PALIC · línea de investigación y desarrollo

Datos que se convierten en evidencia.

PALIC — Programa Analítico Longitudinal Integrado — integra datos longitudinales, control de calidad, trazabilidad, modelado, aprendizaje automático, interpretabilidad y reproducibilidad para investigación aplicada.

PALIC-PY-10Marco metodológico-computacional
V12.1.0Versión reportada
E3Evidencia interna publicada*
2Artículos publicados en 2026

*E3 es una clasificación interna de madurez del portal, no una escala clínica o normativa universal.

Trazabilidad

Del dato al resultado, con cadena verificable.

La trazabilidad no termina en el ROC-AUC: incluye definición temporal, cohorte, variables, modelo, evaluación, artefactos y límites de interpretación.

01Datos longitudinales
→
02Calidad y trazabilidad
→
03Landmarks temporales
→
04Modelado ML
→
05Evaluación
→
06Evidencia reproducible
Primera evidencia · 18/05/2026

Riesgo de abandono y deterioro clínico

26.732 pacientes del Caribe colombiano. El primer trabajo estableció la línea longitudinal aplicada sobre datos clínicos y administrativos, con SQL Server, Python, Random Forest y SHAP.

AUC aproximada: 0,659. Este resultado constituye el punto de partida de la línea PALIC y no se presenta como validación externa.

Segundo artículo · 17/09/2026

Deterioro sostenido de función renal

191.096 registros · 26.717 pacientes únicos · 18.326 landmarks · 15.430 evaluables · 124 eventos primarios. Horizonte predictivo de 365 días.

0,8689ROC-AUC
0,4956PR-AUC
0,00619Brier
1.500Bootstrap
Robustez y calibración

No ocultar la incertidumbre.

Bootstrap de 1.500 replicaciones: ROC-AUC 95% CI 0,7912–0,9436; PR-AUC 0,3433–0,6645; Brier 0,00439–0,00812.

Cinco semillas: ROC-AUC 0,8680 ± 0,0072; PR-AUC 0,5060 ± 0,0108; Brier 0,006210 ± 0,000069.

Calibración: intercepto −1,699 y pendiente 0,738. Esto indica que las probabilidades requieren cautela y potencial recalibración antes de interpretarse como probabilidades transportables.

Controles metodológicos

PALIC-PY-10 V12.1.0

La versión reportada incorpora controles temporales y de reproducibilidad orientados a reducir errores metodológicos y mejorar la auditoría del proceso.

Control temporal

Split temporal, control point-in-time y exclusión de variables futuras.

Identidad y trazabilidad

IDs estables, trazabilidad de predicciones, hashes y manifiesto de entorno.

Autoverificación

Verificación final del pipeline y documentación de artefactos para reproducibilidad.

Ablación

Al retirar eGFR/creatinina, ROC-AUC baja a 0,7270 y PR-AUC a 0,0691.

Modelo clínico/biológico

Sin variables del proceso de observación: ROC-AUC 0,8823 y PR-AUC 0,5015.

Interpretabilidad

La línea integra análisis de variables y explicabilidad para contextualizar los resultados del modelo.

Frontera V10

PALIC como plataforma de nuevas rutas científicas.

La evolución V10 conecta la línea longitudinal con validación externa, IA multimodal, causalidad, privacidad, equidad y reproducibilidad.

Validación multicéntrica

Pasar de evidencia interna a validación independiente, temporal, geográfica y prospectiva; comparar calibración, utilidad y subgrupos.

Causalidad + longitudinalidad

Explorar inferencia causal, target trial emulation y modelos longitudinales para separar asociación predictiva de preguntas causales.

IA multimodal

Integrar texto, señales, imágenes y datos estructurados solo cuando la pregunta científica y la calidad de los datos lo justifiquen.

Privacidad y aprendizaje federado

Investigar entrenamiento distribuido, minimización de datos y evaluación de deriva sin convertir la privacidad en una afirmación automática de seguridad.

Equidad y robustez

Evaluar desempeño por subgrupos, shift poblacional, fairness y sensibilidad a cambios de distribución.

Reproducibilidad científica

Versionar datos, código, modelos, semillas, entornos, métricas y decisiones metodológicas para permitir auditoría independiente.

Puente mundial

De PALIC al ecosistema global de IA científica.

La dirección de PALIC puede dialogar con iniciativas internacionales que convierten IA, datos y ciencia interdisciplinaria en infraestructura para descubrimiento: programas biomédicos AI-ready, IA para biología estructural y ecosistemas de evaluación de IA en salud.

Estado científico

Publicado ≠ validado externamente.

Los resultados actuales constituyen evidencia interna publicada en el contexto estudiado. No se presentan como validación externa, utilidad clínica demostrada, diagnóstico ni generalización automática a otros contextos.

La siguiente frontera metodológica es la validación independiente, multicéntrica y prospectiva, junto con evaluación de utilidad y gobernanza cuando corresponda.