Técnicas de Explicabilidad en Investigación Naturopática: SHAP y LIME. Una guía didáctica para investigadores Naturópatas sobre cómo abrir la «caja negra» de los modelos predictivos en el marco de la NBE, la MIN y la COPRANA

1. Introducción: el desafío de la caja negra

En el artículo anterior exploramos las soluciones de análisis predictivo y su potencial para transformar la investigación Naturopática. Sin embargo, surge una pregunta crucial: si un modelo de machine learning predice con precisión qué Salutantes responderán mejor a una intervención con apitoxina, ¿cómo sabemos por qué lo predice?

Esta es la cuestión central de la explicabilidad (o explainability) en inteligencia artificial. Los modelos más potentes —como las redes neuronales profundas o los ensembles de gradient boosting— son a menudo «cajas negras»: generan predicciones muy precisas, pero sus procesos internos son opacos, incluso para sus creadores.

Para la investigación Naturopática, esta opacidad es inaceptable. No basta con que un modelo «funcione»; necesitamos entender por qué funciona, qué variables son las más relevantes y cómo interactúan entre ellas. Sin esta comprensión, el modelo es una herramienta útil pero no genera conocimiento —y la generación de conocimiento es el corazón de la investigación.

Aquí es donde entran las técnicas de explicabilidad como SHAP y LIME. Estas herramientas nos permiten «abrir la caja negra» y comprender qué está haciendo realmente el modelo, transformando una predicción opaca en una explicación comprensible que puede ser validada, cuestionada y, sobre todo, integrada en el marco conceptual Naturopático.

Este artículo ofrece una guía didáctica y práctica para que los investigadores Naturópatas comprendan qué son SHAP y LIME, cómo funcionan, en qué se diferencian y cómo pueden aplicarse en el marco de la Naturopatía Basada en la Evidencia (NBE), la Metodología de la Intervención Naturopática (MIN) y la Coordinación Praxiológica Naturopática (COPRANA) .

2. ¿Qué es la IA Explicable (XAI)?

La Inteligencia Artificial Explicable (Explainable AI o XAI) es un campo de la inteligencia artificial que tiene como objetivo hacer comprensibles los resultados y los procesos de toma de decisión de los modelos de machine learning.

Su propósito es doble:

• Para el investigador: Permite validar que el modelo está aprendiendo patrones realmente relevantes y no artefactos espurios de los datos.
• Para el Salutante y la comunidad: Genera confianza en las recomendaciones basadas en modelos predictivos, al poder explicar por qué se sugiere una determinada intervención.

En el contexto de la investigación Naturopática, la XAI no es un lujo, sino una exigencia epistemológica. La Naturopatía se fundamenta en la comprensión del terreno del Salutante y en la transparencia de la relación salutogénica. Un modelo que predice, pero no explica es incompatible con estos principios.

3. SHAP (SHapley Additive exPlanations)

3.1. Origen y fundamento teórico

SHAP es una técnica de explicabilidad basada en la teoría de juegos. Su nombre proviene de SHapley Additive exPlanations y se inspira en los valores de Shapley, un concepto de la teoría de juegos cooperativos desarrollado por Lloyd Shapley (Premio Nobel de Economía 2012).

En la teoría de juegos, el valor de Shapley determina cómo debe repartirse el «pago» total de un juego entre los jugadores, en función de la contribución marginal de cada uno. SHAP aplica esta misma lógica a los modelos de machine learning:

• El «juego»: La predicción del modelo para una instancia concreta.
• Los «jugadores»: Cada una de las características (variables) del modelo.
• El «pago»: La diferencia entre la predicción del modelo y la predicción promedio (línea base).

SHAP calcula la contribución de cada característica a la predicción, considerando todas las posibles combinaciones de características. El resultado es un valor SHAP para cada característica en cada predicción.

