Imagínese el escritorio de un coordinador de documentación clínica en un centro de cuidados de largo plazo. Sobre la mesa se acumulan PDFs garabateados a mano por médicos, formularios de autorización previa donde una sola casilla mal marcada define si una aseguradora paga o no, listas de medicamentos que aparecen como tablas ordenadas en un expediente y como texto libre en el siguiente. Y no son cincuenta pacientes: son miles.
Guardoc Health, una empresa que construye software de documentación para ese tipo de centros, publicó hace poco cifras que llaman la atención. Su pipeline, alimentado por los modelos Amazon Nova a través de Bedrock, procesa más de un millón de documentos clínicos al día. La compañía afirma haber logrado una reducción del 46% en errores de documentación, una caída del 70% en multas por auditorías y un retorno anual superior a los 400.000 dólares por instalación, en una implementación inicial sobre dos centros y 200 pacientes. Son números que cualquier director financiero de un hospital escucharía con interés.
Pero el problema de fondo es más escurridizo de lo que parece. Una investigación publicada en BMJ Quality and Safety estima que unos 12 millones de pacientes ambulatorios en Estados Unidos sufren cada año algún error diagnóstico, y los fallos en el manejo de la información son un factor recurrente. Si el sistema de Guardoc tuviera apenas un 1% de error en la detección de condiciones, eso se traduciría en miles de registros incorrectos cada día. Cada uno con su propia consecuencia: una denegación de Medicare, una multa regulatoria, un litigio o, en el peor de los casos, una condición pasada por alto que cambia el tratamiento de un paciente.
Aquí es donde el contraste con la academia se vuelve relevante. Un estudio independiente publicado en arXiv evaluó cinco sistemas comerciales de NLP clínico —Amazon Comprehend Medical, Google Healthcare NLP, Azure Clinical NLP, SparkNLP de John Snow Labs, además de los modelos especializados CheXpert y CheXbert— sobre 95.008 informes de radiografía de tórax pediátrica. El resultado fue revelador: la precisión media en la detección de entidades y su estado (positivo, negativo o incierto) fue de apenas 62%, con un rango que iba desde el 50% de Amazon Web Services hasta el 76% de SparkNLP. Incluso CheXpert y CheXbert, diseñados específicamente para este tipo de informes, apenas alcanzaron un 56%.
El estudio también encontró una variabilidad significativa en el número de entidades únicas detectadas por cada sistema: SparkNLP identificó 49.688, Azure 31.543, AWS 27.216 y Google Healthcare NLP 16.477. La conclusión de los autores es directa: existe una variabilidad considerable en el rendimiento de extracción de entidades y en los niveles de incertidumbre entre los sistemas evaluados, y se necesita más investigación y revisión manual antes de desplegar estas tecnologías en el análisis de informes clínicos.
Esto no es una crítica a Guardoc ni a Amazon Nova, sino una advertencia estructural. La tesis de Aman Jaiswal en la Universidad de Dalhousie, publicada este mismo año, señala que los modelos de lenguaje grandes enfrentan desafíos únicos en el dominio clínico: altos costos computacionales, tendencia a la memorización y confabulación, y modos de fallo frágiles y sorprendentes. El texto clínico, recuerda, suele ser largo, no estructurado y carece de datos etiquetados adecuados.
¿Qué significa esto para un hospital latinoamericano?
En América Latina, donde la digitalización de historias clínicas avanza a ritmo disparejo y los presupuestos de TI son ajustados, la tentación de adoptar una solución llave en mano como la de Guardoc —o cualquier chatbot clínico basado en AWS, como el propuesto en un artículo reciente del IEEE que integra Amazon Lex, Textract, Comprehend Medical y Bedrock para procesar consultas a través de Slack— es comprensible. La promesa de automatizar la extracción de datos de recetas, análisis de síntomas menores y registro médico suena a solución mágica para la burocracia que consume horas de enfermeras y médicos.
Pero el ejecutivo que decide implementar estas herramientas debe hacerse una pregunta incómoda: ¿cuánto está dispuesto a tolerar un error del 24% al 50% en la detección de hallazgos clínicos? En un contexto donde las aseguradoras y los ministerios de salud locales tienen sus propios sistemas de auditoría, y donde un error de codificación puede significar la devolución de un pago o una sanción, el costo de una implementación mal calibrada puede superar rápidamente el ahorro prometido.
La lección no es que la IA clínica no sirva. Guardoc demuestra que, bien afinada, puede reducir errores y costos. Pero la precisión de estos sistemas no es un dato de marketing: es un parámetro que debe ser validado con los propios datos de la institución, sobre la propia población de pacientes, y con una metodología que incluya revisión humana periódica. Para un CIO de una clínica en São Paulo, México DF o Santiago, el dato relevante no es que un modelo procese un millón de documentos, sino qué tan bien procesa los documentos de sus pacientes. Y ahí, el 62% de precisión media del estudio de radiografías pediátricas debería ser un recordatorio de que la IA, en salud, sigue siendo una herramienta que necesita supervisión, no un reemplazo del juicio clínico.
El riesgo, al final, no es tecnológico, sino de expectativas.
