🤖 machine learning

Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals

Este artículo presenta un marco neurosimbólico que combina iterativamente hipótesis causales generadas por modelos de lenguaje de gran tamaño con la puntuación de datos empíricos para descubrir y validar eficazmente relaciones causales para los resultados adversos del embarazo, recuperando con éxito aristas validadas por expertos e identificando nuevos factores de riesgo plausibles.

Autores originales: Kavimayil P. Komarasamy, Saurabh Mathur, Ameet Soni, David M. Haas, Kristian Kersting, Sriraam Natarajan

Publicado 2026-08-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Kavimayil P. Komarasamy, Saurabh Mathur, Ameet Soni, David M. Haas, Kristian Kersting, Sriraam Natarajan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Comprender por qué un embarazo puede salir mal es uno de los rompecabezas más difíciles de la medicina moderna. Condiciones como el parto prematuro o la diabetes gestacional no ocurren de forma aislada; son el resultado de una compleja red de factores que van desde los antecedentes familiares y el estilo de vida de una madre hasta su edad y su salud preexistente. Para prevenir estos resultados, los médicos necesitan saber qué factores causan realmente a los otros, en lugar de simplemente aparecer junto a ellos. Esta es la diferencia entre ver dos cosas sucediendo juntas y saber que una empuja a la otra a suceder. Encontrar estas causas verdaderas es notoriamente difícil porque los datos médicos suelen ser incompletos, ruidosos y difíciles de recopilar, mientras que el número de posibles conexiones entre variables es tan vasto que las computadoras luchan por sortearlas todas.

Durante años, los investigadores han intentado resolver esto utilizando dos herramientas diferentes. Un enfoque se basa enteramente en los datos, buscando patrones estadísticos en los registros de los pacientes. El otro utiliza el vasto conocimiento almacenado en modelos de lenguaje extensos, que son sistemas informáticos entrenados en millones de textos médicos y que pueden sugerir conexiones probables basadas en lo que han leído. Sin embargo, ninguno de los métodos funciona perfectamente por sí solo. Los métodos basados en datos suelen fallar cuando no hay suficiente información, mientras que los modelos de lenguaje pueden ser inconsistentes, sugiriendo a veces conexiones que suenan plausibles pero que no están respaldadas por la evidencia. También pueden estancarse en una sola idea y perder la visión de conjunto.

Un nuevo estudio introduce un método llamado CLARA, que actúa como un puente entre estos dos enfoques. En lugar de pedirle a una computadora que adivine la respuesta una vez o que procese números por sí sola, los investigadores crearon un sistema que trata al modelo de lenguaje como una guía flexible. El sistema pide al modelo que genere un lote de posibles mapas de causa y efecto. Luego, verifica cada mapa contra datos clínicos reales para ver qué tan bien se ajusta. Los mapas que mejor se ajustan a los datos no se descartan; en su lugar, se utilizan para enseñarle al modelo de lenguaje qué es lo que constituye una buena respuesta. El sistema luego le pide al modelo que lo intente de nuevo, pero esta vez con la instrucción de centrarse en los patrones que funcionaron bien anteriormente. Este ciclo de adivinar, verificar y refinar se repite, dirigiendo lentamente a la computadora lejos de las conjeturas descabelladas y hacia un mapa que sea tanto lógicamente sólido como respaldado por la evidencia.

Los investigadores probaron este método en un conjunto de datos del mundo real que involucraba a casi 4,000 madres primerizas, rastreando variables como raza, edad, índice de masa corporal, antecedentes familiares de enfermedades y hábitos de estilo de vida como el tabaquismo o el ejercicio. Compararon los resultados de su nuevo sistema contra el trabajo de expertos humanos y algoritmos computacionales estándar. Los hallazgos fueron sorprendentes. El nuevo método recuperó con éxito cada uno de los vínculos causales que los expertos humanos habían identificado, una hazaña que los algoritmos computacionales estándar no lograron alcanzar. Además, el sistema descubrió treinta conexiones adicionales que los expertos no habían enumerado. Cuando un especialista clínico revisó estos nuevos vínculos, confirmó que veintiséis ya eran hechos médicos establecidos, mientras que los cuatro restantes eran hipótesis plausibles que encajaban con el entendimiento médico actual. Estos incluían conexiones que sugerían que un historial de síndrome de ovario poliquístico podría contribuir a la presión arterial alta, y que la diabetes gestacional podría ser una causa directa de nueva hipertensión.

