💡 Pulsa Ctrl+D o Cmd+D para guardar este Clinical Toolkit en tus favoritos.
ACTUALIZADO: MARZO 2026

IA en Investigación Biomédica | Directorio 🧪

Un ecosistema interactivo y permanente para investigadores. Taxonomía técnica, integridad y explorador automatizado.

Autores Clave:
Dra. Joanna Jimenez
Dr. Mauricio Rosel
Dr. César Celada

🎮 1. Aprender y Jugar con IA

Entorno interactivo para principiantes

Experimenta con Word Embeddings, visión artificial y hacking de prompts para entender cómo piensan las IAs.

👉 Entrar al Catálogo Jugar y Aprender IA

🔄 2. Workflow del Investigador

Cómo estructurar un proyecto usando IA sin perder el rigor metodológico.

PASO 1

Búsqueda y Mapeo

Definición de brechas (Elicit, Perplexity).

⟶
PASO 2

Análisis y Extr.

Filtrado de literatura (Rayyan, ASReview).

⟶
PASO 3

Lectura Crítica

Interacción con PDFs (SciSpace, Humata).

⟶
PASO 4

Redacción

Formatos y revisión (PaperPal).

📐 3. Taxonomía de Sistemas

🔍 Motores Indexados

Pubmed, Google Scholar. Razonamiento probabilístico vs indexación pura. Recuperan datos, no generan nuevos hallazgos.

✨ IA Generativa

Modelos de Lenguaje (LLM). Tokens, atención y predicción semántica. Crean nuevo texto (ChatGPT, Claude).

🧬 Plegamiento

AlphaFold 3, RoseTTAFold. Arquitectura Transformer aplicada a biología estructural.

🧰 4. Base de Datos Maestra (55 Herramientas)

Directorio completo de herramientas clasificadas por etapa del pipeline científico.

Nombre Función Análisis de Uso
👉 Abrir explorador avanzado o pantalla completa

⚖️ 5. Protocolos de Rigor y Ética

🌐 Red Internacional

AI Act (Unión Europea) 🇪🇺 Clasifica riesgos. Algoritmos de triage clínico y diagnóstico = Ley Categoría: Alto Riesgo (auditoría exigida).
UNESCO & OCDE 🌍 Marco mundial. Enfoque en equidad algorítmica y protección de datos transfronteriza.

🇲🇽 Jurisdicción (México)

LFPDPPP (Datos Personales) Blindaje de Datos Sensibles (expedientes, genómica). Exige anonimización local.
NOM-004-SSA3-2012 Normativa sobre integraciones al Expediente Clínico Electrónico biomédico.
🕵️🔬 Laboratorio de Sesgos

Caso 1: El Algoritmo en Urgencias (Impacto Socioeconómico)

Una clínica usa IA para triage en urgencias basándose en el gasto individual histórico en salud. Tras un mes, pacientes rurales graves son catalogados con baja prioridad frente a pacientes urbanos leves.

¿Por qué ocurre esta discriminación fatal?
Sesgo de Proxy: El algoritmo confundió "Falta de Acceso Económico" con "Buena Salud". Usar el gasto financiero como indicador (proxy) discrimina automáticamente a comunidades vulnerables.

Caso 2: Detección de Melanoma (Falta de Diversidad)

Una IA detecta cáncer de piel con un 98% de precisión en el laboratorio. Al implementarse en una clínica comunitaria, comienza a generar múltiples falsos negativos (no detecta el cáncer) en pacientes afrodescendientes e hispanos oscuros.

¿Cuál fue el error de diseño en el modelo?
Desbalance de Dataset: El modelo fue entrenado casi exclusivamente con imágenes de lesiones en pieles caucásicas (fototipos I y II). La IA literalmente no aprendió cómo se ve un melanoma en la piel oscura.

Caso 3: Predicción de Sepsis (Fuga de Datos y Overfitting)

Un algoritmo de UCI predice la sepsis 12 horas antes. Los inversores lo compran. Se descubre que la IA usaba como variable predictiva "Si el paciente recibió antibióticos potentes".

¿Por qué el 99% de precisión original era una ilusión?
Target Leakage: El uso de antibióticos fuertes de rescate es la *consecuencia* de la sepsis, no el predictor. La IA no estaba prediciendo; estaba leyendo que los médicos "ya sabían" que el paciente tenía sepsis y actuaban en consecuencia.

🛡️ Flujos de Auditoría Interactivos

📝 STARD-AI: Revisión de Transparencia

USO: Utiliza STARD-AI para evaluar si el paper que estás leyendo reporta toda su metodología correctamente para ser replicado.

👥 Datos y Demografía (Ítem 11): ¿El autor oculta factores de riesgo?
Alerta: Frecuentemente los papers no detallan etnia ni nivel socioeconómico. Esto te impide saber si la IA funcionará en TU población.
🏷️ Anotación Experta (Ítem 12): ¿Quién puso las etiquetas?
Alerta: Si las radiografías fueron etiquetadas por estudiantes en lugar de radiólogos con board certification, el "Gold Standard" de la IA está corrupto desde su concepción.
🔒 División Prístina (Ítem 15): ¿Guardaron datos bajo llave?
Alerta: La partición del dataset debe ser ciega. Si entrenaron y probaron a la IA cruzando pacientes repetidos, el modelo solo está memorizando fotos, no aprendiendo medicina generalizable.

🩺 QUADAS-AI: Riesgo de Sesgos y Trampas

USO: Utiliza QUADAS para "cazar" métricas engañosas. Detecta cuando los investigadores hicieron trampa para inflar su eficacia estadística.

✂️ Selección Artificial de Pacientes
Red Flag: Los investigadores sacaron artificialmente a todos los pacientes con artefactos, obesidad o casos ruidosos. En la clínica pura la IA colapsará por no entender ruido natural.
🏰 El Efecto Hospital (Validación Local)
Red Flag: La IA se entrenó y probó en máquinas del MISMO hospital. Nunca salió al exterior. Es altamente probable el Overfitting al formato DICOM o la calibración de un técnico en particular.
⚖️ El Falso Gold Standard
Red Flag: Comparar una IA de Rx de tórax contra una opinión humana promedio, no contra un cultivo patológico de laboratorio definitivo. Están midiendo concordancia, no "verdad".

¿Tienes dudas sobre un desarrollo propio?

👉 Abrir Protocolo Interactivo de Integridad

📖 Glosario Biomédico Interactivo

Unidad mínima de lectura (silábica o palabra) que la red neuronal procesa y prioriza para autocompletar texto clínico.
Herramientas técnicas que diseccionan la "Caja Negra" estadística para mostrarte "por qué" un algoritmo clínico predijo un diagnóstico, usando mapas de calor o árboles de decisión.
Memorización. Un modelo aprueba los exámenes de los datos de prueba perfectamente, pero al salir al mundo real con nuevos pacientes falla porque "se aprendió las respuestas de memoria" en lugar de aprender medicina.
Técnica (Retrieval-Augmented Generation) para evitar alucinaciones. Anclamos la IA a un documento PDF para que busque la evidencia primero y redacte su respuesta basándose solo en eso.
Un error catastrófico cuando la IA tuvo acceso a los datos de "prueba final" durante su fase de "entrenamiento", resultando en un modelo tramposo con una fiabilidad matemáticamente irreal en su publicación inicial.
Si la configuras en 0, el modelo LLM te da respuestas matemáticas y conservadoras. Si la configuras en 1, te da creatividad a expensas del rigor, aumentando el riesgo de alucinación grave.