Síntesis final: ciencias de la complejidad como herramienta de investigación y decisión

Un caso que conecta trayectoria, servicio y tecnología

Una persona presenta dificultades fluctuantes de sueño y actividad, junto con interrupciones de seguimiento. El servicio registra cambios de agenda, derivaciones entre equipos y demoras para recuperar atención. Se propone una herramienta que anticipe nuevas interrupciones y recomiende a quién contactar. La situación conecta una trayectoria individual, una organización con capacidad limitada y un sistema de apoyo a decisiones. Ninguno de esos componentes puede sustituir a los demás: conocer una puntuación no describe la disponibilidad de atención, y una buena predicción no establece qué contacto produciría beneficio.

El caso y todas sus cantidades son sintéticos. La propuesta tecnológica consiste en estimar probabilidades para organizar revisiones humanas; no diagnostica ni modifica tratamientos. El objetivo práctico es reducir interrupciones evitables de atención pertinente sin aumentar cargas injustificadas ni desplazar atención necesaria. La evaluación debe distinguir capacidad predictiva, efecto de la política de contacto y consecuencias organizacionales. Esta separación evita que una mejora en una métrica se convierta automáticamente en argumento para desplegar el sistema. También permite comparar la herramienta con una regla sencilla y con cambios del servicio que no requieren predicción individual.

La trayectoria se describe mediante registros semanales y una historia de atención, pero no se supone que exista un mecanismo dinámico identificado. La red asistencial incluye atención de origen, dos vías de derivación y un equipo receptor. La herramienta utiliza únicamente información disponible antes del momento de emitir el pronóstico. Cada representación tiene una función delimitada: describir evolución, reconocer restricciones y evaluar una política. Integrarlas significa precisar sus relaciones y consecuencias, no reunir todos los modelos del curso en una simulación única cuya complejidad exceda la información disponible.

La primera decisión consiste en definir interrupción. En el caso, se trata de un periodo sin atención pertinente cuando sigue existiendo una necesidad de seguimiento acordada. No equivale automáticamente a ausencia en una cita ni a una puntuación elevada. Una hospitalización, atención externa o cambio acordado del plan pueden modificar la interpretación. El equipo debe establecer qué fuentes permiten reconocer esas situaciones y qué queda desconocido. La tecnología aprenderá la etiqueta que se le proporcione; una definición defectuosa puede reproducirse con gran precisión y seguir respondiendo a una pregunta equivocada.

Qué puede afirmarse sobre la trayectoria individual

Las fluctuaciones de sueño y actividad permiten formular hipótesis sobre persistencia, exposición compartida o respuesta a cambios del entorno. No bastan para identificar una red causal ni para afirmar caos. Una serie breve puede mostrar autocorrelación por múltiples razones, incluyendo medición, calendario y condiciones no observadas. La representación inicial conserva una descripción temporal y compara una referencia sencilla con alternativas justificadas. Si el objetivo inmediato es reconocer una interrupción de atención, puede ser innecesario estimar una dinámica clínica detallada. La elección del modelo se vincula a la decisión que podría cambiar.

El origen de las dificultades y las condiciones actuales pueden diferir. Un acontecimiento previo puede haber precipitado cambios, mientras que una barrera de agenda contribuye ahora a prolongar la interrupción. Esta hipótesis organizacional no invalida la historia personal ni reduce el problema a administración. Señala una condición modificable cuya consecuencia puede evaluarse. La pregunta causal se formula como comparación entre estrategias de acceso definidas, con resultados y tiempos explícitos. La plausibilidad de una narración no sustituye esa comparación, pero puede orientar qué variables y consecuencias necesitan observarse.

Las preferencias de la persona determinan qué atención es utilizable y qué carga acepta. Un contacto frecuente puede ser útil para alguien y resultar intrusivo o difícil de sostener para otra persona. La evaluación debe registrar canales autorizados, disponibilidad y posibilidad de rechazar una oferta sin perder atención ordinaria. Estas condiciones modifican la intervención real. No son simples detalles que se añaden después de calcular riesgo. Una política de contacto que ignore preferencias puede generar información predictiva y, al mismo tiempo, deteriorar la experiencia de cuidado.