El estudio también mostró que este enfoque es notablemente robusto. En pruebas donde los datos fueron intencionalmente desordenados o incompletos, el nuevo método continuó encontrando las conexiones correctas, mientras que los métodos tradicionales basados solo en datos se confundieron y produjeron errores. Los investigadores descubrieron que podían hacer el proceso aún más eficiente resumiendo los mejores resultados en una lista corta de bordes comunes en lugar de alimentar de nuevo al sistema con los mapas complejos completos, sin perder ninguna precisión. Esto sugiere que el método no solo es efectivo, sino también práctico para el uso en el mundo real. Al combinar el amplio conocimiento de la inteligencia artificial con las rigurosas pruebas de datos reales, los investigadores han creado una herramienta que puede navegar la incertidumbre de la ciencia médica para revelar las causas ocultas de los resultados adversos en el embarazo, ofreciendo un camino más claro hacia intervenciones dirigidas y una mejor atención para madres e hijos.

Resumen Técnico: Modelado Causal de Resultados Adversos en el Embarazo mediante Propuestas de LLM Adaptativas

Planteamiento del Problema

El razonamiento clínico fiable requiere modelos causales robustos, pero estos son raramente disponibles en dominios complejos como la obstetricia. El modelado de los Resultados Adversos en el Embarazo (APO, por sus siglas en inglés)—tales como el parto pretérmino, la diabetes gestacional y la preeclampsia—es particularmente desafiante debido a la interacción de diversos factores de riesgo (demografía, antecedentes familiares, estilo de vida) y la incompletitud de la literatura médica actual respecto a la dinámica causal global.

Los enfoques existentes enfrentan limitaciones significativas:

Los métodos basados en datos (p. ej., PC, FCI, GES) luchan contra la escasez de datos obstétricos de alta calidad, la presencia de ruido y el crecimiento superexponencial de las posibles estructuras de grafos. A menudo no logran recuperar estructuras plausibles en entornos con escasez de datos.
Los Modelos de Lenguaje de Gran Escala (LLMs) poseen un amplio conocimiento previo proveniente de vastos corpus de entrenamiento, pero carecen de capacidades genuinas de razonamiento causal. A menudo confunden asociación con causalidad, producen salidas inconsistentes entre ejecuciones y son altamente sensibles al prompting, lo que conduce a una generación de grafos de un solo paso (one-shot) inestable.
Los métodos de Refinamiento de Teoría Híbrida, que refinan una hipótesis inicial mediante ediciones locales, son sensibles a sus puntos de partida y propensos a quedar atrapados en óptimos locales si la hipótesis inicial es deficiente.

Metodología: El Marco CLARA

Los autores proponen CLARA (Causal Learning via Adaptive Resampling and Aggregation), un marco neurosimbólico que trata a un LLM como una distribución de propuesta adaptativa. Inspirado en el algoritmo de optimización estocástica MIMIC (Mutual-Information-Maximizing Input Clustering), CLARA opera mediante un bucle de Generación-Evaluación-Actualización para moldear iterativamente la distribución de muestreo del LLM hacia grafos causales validados por datos.

El Bucle CLARA

Muestreo (Generación):
- El marco consulta a un LLM preentrenado para generar un lote de $K$ hipótesis causales candidatas.
- El LLM es instruido con la lista de variables, sus descripciones y el conocimiento experto en forma de "aristas prohibidas" (restricciones).
- Los grafos que violan la aciclicidad o las restricciones de aristas prohibidas son descartados y vueltos a muestrear.
Evaluación:
- Cada grafo candidato es puntuado contra el conjunto de datos empíricos utilizando el puntaje Tree BIC (Criterio de Información Bayesiana de Árbol).
- A diferencia del BIC estándar, que penaliza la complejidad basándose en el número de configuraciones de padres (lo que a menudo conduce a grafos excesivamente dispersos), el Tree BIC representa los condicionales locales como árboles de decisión. Esto da cuenta de las Independencias Específicas de Contexto (CSI), fusionando configuraciones de padres que no reducen significativamente la longitud de la descripción, ofreciendo así una penalización más matizada para la complejidad de la estructura.
- Los grafos son clasificados por sus puntajes Tree BIC y almacenados en un conjunto de historial $H$ .
Actualización (Remuestreo Adaptativo):
- Los top- $K$ grafos con mayor puntaje del conjunto de historial se utilizan para construir una representación en contexto $C$ .
- Esta representación puede tomar dos formas:
  - Grafos Completos: Las listas de adyacencia de los grafos con mejor puntuación.
  - Aristas Comunes: Una representación comprimida que contiene solo las aristas presentes en todos los top- $K$ grafos.
- El LLM es consultado nuevamente con este contexto actualizado $C$ , efectivamente estrechando su distribución de muestreo hacia estructuras de alta confianza respaldadas tanto por el conocimiento previo del LLM como por los datos empíricos.
Agregación:
- Después de $T$ iteraciones, los principales candidatos en el conjunto de historial se agregan (vía unión) para formar el grafo causal final. Los ciclos introducidos durante la agregación se rompen eliminando la arista menos frecuente.

