La capacidad de la IA para mejorar los resultados y la experiencia de los pacientes es real, pero está limitada por los sistemas de datos heredados.
La atención sanitaria debe superar las arquitecturas de datos aisladas y específicas para cada función y adoptar otras que incorporen datos multimodales en tiempo real para respaldar el razonamiento y la acción autónoma.
Al avanzar hacia esta nueva arquitectura de datos sanitarios, los Estados soberanos pueden ofrecer una mejor atención sanitaria a sus poblaciones, impulsando nuevos conocimientos y descubrimientos hasta ahora inéditos y posibilitando un sistema de salud impulsado por IA de autoaprendizaje.
El uso de la inteligencia artificial (IA) en la atención sanitaria ha pasado de ser teórico a transformador en apenas unos años. La IA ya nos ayuda a replantearnos todos los aspectos de la atención sanitaria, desde la carga administrativa hasta el diagnóstico y los resultados de los pacientes.
En SingHealth, en Singapur, por ejemplo, el sistema de documentación con IA generativa, Note Buddy, transcribe y resume las consultas de los pacientes en notas clínicas en cuatro idiomas simultáneamente. En Mayo Clinic, en Estados Unidos, investigadores han desarrollado una herramienta de IA llamada StateViewer, que ayuda a los médicos a identificar con mayor rapidez y precisión patrones de actividad cerebral vinculados a nueve tipos de demencia mediante una única prueba de imagen ampliamente disponible. Mientras tanto, herramientas predictivas como CHARTWatch, del St. Michael’s Hospital en Toronto, Canadá, han reducido la mortalidad imprevista en un 26 % en la unidad de medicina interna.
Estos ejemplos, entre muchos otros, ilustran el extraordinario potencial de la IA para mejorar la salud humana y explican por qué muchos creen que la transformación de la atención sanitaria mundial mediante la IA es inevitable.
Sin embargo, esa inevitabilidad se topa con un obstáculo: la larga y compleja historia de los datos sanitarios, marcada por décadas de sistemas dispares, formatos incompatibles, registros aislados e infraestructuras heredadas. Las estructuras de datos obsoletas limitan la innovación al restringir la IA a herramientas específicas y de alcance reducido, en vez de permitir soluciones capaces de razonar, aprender y actuar accediendo a todo el espectro de datos sanitarios multimodales. Para avanzar hacia una atención sanitaria mejor, más personalizada y accesible, es necesario replantear con audacia la arquitectura de datos subyacente del sector.
Hoy, ni siquiera las organizaciones y los países más avanzados digitalmente cuentan con la arquitectura de datos preparada para la IA que hace falta para respaldar la próxima generación de sistemas de IA agéntica y de razonamiento. Para cumplir su compromiso de adoptar la IA soberana para la salud como recurso nacional a gran escala, dentro de un marco cultural, histórico y ético adaptado, los Estados deberán replantear su arquitectura de datos sanitarios.
Desarrollar la arquitectura de datos de próxima generación para la atención sanitaria
Para crear una arquitectura de datos actual, son fundamentales los siguientes conceptos:
1. Una canalización de datos unificada
La mayoría de las estructuras de datos sanitarios existentes se diseñaron para proporcionar actualizaciones por lotes y depender de la introducción manual de datos procedentes de historias clínicas electrónicas, laboratorios o pruebas de imagen. Sin embargo, cada vez más, los datos sanitarios se generan —y seguirán generándose— mediante sensores en tiempo real y entradas automatizadas.
Por ello, una estructura de datos moderna debe aprovechar una canalización de datos inteligente y unificada que limpie, estandarice y etiquete los datos entrantes en tiempo real y los convierta directamente en representaciones numéricas inteligibles para la IA. Esta canalización aleja los datos de las bases de datos relacionales relativamente rígidas y los lleva a bases de datos gráficas multidimensionales que permiten aportar significado en tiempo real y un contexto clave.
2. Preparar los datos para que la IA pueda interpretarlos y recorrerlos
Incluso después de procesarlos, muchos datos sanitarios esenciales escapan a las búsquedas tradicionales por palabras clave y estas no detectan las conexiones ocultas que pueden mejorar la atención e impulsar nuevos descubrimientos.
La atención sanitaria debe adoptar nuevos métodos para extraer el máximo valor de los datos, entre ellos las bases de datos vectoriales, los fundamentos RAG (generación aumentada por recuperación) basados en grafos y jerárquicos, los clasificadores extremos y los modelos del mundo. Por ejemplo, el uso de representaciones vectorizadas de datos estándar y consultables garantizará que los datos se almacenen, anoten y utilicen continuamente en tiempo real.
La vectorización y otros métodos similares transforman datos multimodales (texto, imágenes, señales, secuencias genómicas y otros) en incrustaciones numéricas multidimensionales que capturan las relaciones y el significado entre los puntos de datos. Esto permite que los sistemas de IA comprendan los datos en contexto, por ejemplo, al reconocer casos clínicos similares, relacionar síntomas con resultados previos o recuperar hallazgos de investigación pertinentes con mucha más precisión.
La documentación clínica plantea un desafío particular: los conocimientos esenciales, las notas y las narraciones que conforman la historia clínica de un paciente. Estos datos han resultado especialmente difíciles de manejar para la IA, aunque son esenciales para su adopción generalizada. Estos enfoques avanzados son indispensables para tratar datos tan complejos y hacerlos útiles para que la IA genere conocimientos, posibilitando una recuperación rápida y el apoyo a la toma de decisiones en tiempo real que serán fundamentales para las futuras herramientas clínicas y de investigación.