La incertidumbre individual se comunica con un horizonte y un resultado. Una probabilidad elevada indica una frecuencia esperada bajo condiciones semejantes a las evaluadas, no un destino personal. Tampoco identifica necesariamente la causa ni la acción más eficaz. El servicio conserva la posibilidad de revisar información que el modelo no representa. Esa revisión necesita tiempo y autoridad reales, además de una interfaz comprensible. Añadir una casilla de confirmación humana no garantiza que la persona responsable pueda corregir una recomendación o reconocer cuándo carece de base suficiente.

La red asistencial tiene tiempos y capacidades

La representación de la red distingue enlaces por los que puede circular una derivación y el tiempo asociado a cada etapa. Se consideran dos rutas desde el equipo de origen hasta un receptor. Una requiere dos días en la primera etapa y cinco en la segunda; otra requiere uno y veinte. Ambas tienen dos enlaces, pero sus demoras totales son siete y veintiún días. Una medida basada solo en número de pasos no reconoce esa diferencia. La utilidad de la red depende de incorporar atributos pertinentes, no de que el diagrama tenga una apariencia compleja.

import numpy as np
import math

route_delays = {'origen-equipo_B-receptor':[2,5],
                'origen-equipo_C-receptor':[1,20]}
total_delays = {name:sum(delays) for name,delays in route_delays.items()}
assert total_delays['origen-equipo_B-receptor'] == 7
assert total_delays['origen-equipo_C-receptor'] == 21
assert min(total_delays, key=total_delays.get) == 'origen-equipo_B-receptor'
print(total_delays)

La ruta más rápida no es automáticamente la más adecuada. Puede no ofrecer la atención requerida o carecer de capacidad para absorber nuevas derivaciones. Si todas las personas se envían por ella, los tiempos pueden cambiar. La comparación inicial utiliza demoras fijas para mostrar una distinción; una política que modifica flujos requiere evaluar cómo responden las colas. El modelo de red puede ayudar a localizar un cuello de botella, pero una decisión clínica necesita pertinencia de destino y consecuencias. La centralidad de un nodo tampoco lo convierte por sí sola en el mejor lugar para intervenir.

La capacidad compartida conecta el sistema de alertas con el servicio. Cada alerta genera una tarea de revisión, incluso si no termina en contacto. Si la llegada de tareas supera la capacidad, la herramienta puede aumentar demoras y desplazar atención. El análisis debe incluir esa carga antes de utilizar resultados retrospectivos como argumento de adopción. Una predicción puede mejorar estadísticamente y empeorar la oportunidad de respuesta si produce más trabajo del que el sistema puede procesar. Esta consecuencia surge de la interacción entre componentes, no de un defecto aislado del clasificador.

Dos umbrales predictivos y sus consecuencias operativas

Se construye una población mensual de dos mil casos, con doscientas interrupciones futuras bajo las condiciones de referencia. Un umbral amplio de alerta tiene sensibilidad de ochenta y cinco por ciento y especificidad de ochenta por ciento. Un umbral más exigente tiene sensibilidad de sesenta por ciento y especificidad de noventa y seis por ciento. Estas cantidades son hipotéticas y se suponen compatibles con dos puntos de funcionamiento de una herramienta. No proceden de una validación clínica. La tabla de resultados permite calcular cuántas tareas generaría cada política.

population = 2000
events = 200
non_events = population-events

def operating_counts(sensitivity, specificity):
    tp = events*sensitivity
    fn = events-tp
    fp = non_events*(1-specificity)
    tn = non_events-fp
    return np.array([tp, fp, fn, tn])

broad = operating_counts(0.85, 0.80)
narrow = operating_counts(0.60, 0.96)
assert np.allclose(broad, [170,360,30,1440])
assert np.allclose(narrow, [120,72,80,1728])
assert math.isclose(broad[:2].sum(), 530)
assert math.isclose(narrow[:2].sum(), 192)
print(broad, narrow)

El umbral amplio produce quinientas treinta alertas, de las cuales ciento setenta corresponden a interrupciones. El más exigente produce ciento noventa y dos, con ciento veinte interrupciones. La proporción de alertas que corresponden al evento aumenta desde aproximadamente treinta y dos por ciento a sesenta y dos coma cinco por ciento, pero se dejan sin alerta ochenta eventos en lugar de treinta. Ninguna cifra determina por sí sola qué umbral conviene. La decisión depende de la acción disponible, sus consecuencias, la capacidad y el costo de omitir una revisión.

