En Salud, IA No Es un Prompt Mejor: Es un Modelo Propio
En 2023, antes de que "IA para profesionales de salud" fuera un producto en el mercado, Cifrid ya entrenaba un modelo propio para sugerir la edición de una ficha clínica a partir de la nota de evolución en texto libre. No es un curso de prompts. Es el modelo, entrenado con datos reales, corriendo en infraestructura propia.
El Problema Real
"Usar IA en Salud" se Volvió Sinónimo de "Escribir un Mejor Prompt"
La oferta que domina hoy el mercado de IA para profesionales de salud enseña a usar mejor una herramienta genérica externa — qué prompt escribir, cómo interpretar la respuesta, cómo configurar un asistente ajeno. Es formación real y tiene demanda real. Pero deja dos problemas sin resolver.
El primero es el dato: cada consulta a un prompt contra una API externa envía información sensible del paciente fuera de la organización. El segundo es la objeción que cualquier profesional serio ya tiene instalada — una herramienta genérica no capta el contexto de la relación clínica, y todo lo que sugiere necesita validación humana antes de quedar en el registro.
Esa objeción no es un obstáculo a ignorar. Es exactamente el punto de partida correcto: el patrón que funciona en salud no es "la IA decide", es "la IA sugiere, el profesional valida". La diferencia entre un curso de prompts y un modelo propio es que el modelo propio se construye para ese patrón desde el diseño, no lo agrega como disclaimer.
El Mecanismo
Texto Libre Entra, Sugerencia Sale, el Profesional Decide
Ningún profesional clínico redacta su nota de evolución pensando en un formato de base de datos. Aunque exista un estándar, en la práctica real — sobre todo con especialistas de trayectoria — la nota llega como texto libre, normado o no. El modelo se diseña para ese punto de partida, no para uno ideal que no existe en terreno.
El modelo no fuerza un formato de entrada
La nota de evolución clínica entra tal como el profesional la escribe. El modelo se entrena para leer ese texto libre, no al revés — el profesional nunca aprende a "promptear" ni cambia su forma natural de redactar.
La validación humana es el último paso, no un extra
El modelo sugiere la edición del registro o la ficha. El profesional revisa, corrige si corresponde y confirma. Nada queda escrito en el registro clínico sin ese paso — el diseño lo obliga, no depende de la disciplina de quien lo usa.
Un modelo especializado y chico resuelve esto mejor que un LLM genérico grande — el espacio de decisión es acotado (sugerir una edición dentro de un registro conocido, no redactar libremente), y ese es exactamente el caso donde un modelo de pocos miles de millones de parámetros, bien entrenado, gana en precisión y en costo de inferencia. El mismo principio que aplicamos al elegir tamaño de modelo por tarea en nuestro reporte sobre tool-calling.
El Caso Real
2023: un Modelo Propio para Investigación Clínica
Antes de que "IA para profesionales de salud" apareciera como categoría de curso, Cifrid ya había construido y puesto a correr un modelo propio para este patrón exacto, en el contexto de investigación clínica.
A partir de la nota de evolución clínica en texto libre — con o sin formato normado, tal como la redacta el clínico, incluyendo casos de eminencias médicas donde imponer un formato no es una opción realista — el modelo sugiere la edición de la ficha clínica y del CRF (Case Report Form) del paciente. El clínico valida como último paso. En ningún momento se le pide que cambie su forma de trabajar.
16GB de VRAM es una GPU de estación de trabajo, no un clúster de datacenter — la cifra concreta de que este patrón es viable en infraestructura propia, sin depender de cómputo masivo en la nube.
El mismo patrón — sugerencia de un modelo propio más validación humana — se repite fuera de salud: en lafrutologia.cl, un modelo propio autocompleta sugerencias para operaciones complejas y reduce el error humano. Dominio distinto, mismo principio de diseño: sugerir, nunca decidir solo.
Reglas de Decisión
Cuándo un Modelo Propio Rinde, y Cuándo un Curso de Prompts Ya Alcanza
Un modelo propio rinde si...