3.2. Características clave de SHAP

Característica	Descripción
Fundamento teórico sólido	Basado en la teoría de juegos, con propiedades matemáticas demostradas (consistencia, precisión local, etc.)
Consistencia	Si un modelo cambia y una característica se vuelve más importante, su valor SHAP no disminuye
Aditividad	La suma de los valores SHAP de todas las características es igual a la diferencia entre la predicción y la línea base
Explicaciones globales y locales	Permite tanto entender una predicción individual como la importancia global de las características
Model-agnostic	Puede aplicarse a cualquier tipo de modelo (árboles, redes neuronales, etc.)

3.3. Tipos de visualizaciones SHAP

SHAP ofrece múltiples formas de visualizar las explicaciones:

Visualización	Qué muestra	Utilidad
Summary plot	Importancia global de las características, ordenadas de mayor a menor	Identificar qué variables son más relevantes en general
Beeswarm plot	Distribución de los valores SHAP para cada característica, coloreada por el valor de la característica	Ver cómo el valor de una característica afecta a su contribución (positiva o negativa)
Force plot	Explicación de una predicción individual, mostrando cómo cada característica «empuja» la predicción hacia arriba o hacia abajo	Entender por qué el modelo hizo una predicción concreta para un Salutante específico
Dependence plot	Relación entre el valor de una característica y su impacto en la predicción	Identificar relaciones no lineales y puntos de inflexión

3.4. Ventajas y limitaciones de SHAP

Ventajas:

• Base teórica sólida: Sus propiedades matemáticas están bien fundamentadas.
• Explicaciones consistentes: Una característica más importante siempre tendrá un valor SHAP mayor o igual.
• Interpretabilidad global y local: Proporciona una visión completa del modelo.
• Ampliamente adoptado: Existen librerías en Python (shap) y R que facilitan su implementación.

Limitaciones:

• Coste computacional: Calcular los valores SHAP exactos puede ser muy costoso para modelos con muchas características, aunque existen aproximaciones (TreeSHAP para árboles).
• Complejidad conceptual: El fundamento teórico puede resultar difícil de explicar a audiencias no técnicas.

4. LIME (Local Interpretable Model-agnostic Explanations)

4.1. Origen y fundamento teórico

LIME, que significa Local Interpretable Model-agnostic Explanations, adopta un enfoque diferente al de SHAP. En lugar de basarse en la teoría de juegos, LIME se centra en aproximar el comportamiento del modelo de forma local.

La idea es sencilla pero poderosa:

1. Para una predicción concreta que queremos explicar (una instancia), LIME genera perturbaciones de esa instancia: crea versiones ligeramente modificadas de los datos.
2. Consulta el modelo con esas perturbaciones y obtiene sus predicciones.
3. Ajusta un modelo interpretable (generalmente una regresión lineal o un árbol de decisión simple) a estos datos perturbados, ponderando las instancias según su cercanía a la instancia original.
4. El modelo interpretable resultante nos dice qué características fueron más importantes para la predicción en esa zona local del espacio de datos.

4.2. Características clave de LIME

Característica	Descripción
Enfoque local	Explica predicciones individuales, no el modelo global
Model-agnostic	Puede aplicarse a cualquier modelo
Intuitivo	El concepto de «perturbar y aproximar» es fácil de entender
Flexible	Permite elegir el modelo interpretable que se ajusta localmente
Relativamente rápido	Más rápido que SHAP para modelos complejos

4.3. Visualizaciones típicas de LIME

LIME suele presentar las explicaciones de forma tabular o gráfica, mostrando:

• Las características que más contribuyen a la predicción, con su peso (positivo o negativo).
• El valor de cada característica en la instancia explicada.
• La predicción del modelo y la predicción del modelo interpretable local.

4.4. Ventajas y limitaciones de LIME

Ventajas:

• Intuitivo y fácil de entender: El concepto de «explicación local» es accesible.
• Rápido: Generalmente más rápido que SHAP para modelos complejos.
• Flexible: Permite adaptar el modelo interpretable al problema.
• Bueno para explicaciones individuales: Ideal para entender casos concretos.