Si el servicio dispone de cuatrocientas revisiones mensuales y ya utiliza ciento sesenta para tareas ordinarias, quedan doscientas cuarenta para alertas nuevas. El umbral amplio excede esa capacidad, mientras que el exigente cabe dentro de ella. Esto no hace aceptables automáticamente los eventos omitidos por el segundo. Puede motivar ampliar capacidad, mejorar una regla alternativa o elegir una intervención universal de baja carga. La restricción debe presentarse como una condición organizacional, no como si el algoritmo hubiera descubierto qué personas merecen atención.

Una idealización de cola permite examinar el margen. Con veinte días de operación, la capacidad media es veinte revisiones diarias y la demanda ordinaria ocho. El umbral amplio añade veintiséis coma cinco tareas diarias y supera la capacidad; no existe régimen estacionario en una cola simple con esas tasas. El exigente añade nueve coma seis, dejando una demanda total de diecisiete coma seis. Bajo supuestos de llegadas y servicios exponenciales de un servidor agregado, el tiempo medio en el sistema sería el inverso de la diferencia de tasas. La cifra es ilustrativa y no estima una demora real.

workdays = 20
service_rate = 400/workdays
ordinary_arrival = 160/workdays
arrival_broad = ordinary_arrival+broad[:2].sum()/workdays
arrival_narrow = ordinary_arrival+narrow[:2].sum()/workdays
assert arrival_broad > service_rate
assert arrival_narrow < service_rate
mean_queue_time_narrow = 1/(service_rate-arrival_narrow)
assert math.isclose(mean_queue_time_narrow, 1/2.4)
print(arrival_broad, arrival_narrow, mean_queue_time_narrow)

El supuesto de capacidad agregada omite turnos, prioridades y variación de duración. Si una alerta requiere más tiempo que una tarea ordinaria, contar ambas como una revisión puede subestimar carga. Una implementación real debe medir tiempos y distribuir trabajo según pertinencia. El ejemplo muestra qué pregunta exige el acoplamiento: cómo modifica la salida tecnológica el flujo asistencial. No demuestra que una fórmula de cola simple sea suficiente para diseñar el servicio. La comparación puede empezar con una cuenta de capacidad y ampliarse solo si la decisión requiere más detalle.

Una regla sencilla como comparador obligatorio del argumento

Se propone una regla de referencia basada en un historial administrativo definido, con sensibilidad hipotética de cincuenta y cinco por ciento y la misma especificidad del umbral exigente. Produce ciento diez eventos con alerta y setenta y dos alertas sin evento, ciento ochenta y dos en total. Para este ejemplo se añade un supuesto sobre las personas señaladas: las alertas de la herramienta contienen todas las de la regla sencilla y diez casos adicionales con evento. La igualdad de especificidad por sí sola no demuestra ese solapamiento. Bajo este supuesto explícito, la herramienta identifica diez eventos adicionales y genera diez revisiones adicionales. La comparación es más informativa que enfrentar la herramienta únicamente con ausencia total de predicción. Permite preguntar cuánto valor añade frente a una alternativa barata y comprensible que el servicio podría utilizar.

simple_rule = operating_counts(0.55, 0.96)
assert np.allclose(simple_rule, [110,72,90,1728])
additional_detected_events = narrow[0]-simple_rule[0]
additional_reviews = narrow[:2].sum()-simple_rule[:2].sum()
assert math.isclose(additional_detected_events, 10)
assert math.isclose(additional_reviews, 10)
print(simple_rule, additional_detected_events, additional_reviews)

Identificar un evento no equivale a evitarlo. Para evaluar utilidad hace falta estimar qué efecto produce la revisión y el contacto posterior. Como supuesto adicional del ejercicio, se considera que la acción evita una quinta parte de las interrupciones que habrían ocurrido entre casos correctamente señalados, que cada revisión tiene una carga de cuatro centésimas de unidad y que evitar una interrupción vale una unidad. No se atribuye ese efecto al clasificador ni a un estudio real. La cuenta separa deliberadamente una hipótesis causal y una valoración de las métricas predictivas.

preventable_fraction = 0.2
review_burden = 0.04
def hypothetical_net(counts):
    return preventable_fraction*counts[0]-review_burden*counts[:2].sum()

net_narrow = hypothetical_net(narrow)
net_simple = hypothetical_net(simple_rule)
technology_maintenance = 2.0
assert math.isclose(net_narrow, 16.32)
assert math.isclose(net_simple, 14.72)
assert net_narrow-technology_maintenance < net_simple
print(net_narrow, net_simple, net_narrow-technology_maintenance)

