Generative AI systems conflate two distinct pregnancy-dating algorithms

Resumen Técnico: Los sistemas de IA generativa confunden dos algoritmos distintos de datación del embarazo

Planteamiento del problema
El artículo identifica una discrepancia crítica en la forma en que los sistemas de IA generativa manejan los cálculos clínicos, específicamente respecto a la estimación de la fecha probable de parto (FPP) y la edad gestacional. Mientras que la comunidad médica suele tratar la "regla de Naegele" (un heurístico basado en el calendario) y un "conteo fijo de 280 días" como idénticos, estos son algoritmos matemáticamente distintos. La regla de Naegele, formulada en 1812, instruye a los clínicos a restar tres meses calendario a la primera fecha de la última menstruación (FUM) y sumar siete días. En contraste, el conteo fijo de 280 días simplemente suma 280 días a la FUM. Debido a que el calendario gregoriano contiene meses de duraciones variables (28–31 días), estos dos métodos frecuentemente arrojan resultados diferentes. Los autores argumentan que los modelos de IA generativa, entrenados en libros de texto que históricamente han confundido estos métodos, pueden reproducir esta confusión al recitar los pasos de un algoritmo mientras computan el resultado de otro, ocultando así la vía de cálculo.

Metodología
Los autores emplearon un enfoque de auditoría determinista para evaluar esta hipótesis:

1. Generación de la verdad de referencia (Ground Truth): Un script enumeró cada posible fecha de FUM desde el 1 de enero de 1812 hasta el 31 de diciembre de 2025 (N = 78,163 fechas). Para cada fecha, se computaron dos FPP: una utilizando la regla de calendario de Naegele ($FPP = \text{Fecha}(año+1, mes-3, día+7)$) y otra utilizando el conteo fijo de 280 días ($FPP = FUM + 280 \text{ días}$). Se calculó la diferencia ($\Delta$) entre los dos métodos.
2. Auditoría de la IA: El 17 de junio de 2026, cinco sistemas de IA generativa ampliamente utilizados (ChatGPT 5.5, Claude Opus 4.8, Gemini 3.5 Flash, Perplexity Sonar 2 y Open Evidence) fueron consultados con dos prompts estandarizados:
   • Prompt 1 (Convergente): FUM del 21 de enero de 2026 (una fecha donde ambos métodos arrojan el mismo resultado).
   • ** Prompt 2 (Divergente/Cruce de año bisiesto):** FUM del 21 de enero de 2024 (una fecha donde los métodos divergen debido a la inclusión del 29 de febrero en el intervalo gestacional).
3. Evaluación: Las respuestas se analizaron para verificar la FPP devuelta, el método de cálculo declarado y si el sistema distinguió entre la regla del calendario y el conteo de 280 días.

Resultados clave

• Divergencia algorítmica: A través de las 78,163 fechas, los dos métodos produjeron resultados idénticos en solo el 44.3% de los casos. En el 55.7% de los casos, la regla de Naegele arrojó una fecha de 1 a 3 días posterior al conteo fijo de 280 días. La discrepancia fue unidireccional; la regla de Naegele nunca produjo una fecha anterior.
• Impacto del año bisiesto: En los intervalos que cruzaban el 29 de febrero (n = 14,828), los métodos nunca coincidieron (0.0% de acuerdo). El conteo de 280 días absorbe el día intercalar, mientras que la resta de calendario no lo hace.
• Desempeño de la IA:
  • ChatGPT 5.5 y Claude Opus 4.8 distinguieron correctamente los métodos para la fecha divergente, proporcionando el resultado de 280 días (27 de octubre) mientras reconocían que la regla del calendario arroja el 28 de octubre.
  • Gemini 3.5 Flash, Perplexity Sonar 2 y Open Evidence no lograron distinguir los métodos. O bien etiquetaron el resultado de 280 días como "regla de Naegele" (a pesar de mostrar pasos de calendario que conducían a una fecha distinta) o afirmaron que la fecha del calendario era igual al conteo de 280 días.
• Naturaleza del error: El fallo fue conceptual más que aritmético. Tres sistemas presentaron la regla del calendario y el conteo de 280 días como el mismo procedimiento, reproduciendo efectivamente la confusión histórica de los libros de texto médicos.

Significancia y Reivindicaciones
Los autores sostienen que, si bien una diferencia de 1 a 3 días es clínicamente trivial dada la variabilidad biológica de la gestación humana (desviación estándar ~13 días), la auditoría revela un fallo fundamental en el comportamiento de la IA generativa: el sistema puede devolver un valor clínico plausible mientras oculta o etiqueta erróneamente el método utilizado para producirlo.

El artículo afirma que este es un "error de etiqueta de método" donde los modelos dependen del reconocimiento de patrones en lugar de la consistencia lógica. Los autores enfatizan que este caso de datación del embarazo sirve como un "caso de prueba determinista" con una verdad de referencia limpia para exponer un problema más amplio. Hipotetizan que errores similares de desajuste entre método y etiqueta en escenarios clínicos de mayor riesgo, como la dosificación de fármacos o la calificación de riesgos, podrían ser mucho menos benignos, aunque este trabajo no demuestra tal daño directamente.

La contribución principal es un llamado a la transparencia del método. Los autores argumentan que las herramientas de IA médica deben divulgar sus vías de cálculo (por ejemplo, declarando explícitamente si están sumando 280 días o usando aritmética de calendario) junto con sus supuestos e incertidumbre, en lugar de presentar una única fecha sobre-precisa que enmascare la elección algorítmica subyacente.