Contribuciones Clave

Marco Neurosimbólico: Introducción de CLARA, que integra el conocimiento aproximado de los LLMs, restricciones de expertos incompletas y conjuntos de datos empíricos pequeños para generar hipótesis causales plausibles.
Eficacia Empírica: Demostración del éxito del método en un conjunto de datos del mundo real (nuMoM2b) para APOs. El marco recupera todas las aristas validadas por expertos e identifica relaciones causales adicionales plausibles no listadas previamente por los expertos.
Análisis de Eficiencia: Investigación sobre la sustitución de representaciones de grafos completos por resúmenes de "aristas comunes", mostrando que el tamaño del prompt puede reducirse significativamente sin sacrificar el rendimiento.

Resultados Experimentales

Los autores evaluaron CLARA en dos conjuntos de datos: un benchmark sintético ALARM (37 nodos, 3,000 muestras con 20% de ruido) y el conjunto de datos del mundo real nuMoM2b (9 factores de riesgo, 4 resultados, 3,856 ejemplos).

Métricas de Desempeño

La métrica principal fue la Distancia de Intervención Estructural (SID), que mide el error en las distribuciones intervencionales predichas (crítico para el razonamiento clínico), junto con la Distancia de Hamming Estructural (SHD), el Recall y la Precisión.

Comparación con Baselines: CLARA superó a los métodos puramente basados en datos (PC, FCI), la generación de un solo paso de LLM y el refinamiento de teoría inicializada por LLM.
- En el conjunto de datos ALARM, CLA RA logró el SID más bajo, mejorando un 32% respecto a la generación de un solo paso de LLM y un 55% respecto a la detección basada en datos.
- En el conjunto de datos nuMoM2b, CLARA logró un SID de 0.0, igualando perfectamente las predicciones intervencionales del grafo construido por expertos, mientras que otros métodos (incluyendo el refinamiento de teoría) mostraron errores significativamente mayores.
Robustez: CLARA mantuvo un SID bajo y estable a través de variaciones en el tamaño del conjunto de datos y niveles de ruido (hasta un 60% de ruido), mientras que los métodos basados en datos (PC, FCI) se degradaron significativamente a medida que el ruido aumentaba o los datos disminuían.
Eficiencia: La variante de "Aristas comunes" redujo el conteo de tokens del prompt aproximadamente 3 veces, manteniendo el rendimiento de SID dentro de un 10% de la variante de grafo completo.

Validación Clínica

En el dominio de la obstetricia, CLARA recuperó las 31 aristas causales validadas por expertos. Propuso 30 aristas adicionales, las cuales fueron revisadas por un experto clínico:

26 aristas (87%) fueron calificadas como conocimiento médico establecido.
4 aristas (13%) fueron calificadas como plausibles, incluyendo relaciones tales como SOP $\to$ Parto Pretérmino y Diabetes Gestacional $\to$ Nueva Hipertensión.
El marco identificó con éxito relaciones causales entre factores de riesgo (p. ej., Raza $\to$ IMC) y cascadas de complicaciones secuenciales entre los APO.

Significado y Reivindicaciones

El artículo afirma que CLARA cierra eficazmente la brecha entre los priors amplios y estocásticos de los LLMs y el rigor empírico requerido en entornos clínicos. Al enmarcar el descubrimiento causal como un bucle de optimización iterativo en lugar de una generación de un solo paso o una búsqueda local codiciosa, CLARA mitiga la falta de fiabilidad de los LLMs y las limitaciones de escasez de datos de los algoritmos tradicionales.

Los autores sostienen que su método proporciona una vía viable para el descubrimiento causal en dominios médicos complejos y con escasez de datos donde los enfoques puramente basados en datos fallan, y los enfoques puramente de LLM son demasiado poco fiables. El marco ofrece un mecanismo para "dirigir" las generaciones del LLM hacia regiones de alta confianza en el espacio de hipótesis, permitiendo potencialmente descubrir nuevos conocimientos para intervenciones dirigidas mientras se adhieren a las restricciones médicas conocidas.

El trabajo futuro sugerido por los autores incluye la incorporación de restricciones más expresivas (p. ej., declaraciones de influencia cualitativa), el desarrollo de versiones jerárquicas del algoritmo para dominios de alta dimensionalidad y la exploración de estrategias de ajuste fino (fine-tuning) para los modelos de lenguaje subyacentes para especializarlos aún más en la generación de hipótesis causales.