Antes de mantenimiento, la herramienta obtiene una ventaja de una coma seis unidades. Si sostenerla cuesta dos unidades en la misma escala hipotética, la regla sencilla resulta preferible. El resultado no prescribe una política; muestra cómo una ventaja predictiva puede ser insuficiente para justificar complejidad. Si el efecto de contacto, los costos o la capacidad cambian, debe revisarse la comparación. La evaluación necesita evidencia sobre esas cantidades y preferencias pertinentes. El análisis no puede completarse únicamente con una matriz de clasificación, por detallada que sea.

Evaluar primero qué información existe al decidir

La evaluación retrospectiva reconstruye el momento en que se habría emitido cada probabilidad. Se excluyen datos registrados después, aunque describan sucesos anteriores. Se separan periodos de desarrollo y evaluación y se evita repartir aleatoriamente observaciones muy próximas de una misma trayectoria. La regla sencilla se calcula con la misma información disponible y se compara sobre los mismos casos. Estas condiciones permiten atribuir una diferencia a los procedimientos comparados, en lugar de otorgar al modelo elaborado una ventaja por acceso a información futura o por una preparación distinta de los datos.

Se examinan probabilidades, no solo umbrales. Una herramienta puede ordenar casos correctamente y sobreestimar riesgos, lo que altera carga al aplicar una regla de acción. Se revisa calibración en periodos y grupos pertinentes, junto con incertidumbre cuando hay pocos eventos. También se compara la frecuencia de información faltante. Si ciertos grupos tienen menos registros, un algoritmo puede interpretar silencio como estabilidad cuando refleja menor acceso. La evaluación debe relacionar patrones de error con el proceso de observación y evitar atribuirlos automáticamente a características personales.

Una fase prospectiva silenciosa calcula salidas sin utilizarlas para modificar atención. Permite comprobar retrasos, disponibilidad de datos y carga potencial bajo el flujo real. No demuestra el efecto de mostrar alertas a profesionales, porque ese uso todavía no ocurre. Tampoco equivale a una evaluación clínica en vivo de apoyo a decisiones. La distinción importa para describir qué se ha aprendido. Un sistema puede funcionar técnicamente en silencio y fallar cuando introduce tareas, modifica prioridades o cambia la conducta de quienes lo utilizan.

La transición hacia uso supervisado requiere una propuesta concreta de acción, responsables y límites. Se define quién recibe una alerta, qué información puede revisar, cuánto tiempo tiene y qué opciones están disponibles. Se registra si la recomendación se acepta, modifica o descarta y por qué. La finalidad es comprender el funcionamiento del conjunto, no medir obediencia al algoritmo. Una discrepancia puede indicar un error del sistema, información clínica no representada o un uso inadecuado. Su interpretación exige revisar el caso y el proceso, no asumir que una de las partes tiene razón por defecto.

Evaluación clínica y factores humanos

Vasey y colaboradores (2022) presentan DECIDE-AI como una guía de comunicación para evaluaciones clínicas tempranas de sistemas de apoyo basados en inteligencia artificial. Su alcance incluye uso en vivo, flujo de trabajo, errores y factores humanos. No constituye evidencia de eficacia de una herramienta específica ni una autorización para utilizarla. En el caso, orienta qué debe describirse cuando las salidas empiezan a influir en decisiones. La fase silenciosa previa y una evaluación clínica con consecuencias directas para atención deben mantenerse diferenciadas en el informe.

La formación de usuarios debe centrarse en límites y acciones, además de manejo de interfaz. El profesional necesita comprender qué resultado predice el sistema, con qué horizonte y qué información no considera. También necesita reconocer cuándo un dato está incompleto y cómo solicitar revisión. Una explicación visual de variables influyentes puede ser útil, pero no transforma una asociación en mecanismo causal. La interfaz no debería sugerir que cambiar el predictor más destacado evitará el evento. La acción se apoya en evidencia propia y en el contexto asistencial, no en una lectura causal automática de importancia predictiva.