Limitaciones:

• Inestabilidad: Pequeños cambios en la instancia pueden producir explicaciones muy diferentes.
• No consistente: No garantiza que la importancia de las características sea consistente entre explicaciones.
• Solo local: No proporciona una visión global del modelo.
• Sensibilidad a parámetros: Los resultados pueden variar según cómo se generen las perturbaciones y se ponderen.

5. SHAP vs LIME: comparativa y criterios de elección

Criterio	SHAP	LIME
Fundamento	Teoría de juegos (valores de Shapley)	Aproximación local con modelo interpretable
Alcance	Global y local	Local principalmente
Consistencia	Alta (propiedades matemáticas)	Baja (puede variar con pequeñas perturbaciones)
Estabilidad	Alta	Media-baja
Velocidad	Lenta (especialmente en modelos complejos)	Rápida
Interpretabilidad	Requiere comprensión de la teoría de juegos	Intuitiva y accesible
Implementación	Librería shap en Python	Librería lime en Python
Mejor para	Análisis globales, explicaciones consistentes, publicaciones científicas	Explicaciones rápidas de casos individuales, exploración inicial

Recomendación para investigadores naturópatas:

• Utilizar SHAP cuando se busque una comprensión profunda y rigurosa del modelo, especialmente para publicaciones científicas y análisis globales. SHAP proporciona una base teórica sólida que da credibilidad a los hallazgos.
• Utilizar LIME para exploración inicial, para explicar rápidamente casos individuales a Salutantes o para cuando el coste computacional de SHAP sea prohibitivo.
• Idealmente, combinar ambos: Utilizar SHAP para el análisis global y LIME para explicaciones locales rápidas y accesibles.

6. Aplicaciones prácticas en investigación Naturopática

6.1. Identificación de factores predictivos en intervenciones personalizadas

Problema: Hemos entrenado un modelo que predice la respuesta a una intervención con apitoxina en Salutantes oncológicos. Queremos saber qué factores son los más importantes para esa predicción.

Aplicación de SHAP: El summary plot de SHAP nos mostrará, de forma global, qué variables (estado inmunológico, marcadores inflamatorios, perfil de terreno, adherencia previa, etc.) son las más relevantes. El dependence plot nos permitirá ver cómo el valor de cada variable afecta a su contribución.

Valor para la NBE: Identificar los factores predictivos permite diseñar estudios más precisos,, seleccionar mejor a los participantes y generar hipótesis sobre los mecanismos de acción.

6.2. Explicación de predicciones individuales para la personalización del PPS

Problema: El modelo predice que un Salutante concreto tiene una baja probabilidad de adherencia a un programa de cambios de hábitos. Necesitamos entender por qué para poder intervenir de forma proactiva.

Aplicación de LIME: El force plot de LIME (o su equivalente tabular) nos mostrará, para es Salutante concreto, qué características están «empujando» la predicción hacia la baja adherencia (ej., baja motivación inicial, alto estrés, falta de apoyo social).

Valor para la MIN y la COPRANA: Esta información permite diseñar una intervención específica para ese Salutante: reforzar la motivación, incorporar técnicas de manejo del estrés, o involucrar a la red de apoyo. Es la traducción de la predicción en acción personalizada.

6.3. Validación de la coherencia del modelo con el marco conceptual Naturopático

Problema: Hemos entrenado un modelo predictivo y queremos asegurarnos de que sus patrones son coherentes con los principios Naturopáticos y no con artefactos espurios.

Aplicación de SHAP: Al analizar las contribuciones de las variables, podemos verificar que el modelo «aprende» patrones esperados desde la teoría Naturopática. Por ejemplo, que una mejor calidad del sueño contribuya positivamente a la predicción de mejora del terreno, o que el apoyo social sea un factor relevante en la adherencia.

Valor para la NBE y la COPRANA: Esta validación fortalece la credibilidad del modelo y demuestra que la IA puede aprender patrones alineados con el paradigma naturopático, no solo con correlaciones estadísticas sin sentido clínico.

6.4. Comunicación con Salutantes y profesionales

Problema: Queremos utilizar un modelo predictivo para apoyar la toma de decisiones compartida con el Salutante, pero necesitamos explicarle por qué el modelo sugiere una determinada intervención.

