Grupo sanitario Ribera: IA para mejorar la vida de los pacientes
El grupo sanitario Ribera, proveedor de servicios públicos y privados desde 1997, lidera uno de los grupos sanitarios referentes en España. La organización, cuenta con más de 9.000 profesionales distribuidos por España, Europa y Latinoamérica, y cuyo objetivo es trabajar para mejorar la salud y el bienestar de los ciudadanos.
A nivel hospitalario una de las intervenciones quirúrgicas más habituales es la cirugía de cataratas. Focalizados en este tipo de cirugía, Plain Concepts y el grupo sanitario Ribera han trabajado juntos para generar una herramienta basada en IA generativa, llamada ALEX, capaz de crear los informes de alta basados en la información previa de la historia clínica.
ALEX, el nuevo documentalista, facilita la labor del médico y optimiza su tiempo, mejora la experiencia del paciente, ya que éste dispone de una informe de alta completo, personalizado y entendible (sin siglas), y además, enriquece la codificación y registros del episodio asistencial.
El proyecto debía centrarse en validar y mejorar la generación de informes de alta del área de oftalmología, en el proceso de cataratas, aplicando IA generativa. Además, debía mejorar el sistema de generación mediante técnicas avanzadas mecanismos de recuperación dinámica de información validada y fine tunning de los modelos de IA.
Por otro lado, uno de los principales retos del proyecto tenía que ver garantizar el cumplimento de los principios de IA responsable, pues se manejaban datos médicos sensibles, para los que se debía garantizar su seguridad y privacidad durante todo el ciclo de vida de la información.
El proceso de innovación de Ribera Salud
En la primera fase, se creó una PoC basada en tecnología serverless, desplegando la arquitectura base propuesta enfocada en la modularización de funcionalidad mediante encapsulación en funciones independientes. Durante esta fase se consiguieron resultados prometedores que demostraron la potencia y utilidad de la solución aplicada a procesos clínicos de cataratas.
En la segunda fase, la PoC evolucionó a un MVP, centrado en un proceso de escalado en entornos de ejecución segregados con mecanismos de despliegue automatizados que permitieran una entrega continua de valor sin interrupciones. Además, dada la naturaleza sensible del proyecto, durante esta fase se siguió un minucioso proceso iterativo de validación para garantizar que las salidas generadas fuesen coherentes con la historia clínica del paciente redactada originalmente por el profesional sanitario.
Durante este proceso se identificaron los errores más comunes, se reestructuraron los prompts mediante prompt engineering, y se demostró una tasa de acierto del 96% en diferentes apartados del informe. Se modificaron y refinaron los prompts para añadir secuencias de decisión intermedias que atomicen las tareas a llevar a cabo por la IA, con el objetivo de reducir el ruido.
El siguiente paso ha sido seguir validando la heterogeneidad de los casos, con una generación avanzada de ejemplos ya validados y entrenamiento de los modelos para especializarlos como agentes de IA en cada categoría. Por último, se ha habilitado una cadena de razonamiento, que permite entender las sucesivas decisiones que ha tomado el agente de IA, permitiendo evaluar los casos donde la incertidumbre en la salida esperada es mayor.
“La IA nos facilita mucho el trabajo administrativo y es una ayuda para lo que realmente nos importa, que es mejorar la calidad de vida de los pacientes. Revisando y validando este informe de alta con IA y nos ahorramos escribir y trasladar toda la información anterior del paciente al documento.”
César Azrak, Jefe del Servicio de Oftalmología del Hospital Universitario del Vinalopó
Tecnología
La incorporación de tecnologías que permiten la recuperación dinámica de informes previamente validados facilita la adaptación de la solución a distintos entornos de manera flexible. Mediante recursos como Azure AI Search, el sistema puede localizar documentos validados y sintácticamente similares, sobre los que se apoya para generar nuevos informes, aplicando así la técnica conocida como dynamic few-shot learning. Esta estrategia, combinada con el uso de modelos entrenados en tareas específicas de extracción, dota a la solución de una capacidad de escalado orgánica sin comprometer la fiabilidad de los resultados.
Además, para garantizar su escalabilidad, la solución se apoya en recursos cloud como:
Azure OpenAI Service – Azure Storage Account – Azure Container Instances – Azure DevOps – Azure Apps Insights – Azure CosmosDB – Azure Service Bus
Resultados Concretos
- Automatización de la creación de informes en un lenguaje natural y comprensible para el paciente.
- Transformación real y optimización de procesos.
- Reducción significativa de la cantidad y gravedad de los errores en los informes generados, incluso en un escenario con una alta variabilidad de casos: el 96% de los informes han tenido una calidad excelente y solo en el 4% el médico ha tenido que hacer alguna modificación.
- Coherencia garantizada de las salidas respecto a las entradas en un contexto de información compleja y sensible.
- Habilitación de la cadena de razonamiento para que el modelo explique el porqué de sus resultados, así como la secuencia de pasos.
- Modelo de IA ético y seguro, protección de los datos sensibles a lo largo del proceso.
- Proyecto escalable a otras especialidades y tipología de pacientes.
Estamos preparados para nuevos retos