La evaluación registra tiempo de revisión y consecuencias de interrupción del trabajo. Una alerta puede requerir poco tiempo en promedio y producir cargas altas en momentos de máxima demanda. El promedio diario puede ocultar concentración por turnos o equipos. Se examinan distribuciones, casos demorados y tareas desplazadas. También se distingue una alerta que se revisa de una que llega a una persona con capacidad de actuar. Una métrica de apertura de mensajes no acredita atención pertinente ni resolución de la barrera que motivó la señal.

Los errores se describen por su efecto potencial y por la posibilidad de corrección. Una probabilidad calculada con un dato antiguo, una alerta asignada al equipo equivocado y una recomendación incomprensible son fallos diferentes. Cada uno requiere una respuesta técnica u organizacional distinta. La evaluación incluye errores del conjunto de software, datos y uso, sin reducir todo a exactitud del modelo. El sistema real comprende la ruta desde registro hasta decisión y seguimiento. Su unidad de evaluación debe corresponder a esa ruta cuando las consecuencias dependen de ella.

Responsabilidad vinculada a control efectivo

La presencia de una persona al final del proceso no resuelve por sí sola la distribución de responsabilidad. Elish (2019) analiza casos de automatización en los que operadores visibles pueden recibir atribuciones de responsabilidad desproporcionadas respecto de su control. Es un argumento conceptual y cualitativo, no evidencia directa sobre este servicio. Su pertinencia consiste en preguntar si quien debe revisar dispone de información, tiempo y autoridad suficientes. Un profesional que recibe cientos de señales sin recursos para comprobarlas no adquiere control efectivo por el solo hecho de figurar como responsable final.

El diseño del caso asigna responsabilidades por componentes. El equipo de datos responde por disponibilidad y transformaciones; quienes desarrollan el modelo, por versiones y evaluación; la organización, por capacidad y flujo; los profesionales, por decisiones dentro de su competencia y condiciones reales. Estas responsabilidades no se excluyen entre sí. Una revisión de incidente reconstruye cómo contribuyeron decisiones anteriores y evita localizar toda explicación en la última acción visible. La finalidad es corregir el sistema y comprender consecuencias, sin utilizar la complejidad como excusa para diluir toda responsabilidad.

La posibilidad de detener o modificar el uso debe existir en la práctica. Si una fuente cambia de significado o se pierde una variable esencial, el sistema puede suspender salidas y mantener una vía alternativa de atención. Si la carga supera capacidad, se revisa la política antes de permitir que las alertas se acumulen sin respuesta. La retirada no debe dejar a las personas sin un procedimiento conocido. Conservar una regla sencilla evaluada facilita continuidad cuando la herramienta más elaborada no puede utilizarse con garantías suficientes para su propósito.

Una comparación que evalúe la política completa

Para estimar beneficio se comparan la política basada en la herramienta y la política basada en la regla sencilla, manteniendo procedimientos de contacto, capacidad y resultados definidos. La pregunta es qué ocurre al asignar una política, no qué algoritmo tiene mejor discriminación. Dado que las alertas compiten por recursos compartidos, se considera asignación por equipos asistenciales con recursos suficientemente separados. Si esa separación no existe, debe representarse la interferencia o modificarse el diseño. Una comparación individual que ignora desplazamientos puede atribuir beneficios a unos casos sin contabilizar consecuencias para otros.

El resultado principal de la evaluación propuesta es la incidencia acumulada de una interrupción definida durante treinta días, entre todas las personas con necesidad vigente de seguimiento y sin interrupción al inicio. La elegibilidad se fija antes de asignar la política. El contraste conserva a quienes no reciben alerta y a quienes mantienen atención; no se restringe a quienes sufren una interrupción posterior, porque la política puede modificar precisamente esa condición. El tiempo hasta recuperar atención después de una interrupción se describe como resultado secundario condicionado, sin atribuirle directamente un efecto causal entre grupos seleccionados después de la asignación.

Se incluyen carga de contacto, tiempos de respuesta y acontecimientos que cambian la vía asistencial, como hospitalización, fallecimiento o traslado. Se comunican sus incidencias junto con la interrupción, sin censurarlos automáticamente como pérdidas independientes. La interpretación clínica no queda reducida al resultado administrativo, y las diferencias de registro entre políticas se examinan antes de atribuirlas a efectos reales. El horizonte y las reglas de clasificación se mantienen iguales en ambas políticas.

