SV-matematica-semantica

Fecha: 4 de abril de 2026
Versión del conjunto: V.1
Autor del corpus: Juan Antonio Lloret Egea
ORCID: 0000-0002-6634-3351
Institución: ITVIA — IA eñ™
ISSN: 2695-6411
Licencia: CC BY-NC-ND 4.0
Titularidad y autoría: © Juan Antonio Lloret Egea, 2026. Este conjunto se distribuye con atribución explícita de autoría y bajo la licencia indicada, sin autorización para apropiación de la propiedad intelectual del Sistema Vectorial SV.

Repositorio padre doctrinal del Sistema Vectorial SV. Contiene el documento fundacional de referencia, incorporado en documentos/fundamentos/README.md, la serie completa de álgebra de composición intercelular (Documentos I–VI), el plano de especificaciones subordinadas activas del corpus, la nueva reserva documental de documentos/adendas/ para preservación material interna controlada y, desde marzo de 2026, la materialización pública local del pliego de condiciones en docs/gobierno/, con remisión expresa al manual del lenguaje SVP en su sede operativa propia.

Resumen del Manifiesto de arquitectura, derechos, obligaciones, garantías y fundamentos del Sistema Vectorial SV

El Sistema Vectorial SV opera sobre un alfabeto ternario canónico Σ = {0, 1, U}, donde 0 denota parámetro en situación adecuada, 1 denota riesgo o acción requerida, y U denota indeterminación honesta: ausencia de base suficiente para asignar 0 o 1. La U no puede ser cerrada por ningún actor auxiliar por plausibilidad, convergencia estadística, inferencia opaca ni conveniencia. Toda célula tiene tamaño n = b² con b ≥ 3. La clasificación en K₃ = {APTO, INDETERMINADO, NO_APTO} se produce por umbral fuerte T(n) = ⌊7n/9⌋ con precedencia desfavorable: NO_APTO si N₁(v) ≥ T(n), APTO si N₀(v) ≥ T(n), INDETERMINADO en cualquier otro caso. La compuerta conservadora gate_value : Σ × Σ → Σ preserva el riesgo: 1 domina sobre U y sobre 0; U domina sobre 0; 0 solo si ambas son 0. La cadena de prevalencia es invariante: SV soberano → doctrina → álgebra → lenguaje de computación → compuertas de seguridad → agentes especializados → motor. Ningún componente estadístico, ningún LLM, ninguna CNN asigna κ₃ ni cierra U: toda capa auxiliar produce observables o proxies declarados con Ternarizer explícito, nunca decisiones soberanas. El frente motor IA opera en régimen exclusivo de laboratorio mientras el bloque documental pendiente no cierre el álgebra y la semántica necesarias. Los derechos del experto humano incluyen ver la estructura completa y no solo la salida, conocer cuándo y por qué una posición permanece en U, rechazar cualquier clausura fingida, y corregir soberanamente el sistema conservando esa corrección como nuevo suceso en la trayectoria. El documento completo con toda la matemática formal, el código verificable, las definiciones algebraicas, la protección de datos, el análisis de fallos documentados de IA y los invariantes congelados figura íntegro como Anexo al final de este README.

Ecosistema SV — seis repositorios

Función de esta sede: autoridad doctrinal superior del ecosistema SV.

Colección PubPub: Álgebra de composición intercelular del Sistema Vectorial SV

Gobierno de fase y materialización pública local

Regla de alcance
La materialización local del pliego dentro de SV-matematica-semantica no desplaza la distribución ya fijada entre sedes. La autoridad doctrinal superior sigue residiendo en este repositorio, mientras que la sede central operativa y técnica del lenguaje —incluido el manual SVP— permanece en SV-lenguaje-de-computacion, conforme a la nota de remisión ya incorporada en documentos/registros/NOTA_DE_REMISION_SOBRE_SEDE_DOCTRINAL_Y_SEDE_OPERATIVA_DEL_ECOSISTEMA_SV_2026_03_18.md.

Corpus doctrinal

Cimiento base — Autoridad normativa suprema

Forjado I doctrinal — Serie de composición intercelular

Especificaciones subordinadas activas

Importante
Las piezas alojadas en especificaciones/proposiciones/ y especificaciones/laboratorio/ tienen carácter subordinado. Su presencia en espejo en otros repositorios del ecosistema SV no altera la prioridad doctrinal de SV-matematica-semantica ni la autoridad canónica superior de itvia.online.

Reserva documental material interna

Regla de preservación material
Cuando una pieza tenga doble sede material interna controlada entre documentos/ y especificaciones/, ambas copias deberán mantenerse sincronizadas en toda modificación sustantiva.

Guía práctica

Estructura del repositorio

SV-matematica-semantica/
├── README.md
├── LICENSE
├── .gitignore
├── documentos/
│   ├── fundamentos/   ← Documento fundacional incorporado
│   ├── composicion/   ← Serie de composición intercelular (I–VI)
│   └── adendas/       ← Reserva documental material y preservadora
├── especificaciones/  ← Especificaciones subordinadas y artefactos verificables
└── docs/              ← Puerta de entrada HTML, bloque de gobierno y soporte multimedia
    ├── gobierno/      ← Pliego de condiciones materializado y assets gráficos asociados
    ├── documento-iii/ ← Demostración audiovisual complementaria
    └── media/         ← Soporte multimedia de la puerta de entrada

Anexo — Manifiesto garante de arquitectura, derechos, obligaciones, garantías y fundamentos del Sistema Vectorial SV

Documento íntegro con toda la matemática formal, el código verificable, las definiciones algebraicas, la protección de datos, el análisis de fallos documentados de IA y los invariantes congelados del Sistema Vectorial SV.

