Por qué los internistas pensamos así (y por qué importa)

Los algoritmos médicos son una bendición. Sistematizan, reducen errores, estandarizan cuidado. SCORE de Wells para TEP, HEART para dolor torácico, CHA₂DS₂-VASc para FA, qSOFA para sepsis. La medicina moderna sería peor sin ellos.

Pero hay algo que el algoritmo nunca podrá hacer: pensar fuera del protocolo cuando el paciente no encaja. Y la mitad del trabajo del internista es precisamente eso — reconocer cuándo el algoritmo aplica y cuándo no.

Esto no es opinión romántica. Es un campo de estudio con literatura propia.

La medicina que enseñan vs. la que se practica

En la escuela aprendes: «Si A + B + C entonces diagnóstico X». Limpio, claro, examinable en multiple choice.

En la sala atiendes pacientes con: A parcial, B confuso, C que aparece y desaparece, antecedente de D que cambia las probabilidades base, y comorbilidades E y F que el algoritmo no contempla. Y aún así, tienes que decidir.

Norman GR (Acad Med 2000) describió esto como la transición de razonamiento ANALÍTICO (consciente, lento, basado en reglas explícitas — lo que la escuela enseña) a razonamiento de PATRÓN (rápido, intuitivo, basado en reconocimiento de escenarios — lo que entrenas con años de exposición). Ambos son necesarios; ninguno es suficiente por sí solo.

Bowen JL (NEJM 2006) lo operativizó para la formación médica: los expertos clínicos usan «scripts de enfermedad» — paquetes mentales que asocian patrones de presentación con diagnósticos probables y planes — mientras los novatos siguen listas memorizadas. El paso de novato a experto no es solo saber más; es estructurar lo que sabes en scripts utilizables en segundos.

El razonamiento del internista entrenado

Cuatro hábitos específicos lo distinguen del que solo aplica protocolos:

1. Construye diferenciales paralelos

No piensa «esto es X». Piensa «esto puede ser X, Y o Z, y aquí está la probabilidad relativa de cada uno». Eso es Bayes informal: actualizar probabilidades a partir de cada dato nuevo, sin abandonar las hipótesis competidoras hasta que la evidencia las descarta.

2. Pondera por probabilidad y por urgencia

No descarta el diagnóstico más raro si su consecuencia es grave (HSA, TEP, disección aórtica). No persigue el más común si la presentación atípica sugiere algo serio. Kassirer JP (NEJM 1989) lo llamó «threshold approach to clinical decision making» — la decisión depende no solo de la probabilidad post-test sino del costo del falso negativo vs falso positivo.

3. Itera con cada dato nuevo

Cada resultado modifica el diferencial. El internista entrenado actualiza Bayes mentalmente — casi sin darse cuenta. Una TSH normal en disnea cambia la probabilidad de hipertiroidismo; un BNP <100 cambia la de IC; un dímero D negativo con Wells bajo descarta TEP. La iteración es continua, no por fases.

4. Sabe cuándo el algoritmo falla

Y tiene la confianza para apartarse de él. Croskerry P (Acad Med 2003) describió >30 sesgos cognitivos que afectan el diagnóstico — anclaje, cierre prematuro, sesgo de disponibilidad, satisfacción con la búsqueda. El médico maduro NO los evita automáticamente; los reconoce activamente y los confronta con metacognición — «¿estoy anclando en el primer diagnóstico?», «¿qué dato me haría cambiar de hipótesis?».

Por qué importa

Porque la medicina real está llena de pacientes que no leyeron el libro. Kent DM et al. (BMJ 2018) lo formalizó en su trabajo sobre «evidence-based medicine personalizado»: los ensayos clínicos producen estimaciones PROMEDIO de efecto, pero los pacientes individuales pueden estar muy por encima o por debajo de ese promedio. Aplicar el promedio a un paciente atípico es estadísticamente correcto pero clínicamente erróneo si no se ajusta por el contexto.

Y porque el sistema de salud necesita más médicos que piensen, no menos. El National Academy of Medicine (NAM, 2015) estimó que la mayoría de adultos experimentarán al menos un error diagnóstico significativo en su vida. La fracción atribuida a fallas de razonamiento — no de conocimiento técnico ni de acceso a estudios — es la más prevalente en taxonomías de error diagnóstico (Graber Arch Intern Med 2005).

El argumento contra: «¿No lo va a hacer la IA?»

Probablemente. Y bien. Modelos de lenguaje grande ya generan diferenciales razonables y aplican algoritmos con velocidad sobrehumana.

Pero hasta que la IA pueda:

• Discutir con el paciente sobre sus preferencias y valores.
• Leer su contexto familiar y social.
• Decidir si esperar o intervenir basándose en el riesgo personal específico.
• Defender su razonamiento frente a un paciente que no acepta el plan.
• Asumir responsabilidad legal y ética del error.

— sigues siendo TÚ quien decide. La IA será una herramienta cada vez más poderosa, no un sustituto. Y para usarla bien hay que entender qué hace mejor que el médico (procesamiento masivo de datos, recall) y qué hace peor (juicio en contextos ambiguos, comunicación, ética).

El propósito de Sala·7

Por eso existimos. Para entrenar internistas que piensen — y para enseñar a los médicos generales, urgenciólogos, estudiantes, residentes — la forma de razonar que distingue al médico que practica del médico que solo aplica.

El criterio clínico no se memoriza. Se forma. Y se forma con casos reales, con discusión estructurada, con repetición deliberada. Igual que los pilotos entrenan en simulador antes de volar, los médicos deberían entrenar en casos antes de decidir sobre el paciente real.

Bienvenido a Sala·7.