La inteligencia clínica no empieza con un algoritmo. Empieza cuando podemos relacionar cada decisión con el resultado que produce.
Cuando hablamos de inteligencia artificial en salud, solemos fijarnos en aquello que el sistema es capaz de hacer: analizar imágenes, estimar resultados, detectar patrones o responder preguntas complejas.
Pero antes de preguntarnos qué puede hacer un algoritmo, deberíamos plantearnos una cuestión más básica:
¿Qué puede aprender realmente de la información que estamos registrando?
Porque no toda la información almacenada permite aprender.
Un sistema puede tener acceso a miles de historias clínicas y, aun así, disponer de muy poco conocimiento útil. Puede recibir millones de datos y no entender qué ocurrió, por qué ocurrió ni qué resultado produjo una determinada decisión.
La diferencia no está únicamente en la cantidad de información. Está en si esa información conserva el contexto necesario para adquirir significado.
No todo dato enseña
La actividad sanitaria genera información de manera continua. Una consulta produce observaciones, síntomas, decisiones y tratamientos. Una prueba diagnóstica añade resultados. Un laboratorio registra procedimientos, incidencias y parámetros técnicos. En reproducción asistida, cada ciclo incorpora datos clínicos, embriológicos, genéticos y de laboratorio.
Sin embargo, registrar todos esos elementos no significa necesariamente que podamos aprender de ellos. Para que la información contribuya al aprendizaje debe cumplir, al menos, tres condiciones:
- Debe conservar el contexto
Un valor aislado puede decirnos qué ocurrió, pero no necesariamente qué significa.
La edad de una paciente, una dosis de medicación, la clasificación de un embrión o el resultado de una analítica adquieren valor cuando pueden interpretarse dentro de una historia clínica completa.
Sin contexto, el sistema observa variables. Con contexto, puede empezar a identificar relaciones.
- Debe estar conectada con el resultado
No podemos saber si una decisión fue adecuada si no conocemos lo que ocurrió después.
Un protocolo de estimulación solo permite aprender cuando puede relacionarse con la respuesta ovárica, los ovocitos obtenidos, el desarrollo embrionario y el resultado clínico.
Una imagen embrionaria solo adquiere verdadero valor predictivo cuando se conecta con la implantación, la evolución del embarazo o el nacimiento.
El aprendizaje necesita cerrar el círculo entre la decisión y su resultado.
- Debe poder compararse
Si cada profesional registra la misma situación de una forma distinta, la información pierde consistencia.
Un concepto puede aparecer como texto libre en una historia, como una abreviatura en otra y como un documento adjunto en una tercera. Para una persona puede resultar comprensible. Para un sistema que intenta comparar miles de casos, esas diferencias se convierten en ruido.
Para aprender de los datos, el sistema necesita reconocer cuándo dos casos son realmente comparables.
Un embrión 4AA no es una historia completa
Pensemos en un ejemplo sencillo. Un sistema recibe esta información:
Blastocisto 4AA.
Es un dato relevante, pero su capacidad para generar conocimiento es limitada.
Ahora añadimos:
- desarrollo en día 5;
- edad y antecedentes de la paciente;
- origen de los ovocitos y del semen;
- método de fertilización;
- evolución observada mediante time-lapse;
- resultado de PGT-A;
- protocolo utilizado;
- decisión de transferir o vitrificar;
- implantación;
- evolución del embarazo;
- recién nacido vivo.
Ya no estamos ante un dato aislado, estamos ante un caso clínico completo. Y es de esos casos, conectados de principio a fin, de donde pueden aprender los sistemas inteligentes.
El objetivo no es registrar más información sin criterio. Es conservar las relaciones que permiten interpretar qué ocurrió y qué factores pudieron influir en el resultado.
Registrar no es lo mismo que construir conocimiento
Durante años, los sistemas clínicos se diseñaron principalmente para documentar la asistencia.
