Una red neuronal médica típica ve al paciente como un punto en un mapa: hay estatura, presión, análisis de sangre, y el modelo coloca una única etiqueta: «sano» o «enfermo». Pero en un hospital real, el mapa siempre está roto. Un análisis se hace el lunes, otro un mes después, y el tomógrafo es de otra marca. Un punto en ese mapa es un autoengaño.
El nuevo modelo funciona de otra manera. Para cada paciente no guarda un punto, sino toda una nube de estados posibles, como un retrato robot con los rasgos ligeramente difuminados. Si hay pocos datos, la nube es más amplia: el modelo admite con honestidad «no lo sé». Si los análisis coinciden, la nube se contrae hasta dar una respuesta segura.
Los autores alimentaron este modelo con cientos de miles de registros de distintos hospitales: electrocardiogramas, imágenes, análisis. El modelo aprendió a reunir la nube a partir de fragmentos y a comparar si los fragmentos de un mismo paciente coinciden. Resultó que este enfoque predice las enfermedades mejor que las redes neuronales clásicas, que fingen verlo todo.
La conclusión es sencilla: la ignorancia honesta es más útil que la precisión fingida. Un modelo que recuerda los vacíos miente menos y pasa por alto menos enfermedades.
tal como lo escribieron los autores, en inglés arXiv:2604.04175
Healthcare foundation models have largely followed paradigms from natural language processing and computer vision, emphasizing large scale pretraining and deterministic representations over heterogeneous clinical data. However, clinical observations are inherently incomplete, reflecting sparse, irregular, and modality dependent measurements of an underlying physiologic state. In this work, we propose a framework for uncertainty aware foundation modeling that represents each patient not as a point embedding, but as a distribution over plausible latent states. By learning set valued representations and enforcing consistency across partial views of the same patient, the model captures what is invariantly inferable while explicitly encoding epistemic uncertainty. We integrate this formulation with multimodal encoders and scalable self supervised objectives, combining reconstruction, contrastive alignment, and distributional regularization. Across diverse clinical tasks, our approach improves predictive performance, robustness under missing data, and uncertainty calibration relative to strong baselines. These results suggest that modeling what is not observed rather than only what is constitutes a critical inductive bias for healthcare foundation models.
En los hospitales reales, hasta el 40% de los campos de la ficha del paciente están vacíos: análisis sin hacer, mediciones sin registrar. Las redes neuronales habituales con estos datos suelen dar una respuesta con un 99% de confianza, aunque en realidad están adivinando.