CADUCEUS: la ambición de llevar el diagnóstico médico experto a gran escala

Si MYCIN se destacaba por su precisión en un dominio específico como infecciones bacterianas y selección de antibióticos, CADUCEUS apuntaba a un objetivo mucho más amplio y difícil: asistir el diagnóstico diferencial en medicina interna compleja. Eso significaba lidiar con una escala muy distinta de conocimiento, donde los cuadros clínicos no se reducen a unas pocas clases bien delimitadas sino a una red inmensa de enfermedades, signos, síntomas, resultados de laboratorio y asociaciones causales.

CADUCEUS hereda mucho del proyecto INTERNIST-I, un sistema diseñado para apoyar el razonamiento diagnóstico en medicina interna. La ambición era extraordinaria: construir una base de conocimiento lo bastante rica como para cubrir miles de entidades clínicas y sugerir diagnósticos probables a partir de combinaciones complejas de hallazgos.

En ese sentido, CADUCEUS fue una especie de prueba límite para la ingeniería del conocimiento médico. Ya no se trataba solo de demostrar que la IA podía ayudar en medicina, sino de ver hasta dónde podía escalar un enfoque experto cuando el dominio se volvía inmenso y heterogéneo.

El centro intelectual de CADUCEUS era su base de conocimiento. Allí se codificaban miles de enfermedades, manifestaciones, relaciones causales, asociaciones fuertes o débiles y criterios de apoyo o exclusión. Cada hallazgo clínico podía contribuir de manera distinta a distintas hipótesis, con diferentes pesos o niveles de relevancia.

Esto convertía a CADUCEUS en una especie de cartografía simbólica del diagnóstico médico. La pregunta ya no era solo “qué regla se activa”, sino “qué conjunto de hallazgos sostiene mejor qué explicación clínica”. Esta lógica hacía al sistema mucho más rico que un simple árbol de decisión, pero también mucho más difícil de mantener.

En términos históricos, la escala misma del conocimiento codificado fue parte del experimento. CADUCEUS intentó poner a prueba cuánto podía crecer un sistema experto antes de volverse extremadamente costoso de revisar, extender y validar.

El valor de CADUCEUS estaba en que no pensaba el diagnóstico como una sola etiqueta correcta que emerge instantáneamente. Operaba más bien sobre hipótesis múltiples y grados de plausibilidad. Distintas enfermedades podían competir por explicar un mismo cuadro, y el sistema debía ponderar cuál de ellas tenía más capacidad explicativa o qué combinación de problemas encajaba mejor con los datos.

Este enfoque se acercaba mucho al trabajo real de la medicina interna, donde los diagnósticos suelen construirse por descarte, acumulación de evidencia y revisión de hipótesis. CADUCEUS intentaba replicar parte de ese proceso mediante estructuras simbólicas, sin apelar a modelos estadísticos modernos.

Por eso su ambición era tan grande: trataba de emular no solo memoria médica, sino una forma de organizar la explicación clínica frente a cuadros complejos.

CADUCEUS importa porque lleva al extremo una pregunta central de la IA simbólica: ¿cuánto conocimiento experto se puede formalizar antes de que el costo de mantenerlo se vuelva enorme? MYCIN ya había mostrado un caso de éxito fuerte, pero en un dominio relativamente delimitado. CADUCEUS intentó generalizar esa promesa a una medicina interna mucho más amplia y compleja.

En términos históricos, el proyecto funciona como una especie de stress test del paradigma experto. Si la ingeniería del conocimiento lograba sostenerse a esa escala, parecía posible construir grandes consultores médicos simbólicos. Si no, quedaban expuestas las tensiones del modelo.

Por eso su legado es doble: inspirador por ambición y aleccionador por dificultad. CADUCEUS mostró hasta dónde podía llegar el enfoque experto, pero también reveló cuán pesada era la carga de mantenerlo clínicamente vigente.

El mayor desafío de CADUCEUS fue precisamente su tamaño. Cuanto más vasto es el dominio médico cubierto, más difícil es garantizar consistencia, actualización y calidad de la base de conocimiento. La medicina cambia, aparecen nuevos criterios diagnósticos, se redefinen entidades clínicas y se ajustan relaciones entre hallazgos y enfermedades. Todo eso exige mantenimiento constante.

Además, la práctica clínica real no siempre se ajusta a una representación limpia de síntomas y enfermedades. Los casos vienen incompletos, mal formulados, con comorbilidades, ruido documental y matices contextuales que desafían la formalización simbólica completa. A medida que CADUCEUS intentaba abarcar más, también se multiplicaban las zonas difíciles de modelar.

Este es uno de los grandes aprendizajes históricos del proyecto: un sistema experto puede crecer mucho, pero la complejidad de su mantenimiento puede crecer aún más rápido.

CADUCEUS es una obra histórica porque intentó hacer a gran escala lo que muchos sistemas expertos solo lograban en dominios estrechos: organizar conocimiento profesional complejo para asistir decisiones difíciles. Su valor está tanto en la ambición como en los límites que reveló.

Visto en retrospectiva, el proyecto funciona como una gran pregunta abierta sobre la IA médica: ¿hasta dónde conviene formalizar conocimiento clínico manualmente y cuándo ese esfuerzo empieza a volverse estructuralmente demasiado pesado? CADUCEUS no cerró esa pregunta, pero la formuló con una claridad histórica extraordinaria.