datos multimodales, mientras que los ensayos N de 1 destacan en la validación causal para un individuo determinado. Proponemos un marco híbrido que combina las fortalezas de ambos para permitir la personalización y navegar por las paradojas identificadas: los LFM generan candidatos de intervención clasificados con estimaciones de incertidumbre, que desencadenan ensayos N de 1 posteriores. Aclarar el límite entre predicción y causalidad y abordar explícitamente las tensiones paradójicas son esenciales para una integración responsable de la IA en la medicina personalizada.
Publicado originalmente en export.arxiv.org el 7 de enero de 2026.
Ver fuente original