Aplicación de LIME (o SHAP force plot): Podemos mostrar al Salutante una visualización clara de los factores que han influido en la predicción. Por ejemplo: «El modelo sugiere que la intervención con apitoxina podría ser beneficiosa en tu caso porque tus niveles de inflamación son elevados, tu estado inmunológico muestra ciertos patrones y has respondido bien a intervenciones similares en el pasado».

Valor para la COPRANA: Esto empodera al Salutante, lo involucra en el proceso y genera confianza en la intervención propuesta, alineándose con el principio de corresponsabilidad en la relación salutogénica.

7. Paso práctico: cómo aplicar SHAP y LIME en tu investigación (sin Python)

A continuación, presentamos un flujo de trabajo conceptual para aplicar SHAP y LIME en la investigación Naturopática, sin necesidad de programar en Python. Este enfoque está diseñado para poder comprender el proceso y, también, poder colaborar con un equipo técnico o utilizar herramientas con interfaz gráfica.

7.1. Paso 1: Definir el problema y entrenar el modelo

Objetivo: Predecir la mejora de la calidad de vida (puntuación > 10 puntos en el cuestionario WHOQOL-BREF) en Salutantes con síndrome metabólico tras 6 meses de intervención Naturopática.

Variables del modelo:

• Edad, IMC, perímetro abdominal
• Niveles de glucosa, colesterol, triglicéridos
• Puntuación de estrés (escala PSS-10)
• Calidad del sueño (índice de Pittsburgh)
• Apoyo social (escala MOS)
• Adherencia a pautas dietéticas (cuestionario PREDIMED)
• Nivel de actividad física (cuestionario IPAQ)

Modelo utilizado: Random Forest (o cualquier otro modelo supervisado).

Resultado: Un modelo entrenado que predice, con cierta precisión, la probabilidad de mejora de la calidad de vida.

7.2. Paso 2: Aplicar SHAP para el análisis global (sin Python)

¿Qué hace SHAP? SHAP analiza el modelo completo y calcula, para cada variable, su contribución promedio a todas las predicciones.

Cómo se visualiza (sin Python):

• Summary plot: Un gráfico de barras que muestra las variables ordenadas de mayor a menor importancia. Las barras más largas indican las variables que más influyen en la predicción.
• Beeswarm plot: Cada punto representa una predicción. El color indica si el valor de la variable es alto (rojo) o bajo (azul). La posición horizontal indica si la contribución es positiva (a favor de la mejora) o negativa (en contra).

Interpretación Naturopática:

Variable	Importancia (SHAP)	Interpretación
Adherencia a pautas dietéticas	Muy alta	Confirma el principio Naturopático de que la alimentación es un pilar fundamental de la salud
Calidad del sueño	Alta	Apoya la visión holística: el sueño es un factor clave en la regulación metabólica
Nivel de actividad física	Alta	Valida la importancia del ejercicio en el tratamiento del síndrome metabólico
Puntuación de estrés	Media-alta	Refuerza el enfoque integral que considera el manejo del estrés
IMC	Media	Aunque relevante, menos determinante que los hábitos de vida

 

Valor para la NBE: Este análisis permite identificar los factores más relevantes para guiar futuras investigaciones y diseñar intervenciones más precisas.

7.3. Paso 3: Aplicar LIME para explicar un caso concreto (sin Python)

¿Qué hace LIME? LIME toma un Salutante específico y analiza qué variables han influido más en su predicción concreta.

Cómo se visualiza (sin Python):

LIME genera una tabla o gráfico que muestra, para ese Salutante concreto:

• Las características que más contribuyen a la predicción.
• El valor de cada característica en ese Salutante.
• El peso (positivo o negativo) de cada característica en la predicción.

