Diccionario médico, definiciones y términos de psiquiatría

Sesgo algorítmico

Errores sistemáticos en sistemas de IA que resultan en tratamiento injusto o discriminatorio de ciertos grupos, reflejando y amplificando prejuicios en datos de entrenamiento.
Ejemplo clínico. Algoritmo entrenado en hospital universitario urbano falla sistemáticamente en población rural: infradiagnostica depresión en agricultores porque sus expresiones de malestar difieren del dataset original.
Precaución. Puede perpetuar y amplificar disparidades en salud mental existentes.
Relevancia para la práctica. Consideración ética fundamental; requiere validación en población específica antes de implementación.

Concepto clave: «Sesgo algorítmico en psiquiatría». El sesgo algorítmico en salud mental es particularmente preocupante porque puede afectar a poblaciones ya vulnerables. Un modelo entrenado principalmente con datos de pacientes blancos de clase media puede fallar en detectar expresiones culturalmente específicas de distress en minorías étnicas, perpetuando disparidades en diagnóstico y tratamiento. La mitigación requiere datasets diversos, validación por subgrupos y monitorización continua de equidad.

Sistema experto

Un sistema experto es un tipo de programa informático diseñado para emular el razonamiento de un experto humano en un campo específico, utilizando una base de conocimientos y un motor de inferencias. Se basa en reglas lógicas del tipo "si… entonces…" (por ejemplo: si el paciente tiene síntomas A, B y C, entonces sugerir diagnóstico D), y su objetivo es ayudar en la toma de decisiones clínicas, diagnósticas o terapéuticas, reproduciendo la lógica de un profesional con experiencia.

Componentes de un sistema experto

- Base de conocimientos: contiene los hechos, criterios diagnósticos, tratamientos y protocolos extraídos de libros, guías clínicas o de la experiencia de expertos humanos.

- Motor de inferencia: es el "razonador" del sistema. Aplica reglas sobre los datos introducidos y deduce conclusiones.

- Interfaz de usuario: permite al clínico introducir información (síntomas, antecedentes, resultados) y recibir recomendaciones o explicaciones.

- Módulo de explicación (en algunos casos): justifica por qué se ha llegado a una determinada conclusión, lo que mejora la transparencia.

Aplicación en psiquiatría

En salud mental, un sistema experto puede:

- Ayudar a sugerir diagnósticos diferenciales en base a entrevistas estructuradas.

- Recomendar intervenciones terapéuticas ajustadas a guías clínicas (por ejemplo, algoritmos para el tratamiento del trastorno bipolar o la depresión resistente).

- Identificar factores de riesgo suicida mediante protocolos estructurados.

- Facilitar la formación clínica, sirviendo como simulador de casos complejos.

Diferencias con la IA moderna

Los sistemas expertos clásicos se basan en reglas fijas y conocimiento explícito, mientras que la IA moderna (como el aprendizaje automático o las redes neuronales) aprende a partir de datos, incluso sin que sepamos las reglas exactas. Un sistema experto razona como un psiquiatra que aplica algoritmos clínicos. Una red neuronal predice como un psiquiatra que ha visto miles de pacientes y detecta patrones sin poder explicarlos del todo.

Token

Unidad fundamental de texto que los modelos de lenguaje procesan, aproximadamente equivalente a una sílaba o palabra corta.
Ejemplo clínico. Informe de 3.000 palabras, unos 4,000 tókenes. GPT-4 con límite de 8.000 tókenes puede procesar el informe completo más instrucciones, pero no tres informes simultáneamente.
Precaución. Exceder límites de tókenes trunca información, potencialmente omitiendo datos críticos.
Relevancia para la práctica. Determina cuánta información clínica puede procesarse en una sola interacción con IA.

Transformer

 Arquitectura revolucionaria de red neuronal que procesa todas las partes de una secuencia simultáneamente mediante «mecanismos de atención», base de los modelos de lenguaje modernos.
Ejemplo clínico. Transformer analiza la historia clínica completa
«prestando atención» simultáneamente a la medicación actual, síntomas de hace 6 meses y trauma infantil, identificando conexiones que el análisis secuencial pasaría por alto.
Precaución. Computacionalmente intensivo; requiere recursos significativos para datasets grandes.
Relevancia para la práctica. Tecnología detrás de todas las herramientas de PLN modernas en psiquiatría.

Validación cruzada

 Técnica estadística que evalúa qué tan bien un modelo generaliza a datos no vistos, dividiendo el dataset en múltiples subconjuntos para entrenamiento y prueba iterativa.
Ejemplo clínico. Modelo de predicción de respuesta a antidepresivos se entrena con 80 % de pacientes y se prueba con 20 % restante, repitiendo 5 veces con diferentes divisiones. Precisión consistente del 75 % indica buena generalización.
Precaución. No garantiza funcionamiento en poblaciones muy diferentes al dataset original.
Relevancia para la práctica. Indicador clave de si una herramienta funcionará en tu población específica.

Wearable (Dispositivo portátil)

 Dispositivo electrónico que se lleva en el cuerpo recolectando continuamente datos fisiológicos y comportamentales relevantes para salud.
Ejemplo clínico. Paciente con trastorno bipolar usa smartwatch
que detecta reducción de sueño \+ aumento de actividad física
\+ elevación de frecuencia cardíaca, alertando de posible viraje maníaco 72 horas antes de síntomas clínicos.
Precaución. Puede generar hipervigilancia y ansiedad por salud en algunos pacientes.
Relevancia para la práctica. Extiende la evaluación más allá de la consulta, permitiendo intervenciones verdaderamente preventivas.

XAI (Explainable AI \IA Explicable)

Campo de IA dedicado a hacer los sistemas de IA interpretables y comprensibles para humanos, especialmente crucial en aplicaciones médicas.
Ejemplo clínico. Sistema XAI para detección de depresión no solo dice «85 % probabilidad de depresión mayor», sino que explica:
«Basado en anhedonia severa (30 %), insomnio terminal (25 %), pérdida de peso (20 %) y retardo psicomotor (25 %)».
Precaución. Equilibrio inherente entre explicabilidad y precisión máxima.
Relevancia para la práctica. Requisito ético y legal creciente; fundamental para confianza clínica y adopción.