3. Unificar los datos sin procesar, seleccionados y enriquecidos en un único entorno gestionado
Gran parte de los datos sanitarios está aislada y fragmentada en numerosos contenedores. Trasladar los datos a un solo contenedor puede ser costoso y dificultar las búsquedas. Los sistemas de salud necesitarán una lakehouse de datos como base para el almacenamiento. Esto permite un acceso seguro para el análisis, la IA y las operaciones mediante capas estandarizadas de exposición que garantizan tanto flexibilidad como confianza. Los datos de las historias clínicas electrónicas, los laboratorios, los dispositivos de diagnóstico por imagen, los dispositivos ponibles e incluso las aplicaciones para pacientes pueden fluir, a medida que se generan, hacia un único entorno interoperable, donde resultan fácilmente accesibles para el análisis y la IA desde una sola plataforma.
4. Garantizar la coherencia, seguridad y accesibilidad de los datos para distintos usuarios y usos
El sector de la atención sanitaria es relativamente singular porque afronta a la vez la complejidad de los datos multimodales y el rigor de las normas de seguridad y ética. Aunque los datos se almacenen juntos en distintos contenedores organizados (como en una lakehouse), también deben ser muy seguros y fácilmente recuperables para que la IA descubra conocimientos útiles para la atención sanitaria.
Una estructura de datos inteligente abarca los datos distribuidos entre numerosos contenedores y reglas, y garantiza su seguridad y privacidad. Cuando una aplicación de IA o un profesional clínico solicita datos, primero se verifica que quien los solicita cuente con las aprobaciones y los controles de acceso adecuados. A continuación, los datos se extraen a través de esta estructura, que los integra en un conjunto coherente y contextualizado para el usuario final.
5. Fundamentar los datos en conocimientos clínicos y administrativos fiables
La IA aplicada a la salud requiere salvaguardas y contexto específicos para garantizar que sus conocimientos se ajusten a las directrices operativas y clínicas. Los grafos de conocimiento (una red de nodos, aristas y etiquetas que representa las relaciones entre conceptos y terminología esenciales) permiten orientar y fundamentar las decisiones y los resultados de la IA como conocimientos clínicos validados y basados en el contexto. Esto ayuda a que los equipos de atención y sus homólogos operativos puedan confiar en las recomendaciones de la IA y revisarlas.
Cómo ayuda el Foro a los líderes a comprender la IA y colaborar en una innovación responsable
El Centro para la Excelencia en IA conecta a líderes de distintos sectores para comprender la rápida evolución de la inteligencia artificial y sus implicaciones para las economías y las sociedades. Promueve un diálogo informado sobre las oportunidades, los riesgos y las compensaciones vinculados a la adopción de la IA.
Mediante espacios de confianza e iniciativas de colaboración, el Centro permite a sus socios construir una comprensión compartida y trabajar juntos en enfoques responsables para la innovación y el uso de la IA.
Una arquitectura para el razonamiento automatizado
Al pasar de un modelo de datos basado en un sistema de recuperación aislado y estático a un entorno inteligente que aprende continuamente, cada nuevo punto de datos puede contribuir de inmediato a la atención e impulsar conocimientos para la investigación.
Este nuevo marco también permitirá que la IA de los sistemas de salud funcione en tiempo real en todas las áreas: los datos introducidos en un sistema —por ejemplo, los resultados de laboratorio o las mediciones de un monitor de constantes vitales— se reflejarán de inmediato en toda la red mediante actualizaciones en flujo continuo. Además, las herramientas de IA agéntica creadas con una arquitectura así serían capaces de razonamiento automatizado, lo que permitiría ofrecer una atención sanitaria mucho mejor y menos costosa a escala mundial.
Con esta arquitectura, los agentes de IA aprovecharán los datos de sensores en tiempo real, incluidos los de vídeo o audio, para detectar señales sutiles que incluso un experto cualificado podría pasar por alto. Igual de importante es que estos agentes aprenderán de cada resultado y ciclo de retroalimentación, mejorarán su desempeño y seguirán ajustándose a las normas operativas y clínicas de atención.
Otros agentes, formados para la investigación, rastrearán simultáneamente los datos en busca de anomalías y patrones que permitan responder a preguntas de investigación e impulsar avances, tratamientos y curas; además, aprenderán continuamente qué datos son valiosos para cada investigador y laboratorio.
En el caso de los pacientes, los agentes de IA formados para responder preguntas de salud se mantendrán al día con la bibliografía más reciente y podrán responder consultas sobre atención básica y educación sanitaria, y derivar otras al profesional clínico correspondiente.
La visión de una IA segura y centrada en el paciente ya es posible, pero solo se hará realidad si se adopta a escala mundial una arquitectura de datos modernizada. Gracias a ella, las empresas del sector sanitario, los gobiernos y otros innovadores de la salud podrán hacer realidad nuestra visión compartida de transformar los datos en resultados y la información en compasión, y llegar así a más personas necesitadas.
El Dr. Matthew Callstrom, de Mayo Clinic, y el Dr. Peter Lee, de Microsoft, también contribuyeron a este ensayo.
