Anales de la RANM

74 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 INTELIGENCIA ARTIFICIAL Y MEDICINA Maojo V, et al. An RANM. 2026;143(01): 67 - 75 problemas del uso de un estetoscopio basado en IA (45), con resultados mejores que los médicos con los que se comparó, pero que no es eficiente debido al tiempo necesario para su uso y su falta de integración clínica  algo que ya se había visto con los primeros sistemas de IA médica en los años 1970s (46)  . En este contexto, los profesion- ales médicos necesitan conocer los fundamentos básicos y limitaciones de estos sistemas de IA así como las lecciones aprendidas tras más de cincuenta años de experiencias. AGRADECIMIENTOS Víctor Maojo tiene apoyo de proyectos propios de la Universidad Politécnica de Madrid y del proyecto europeo SHIELD (European Union’s Horizon Europe research and innovation program under grant agreement NA 101156751. DECLARACIÓN DE TRANSPARENCIA Los autores/as de este artículo declaran no tener ningún tipo de conflicto de intereses respecto a lo expuesto en el presente trabajo. BIBLIOGRAFÍA 1. Ledley, RS and Lusted, LB. Reasoning foun- dations of medical diagnosos: symbolic, lo- gic, probability and value theory aid our un- derstanding of how physicias reason. Science 1959: 130 (3366): 9-21. 2. Pauker SG, Gorry GA, Kassirer JP et al. Towards the simulation of clinical cogni- tion. Taking a present illness by compu- ter. Am J Med. 1976 Jun;60(7):981-96. doi: 10.1016/0002-9343(76)90570-2. PMID: 779466. 3. Gorry A. Strategies for computer-aided diag- nosis. Math Biosci 1968; 2:293-318. 4. Warner, HR, Toronto, AF, Veasey, LG. Et al. A mathematical approach to medical diagnosis: application to congenital heart disease. JAMA 1961: 177 (3): 177-83 5. Tversky, A. and Kahneman, D. Judgment under Uncertainty: Heuristics and Biases: Biases in judgments reveal some heuristics of thinking under uncertainty.Science. 1974 Vol 185, Is- sue 4157. pp. 1124-1131 6. Feinstein AR. Clinical Judgment. Baltimore: Williams and Wilkins; 1967. 7. Simon HA, CA Kaplan. C.A. in Foundations of Cognitive Science. M. Posner (Ed): MIT Press, Cambridge, MA; 1990. 8. Wachter, R. The Digital Doctor: Hope, Hype and Harm at the Dawn of Medicine’s Computer Age. McGraw Hill. 2015. 9. McCarthy, J., Minsky, M. L., Rochester, N., el al. A Proposal for the Dartmouth Summer Re- search Project on Artificial Intelligence. Un- published report. 1956 10. Valiant, L.; Probably Approximately Correct: Nature's Algorithms for Learning and Prospe- ring in a Complex World. Basic Books. 2014 11. Jelinek, F. Statistical Methods for Speech Re- cognition. The MIT Press, 1997 12. Amodei, D. The Urgency of Interpretability. https://www.darioamodei.com/post/the-ur- gency-of-interpretability 13. Pazos, J. Inteligencia Artificial. Paranin- fo.1987 14. Musen MA, van der Lei J. Knowledge enginee- ring for clinical consultation programs: mo- deling the application area. Methods Inf Med. 1989 Jan;28(1):28-35. 15. Maojo, V. Cerebro y Música. Entre la neuro- ciencia, la tecnología y el arte. EMSE EDAPP. 2018 16. Gomez, A.; Juristo, N; Montes, C. et al. Inge- nieria del Conocimiento. Editorial Centro de Estudios Ramón Areces. Madrid, Spain. 1997 17. McCulloch, W. and Pitts, W. A Logical Calcu- lus of the Ideas Immanent in Nervous Activi- ty". The Bulletin of Mathematical Biophysics. 1943 Vol. 5, pp. 115-133 18. Rosenblatt, F. The perceptron: a probabilistic model for information storage and organiza- tion in the brain. Psychological Review. 1958 Vol. 65, No. 6, pp. 386–408 19. Minsky, M. and Papert, S.A. Perceptrons: An Introduction to Computational Geometry. MIT Press, Cambridge.1969 20. Rumelhart, D., Hinton, G. & Williams, R. Learning representations by back-propagating errors. Nature 1986 323, 533–536 . https://doi. org/10.1038/323533a0 21. Heisenberg Encuentros y conversaciones con Einstein y otros ensayos . Alianza Edito- rial., 1979 22. Dyson, F.W.; Eddington, A.S.; Davidson, C.R. (1920) “A determination of the deflection of light by the sun's gravitational field, from ob- servations made at the solar eclipse of May 29, 1919,” Philosophical Transactions of the Royal Society A 220: 571-581. 23. Sanandres, Ja.; Maojo, V.; Crespo, J et al.. A clustering-based constructive induction method and its application to Rheumatoid ar- thritis. Proceedings of AI in Medicine. 2101. 2001 pp. 59 - 62. 24. Callaway E. Medical AI trained on whopping 57 million health records. Nature. 2025 May 6. doi: 10.1038/d41586-025-01422-3 25. Jumper J, Evans R, Pritzel et al. Highly accu- rate protein structure prediction with Alpha- Fold. Nature. 2021 Aug;596(7873):583-589. doi: 10.1038/s41586-021-03819-2. 26. Garcia EV, Cooke CD, Folks RD et al. Diag- nostic performance of an expert system for the interpretation of myocardial perfusion SPECT studies. J Nucl Med. 2001 Aug;42(8):1185-91. 27. Miller RA, Masarie FE Jr. The demise of the "Greek Oracle" model for medical diagnostic systems. Methods Inf Med. 1990 Jan;29(1):1-2.