![\"El](\"https:\/\/www.epimedsolutions.com\/wp-content\/uploads\/2026\/05\/Post-Serie-editorial-IA-scaled.png\")
<\/p>\n<\/p>\n
En los \u00faltimos diez a\u00f1os, el sector de la salud ha vivido al menos tres olas distintas en su relaci\u00f3n con los datos. La primera, hacia 2015, lleg\u00f3 bajo la etiqueta de big data<\/em>: hospitales, aseguradoras y empresas de expedientes cl\u00ednicos electr\u00f3nicos se apresuraron a acumular datos, construir data lakes<\/em> y digitalizar registros. El problema fue que pocos sab\u00edan qu\u00e9 hacer con todo eso; faltaba depuraci\u00f3n de datos cl\u00ednicos, faltaba el puente entre la medicina, la ciencia y el negocio. <\/span><\/p>\n La segunda ola, alrededor de 2018, trajo consigo el business intelligence y los primeros algoritmos predictivos. Los dashboards<\/em> proliferaron y algunos modelos llegaron a producci\u00f3n, pero la adopci\u00f3n real se mantuvo limitada, sin una validaci\u00f3n cient\u00edfica robusta (interna o externa) y con una lentitud excesiva para las necesidades del mundo real, la urgencia de la cl\u00ednica y la sostenibilidad de los negocios.<\/span><\/p>\n Por su parte, la tercera ola, iniciada en 2023, es la de la inteligencia artificial generativa y aplicada, sobre todo las LLM (por sus siglas en ingl\u00e9s para Large Language Model<\/em>, o Gran Modelo de Lenguaje). El apetito por utilizar la IA nunca ha sido tan alto. Y, sin embargo, en medio de muchas necesidades reales y de un gran hype<\/em>, el patr\u00f3n se repite: la adopci\u00f3n real sigue siendo limitada. Este panorama evidencia que el problema no es tecnol\u00f3gico. Es el mismo de siempre, y comienza antes del algoritmo. <\/span><\/p>\n En la salud, la palabra \u00abdatos\u00bb puede resultar enga\u00f1osa. Los sistemas hospitalarios generan vol\u00famenes inmensos de datos todos los d\u00edas. Tener acceso a ese volumen no equivale a lograr generar informaci\u00f3n cl\u00ednica relevante, y mucho menos a disponer de una base de datos \u00fatil para desarrollar, entrenar y validar modelos de IA que tengan utilidad en el mundo real. <\/span><\/p>\n La distinci\u00f3n fundamental radica entre el dato bruto y el dato estructurado depurado cr\u00edticamente (Figura 1). El dato bruto refleja la manera en que la informaci\u00f3n fue registrada en el contexto de cada instituci\u00f3n: con variables en su nomenclatura, incompleto en campos cr\u00edticos, dependiente del flujo de trabajo de cada servicio, sin una definici\u00f3n que pase por una validaci\u00f3n cient\u00edfica o por una utilizaci\u00f3n estandarizada en la pr\u00e1ctica cl\u00ednica. <\/span><\/p>\n El dato estructurado y depurado con criterio cl\u00ednico es diferente por naturaleza: el dataset<\/em> (conjunto de datos) proviene de la investigaci\u00f3n; es decir, los datos utilizados en \u00e9l fueron bien definidos, probados y validados en estudios y publicaciones cient\u00edficas. Por lo tanto, se recolectan bajo protocolos estandarizados, son validados por profesionales con experiencia en investigaci\u00f3n y una s\u00f3lida formaci\u00f3n asistencial, y se organizan en estructuras que preservan la l\u00f3gica cl\u00ednica de las variables. Esta diferencia es t\u00e9cnica y, en cierto modo, epist\u00e9mica. <\/span><\/p>\n La fragmentaci\u00f3n de los sistemas de salud y la ausencia de una infraestructura digital estandarizada hacen que la representatividad de los datos cl\u00ednicos sea una condici\u00f3n que rara vez se garantiza. Los modelos de IA entrenados en este contexto tienden a aprender los patrones del registro y no, necesariamente, los patrones de la historia del paciente, de la evoluci\u00f3n cl\u00ednica, de las caracter\u00edsticas de presentaci\u00f3n de la enfermedad o de la trayectoria de un individuo a lo largo de una hospitalizaci\u00f3n. <\/span><\/p>\n La consecuencia directa es el sesgo impl\u00edcito, que es quiz\u00e1s el riesgo m\u00e1s relevante de la IA en la salud hoy en d\u00eda, incluso m\u00e1s que las alucinaciones ampliamente discutidas en los medios.