- Guardar un informe.
- Registrar una consulta.
- Archivar una prueba.
- Dejar constancia de una decisión.
Todo ello continúa siendo imprescindible desde el punto de vista clínico, operativo y legal. Pero la documentación, por sí sola, no garantiza que la información pueda reutilizarse.
Un informe genético almacenado en PDF contiene datos valiosos. Sin embargo, si sus resultados no se incorporan a la historia del tratamiento, será difícil relacionarlos automáticamente con la selección embrionaria y el resultado posterior.
Una nota escrita al final de la jornada puede describir lo ocurrido, pero quizá haya perdido matices que sí estaban presentes durante el procedimiento.
Una conversación entre profesionales puede contener una observación decisiva, pero desaparecer por completo si nunca queda integrada en el sistema.
La información puede seguir almacenada, pero si pierde su contexto, también pierde gran parte de su valor.
El momento del registro también importa
No solo importa qué información capturamos. También importa cuándo y cómo lo hacemos.
Cuando el registro se realiza mucho después de la actividad clínica, aumenta la posibilidad de simplificar detalles, omitir matices o interpretar lo ocurrido desde la perspectiva del resultado final.
Registrar en el momento en que ocurre una consulta, una evaluación o un procedimiento ayuda a conservar mejor el contexto original.
Aquí herramientas como el reconocimiento de voz, la extracción inteligente de información de documentos o la integración directa con equipos clínicos pueden aportar un valor importante.
No porque digitalicen una tarea, sino porque reducen la distancia entre lo que ocurre y lo que finalmente queda registrado.
Hacia sistemas que conectan decisiones y resultados
Un sistema clínico inteligente no debería limitarse a reunir información.
Debería ser capaz de conservar las relaciones entre:
- la situación inicial del paciente;
- las alternativas consideradas;
- la decisión tomada;
- el tratamiento realizado;
- el resultado obtenido;
- y el conocimiento generado después.
Esto transforma la historia clínica. Deja de ser únicamente un registro de acontecimientos y empieza a convertirse en una memoria estructurada de las decisiones de la organización. Una memoria que permite comparar casos, analizar resultados, detectar desviaciones y comprender mejor qué estrategias funcionan en cada contexto.
La inteligencia clínica aparece cuando una organización puede volver sobre su propia experiencia y convertirla en una herramienta para decidir mejor.
Cuatro preguntas antes de hablar de IA
Antes de implantar un modelo predictivo o un asistente clínico, una organización debería ser capaz de responder a cuatro preguntas:
¿Podemos relacionar cada decisión con su resultado?
Si el tratamiento y su evolución permanecen en sistemas separados, será difícil aprender de la relación entre ambos.
¿Registramos los mismos conceptos de una forma comparable?
Cuando cada profesional utiliza criterios, formatos o términos diferentes, analizar los resultados exige primero reconstruir su significado.
¿Conservamos el contexto en el momento en que se genera?
Una información resumida o registrada posteriormente puede no reflejar completamente la situación que llevó a tomar una decisión.
¿Podemos saber de dónde procede cada dato?
La trazabilidad no solo es importante para la seguridad. También permite valorar la fiabilidad de la información, detectar errores y entender cómo se construyó una conclusión.
Si no podemos responder con claridad a estas preguntas, el principal reto todavía no es elegir el algoritmo, es preparar la organización para que pueda aprender.
Una reflexión para terminar
Durante décadas diseñamos sistemas para responder a una pregunta muy sencilla:
¿Qué ha ocurrido con este paciente?
Los sistemas que estamos empezando a construir deberán responder también a otra mucho más ambiciosa:
¿Qué podemos aprender de todo lo que ya sabemos para ayudar al siguiente paciente?
Quizá esa sea la diferencia entre un centro médico digitalizado y una organización inteligente.
Y, probablemente, también sea la verdadera transformación que estamos empezando a vivir.
