Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo

Autores
Di Felice, M.; Lamas, Chabela María; Ramón, H.; Deroche, Ariel; Paoli, J.F.; Leguizamón, R.; Trupkin, I.; Ferreiros Cabrera, S.; Pytel, Pablo; Vegega, Cinthia; Pollo Cattaneo, María Florencia
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En los últimos años, la inteligencia artificial (IA) ha mostrado un alto potencial para mejorar la toma de decisiones en el ámbito médico, particularmente mediante predictivos modelos basados en aprendizaje automático. El Grupo de Estudio e Investigación en Modelos y Sistemas de Información (GEMIS) desarrolla desde 2022 una línea de investigación orientada a la aplicación de IA en salud, con foco inicial en salud mental, abordando el análisis de datos clínicos estructurados, datos conductuales, señales e imágenes biomédicas, así como el estudio de sistemas de apoyo a la decisión clínica (Clinical Decision Support Systems, CDSS). Los trabajos realizados han permitido desarrollar y evaluar modelos supervisados y no supervisados, así como analizar su viabilidad como herramientas de apoyo a la práctica médica. No obstante, la experiencia acumulada evidencia limitaciones relevantes de los enfoques exclusivamente basados en aprendizaje automático, particularmente en términos de explicabilidad, validación clínica e integración con conocimiento médico explícito. En este contexto, la línea evoluciona hacia el diseño de sistemas híbridos de apoyo a la decisión clínica que integren modelos de aprendizaje automático con reglas clínicas estructuradas y principios de ingeniería de software. El presente trabajo expone los fundamentos, resultados y proyecciones de esta línea de I+D, enmarcada en un nuevo proyecto orientado a promover sistemas de IA más interpretables, confiables y clínicamente aceptables.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Inteligencia artificial
Sistemas de Apoyo a la decisión Clínica
IA híbrida
Aprendizaje automático
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195671
Acceder
id SEDICI_d435e7a91aaaab7d740196496cc0e86d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195671
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivoDi Felice, M.Lamas, Chabela MaríaRamón, H.Deroche, ArielPaoli, J.F.Leguizamón, R.Trupkin, I.Ferreiros Cabrera, S.Pytel, PabloVegega, CinthiaPollo Cattaneo, María FlorenciaCiencias InformáticasInteligencia artificialSistemas de Apoyo a la decisión ClínicaIA híbridaAprendizaje automáticoEn los últimos años, la inteligencia artificial (IA) ha mostrado un alto potencial para mejorar la toma de decisiones en el ámbito médico, particularmente mediante predictivos modelos basados en aprendizaje automático. El Grupo de Estudio e Investigación en Modelos y Sistemas de Información (GEMIS) desarrolla desde 2022 una línea de investigación orientada a la aplicación de IA en salud, con foco inicial en salud mental, abordando el análisis de datos clínicos estructurados, datos conductuales, señales e imágenes biomédicas, así como el estudio de sistemas de apoyo a la decisión clínica (Clinical Decision Support Systems, CDSS). Los trabajos realizados han permitido desarrollar y evaluar modelos supervisados y no supervisados, así como analizar su viabilidad como herramientas de apoyo a la práctica médica. No obstante, la experiencia acumulada evidencia limitaciones relevantes de los enfoques exclusivamente basados en aprendizaje automático, particularmente en términos de explicabilidad, validación clínica e integración con conocimiento médico explícito. En este contexto, la línea evoluciona hacia el diseño de sistemas híbridos de apoyo a la decisión clínica que integren modelos de aprendizaje automático con reglas clínicas estructuradas y principios de ingeniería de software. El presente trabajo expone los fundamentos, resultados y proyecciones de esta línea de I+D, enmarcada en un nuevo proyecto orientado a promover sistemas de IA más interpretables, confiables y clínicamente aceptables.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf56-60http://sedici.unlp.edu.ar/handle/10915/195671spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195671Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.732SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
title Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
spellingShingle Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
Di Felice, M.
Ciencias Informáticas
Inteligencia artificial
Sistemas de Apoyo a la decisión Clínica
IA híbrida
Aprendizaje automático
title_short Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
title_full Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
title_fullStr Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
title_full_unstemmed Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
title_sort Arquitecturas híbridas explicables para sistemas de apoyo a la decisión clínica: evolución desde el modelado predictivo
dc.creator.none.fl_str_mv Di Felice, M.