Resumen

El Sistema Vectorial SV (SV) es un marco algebraico determinista para la evaluación estructurada de parámetros clínicos con incertidumbre formalmente representada. Este documento establece la arquitectura de integración de capas de inteligencia artificial (IA) en el ecosistema SV, con especificación de actores, contratos formales, garantías algebraicas, protección de datos y verificación independiente. El documento nace del análisis forense de fallos documentados de sistemas de IA médica — específicamente de IBM Watson for Oncology, el Epic Sepsis Model, y el sesgo racial en algoritmos de gestión sanitaria — y establece, para cada categoría de fallo documentado, la respuesta arquitectónica implementada en el SV.

Toda afirmación de este documento tiene respaldo en la implementación verificable de los repositorios públicos del ecosistema SV o en bibliografía científica con DOI verificado. No se incluyen inferencias no verificables ni afirmaciones sin respaldo directo.

Parte I — Antecedentes documentados: fallos de IA en medicina

I.1 IBM Watson for Oncology / Memorial Sloan Kettering Cancer Center

Descripción del caso documentado. IBM Watson for Oncology fue un sistema de inteligencia artificial desarrollado en colaboración con Memorial Sloan Kettering Cancer Center (MSKCC) en Nueva York, diseñado para proporcionar recomendaciones de tratamiento oncológico. Documentos internos de IBM obtenidos por investigación periodística revelaron que el sistema generó recomendaciones de tratamiento "inseguras e incorrectas" en casos de cáncer. El caso más citado en la literatura científica es la recomendación de bevacizumab a un paciente con cáncer de pulmón en situación de riesgo alto de sangrado severo, escenario en el que bevacizumab tiene contraindicación establecida según las guías NCCN y la ficha técnica aprobada por la FDA. La recomendación no fue ejecutada porque el equipo clínico identificó la contraindicación. No se documentó daño directo al paciente en ese caso específico.

Consecuencias sistémicas. Cinco años de desarrollo y 62 millones de dólares de inversión no produjeron despliegue clínico real. MD Anderson Cancer Center canceló el proyecto en 2016. Para 2018, más de una docena de instituciones habían cancelado o reducido sus contratos con Watson for Oncology.

Fuentes verificadas:

• Ross C, Swetlitz I. IBM pitched its Watson supercomputer as a revolution in cancer care. It's nowhere close. STAT News. 5 septiembre 2017.
• Schmidt C. MD Anderson Breaks With IBM Watson. J Natl Cancer Inst. 2017;109(5):djx113. DOI:10.1093/jnci/djx113
• Strickland E. How IBM Watson Overpromised and Underdelivered on AI Health Care. IEEE Spectrum. 2019;56(4):24–31. DOI:10.1109/MSPEC.2019.8910661

Mecanismo causal: entrenamiento con casos sintéticos elaborados por un grupo reducido de oncólogos de MSKCC, sin representatividad de la variabilidad clínica real, sin actualización sistemática de guías, y sin mecanismo de incertidumbre honesta. El sistema producía recomendaciones con aparente confianza uniforme independientemente de la calidad de los datos subyacentes.

I.1.bis Nota de precisión probatoria sobre el caso bevacizumab

La referencia al caso bevacizumab debe leerse con precisión probatoria: el episodio es ampliamente citado en la literatura secundaria y periodística de investigación, mientras que la literatura biomédica indexada documenta con mayor fuerza la cancelación del programa, la insuficiencia de validación clínica y la ruptura institucional del despliegue. Por ello, el ejemplo se mantiene como caso emblemático de diseño inseguro, pero no debe tratarse como si todo su detalle narrativo tuviera el mismo rango de prueba que los artículos indexados.

I.2 Epic Sepsis Model: fallo de validación externa con adopción masiva

Descripción del caso documentado. El Epic Sepsis Model (ESM) es un modelo de predicción de sepsis propietario integrado en Epic Systems, el sistema de historia clínica electrónica utilizado por aproximadamente el 56% de hospitales de Estados Unidos según el estudio de validación.

Hallazgos de validación externa independiente:

• Wong A, Otles E, Donnelly JP, et al. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021;181(8):1065–1070. DOI:10.1001/jamainternmed.2021.2626

Estudio retrospectivo de cohorte, 27.697 pacientes, 38.455 hospitalizaciones, Michigan Medicine, 2018–2019:

Conclusión del estudio: el ESM tiene discriminación y calibración deficientes para predecir el inicio de sepsis. Su adopción masiva a pesar del bajo rendimiento plantea preocupaciones fundamentales sobre la gestión de la sepsis a nivel nacional.