La planificación requiere estimar variación entre equipos y correlación de resultados dentro de cada uno. Como ilustración, si una comparación individual necesitara trescientas cincuenta y seis observaciones por grupo y cada equipo aportara cincuenta, una correlación intragrupo de dos centésimas produciría un factor de diseño cercano a dos. La cuenta orienta sobre el costo de ignorar dependencia, pero no certifica potencia de un ensayo por grupos. Una planificación definitiva debe considerar número de equipos, tamaños desiguales, análisis y tasas plausibles. El ejemplo conserva el alcance aproximado del cálculo.

cluster_size = 50
intracluster_correlation = 0.02
design_effect = 1+(cluster_size-1)*intracluster_correlation
individual_requirement = 356
inflated_requirement = individual_requirement*design_effect
clusters_per_arm = math.ceil(inflated_requirement/cluster_size)
assert math.isclose(design_effect, 1.98)
assert clusters_per_arm == 15
print(design_effect, inflated_requirement, clusters_per_arm)

La cifra ilustrativa sugiere quince equipos de cincuenta personas por grupo antes de incorporar otras pérdidas o restricciones. No se convierte en una instrucción de reclutamiento ni en una afirmación de suficiencia. Su función es mostrar que una evaluación con capacidad compartida puede necesitar una escala muy distinta de una prueba retrospectiva. Si esa escala no es viable, una evaluación temprana puede estudiar implementación y errores, pero debe limitar sus conclusiones sobre eficacia comparativa. La calidad científica incluye ajustar la pretensión al diseño disponible.

La intervención cambia lo que después se observa

Si un contacto evita una interrupción, una alerta inicialmente correcta puede aparecer después como una predicción que no se cumplió. Evaluar el sistema solo con resultados posteriores a la intervención puede confundir prevención con mala calibración. A la inversa, una alerta puede cambiar la forma de registrar el resultado y aparentar beneficio. El análisis necesita conservar cuándo se emitió la predicción, qué acción produjo y qué resultado se observó. Las probabilidades desarrolladas bajo una política de atención pueden no representar directamente resultados bajo otra.

Esta dependencia no permite atribuir cualquier error a que la intervención funcionó. Para estimar efectos se necesita una comparación adecuada y supuestos explícitos. La separación entre evaluación predictiva y evaluación de política ayuda a localizar qué se está midiendo. Un estudio silencioso examina pronóstico bajo atención existente; un estudio de uso evalúa consecuencias de incorporar salidas. El resultado de uno no sustituye al otro. La integración del sistema tecnológico con el servicio convierte la evaluación en una pregunta sobre decisiones y retroalimentación, además de una pregunta sobre predicción.

Los cambios del contexto también pueden volver innecesaria una herramienta. Si una mejora de agenda elimina la barrera que generaba muchas interrupciones, el patrón predictivo puede perder fuerza y la tasa de eventos disminuir. Ese deterioro de una métrica puede acompañar una mejora asistencial. La organización no debería conservar el problema para mantener utilidad del modelo. El propósito define qué cuenta como éxito: reducir una dificultad relevante, incluso cuando ello permite retirar una tecnología que antes parecía necesaria.

Una condición explícita para conservar o retirar complejidad

La comparación económica simplificada permite identificar qué información podría cambiar la decisión. La herramienta añade diez eventos correctamente señalados y diez revisiones respecto de la regla sencilla. Si la fracción de eventos evitables mediante contacto se representa por una probabilidad, la ganancia adicional es diez veces esa probabilidad, menos cuatro décimas por revisiones y dos unidades por mantenimiento. La igualdad entre opciones aparece cuando el contacto evita veinticuatro por ciento de los eventos que habrían ocurrido en los casos adicionales. El umbral pertenece al ejemplo y a su escala de valoración, pero hace visible la dependencia de la decisión.

effect_threshold = (10*review_burden+technology_maintenance)/10
def incremental_value(effect):
    return 10*effect-10*review_burden-technology_maintenance

assert math.isclose(effect_threshold, 0.24)
assert math.isclose(incremental_value(0.2), -0.4)
assert math.isclose(incremental_value(0.4), 1.6)
assert math.isclose(incremental_value(effect_threshold), 0.0, abs_tol=1e-12)
print(effect_threshold, incremental_value(0.2), incremental_value(0.4))

La cuenta también revela una limitación importante: el efecto relevante corresponde a los casos adicionales que la herramienta identifica, no necesariamente al promedio entre todas las personas contactadas. Si esos casos tienen barreras menos modificables, una estimación promedio puede sobrevalorar la ventaja. Si tienen barreras especialmente tratables, puede infravalorarla. El riesgo de evento y el beneficio de una intervención son cantidades diferentes. Una herramienta que ordena por riesgo no ordena automáticamente por beneficio. La evaluación debe examinar esa diferencia antes de convertir probabilidades en prioridades.

