En el cambiante ámbito de la inteligencia artificial (IA), los algoritmos de caja negra han mostrado un rendimiento excepcional. Sin embargo, su naturaleza opaca plantea desafíos en campos como la medicina, donde la claridad de los procesos de toma de decisiones es crucial para garantizar la confianza. Para abordar esta necesidad, el estudio tuvo como objetivo mejorar estos algoritmos con características de IA explicables (XAI) para aumentar la transparencia. Se empleó un enfoque novedoso, contrastando los patrones de toma de decisiones de modelos de caja negra y de caja blanca. Donde se notaron discrepancias, los datos de entrenamiento se refinaron para alinear las decisiones de un modelo de caja blanca más cerca de su contraparte de caja negra. Al probar esta metodología en tres conjuntos de datos médicos distintos se revelaron correlaciones consistentes entre los modelos de caja blanca adaptados y sus análogos de caja negra. Especialmente, la integración de esta estrategia con métodos establecidos como explicaciones interpretables de modelos agnósticos locales (LIMEs) y explicaciones aditivas de SHapley (SHAPs) aumentó aún más la transparencia, destacando el valor potencial de los árboles de decisión como un algoritmo de caja blanca preferido en medicina debido a sus capacidades explicativas inherentes. Los hallazgos resaltan un camino prometedor para la integración del rendimiento de los algoritmos de caja negra con la necesidad de transparencia en dominios críticos de toma de decisiones.