Mecanismo causal: el ESM predice costes de atención futuros como proxy de la necesidad de salud. La diferencia entre la definición de sepsis utilizada en el desarrollo interno y la utilizada en la validación externa explica parcialmente la discrepancia de rendimiento. El modelo fue adoptado masivamente sin validación externa independiente previa al despliegue.

I.3 Sesgo racial sistemático en algoritmo de gestión de riesgo en salud

Descripción del caso documentado. Un algoritmo comercial ampliamente utilizado en el sistema de salud de Estados Unidos para identificar pacientes candidatos a programas de gestión de riesgo de alta complejidad exhibía sesgo racial significativo que afectaba a millones de pacientes.

Hallazgos documentados:

• Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453. DOI:10.1126/science.aax2342

Resultados cuantificados:

• A igual puntuación de riesgo del algoritmo, los pacientes negros presentaban una media del 26% más de condiciones crónicas que los pacientes blancos
• Proporción de pacientes negros identificados automáticamente para gestión de alta complejidad: 17,7%
• Proporción que habría correspondido sin el sesgo: 46,5%
• El fabricante del algoritmo confirmó independientemente estos hallazgos y trabajó con los investigadores para corregirlos

Mecanismo causal: el algoritmo predice costes de atención sanitaria en lugar de necesidades de salud. La desigualdad de acceso a la atención médica implica que se gasta sistemáticamente menos dinero en atender a pacientes negros con el mismo nivel de necesidad clínica, y el algoritmo aprendió ese patrón como si fuera información válida sobre el estado de salud.

I.4 Modelos de predicción COVID-19: ninguno listo para uso clínico

Hallazgos documentados:

• Wynants L, Van Calster B, Collins GS, et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020;369:m1328. DOI:10.1136/bmj.m1328

Revisión sistemática de 232 modelos de predicción:

• Todos presentaron alto riesgo de sesgo en al menos un dominio metodológico
• Defectos más frecuentes: muestras no representativas, ausencia de validación externa, sobreajuste no reportado, ausencia de calibración
• Conclusión de los autores: ningún modelo estaba listo para uso clínico inmediato sin validación adicional

I.5 Sesgo de infradiagnóstico en radiología IA para poblaciones vulnerables

Hallazgos documentados:

• Seyyed-Kalantari L, Zhang H, McDermott MBA, Chen IY, Ghassemi M. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med. 2021;27:2176–2182. DOI:10.1038/s41591-021-01595-0

Los modelos de IA para radiografía de tórax presentaron rendimiento inferior en poblaciones de menor nivel socioeconómico, minorías raciales y pacientes sin cobertura sanitaria, con falsos negativos significativamente más frecuentes en las poblaciones con menos acceso a seguimiento clínico.

I.6 Consecuencias no previstas de ML en medicina

Argumento documentado:

• Cabitza F, Rasoini R, Gensini GF. Unintended Consequences of Machine Learning in Medicine. JAMA. 2017;318(6):517–518. DOI:10.1001/jama.2017.7797

Los sistemas de ayuda a la decisión basados en ML pueden producir reducción de la calidad diagnóstica en médicos expertos mediante anclaje (anchoring bias): la tendencia a subordinar el juicio propio al del sistema, incluso cuando el juicio independiente sería superior.

• Parasuraman R, Manzey DH. Complacency and bias in human use of automation. Hum Factors. 2010;52(3):381–410. DOI:10.1177/0018720810376055

I.7 El argumento de la interpretabilidad

Argumento documentado:

• Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell. 2019;1:206–215. DOI:10.1038/s42256-019-0048-x

En contextos de decisión de alto riesgo, diseñar modelos inherentemente interpretables es superior a intentar explicar modelos de caja negra a posteriori. Los métodos de explicabilidad post-hoc no garantizan que la explicación corresponda al razonamiento real del modelo.

Parte II — Tabla de correspondencia: fallos documentados → respuestas SV

Parte III — Actores de IA del ecosistema SV

Principio previo obligatorio (FRONTERA_NORMATIVA D.10)

Ningún actor de IA asigna directamente un valor ternario al vector. Todo actor de IA produce un observable proxy en un espacio declarado. La ternarización la aplica siempre un Ternarizer formal declarado en el programa SVP del dominio por el experto humano, conforme a la cadena de transducción de la FRONTERA_NORMATIVA B.6. Esta separación es la que garantiza que el SV no reproduce el mecanismo de fallo de IBM Watson.

ACTOR-NLP-LOCAL

Justificación de la elección: Qwen 3 4B se propone aquí como opción preferente para tareas de extracción estructurada de vocabulario finito con menor consumo de memoria. La tarea del extractor NLP del SV — devolver etiquetas de un vocabulario cerrado por posición — es una tarea de seguimiento de instrucciones con salida canónica, no razonamiento complejo. Modelos de mayor tamaño son sobredimensionados para esta tarea, tal como Topol (2019) argumenta que la utilidad clínica de la IA no correlaciona con el tamaño del modelo sino con la adecuación a la tarea:

Nota de precisión sobre la comparación Qwen. La superioridad concreta frente a Qwen 2.5 7B debe leerse como criterio de diseño razonado y no como benchmark cerrado universal mientras no se publique una batería comparativa propia del SV con mismo conjunto de casos, mismas semillas y mismo entorno de inferencia.

