TRIAGE: Dialectical Reasoning for Explainable Risk Prediction on Medical Time Series | Razonamiento dialéctico con LLMs para predicción de riesgo médico explicable | IA para análisis de series temporales de salud con alta interpretabilidad

Abstract

PROBLEMA: Los datos médicos suelen ser series temporales muestreadas de forma irregular y ruidosa, lo que dificulta que los modelos tipo caja negra proporcionen explicaciones clínicas fiables para la predicción de riesgos. SOLUCIÓN: Se presenta TRIAGE, un sistema que utiliza razonamiento dialéctico (tesis-antítesis-síntesis) mediante LLMs para procesar y explicar predicciones de riesgo en salud. METODOLOGÍA: El framework confronta múltiples interpretaciones de los datos temporales, forzando al modelo a justificar por qué ciertas señales sugieren un riesgo antes de llegar a un consenso final. RESULTADOS: TRIAGE no solo iguala la precisión de modelos especializados en series temporales, sino que ofrece una interpretabilidad de grado médico que los profesionales humanos pueden validar y confiar. RELEVANCIA: Define un estándar de cómo los LLMs pueden actuar como capas de razonamiento crítico sobre datos estructurados en industrias de alto riesgo como la salud.