<\/span><\/p>\n Figura 1:<\/span> <\/strong>Del dato bruto al activo de IA: las tres etapas de madurez del dato cl\u00ednico y las preguntas clave de transici\u00f3n.<\/em><\/span><\/p>\n Existe una raz\u00f3n estructural por la cual la adopci\u00f3n real de la IA en la salud sigue siendo limitada: los datos cl\u00ednicos de calidad no son el core business de las organizaciones que m\u00e1s los producen.<\/span><\/p>\n Un hospital existe para cuidar a los pacientes, y sus datos est\u00e1n destinados a respaldar el registro cl\u00ednico. Una empresa de expedientes cl\u00ednicos electr\u00f3nicos existe para registrar e integrar informaci\u00f3n. Una aseguradora existe para gestionar riesgos financieros y de salud poblacional. Muchas son extraordinarias en lo que hacen; sin embargo, con frecuencia carecen de la ingenier\u00eda de datos cl\u00ednicos necesaria, ya que la elecci\u00f3n de variables y la validaci\u00f3n cient\u00edfica de algoritmos en entornos reales de hospitales y unidades de cuidados intensivos (UCI) simplemente no est\u00e1n en el ADN de estas organizaciones.<\/span><\/p>\n Ah\u00ed es donde entra un tipo diferente de organizaci\u00f3n: aquella que naci\u00f3 a partir de los datos cl\u00ednicos, que tiene sus or\u00edgenes en la investigaci\u00f3n cl\u00ednica y en la gesti\u00f3n de la calidad asistencial, y que tiene en la recolecci\u00f3n, estructura, validaci\u00f3n y an\u00e1lisis su misi\u00f3n central. Cuando una empresa acumula casi dos d\u00e9cadas de datos de millones de hospitalizaciones en cientos de instituciones y construye, sobre esos datos, modelos de riesgo, benchmarks de calidad y herramientas de utilidad cl\u00ednica, ofrece una verdadera infraestructura de inteligencia.<\/span><\/p>\n Cabe destacar tambi\u00e9n que un alto rendimiento algor\u00edtmico no garantiza un beneficio cl\u00ednico demostrado: la mayor\u00eda de las herramientas de IA en salud se prueban con datos hist\u00f3ricos, no en entornos hospitalarios reales, y con frecuencia desestiman c\u00f3mo estas herramientas se acoplan al flujo de trabajo efectivo del m\u00e9dico.<\/span><\/p>\n Un aspecto que suele pasarse por alto es el car\u00e1cter din\u00e1mico de la depuraci\u00f3n de datos. Los datos cl\u00ednicos envejecen. Los patrones de las enfermedades cambian, tal como la pandemia de COVID-19 lo demostr\u00f3 de forma dram\u00e1tica. Las pr\u00e1cticas m\u00e9dicas evolucionan. Una base de datos confiable para la IA en la salud no es un repositorio est\u00e1tico: exige una visi\u00f3n cl\u00ednica y cient\u00edfica, as\u00ed como atenci\u00f3n a los cambios y a las nuevas publicaciones para evaluar, seleccionar e incorporar nuevos datos de manera continua.<\/span><\/p>\n Se trata de un proceso con un impacto directo en los modelos predictivos y en el uso de la IA. Un trabajo continuo de actualizaci\u00f3n, revalidaci\u00f3n y monitoreo del desv\u00edo del modelo (model drift<\/em>). Esta depuraci\u00f3n no termina cuando el dato ingresa a la base; acompa\u00f1a el ciclo de vida completo del modelo (Figura 2).<\/span><\/p>\n Esta perspectiva tiene una implicaci\u00f3n pr\u00e1ctica directa para los directivos y tomadores de decisiones: al evaluar soluciones de IA en salud, las preguntas m\u00e1s importantes no son solo \u00ab\u00bfcu\u00e1l es la precisi\u00f3n del modelo?\u00bb, sino tambi\u00e9n \u00ab\u00bfc\u00f3mo se construy\u00f3 esa base, qui\u00e9n la hizo y c\u00f3mo se mantiene?