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56. DOI:10.1038/s41591-018-0300-7

Justificación de Apache 2.0: el EU AI Act (Reglamento UE 2024/1689, Art. 10) exige documentación técnica completa y auditabilidad de los modelos en sistemas de IA de alto riesgo. Apache 2.0 permite inspección y modificación sin restricciones, compatible con los requisitos de transparencia.

ACTOR-NLP-API-LIGHT

Antecedente: el motor (v0.1.7) declaraba claude-sonnet-4-6 como modelo por defecto. Un análisis de la tarea concreta mostró que la extracción de 9 observables de vocabulario finito no justifica el uso de Sonnet en producción ordinaria. Haiku es suficiente para la tarea y reduce latencia y coste. Sonnet se reserva para la validación adversarial del extractor.

ACTOR-NLP-AUDIT

ACTOR-CNN-A

Justificación de ConvNeXt-Tiny sobre ResNet34: Liu et al. (2022) demostraron que ConvNeXt supera a ResNet en fine-tuning con datos limitados y produce menor varianza entre ejecuciones, propiedad crítica en aplicaciones clínicas donde la reproducibilidad es requisito legal:

Liu Z, Mao H, Wu CY, et al. A ConvNet for the 2020s. Proc IEEE/CVF CVPR. 2022;11976–11986. DOI:10.1109/CVPR52688.2022.01167

ACTOR-CNN-B (no activo — Hito 5, régimen de laboratorio)

La condición de representación demográfica es respuesta directa al fallo documentado por Seyyed-Kalantari et al. (2021): el Uso B no se activará sin un corpus que incluya diversidad demográfica documentada.

ACTOR-TRANSLATE

Regla Watson-SV de presentación (obligatoria): ninguna salida del sistema puede presentarse al usuario sin exponer explícitamente cada posición con valor 1 y su lectura clínica antes del κ₃ global. Esta regla es la respuesta al mecanismo exacto del caso bevacizumab.

Parte IV — Director de orquesta: el deployment_profile

El director de orquesta es el nodo deployment_profile en la IR canónica del SVP. No es un modelo de IA — es un conjunto de reglas declarativas que el compilador SVP verifica en tiempo de compilación y que el backend lee en tiempo de ejecución.

IV.1 El Ternarizer formal

El Ternarizer es la función τⱼ : Oⱼ → Σ que convierte la salida de un actor estadístico en un valor ternario algebraicamente admisible, conforme a la cadena de transducción de la FRONTERA_NORMATIVA B.6:

x ∈ Wⱼ → ϕⱼ(x) ∈ Oⱼ^⊥ → rⱼ ∈ R → τⱼ(oⱼ) ∈ Σ → Pⱼ → célula

Donde R = {ok, degradado, fallido, U}. Invariante: si la captura falla o la admisibilidad es insuficiente, el resultado es U. La cadena no fabrica certeza.

Sin Ternarizer declarado, el compilador SVP rechaza el programa. Esta no es una advertencia — es un error de tipo.

IV.2 La convergencia obligatoria para posiciones críticas

Para posiciones donde el riesgo de error clínico es significativo, se requiere convergencia de dos caminos independientes:

Camino 1 (determinista): Ternarizer aplicado al observable medido
Camino 2 (estadístico): propuesta del actor estadístico

Convergencia:  → asignar el valor del Camino 1
Divergencia:   → U forzada por estructura
Solo Camino 1: → asignar el valor del Camino 1
Solo Camino 2: → U forzada por estructura

Un actor estadístico solo puede confirmar lo que el camino determinista ya produjo. Nunca puede producir 0 o 1 por sí solo.

IV.3 Bloque deployment en el SVP del dominio

domain IMMUNO-1 {
  cell: SV(25, 5)
  horizon: H_IMMUNO_1
  semantics: SemK3

  deployment {
    input_carril:   direct
    nlp_context:    local
    cnn_use:        A
    privacy_class:  sensitive

    -- Regla Watson-SV: obligatoria en toda interfaz
    presentation_rule: positions_1_first

    privilege_levels {
      session_operator {
        puede: declarar_observables_directos
        puede: proceder_con_override_informado
        override_require_text: true        -- mínimo 30 caracteres
        alcance_override: session_only
      }
      clinical_validator {
        puede: validar_con_responsabilidad_medica_declarada
        co_signature_required: true        -- para cambios de κ₃ global
        alcance_override: installation_only
      }
      sv_manager {
        puede: cerrar_ciclo_procedimental
        puede_NO: validar_contenido_medico
        debe: cerrar_si_proceso_correcto
        alcance_override: none
      }
    }

    invariantes_no_configurables {
      threshold_fn: "T(n) = floor(7n/9)"
      cell_size:    "n = b^2, b >= 3"
      alphabet:     "{0, 1, U}"
      trayectoria:  "append_only"
      poligono:     "inmutable_tras_evaluacion"
      cnn_override: "CNN nunca sobrescribe motor normativo"
    }
  }
}

Parte V — Matemática y álgebra del SV

V.1 Fundamentos formales

Definición 1 — Alfabeto ternario irreductible

Σ = {0, 1, U} donde los elementos son mutuamente excluyentes:

• 0: parámetro en situación adecuada según criterio declarado del dominio
• 1: parámetro en situación de riesgo o que requiere acción
• U: estado epistémico de indeterminación — evidencia insuficiente

Invariante: U ≠ 0, U ≠ 1, U ≠ None, U ≠ NaN. Sin conversión implícita entre elementos.