- El dato de origen es sensible (paciente, salud) y no debería salir a una API externa
- El volumen de registro manual es alto y repetitivo (una nota por consulta, todos los días)
- El formato de entrada real es texto libre, difícil de estandarizar sin fricción con el profesional
- Ya existe una base propia de datos históricos suficiente para entrenar el modelo
Un curso de prompts ya alcanza si...
- El dato que se procesa no es sensible ni identifica a un paciente
- El volumen de uso es bajo y ocasional
- El objetivo es apoyo puntual (redactar un material educativo), no un flujo clínico recurrente
Arquitectura Completa
El Mismo Patrón, Especializado por Dominio Clínico
El patrón general — texto libre, modelo propio, sugerencia, validación humana — es el mismo en cualquier especialidad. Lo que cambia es el dominio de entrenamiento y el registro que se sugiere editar.
Nota en Texto Libre
Sin forzar formato al profesional
Modelo Propio
Entrenado con datos del cliente
Sugerencia de Edición
Nunca escritura automática
Validación del Profesional
Único paso que actualiza el registro real
Este reporte cubre el patrón general. Cómo se aplica a la consulta de nutrición y a la consulta de kinesiología — con sus objeciones y su evidencia propia de cada especialidad — está desarrollado en los reportes de silo, abajo.
Límites
Lo que Este Enfoque No Es
No es reemplazo de criterio clínico
El modelo sugiere. El profesional decide. Ningún registro se actualiza sin ese paso: no es una opción de configuración, es parte del diseño.
Necesita datos propios reales
Sin una base histórica suficiente del dominio específico, no hay con qué entrenar el modelo. La primera fase de cualquier proyecto de este tipo es levantar y ordenar esa base.
No es un curso de una tarde
Construir e integrar un modelo propio es ingeniería real — dataset, entrenamiento, infraestructura, integración al flujo de trabajo. El horizonte de tiempo no es comparable al de aprender a usar un prompt.
No exime del marco normativo
El dato de salud sigue sujeto a la normativa de protección de datos personales sensibles que corresponda, corra donde corra el modelo. Infraestructura propia reduce exposición, no reemplaza el cumplimiento.
Modelo de Lenguaje Propio (SLM)
Entrenado con tus datos, corriendo en tu infraestructura, sin depender de una API externa.
Contenido relacionado
IA para Nutricionistas: el Mismo Patrón, Aplicado a la Consulta
El mismo mecanismo de sugerencia y validación, especializado en la nota nutricional y la objeción real que el mercado ya instaló.
Ver el deep dive - Aplicado a NutriciónIA en Kinesiología: Realidad Aumentada, no Realidad Virtual
La agenda automatizada ya está resuelta por el mercado. La propuesta real: smart glasses para visualizar la sesión, sobre el mismo modelo propio ya probado.
Ver la propuesta - Realidad AumentadaFicha Clínica Digital: Gestión de Desviaciones
El registro que este mismo modelo sugiere editar — distinción eCRF vs documento fuente, detección de hallazgos clínicos.
Ver el reporte - Gestión de DesviacionesPreguntas Frecuentes
Sobre IA en Salud con Modelo Propio
¿Esto reemplaza el criterio del profesional de salud?
No. El modelo sugiere una edición de la ficha o el registro clínico; el profesional la valida, corrige o descarta como último paso, siempre. El patrón es sugerencia más validación humana, nunca generación sin supervisión ni reemplazo de criterio clínico.
¿Necesito ceder mis datos de pacientes a una API externa?
No. El modelo se entrena con datos del propio cliente y corre en infraestructura propia, sin depender de una API externa para procesar información sensible. Es la diferencia entre usar ChatGPT o Gemini con un prompt y construir un modelo que vive dentro de tu operación.
¿Esto es lo mismo que usar ChatGPT con buenos prompts?
No. Un prompt mejora la instrucción que le das a un modelo genérico ajeno. Un modelo propio se entrena con tus datos, corre en tu infraestructura y se integra al flujo de trabajo existente sin pedirle al profesional que aprenda a redactar mejor una instrucción.
¿Cuánto dato necesito para entrenar un modelo propio?
Depende del dominio y la variabilidad del texto de origen. El caso propio de Cifrid usó un dataset de 8TB para un modelo de 3.8B parámetros. El volumen exacto que necesita tu operación se evalúa en un diagnóstico, no hay un número universal.