¿Puede la IA hacer más completo el registro clínico?
Un estudio que mide, nota por nota, si un asistente de IA que revisa la documentación y señala lo que falta produce registros más completos que una extracción automática simple.
PoktaCare es la historia clínica que construimos para especialistas: un registro definido por lo que logra capturar, no por lo bonito que se ve. Un especialista tiene minutos, no horas, para aplicar cada guía clínica a un paciente real —y lo que no queda escrito en la nota deja de existir para el siguiente médico que la lea. Esta página es la evidencia: medimos, nota por nota, si nuestro asistente de IA cierra ese hueco mejor que una extracción simple.
Más sobre PoktaCare →El registro solo sirve si la nota está completa.
Un registro clínico de terapias biológicas depende de que cada nota traiga los datos que la enfermedad exige. La pregunta del estudio es directa: ¿un sistema de IA que revisa la nota y advierte lo que falta («el Grader») deja registros más completos que una IA que solo extrae lo que encuentra?
Trabajamos sobre 110 notas reales, certificadas como completas por el médico tratante, en dos variantes de enfermedad: 64 de artritis reumatoide y 46 de espondiloartritis. Como cada nota ya está completa, un campo vacío en la extracción no es un hueco de la nota: es algo que el sistema no supo recuperar. Eso es lo que medimos.
De la idea a una evaluación que corre de punta a punta.
- 01
Corpus fijado Hecho
110 notas certificadas completas; partición estructural verificada en 64 AR / 46 EspA.
- 02
Instrumentos por enfermedad definidos Hecho
Censo de qué mediciones exige cada variante de la forma (DAS-28 y afines en AR; ASDAS, BASDAI y afines en EspA).
- 03
Métodos construidos Hecho
Extracción simple (referencia) y el Grader, ambos midiendo contra el mismo registro.
- 04
Modelo base fijado Hecho
gpt-oss-120b, un modelo abierto con desempeño medido en conversaciones clínicas, igual para todos los métodos.
- 05
Barrido completo del corpus Hecho
110 notas × 2 métodos = 220 extracciones, 0 fallas, procedencia fija y menos de US$0.20 de cómputo.
- 06
Evaluación e iteración del Grader Hecho
Cada corrida se registra como una entrada del estudio. La primera mostró un hueco de completitud rastreado a dos campos; la segunda, con las reglas de conteo portadas al Grader, lo cerró a un empate estadístico. El estudio existe para rastrear esa progresión de forma transparente.
- 07
Etiquetas de referencia y más modelos En curso
Un subconjunto etiquetado a ciegas para medir exactitud —no solo completitud— y la comparación entre varios modelos.
Lo que ya está medido.
La clasificación de enfermedad se compara contra el diagnóstico verdadero de cada nota, que conocemos: es una medida de exactitud real, no solo de llenado. Completitud ≠ exactitud: un campo lleno puede estar mal — eso lo resuelven las etiquetas ciegas, hoy en construcción.
Cada corrida es una entrada del estudio —así se rastrea el progreso.
La evaluación hizo su trabajo: en la primera corrida, el Grader quedó unos 4.2 puntos por debajo en completitud. Al rastrearlo, el hueco venía por completo de dos campos: el conteo de articulaciones dolorosas e inflamadas (la medida clínica central para seguir qué tan activa está la enfermedad). Las reglas para recuperar ese conteo —leer una negación como un cero, contar articulaciones nombradas una por una— se habían afinado en el método de referencia pero nunca se trasladaron al Grader.
La segunda corrida —una entrada nueva del estudio, no un reemplazo de la primera— corrió el corpus completo con esas reglas ya portadas al Grader. La brecha cerró a −0.2 puntos, con un intervalo de confianza que cruza el cero —en términos simples, la diferencia es tan chica que no se puede distinguir de cero con los datos que tenemos—: un empate estadístico. Ambas corridas quedan registradas —el estudio existe justamente para rastrear esa progresión con transparencia, no para borrarla.
Campo por campo, la paridad se sostiene.
De los datos que cada nota exige, así compara lo que capturó cada método. El asistente ahora va adelante en el conteo de articulaciones dolorosas —las reglas de conteo portadas al Grader—; el conteo de articulaciones inflamadas sigue siendo la brecha pendiente.
El empate se sostiene en ambas variantes.
No es un promedio que esconde una variante rota: artritis reumatoide y espondiloartritis muestran el mismo patrón por separado.
Esto se construye con criterio clínico, no solo con código.
El reumatólogo colaborador
Define qué cuenta como «nota completa» por enfermedad y ajusta la voz del Grader —qué vale la pena señalar y qué no. Ese criterio es el corazón del sistema, y es suyo.
La comunidad de especialistas
Retroalimentación sobre los instrumentos requeridos por diagnóstico y sobre qué hace clínicamente útil —o intrusiva— una advertencia de completitud.
Rigor y cuidado de los datos, por diseño.
- Los datos de pacientes nunca salen de la máquina. Ninguna nota, ningún nombre, ningún dato identificable se sube a la nube ni se guarda en el repositorio del proyecto.
- Cada corrida es reproducible. Queda sellada con su versión exacta de código; no se ejecuta sobre trabajo a medio hacer.
- El análisis está pre-registrado. El desenlace principal y el control ciego se fijaron antes de correr, no se eligen después de ver los resultados.
- Completitud no es lo mismo que exactitud. Que un campo esté lleno no prueba que sea correcto; la exactitud se medirá contra etiquetas ciegas, hoy en construcción.