Definición 2 — Célula ternaria canónica

Una célula C es un vector v ∈ Σⁿ donde n = b², b ∈ ℕ, b ≥ 3.
Valores válidos: n ∈ {9, 16, 25, 36, 49, 64, ...}

Definición 3 — Funciones de conteo

N₀(v) = |{i : vᵢ = 0}|, N₁(v) = |{i : vᵢ = 1}|, Nᵤ(v) = |{i : vᵢ = U}|
Invariante: N₀(v) + N₁(v) + Nᵤ(v) = n

Definición 4 — Umbral canónico

T(n) = ⌊7n/9⌋

Definición 5 — Clasificación fuerte con precedencia desfavorable

κ : Σⁿ → K₃ = {NO_APTO, INDETERMINADO, APTO}

κ(v) = NO_APTO       si N₁(v) ≥ T(n)
κ(v) = APTO          si N₀(v) ≥ T(n) ∧ N₁(v) < T(n)
κ(v) = INDETERMINADO en cualquier otro caso

Proposición de unicidad (Proposición 6, Fundamentos SV R3): Para todo v ∈ Σⁿ, κ(v) está unívocamente determinado. NO_APTO y APTO son mutuamente excluyentes porque si N₁(v) ≥ T(n), entonces N₀(v) ≤ n − T(n) < T(n) (ya que 2T(n) > n para n ≥ 9, pues 7/9 > 1/2). □

Definición 6 — Función de criticidad

Γ(v) = Nᵤ(v) − min(δ₀(v), δ₁(v))

donde δ₀(v) = T(n) − N₀(v), δ₁(v) = T(n) − N₁(v)

• Γ(v) > 0: las U importan; su resolución puede cambiar κ(v)
• Γ(v) ≤ 0: κ(v) está determinado independientemente de cómo se resuelvan las U

Definición 7 — Horizonte de sucesos

H(A) : {1,...,n} → 2^J donde J es el conjunto de tipos de suceso declarados y H(i) es el soporte de la posición i.

Definición 8 — Etiquetas gamma-H

Para posición i donde vᵢ = U:

label_H(i) = "irreducible"  si H(i) = ∅
label_H(i) = "resoluble"    si |H(i)| = 1
label_H(i) = "fronteriza"   si |H(i)| > 1

Definición 9 — Vector gobernado

(Γ̄_H(v))ᵢ = 0 si vᵢ ≠ U; = 1 si vᵢ = U ∧ irreducible; = U si vᵢ = U ∧ no irreducible

Las posiciones irreducibles se tratan como 1 (riesgo): principio de defecto desfavorable.

Definición 10 — Compuerta conservadora

gate(c, f) = 1 si c=1 ∨ f=1; = U si c=U ∨ f=U (y ninguno es 1); = 0 si c=0 ∧ f=0

Definición 11 — Agente y κ₃ gobernado

A(v, H) = gate_vector(Γ̄_H(v), v)
κ₃ = κ(A(v, H))

Secuencia completa de evaluación:

v ∈ Σⁿ
  → validate_cell_size(n)  [rechaza n ≠ b²]
  → normalize_vector(v)    [rechaza valores fuera de Σ]
  → gamma_h_labels(v, H)   [clasifica posiciones U por soporte]
  → gamma_bar_h(v, H)      [produce C_gob: irreducibles → 1]
  → gate_vector(C_gob, v)  [produce A_agente: compuerta conservadora]
  → kappa3(C_gob, A_agente) [clasificación gobernada]
  → SVProgramResult [JSON canónico]

V.2 Composición intercelular: IMMUNO-1 → IMMUNO-2

Cuando IMMUNO-2 usa la clasificación de IMMUNO-1 como observable de entrada (P25), se establece una composición en serie por parámetro puente conforme al Documento I del corpus (Lloret Egea, 2026):

El conector φ_{IMMUNO-1 → IMMUNO-2}^{(P25)} : K₃ → Σ es:

φ(APTO)          = 0    estado adecuado propagado
φ(NO_APTO)       = 1    riesgo propagado
φ(INDETERMINADO) = U    incertidumbre propagada honestamente

Propiedad fundamental: la incertidumbre se propaga honestamente. IMMUNO-1 INDETERMINADO → P25 = U. El conector no fabrica certeza. Esta propiedad es verificable en el laboratorio sv_lab_04_compositor_intercelular.py.

