Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines

Título: Resolución Neuro-Simbólica de Conflictos de Recomendación en Guías Clínicas de Multimorbilidad

1. El Problema

Las guías clínicas actuales, desarrolladas por sociedades especializadas independientes, sufren de una fragmentación inherente que genera redundancia, inconsistencia y contradicciones lógicas. Este problema se agrava en pacientes con multimorbilidad (múltiples enfermedades simultáneas), donde la aplicación de guías de enfermedades individuales puede generar conflictos de decisión.

• Crisis de Fiabilidad en IA: Cuando estos documentos contradictorios se inyectan en sistemas de Generación Aumentada por Recuperación (RAG), incluso los Modelos de Lenguaje de Gran Escala (LLM) más avanzados fallan. La "ruido" lógico no es solo un error de recuperación, sino una fuente de alucinaciones y riesgos clínicos catastróficos.
• Limitación de los LLMs: Los LLMs puros tienen dificultades para distinguir entre información topológicamente relacionada pero contradictoria, especialmente en conflictos sutiles que surgen de la intersección de condiciones (conflictos locales).
• Necesidad de Gobernanza: No basta con parchear el componente de recuperación; se requiere una gobernanza de conocimiento que verifique la integridad lógica de las guías antes de su uso.

2. Metodología

Los autores proponen un marco Neuro-Simbólico automatizado que transforma el lenguaje natural clínico no estructurado en representaciones lógicas verificables. El pipeline consta de tres fases principales:

• Fase 1: Atomización del Corpus y Extracción

  • Se filtran las recomendaciones farmacológicas que cumplen criterios sintácticos estrictos (definición de población objetivo, acción recomendada, verbos directivos y modales deónticos).
  • Se agrupan en clústeros semánticos utilizando Locality-Sensitive Hashing (LSH).

• Fase 2: Formalización Neuro-Simbólica (Sistema Multi-Agente)
  Un sistema de agentes encadenados traduce el lenguaje natural a lógica simbólica ejecutable (NL2SL):

  1. Agente de Entidades: Mapea menciones clínicas a códigos canónicos (SNOMED CT, LOINC, RxNorm) bajo estándares HL7 FHIR.
  2. Agente de Predicados: Cierra la brecha semántica convirtiendo entidades estáticas en predicados lógicos verificables (lógica existencial, aritmética y categórica) mediante operadores tipados.
  3. Agente de Reglas: ensambla los predicados atómicos en estructuras lógicas compuestas y mapea las directivas a un vocabulario de acciones estandarizado.

• Fase 3: Verificación Basada en Lógica (SAT)

  • Las reglas generadas se codifican y se envían a un Solver de Satisficibilidad (SAT), específicamente Z3, para verificar la consistencia.
  • Se clasifica la interacción de las reglas en una taxonomía jerárquica:
    • Redundancia: Completa (condiciones equivalentes) o Contenida (una condición es subconjunto de otra).
    • Conflicto: Intrínseco (misma población, acciones opuestas), de Implicación (tensión general vs. específica) y Conflicto Local (la categoría crítica donde las condiciones solo se intersectan, típico de la multimorbilidad).

3. Contribuciones Clave

1. Esquema NL2SL Específico para Guías: Diseño de un modelo de datos computable que captura la estructura condicional anidada y la semántica de las acciones clínicas.
2. Pipeline Automatizado Neuro-Simbólico: Integración de agentes LLM con solucionadores SAT para detectar y categorizar redundancias y conflictos, identificando específicamente los "Conflictos Locales" derivados de la multimorbilidad.
3. Nuevo Dataset de Referencia: Construcción y publicación del primer conjunto de datos de razonamiento lógico profundo dedicado a la armonización de guías clínicas, sirviendo como benchmark para sistemas de gobernanza de conocimiento en RAG médico.

4. Resultados

El sistema fue evaluado en un corpus de 12 guías autorizadas sobre inhibidores SGLT2.

• Precisión de Formalización: El sistema alcanzó una precisión del 80.1% en la traducción de lenguaje natural a lógica simbólica sin few-shot (zero-shot). Los errores principales se debieron a la pérdida de contexto implícito y a la mala alineación de entidades.
• Descubrimiento de Conflictos: El análisis reveló que el 90.6% de los conflictos son Conflictos Locales. Esto demuestra que las guías son consistentes para enfermedades individuales pero estructuralmente frágiles para pacientes con múltiples comorbilidades.
• Comparativa con LLMs (RQ2):
  • Los LLMs de última generación (GPT-5, Gemini-2.5-Pro, DeepSeek-V3.1) operando en configuración RAG estándar fallaron catastróficamente en la detección de conflictos, con puntuaciones F1 de 0.298 (GPT-5) y Recall muy bajos (0.08–0.18).
  • El enfoque Neuro-Simbólico propuesto logró un F1 de 0.861, superando significativamente a los modelos puramente neuronales.
  • Robustez al Ruido: Mientras que el rendimiento de los LLMs se degradó drásticamente al aumentar el ruido (reglas irrelevantes inyectadas), el sistema propuesto mantuvo su estabilidad gracias a la verificación lógica formal.

5. Significado e Impacto

• Cambio de Paradigma: El trabajo establece que la verificación lógica debe preceder a la recuperación en los sistemas de IA médica. Simplemente recuperar información no es suficiente; los sistemas deben poseer maquinaria simbólica para arbitrar restricciones conflictivas.
• Seguridad Clínica: Proporciona una solución técnica para la crisis de fiabilidad en la toma de decisiones asistida por IA, especialmente crítica en pacientes complejos con multimorbilidad donde las guías de enfermedades únicas fallan.
• Futuro: Abre la puerta a la armonización automatizada de guías, donde las pruebas generadas por el solucionador lógico podrían guiar a los LLMs para reescribir guías inconsistentes en rutas de decisión coherentes y centradas en el paciente.

En conclusión, este estudio demuestra que la combinación de la flexibilidad semántica de los LLMs con la rigurosidad deductiva de los solucionadores SAT es indispensable para la gobernanza de conocimiento en la medicina de precisión.