\u00bb.<\/span><\/p>\n Figura 2:<\/strong> El ciclo de vida del dato cl\u00ednico en IA: la depuraci\u00f3n de datos como proceso continuo, desde la recolecci\u00f3n estandarizada hasta el monitoreo del desv\u00edo y la revalidaci\u00f3n.<\/em><\/span><\/p>\n La base de Epimed Monitor se ha construido bajo esta l\u00f3gica desde 2008. Cuenta con m\u00e1s de 9 millones de hospitalizaciones indexadas, provenientes de m\u00e1s de 900 hospitales en 14 pa\u00edses, recolectadas con protocolos estandarizados y una depuraci\u00f3n de datos t\u00e9cnico-cient\u00edfica continua. Es, por ejemplo, la base de datos de pacientes cr\u00edticos m\u00e1s grande del mundo, estructurada espec\u00edficamente para generar conocimiento cl\u00ednico y no solo para registrar.<\/span><\/p>\n Fue sobre este fundamento que, en 2022, desarrollamos e implementamos a gran escala el Epimed Prediction Model<\/em>, la primera puntuaci\u00f3n pron\u00f3stica con aprendizaje autom\u00e1tico validada y operativa en miles de UCI brasile\u00f1as.<\/span><\/p>\n La probabilidad de que la disrupci\u00f3n de la IA mejore la salud para todos depende, de forma decisiva, de la existencia de un ecosistema capaz de generar conocimiento r\u00e1pido, robusto y generalizable sobre los efectos de estas herramientas; y ese ecosistema comienza, necesariamente, con datos de calidad, en gran volumen y con una depuraci\u00f3n adecuada.<\/span><\/p>\n La pr\u00f3xima gran palanca de eficiencia hospitalaria no vendr\u00e1 de quien tenga m\u00e1s datos. Vendr\u00e1 de quien sepa hacer m\u00e1s con los datos que ya existen y que haya construido, a lo largo de los a\u00f1os, las condiciones para que la IA funcione de verdad en la pr\u00e1ctica cl\u00ednica. Esta base s\u00f3lida permite generar an\u00e1lisis, modelos y algoritmos cient\u00edficamente robustos, basados en datos consistentes, que se traducen en ganancias concretas de eficiencia cl\u00ednica, seguridad y desenlaces de los pacientes.<\/span><\/p>\n ___________________________________________________________________________________________________<\/span><\/p>\n Esta es la segunda publicaci\u00f3n de la serie editorial \u00abIA en la Salud: Credibilidad, Seguridad e Impacto en la Pr\u00e1ctica Cl\u00ednica\u00bb, producida por Epimed Solutions.<\/em><\/span><\/p>\n Autor: <\/strong>Dr. Jorge Salluh, m\u00e9dico cient\u00edfico y profesor de Terapia Intensiva en el IDOR, cofundador y director cient\u00edfico de Epimed Solutions, editor en jefe de la revista Critical Care Science<\/em> (2023\u20132027); se encuentra entre el 2% de los cient\u00edficos m\u00e1s influyentes del mundo (Stanford\u2013Elsevier, 2020\u20132025).<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" En los \u00faltimos diez a\u00f1os, el sector de la salud ha vivido al menos tres olas distintas en su relaci\u00f3n con los datos. La primera, hacia 2015, lleg\u00f3 bajo la etiqueta de big data: hospitales, aseguradoras y empresas de expedientes […]<\/p>\n","protected":false},"author":11,"featured_media":41214,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[296],"tags":[297],"class_list":["post-41194","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","tag-ia-en-la-salud"],"acf":[],"yoast_head":"\r\nEl dato bruto no es un activo cl\u00ednico de valor<\/span><\/h4>\n
![\"Figura](\"https:\/\/www.epimedsolutions.com\/wp-content\/uploads\/2026\/05\/img1-scaled.png\")
<\/p>\n\u00bfPor qu\u00e9 este activo es dif\u00edcil de replicar?<\/span><\/h4>\n
La depuraci\u00f3n de datos como un proceso continuo<\/span><\/h4>\n
![\"Figura](\"https:\/\/www.epimedsolutions.com\/wp-content\/uploads\/2026\/05\/img2-scaled.png\")
<\/p>\nLa confianza comienza antes del algoritmo<\/span><\/h4>\n