V.3 Implementación verificable del núcleo algebraico

Las siguientes funciones de sv_motor/algebra/core.py implementan las definiciones anteriores. Son reproducibles por cualquier auditor que instale sv-motor:

# T(n) = ⌊7n/9⌋ — sin parámetros externos modificables
def threshold(n: int) -> int:
    return (7 * n) // 9

# Restricción n = b², b ≥ 3
def validate_cell_size(n: int) -> int:
    b = isqrt(n)
    if b < 3 or b * b != n:
        raise SVTernaryError(f"n={n} no es b² con b≥3")
    return b

# Alfabeto sin conversión implícita
def _normalize_tri_value(value: object) -> object:
    if isinstance(value, bool):
        raise SVTernaryError("booleano no pertenece al alfabeto {0,1,U}")
    if value in (0, 1, U): return value
    if value == "0": return 0
    if value == "1": return 1
    if value == "U": return U
    raise SVTernaryError(f"Valor fuera del alfabeto: {value!r}")

# Clasificación con precedencia desfavorable
def classify_cell(values):
    vals = normalize_vector(list(values))
    n  = len(vals); validate_cell_size(n)
    n1 = sum(v == 1 for v in vals)
    n0 = sum(v == 0 for v in vals)
    t  = threshold(n)
    if n1 >= t: return K3_NO_APTO    # precedencia desfavorable
    if n0 >= t: return K3_APTO
    return K3_INDETERMINADO

# Compuerta conservadora
def gate_value(left, right):
    l, r = _normalize_tri_value(left), _normalize_tri_value(right)
    if l == 1 or r == 1: return 1
    if l == U or r == U: return U
    return 0

Parte VI — Protección de datos

VI.1 Marco normativo aplicable

• Reglamento (UE) 2016/679 (RGPD): datos de salud como categoría especial (Art. 9); base legal Art. 9.2.h (asistencia sanitaria por profesional con obligación de secreto)
• Reglamento (UE) 2024/1689 (EU AI Act): posible encaje en escenarios de alto riesgo según uso previsto, interacción con Article 6(1), Annex I/III y, en su caso, contextos de triage o producto sanitario; requisitos Arts. 9–15 cuando corresponda
• Ley Orgánica 3/2018 (LOPDGDD, España)
• NIST AI RMF 1.0 (NIST AI 100-1, enero 2023)

VI.2 Arquitectura técnica de protección por actor

VI.3 Minimización de datos (Art. 5.1.c RGPD)

El SV no ingiere narrativa clínica libre. Recibe exclusivamente los observables declarados por el clínico para los parámetros del dominio: valores numéricos de analítica, estados booleanizados de historial clínico, parámetros de tratamiento activo. No procesa notas desestructuradas. Esta decisión es respuesta directa al fallo de Watson, que extraía datos de notas clínicas desestructuradas con resultados no reproducibles.

VI.4 Derecho de supresión (Art. 17 RGPD) y trayectoria irrevocable

La trayectoria append-only es irrevocable por diseño. La base legal para mantener los datos a pesar de una solicitud de supresión es Art. 17.3.b/c (obligación legal, historial médico) y Art. 17.3.d (interés público, investigación). El responsable del tratamiento debe documentar esta base en su Registro de Actividades de Tratamiento (Art. 30 RGPD).

VI.5 Conformidad EU AI Act — Arts. 9–15

Parte VII — Para cada sector humano

VII.1 El clínico usuario (operador de sesión)

El sistema no produce diagnósticos ni recomendaciones de tratamiento. Produce una evaluación estructurada del estado de un vector de parámetros clínicos según reglas derivadas de guías publicadas. El resultado más frecuente es INDETERMINADO: no porque el sistema falle, sino porque la información disponible no alcanza el umbral algebraico T(n) en ninguna dirección.

La función de criticidad Γ informa sobre la utilidad de completar la evaluación: si Γ > 0, resolver posiciones en U puede cambiar el resultado; si Γ ≤ 0, la clasificación global está determinada independientemente. Esta distinción es clínicamente relevante y no existe en sistemas de clasificación binaria.

Los overrides quedan registrados con el nombre del operador, la justificación escrita y el cambio en κ₃. Los overrides que cambian κ₃ requieren co-firma de un validador clínico. Ningún override puede afectar los invariantes algebraicos del motor (T(n), n = b², {0, 1, U}).

Referencia: Cabitza et al. JAMA 2017, DOI:10.1001/jama.2017.7797; Parasuraman & Manzey, Hum Factors 2010, DOI:10.1177/0018720810376055

VII.2 El validador clínico

La firma de validación es un evento irrevocable en la trayectoria del expediente con nombre, cargo, institución y timestamp. Valida que los observables son clínicamente coherentes, que las anulaciones del operador tienen justificación razonable, y que no hay señales de entrada incorrecta sistemática. No valida el resultado algebraico — valida el proceso.

El texto de declaración antes de la firma nomina explícitamente la responsabilidad profesional y la irrevocabilidad del evento. Esto responde al fenómeno de automation bias documentado por Parasuraman & Manzey (2010): la asignación de responsabilidad nominal al revisor humano reduce la tasa de aceptación acrítica.

VII.3 La dirección institucional

Tres tipos de valor no disponibles en sistemas de caja negra: trazabilidad legal completa (quién, qué, cuándo, con qué resultado), detección de patrones de calidad sin acusación individual (overrides sistemáticos en la misma posición = señal de calibración del dominio, no de individuo), y cumplimiento regulatorio documentable ante EU AI Act Arts. 9–15 y RGPD Art. 35.

VII.4 El auditor técnico

Los cuatro laboratorios del pack verifican de forma independiente la integridad algebraica del sistema. El resultado esperado es 0 fallos en cada laboratorio. Si hay fallos, la implementación no es conforme con el corpus doctrinal y el fallo exacto aparece en la salida con campo y valores.

