El lenguaje de las decisiones#
Un libro sobre algoritmos para medicina y ciencias de la vida no puede comenzar con una lista de instrucciones ni con una definición escolar. Debe comenzar con una idea más exigente: antes de escribir código, el profesional aprende a convertir fenómenos biológicos, clínicos y científicos en decisiones observables, discutibles y ejecutables.
Este primer capítulo no está dedicado a “los algoritmos” como tema aislado. Está dedicado a la formación de una manera de pensar. La pregunta central no es solo qué es un algoritmo, sino qué significa representar una situación real con datos, reglas, estados, excepciones, incertidumbre y consecuencias.
Mapa del capítulo#
Qué es un algoritmo. La definición común es insuficiente. Un algoritmo será tratado como una estructura de decisión bajo restricciones, no como una receta inocente.
Pensar en pasos. La secuencia de acciones es solo la superficie; debajo están los estados, las prioridades, las excepciones y la trazabilidad.
Variables, datos y decisiones. Nombrar una variable es decidir qué parte del mundo merece existir dentro del programa.
Estados, condiciones y umbrales. Una decisión computable necesita saber en qué estado se encuentra, qué condiciones activan transiciones y qué umbrales justifican una acción.
Excepciones, datos faltantes y trazabilidad. Un algoritmo serio no solo decide; también reconoce incertidumbre, datos incompletos, límites y razones auditables.
El objetivo de este capítulo es construir el lenguaje mínimo para todo lo que vendrá después: búsqueda, complejidad, estructuras de datos, grafos, programación dinámica, bioinformática, genética computacional, neurología de sistemas y modelos de soporte de decisión.
Las cinco secciones forman la primera unidad conceptual completa. A partir de aquí, el libro puede avanzar hacia Python como arquitectura de decisión: condicionales, bucles, funciones y verificación.
Criterio de lectura#
Cada sección debe leerse como una pieza de entrenamiento intelectual. No basta con recordar definiciones. El lector debe poder explicar qué problema resuelve cada concepto, qué simplifica, qué oculta, qué riesgos introduce y cómo podría escalar hacia escenarios biomédicos reales.