Thinking Like a Clinician: A Cognitive AI Agent for Clinical Diagnosis via Panoramic Profiling and Adversarial Debate

Resumen Técnico: DxChain – Un Agente de IA Cognitivo para el Diagnóstico Clínico

Título original: Thinking Like a Clinician: A Cognitive AI Agent for Clinical Diagnosis via Panoramic Profiling and Adversarial Debate

1. El Problema: Limitaciones de los LLM en la Práctica Clínica

El uso de Modelos de Lenguaje de Gran Escala (LLMs) en el soporte de decisiones clínicas enfrenta tres desafíos críticos al procesar Registros Médicos Electrónicos (EHR) no estructurados:

• "Visión de Túnel" (Tunnel Vision): Los modelos tienden a fijarse prematuramente en una única hipótesis, ignorando diagnósticos diferenciales o siendo distraídos por "señales falsas" (ruido).
• Alucinaciones por Inicio en Frío (Cold-start Hallucinations): La incapacidad de distinguir entre condiciones crónicas (basales) y síntomas agudos, lo que lleva a interpretar anomalías incidentales como patologías agudas.
• Razonamiento Lineal y Frágil: Los enfoques tradicionales de "Cadena de Pensamiento" (CoT) siguen rutas lineales que no permiten el retroceso (backtracking) ni la exploración de múltiples ramas diagnósticas, lo que provoca errores de propagación.
• Falta de Verificación: Los modelos actuales suelen forzar narrativas coherentes incluso ante evidencia contradictoria, en lugar de reconocer la ambigüedad.

2. Metodología: El Marco DxChain

Para resolver esto, los autores proponen DxChain, un marco de razonamiento basado en una cadena que imita la trayectoria cognitiva de un médico a través de tres fases iterativas:

A. Anclaje de Memoria (Memory Anchoring - Fase I):
Implementa un paradigma de "Perfilado antes que Planificación" (Profile-Then-Plan). En lugar de saltar directamente al diagnóstico, el sistema realiza una "desarticulación clínica" para crear una Representación Global del Paciente. Esta representación separa la información en tres dimensiones:

1. Presentaciones Agudas ($C_{acute}$): Síntomas actuales.
2. Línea Base Crónica ($C_{chronic}$): Antecedentes médicos.
3. Factores de Riesgo ($R_{risk}$): Elementos de riesgo a largo plazo.
   Esto actúa como un ancla cognitiva que filtra el ruido y evita las alucinaciones iniciales.

B. Navegación mediante Árbol de Pensamiento Médico (Med-ToT - Fase II):
Transforma el diagnóstico en un proceso de navegación en un grafo dirigido. Utiliza un algoritmo de Árbol de Pensamiento (Tree-of-Thoughts) que permite:

• Simulación Mental: El modelo genera planes de investigación con "expectativas clínicas" antes de observar los resultados.
• Mecanismo de Discrepancia: Si los resultados reales (ej. un análisis de laboratorio) contradicen la expectativa previa, el sistema activa un ciclo de replanificación inmediata.
• Estrategias Diversas: El planificador genera ramas de razonamiento "Amplias" (para descartar emergencias), "Enfocadas" (en la hipótesis más probable) y "Alternativas" (para casos atípicos o "cebras").

C. Verificación Dialéctica (Dialectical Adjudication - Fase III):
Para resolver conflictos de evidencia, DxChain emplea un debate adversarial de "Ángel-Diablo":

• Agente Ángel (Proponente): Defiende los diagnósticos basándose en su importancia clínica y riesgos potenciales.
• Agente Diablo (Crítico): Ataca los diagnósticos buscando evidencia negativa, errores lógicos o intentando descartar hallazgos que son meramente incidentales o síntomas aislados.
• Juez: Un módulo final que arbitra el debate para decidir si un diagnóstico se mantiene, se modifica o se descarta.

3. Contribuciones Clave

1. Cambio de Paradigma: Pasa de la "emulación de procedimientos" (hacer lo que hace un médico) a la "simulación cognitiva" (pensar como un médico).
2. Arquitectura Modular: Introduce componentes específicos para el anclaje de memoria, la navegación estratégica y la verificación adversarial.
3. Mitigación de Sesgos: Reduce sistemáticamente la visión de túnel y las alucinaciones mediante el uso de perfiles panorámicos y la capacidad de retroceso en el árbol de decisiones.

4. Resultados Experimentales

El modelo fue evaluado en dos conjuntos de datos del mundo real (MIMIC-IV-Ext Cardiac Disease y CDM) utilizando modelos base como GPT-4.1-Mini y GPT-5-Nano.

• Precisión de Diagnóstico Primario (ACC): DxChain alcanzó el estado del arte (SOTA), superando significativamente a otros agentes como MedAgents, MDAgents y KAMAC.
• Consistencia Semántica: Obtuvo puntuaciones superiores en métricas de similitud (STS y BERTScore), lo que demuestra que no solo acierta el diagnóstico principal, sino que también identifica correctamente comorbilidades y diagnósticos secundarios.
• Robustez: Los estudios de ablación confirmaron que cada fase (Anclaje, Navegación y Verificación) aporta mejoras críticas en precisión y cobertura. Además, el sistema mostró una baja sensibilidad a la temperatura (aleatoriedad), lo que indica estabilidad operativa.

5. Significado e Impacto

La investigación demuestra que la arquitectura cognitiva es tan importante como la escala del modelo. DxChain ofrece un camino hacia sistemas de soporte a la decisión clínica (CDSS) más fiables, transparentes y capaces de manejar la complejidad y el ruido inherentes a la medicina real, posicionándose como un socio diagnóstico robusto en lugar de un simple generador de texto.