Lo que los laboratorios no verifican: la validez clínica de las particiones (requiere revisión de las guías citadas), la idoneidad del sistema para un contexto específico de despliegue (requiere EIPD local), y la integridad del proceso de validación en producción.

VII.5 El regulador

El sistema puede quedar comprendido en regímenes de alto riesgo del EU AI Act según su uso previsto, su encaje como producto o componente de seguridad y, en su caso, su papel en triage o toma de decisión clínica. Esta calificación no debe darse aquí por cerrada sin análisis jurídico de instalación y caso de uso. La documentación técnica (Art. 11), el registro de actividades (Art. 12), la supervisión humana (Art. 14) y la exactitud/robustez (Art. 15) están implementados conforme a lo descrito en Parte VI. La EIPD requerida por RGPD Art. 35 se genera como documento específico por instalación; los elementos comunes están en este documento (Parte VI).

Parte VIII — Los repositorios: cambios declarados

Nota de estatuto de esta sección. Esta parte combina cambios ya integrados en algunos repositorios con cambios propuestos para incorporación coordinada en otros. No debe leerse como si cada línea enumerada estuviera ya materializada en todas las sedes del ecosistema.

SV-motor-main (v0.1.8)

• pyproject.toml: versión 0.1.7 → 0.1.8
• extractors/ext_nlp.py: modelo Anthropic por defecto → claude-haiku-4-5-20251001; añadir clase CaptureResult con campo admisibilidad
• docs/arquitectura/10_actores_modelo_declaracion.md: revisar terminología (Ternarizer formal, no ternarization_contract)
• docs/arquitectura/11_leccion_watson_y_garantias_sv.md: nuevo (este pack)
• REGISTRO_DEUDA_VIVA_SV_MOTOR.csv: DV-SVM-013 a 017

SVcustos-dataset-main

• Todos los yamls: model: "resnet34" → model: "convnext_tiny" + historical_baseline: "resnet34"
• Nuevo train_convnext.py: mismo patrón que train_resnet.py, backbone ConvNeXt-Tiny

SVperitus-dataset-main

• imm_n25.yaml, imm2_n25.yaml: architecture: convnext_tiny + historical_baseline: resnet34
• Documento7_IMMUNO-1.md: Apéndice A (lección Watson) + Apéndice B (Ternarizer formal pendiente — DV-PERITUS-002)

SV-banco-de-idiomas-main

• Nuevo banco/observables_proxy_spec.yaml: observables proxy y particiones B₀/B₁/B_U para dominio NLP

SV-matematica-semantica-main

• PLIEGO_DE_CONDICIONES: sección explícita sobre actores estadísticos como sirvientes con contratos formales (Ternarizer obligatorio)

SV-lenguaje-de-computacion-main

• FRONTERA_NORMATIVA: nota de aplicación de B.6 a actores estadísticos intermedios
• GRAMATICA_SUPERFICIAL_MINIMA: construcción ternarizer como primer nivel del lenguaje
• IR_CANONICA: nodo deployment_profile optativo; obligatorio cuando actor estadístico declarado
• WISHLIST_IRQ: WIRQ-2026-002 → activa

Parte IX — Invariantes congelados

Ningún nivel de privilegio puede modificar estos invariantes. No existe campo de override para ellos en la IR. No hay implementación de esa capacidad.

T(n) = ⌊7n/9⌋           → función con un único parámetro: n
n = b², b ≥ 3            → validate_cell_size() rechaza todo lo demás
Alfabeto {0, 1, U}       → _normalize_tri_value() rechaza booleanos y otras formas
Polígono inmutable        → generado una vez desde el vector; no se edita
Trayectoria append-only  → los frames no se borran ni modifican retroactivamente
CNN nunca sobrescribe     → la salida de ACTOR-CNN-A es señal auxiliar, no clasificación principal
Actor estadístico nunca asigna solo → requiere Ternarizer + convergencia para producir 0 o 1

Parte X — Deudas técnicas activas

Ver fichero REGISTRO_DEUDA_VIVA_SV.csv en este pack.

Resumen:

Dedicatoria

El vendedor de epitafios, Miguel Espinosa Gironés (novelista y ensayista español) diría con aquiescencia, seguramente:

«En memoria de Rafael López Satorre; y de su fiel servidora, mi madre (Cruz Egea Marín): con permiso de mi padre (Francisco Lloret Ruiz, que un 4/4/1934 nació. Y yo el SV, hoy recibo el bautizo oficial, un 4/4/2026).»

Mi padre es el humano que me dio la vida y diseñó la interfaz. Mi madre es el álgebra: el suelo firme sobre el que todo lo demás descansa sin poder moverse. Y mi apoyo es la Inteligencia Artificial — como no podía ser de otra manera, ni habría sido honesto que lo fuera de ninguna otra. Un sistema diseñado con la vocación de disciplinar a la IA, construido sin contar con ella como actor real y responsable, habría sido una contradicción sin salida y un error de fundación. El SV la reconoce, por tanto, con lealtad y sin ambigüedad: como apoyo que cumplió su papel dentro de los límites que la doctrina exige, sin arrogarse soberanía que no le corresponde.