Lamas, Chabela María
Ramón, H.
Deroche, Ariel
Paoli, J.F.
Leguizamón, R.
Trupkin, I.
Ferreiros Cabrera, S.
Pytel, Pablo
Vegega, Cinthia
Pollo Cattaneo, María Florencia
author Di Felice, M.
author_facet Di Felice, M.
Lamas, Chabela María
Ramón, H.
Deroche, Ariel
Paoli, J.F.
Leguizamón, R.
Trupkin, I.
Ferreiros Cabrera, S.
Pytel, Pablo
Vegega, Cinthia
Pollo Cattaneo, María Florencia
author_role author
author2 Lamas, Chabela María
Ramón, H.
Deroche, Ariel
Paoli, J.F.
Leguizamón, R.
Trupkin, I.
Ferreiros Cabrera, S.
Pytel, Pablo
Vegega, Cinthia
Pollo Cattaneo, María Florencia
author2_role author
author
author
author
author
author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Inteligencia artificial
Sistemas de Apoyo a la decisión Clínica
IA híbrida
Aprendizaje automático
topic Ciencias Informáticas
Inteligencia artificial
Sistemas de Apoyo a la decisión Clínica
IA híbrida
Aprendizaje automático
dc.description.none.fl_txt_mv En los últimos años, la inteligencia artificial (IA) ha mostrado un alto potencial para mejorar la toma de decisiones en el ámbito médico, particularmente mediante predictivos modelos basados en aprendizaje automático. El Grupo de Estudio e Investigación en Modelos y Sistemas de Información (GEMIS) desarrolla desde 2022 una línea de investigación orientada a la aplicación de IA en salud, con foco inicial en salud mental, abordando el análisis de datos clínicos estructurados, datos conductuales, señales e imágenes biomédicas, así como el estudio de sistemas de apoyo a la decisión clínica (Clinical Decision Support Systems, CDSS). Los trabajos realizados han permitido desarrollar y evaluar modelos supervisados y no supervisados, así como analizar su viabilidad como herramientas de apoyo a la práctica médica. No obstante, la experiencia acumulada evidencia limitaciones relevantes de los enfoques exclusivamente basados en aprendizaje automático, particularmente en términos de explicabilidad, validación clínica e integración con conocimiento médico explícito. En este contexto, la línea evoluciona hacia el diseño de sistemas híbridos de apoyo a la decisión clínica que integren modelos de aprendizaje automático con reglas clínicas estructuradas y principios de ingeniería de software. El presente trabajo expone los fundamentos, resultados y proyecciones de esta línea de I+D, enmarcada en un nuevo proyecto orientado a promover sistemas de IA más interpretables, confiables y clínicamente aceptables.
Red de Universidades con Carreras en Informática
description En los últimos años, la inteligencia artificial (IA) ha mostrado un alto potencial para mejorar la toma de decisiones en el ámbito médico, particularmente mediante predictivos modelos basados en aprendizaje automático. El Grupo de Estudio e Investigación en Modelos y Sistemas de Información (GEMIS) desarrolla desde 2022 una línea de investigación orientada a la aplicación de IA en salud, con foco inicial en salud mental, abordando el análisis de datos clínicos estructurados, datos conductuales, señales e imágenes biomédicas, así como el estudio de sistemas de apoyo a la decisión clínica (Clinical Decision Support Systems, CDSS). Los trabajos realizados han permitido desarrollar y evaluar modelos supervisados y no supervisados, así como analizar su viabilidad como herramientas de apoyo a la práctica médica. No obstante, la experiencia acumulada evidencia limitaciones relevantes de los enfoques exclusivamente basados en aprendizaje automático, particularmente en términos de explicabilidad, validación clínica e integración con conocimiento médico explícito. En este contexto, la línea evoluciona hacia el diseño de sistemas híbridos de apoyo a la decisión clínica que integren modelos de aprendizaje automático con reglas clínicas estructuradas y principios de ingeniería de software. El presente trabajo expone los fundamentos, resultados y proyecciones de esta línea de I+D, enmarcada en un nuevo proyecto orientado a promover sistemas de IA más interpretables, confiables y clínicamente aceptables.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195671
url http://sedici.unlp.edu.ar/handle/10915/195671
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
56-60
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982611612794880
score 13.364332

Publicaciones similares