Ejemplo para un Salutante concreto (caso real):

Característica	Valor del Salutante	Contribución (LIME)	Impacto
Adherencia a pautas dietéticas	10/14	+2.1	A favor de la mejora
Calidad del sueño	6/21 (buena)	+1.5	A favor de la mejora
Puntuación de estrés	20/40 (bajo)	+0.8	A favor de la mejora
Nivel de actividad física	3/10 (bajo)	-1.2	En contra de la mejora

Interpretación para este Salutante:

• La predicción global es positiva (probabilidad de mejora del 75%).
• Los factores que más contribuyen a esta predicción son la buena adherencia dietética y la buena calidad del sueño.
• El bajo nivel de actividad física es un factor que «resta» a la predicción, sugiriendo que, aunque la mejora es probable, podría ser aún mayor si se incrementa el ejercicio.

Acción Naturopática (MIN y COPRANA):

1. Reforzar el componente de ejercicio físico en el Programa Personal de Salud (PPS) de este Salutante.
2. Explicar al Salutante que el modelo sugiere que la mejora es probable, pero que el ejercicio podría potenciarla aún más.
3. Ajustar la intervención de forma dinámica, monitorizando la evolución del terreno.

7.4. Paso 4: Interpretación y validación Naturopática

Preguntas clave para el investigador:

1. ¿Son coherentes los resultados con el marco conceptual Naturopático? En el ejemplo, la adherencia dietética y el sueño son factores clave, lo que confirma la importancia de la alimentación y el descanso en la salud metabólica.
2. ¿Qué hipótesis genera este análisis? El hecho de que la adherencia dietética sea el factor más importante sugiere que futuras investigaciones deberían profundizar en los mecanismos de la intervención nutricional Naturopática.
3. ¿Qué implicaciones tiene para la práctica? El bajo nivel de actividad física en este Salutante sugiere la necesidad de diseñar un programa de ejercicio adaptado y motivador.
4. ¿Qué limitaciones tiene el modelo? El modelo se basa en datos de Salutantes de un centro concreto. ¿Será igual de preciso en otros contextos? (Necesidad de validación externa).

8. Herramientas sin código para SHAP y LIME

Si no dispones de conocimientos de programación, existen alternativas con interfaz gráfica que permiten aplicar SHAP y LIME de forma accesible:

Herramienta	Descripción	Nivel de dificultad
DataRobot	Plataforma de machine learning automatizado que incluye explicabilidad (SHAP)	Bajo
H2O Driverless AI	Herramienta de IA con interpretabilidad integrada	Bajo-Medio
Google Cloud AI Platform	Incluye explicabilidad para modelos entrenados en la nube	Medio
Amazon SageMaker Clarify	Servicio de AWS que proporciona explicaciones SHAP para modelos	Medio
KNIME	Plataforma de análisis de datos con nodos para SHAP y LIME (interfaz visual)	Medio
RapidMiner	Herramienta de minería de datos con módulos de explicabilidad	Bajo-Medio

Recomendación: Si no se dispone de equipo técnico, comenzar con DataRobot o KNIME, que ofrecen interfaces visuales intuitivas y no requieren programación.

9. Consideraciones críticas para la investigación Naturopática

9.1. La explicabilidad no es causalidad

Es fundamental recordar que explicabilidad no es igual a causalidad. Que una variable tenga un alto valor SHAP no significa que cause el resultado; significa que está asociada con él en el modelo. La distinción entre correlación y causalidad es un principio básico de la metodología científica que debe mantenerse al interpretar cualquier técnica de XAI.

9.2. Contexto y marco conceptual

Las explicaciones de SHAP y LIME son estadísticas y matemáticas, no clínicas ni Naturopáticas. El investigador debe interpretar estos resultados a la luz del marco conceptual Naturopático. Un valor SHAP alto para una variable no es una «verdad» absoluta, sino una señal que debe ser comprendida en el contexto del terreno del Salutante.

9.3. Reproducibilidad y transparencia

Para que los hallazgos basados en SHAP y LIME sean creíbles, deben ser reproducibles. Esto implica:

• Documentar todos los parámetros utilizados (número de perturbaciones en LIME, fondo de datos en SHAP, etc.).
• Compartir el código (scripts de Python o R) o, si se utilizan herramientas sin código, documentar el flujo de trabajo utilizado.
• Publicar los resultados de forma transparente, incluyendo tanto las explicaciones como las limitaciones.