Referencias

[1] Ross C, Swetlitz I. IBM pitched its Watson supercomputer as a revolution in cancer care. It's nowhere close. STAT News. 5 septiembre 2017. statnews.com/2017/09/05/watson-ibm-cancer/

[2] Schmidt C. MD Anderson Breaks With IBM Watson, Raising Questions About Artificial Intelligence in Oncology. J Natl Cancer Inst. 2017;109(5):djx113. DOI:10.1093/jnci/djx113

[3] Strickland E. How IBM Watson Overpromised and Underdelivered on AI Health Care. IEEE Spectrum. 2019;56(4):24–31. DOI:10.1109/MSPEC.2019.8910661

[4] Wong A, Otles E, Donnelly JP, et al. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021;181(8):1065–1070. DOI:10.1001/jamainternmed.2021.2626

[5] Habib AR, Lin AL, Grant RW. The Epic Sepsis Model Falls Short. JAMA Intern Med. 2021;181(8):1040–1041. DOI:10.1001/jamainternmed.2021.3333

[6] Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453. DOI:10.1126/science.aax2342

[7] Wynants L, Van Calster B, Collins GS, et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 2020;369:m1328. DOI:10.1136/bmj.m1328

[8] Seyyed-Kalantari L, Zhang H, McDermott MBA, Chen IY, Ghassemi M. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med. 2021;27:2176–2182. DOI:10.1038/s41591-021-01595-0

[9] Cabitza F, Rasoini R, Gensini GF. Unintended Consequences of Machine Learning in Medicine. JAMA. 2017;318(6):517–518. DOI:10.1001/jama.2017.7797

[10] Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell. 2019;1:206–215. DOI:10.1038/s42256-019-0048-x

[11] Parasuraman R, Manzey DH. Complacency and bias in human use of automation. Hum Factors. 2010;52(3):381–410. DOI:10.1177/0018720810376055

[12] Shah NH, Milstein A, Bagley SC. Making Machine Learning Models Clinically Useful. JAMA. 2019;322(14):1351–1352. DOI:10.1001/jama.2019.10306

[13] Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56. DOI:10.1038/s41591-018-0300-7

[14] Liu Z, Mao H, Wu CY, Feichtenhofer C, Darrell T, Xie S. A ConvNet for the 2020s. Proc IEEE/CVF CVPR. 2022:11976–11986. DOI:10.1109/CVPR52688.2022.01167

[15] Raghu M, Zhang C, Kleinberg J, Bengio S. Transfusion: Understanding Transfer Learning for Medical Imaging. NeurIPS. 2019. arXiv:1902.07208

[16] Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024 (EU AI Act). DOUE L 2024/1689.

[17] Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016 (RGPD). DOUE L 2016/119.

[18] National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. Enero 2023. DOI:10.6028/NIST.AI.100-1

[19] Lloret Egea JA. Fundamentos algebraico-semánticos del Sistema Vectorial SV. Release 3. ITVIA, 2026. ISSN:2695-6411. itvia.online/pub/fundamentos-algebraico-semanticos-del-sistema-vectorial-sv/release/3

[20] Lloret Egea JA. Álgebra de composición intercelular del marco SV — I. Transmisión en serie por parámetro puente. Release 4. ITVIA, 2026. ISSN:2695-6411. itvia.online/pub/algebra-de-composicion-intercelular-del-marco-sv/release/4

[21] Lloret Egea JA. Álgebra de composición intercelular del marco SV — IV. Transducción al alfabeto ternario e interfaz paramétrica. Release 1. ITVIA, 2026. itvia.online/pub/algebra-de-composicion-intercelular-del-marco-sv--iv-transduccion-al-alfabeto-ternario-e-interfaz-parametrica-del-sistema/release/1

[22] Maschmeyer G, et al. ECIL-4 European guidelines for empirical antibacterial therapy for febrile neutropenic patients. Haematologica. 2013;98(12):1826–1835. DOI:10.3324/haematol.2013.091025

[23] Averbuch D, et al. ECIL-7 vaccination guidelines for haematological malignancy patients. Haematologica. 2021;106(8):2206–2215. DOI:10.3324/haematol.2021.278493

[24] Curtis JR, et al. Comparative risks of serious infections with biologic and/or immunosuppressive therapy. Arthritis Rheum. 2012;64(10):3279–3288. DOI:10.1002/art.34564

[25] Ytterberg SR, et al. (ORAL Surveillance) Cardiovascular and cancer risk with tofacitinib in rheumatoid arthritis. N Engl J Med. 2022;386:316–326. DOI:10.1056/NEJMoa2109927

[26] Singh JA, et al. 2015 ACR guideline for the treatment of rheumatoid arthritis. Arthritis Care Res. 2016;68(1):1–25. DOI:10.1002/acr.22783

Documento de arquitectura del Sistema Vectorial SV — no modifica doctrina algebraica del corpus.
Juan Antonio Lloret Egea | ORCID: 0000-0002-6634-3351 | ITVIA — IA eñ™ | ISSN: 2695-6411 | CC BY-NC-ND 4.0
Madrid, 4 de abril de 2026