No toda información adicional merece el mismo esfuerzo. Si el mantenimiento real fuera mucho menor, la preferencia podría cambiar sin necesidad de un modelo clínico más detallado. Si la carga de revisiones fuera mayor, la regla sencilla ganaría ventaja. El análisis de sensibilidad permite orientar mediciones hacia costos y efectos que alteran la comparación. También permite reconocer una decisión estable dentro de rangos plausibles. En ese caso, aumentar complejidad para reducir una incertidumbre que no cambia la acción puede consumir recursos sin mejorar el resultado pertinente.

La retirada de una herramienta debe conservar información sobre por qué se tomó esa decisión. Puede deberse a falta de beneficio, carga excesiva, cambios de contexto o imposibilidad de observar adecuadamente el resultado. Estas razones no son equivalentes y orientan de manera distinta una eventual revisión. Una herramienta retirada por un problema de datos podría reconsiderarse después de corregirlo; una que no añade utilidad frente a una regla sencilla necesita demostrar una contribución nueva. El registro de razones evita tanto el abandono opaco como la reintroducción repetida de una propuesta sin resolver su limitación anterior.

La misma disciplina permite prescindir de modelos canónicos cuando no aportan a la pregunta. No se necesita un atractor de Lorenz para justificar una revisión de agenda, ni una transición de fase para reconocer saturación de capacidad. Un modelo de cola puede ser útil para un margen operativo; una comparación causal, para evaluar una política; una conversación clínica, para definir qué resultado importa. La selección se fundamenta en la contribución de cada herramienta. Integrar conocimientos incluye reconocer cuándo una representación elegante añade supuestos y trabajo sin modificar una decisión defendible.

Decisiones que pueden justificarse con la información disponible

La primera opción es mantener atención y mejorar registros, sin desplegar alertas. Resulta defendible si la etiqueta es incierta, si no existe una acción útil o si falta capacidad. La segunda utiliza la regla sencilla con una evaluación de consecuencias y carga. La tercera incorpora el modelo elaborado si aporta beneficio suficiente frente a esa referencia y puede sostenerse. Otra opción modifica directamente una barrera organizacional, como disponibilidad de horarios, sin seleccionar personas por riesgo. Estas alternativas deben compararse por resultados y costos pertinentes, no por cercanía a una visión tecnológica previamente elegida.

En las cantidades sintéticas del caso, el umbral amplio es inviable por carga. El umbral exigente cabe en la capacidad, pero la ventaja frente a la regla sencilla desaparece al añadir mantenimiento bajo la valoración propuesta. La resolución provisional favorece estudiar la regla sencilla y las barreras de agenda antes de desplegar el modelo más complejo. Esta conclusión depende de supuestos que pueden cambiar. La evaluación se diseña para obtener información sobre efecto del contacto, cargas y diferencias de resultado, en lugar de presentar la elección como una verdad universal sobre inteligencia artificial.

La trayectoria individual sigue requiriendo atención clínica y participación de la persona. Ninguna de las decisiones organizacionales sustituye esa relación. El modelo puede ayudar a detectar una demora o a ordenar una revisión, pero no resume la experiencia ni determina qué resultado debe priorizarse. La red puede mostrar restricciones, pero no decide por sí sola cómo distribuir recursos. La investigación aporta comparaciones y límites; las decisiones incorporan preferencias, responsabilidades y condiciones de implementación. Mantener esas funciones explícitas permite integrar herramientas sin atribuirles una autoridad que no poseen.

Referencias

Elish, M. C. (2019). Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction. Engaging Science, Technology, and Society, 5, 40–60. https://doi.org/10.17351/ests2019.260

Vasey, B., et al. (2022). Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nature Medicine, 28, 924–933. https://doi.org/10.1038/s41591-022-01772-9. Corrección editorial de 2022 sobre la lista de integrantes y afiliaciones del grupo experto: https://doi.org/10.1038/s41591-022-01951-8