9.4. La explicabilidad como puente entre la IA y la praxis

SHAP y LIME no son fines en sí mismos. Son herramientas que permiten tender un puente entre la potencia de los modelos predictivos y la comprensión humana necesaria para la toma de decisiones clínicas y la generación de conocimiento.

En el contexto Naturopático, este puente es especialmente valioso porque:

• Permite integrar la evidencia generada por IA en el razonamiento clínico del Naturópata.
• Facilita la transferencia de conocimiento desde la investigación a la práctica.
• Empodera al profesional y al Salutante al hacer transparente el proceso de toma de decisión.

10. Conclusión: de la predicción a la comprensión

SHAP y LIME son herramientas esenciales para cualquier investigador Naturópata que desee utilizar modelos predictivos sin renunciar a la comprensión y la transparencia.

• SHAP proporciona una base teórica sólida y explicaciones consistentes, ideales para el análisis global y las publicaciones científicas.
• LIME ofrece explicaciones intuitivas y rápidas para casos individuales, facilitando la comunicación con Salutantes y la toma de decisiones clínicas.

Ambas técnicas, utilizadas de forma complementaria, permiten abrir la caja negra de los modelos predictivos y transformar predicciones en conocimiento accionable.

Para la Naturopatía, esto es especialmente relevante. La disciplina se fundamenta en la comprensión del terreno del Salutante y en la transparencia de la relación salutogénica. SHAP y LIME no son meras herramientas técnicas: son instrumentos epistemológicos que permiten integrar la potencia de la IA con la sabiduría de la praxis Naturopática.

Como investigadores, tenemos la responsabilidad de utilizar estas herramientas con rigor, criterio y conciencia de sus limitaciones. Solo así podremos generar conocimiento que sea a la vez potente y comprensible, predictivo y explicable, innovador y fiel a los principios de nuestra disciplina.

Naturopatía, ahora más que nunca.

Nota final. Este artículo ha sido redactado en el marco de la línea de investigación en Metodología de la Investigación de la Red de Investigación Naturopática (RINA) , en diálogo con las contribuciones de Naturopatía Digital. Su objetivo es proporcionar a los Profesionales Naturópatas una guía didáctica y rigurosa sobre las técnicas de explicabilidad SHAP y LIME, contribuyendo así a la calidad y credibilidad de la investigación en el marco de la NBE (Naturopatía Basada en la Evidencia), la MIN (Metodología de la Intervención Naturopática) y la COPRANA (Coordinación Praxiológica Naturopática

Referencias bibliográficas

1. Zhang, C., et al. (2025). Machine learning prediction model for medical environment... PMC.
2. Ahmed, S., et al. (2024). A Comparative Analysis of LIME and SHAP Interpreters with Explainable ML-based Diabetes Predictions. IEEE Access 13, 37370–37388. DOI: 10.1109/ACCESS.2024.3422319
3. Givisis, I. (2025). Comparing Explainable AI Models: SHAP, LIME, and Their... MDPI.
4. Sathyan, A., et al. (2022). Interpretable AI for bio-medical applications. PMC.
5. Randomized Explainable Machine Learning Models for Efficient Medical Diagnosis. PubMed.
6. Transparent and Explainable AI for Liver Disease Diagnosis Using SHAP and LIME. IEEE, 2025.
7. Is explainability the missing link in artificial intelligence-based diabetes prediction? PMC, 2025.
8. shap 0.50.0. PyPI.
9. CLE-SH: Comprehensive Literal Explanation package for SHapley values. arXiv.
10. Improving local interpretable classifier explanations... Springer, 2025.
11. Local Interpretable Model-Agnostic Explanations (LIME). Taylor & Francis.
12. Explainable AI, LIME & SHAP for Model Interpretability. DataCamp.
13. Técnicas de interpretabilidad: estado del arte. Management Solutions.