IA en Salud: LLMs para Diagnóstico y Gestión Clínica

El problema: 49% del tiempo médico en documentación

La industria de salud enfrenta una crisis de eficiencia: médicos pasan el 49% de su tiempo en documentación administrativa, los expedientes son fragmentados e inaccesibles en el punto de cuidado, y las listas de espera crecen mientras la demanda supera la capacidad.

Los LLMs están cambiando esto. No reemplazan al médico — eliminan la carga administrativa para que el médico se concentre en el paciente.

Caso 1: Resumen automático de expedientes (RAG)

Problema: Un internista revisa 20-30 pacientes/día. Cada expediente puede tener 50-200 páginas. Esto toma 10-20 minutos por paciente.

Solución: Pipeline RAG que indexa el expediente y genera un resumen ejecutivo con: diagnósticos activos, medicamentos actuales, alergias, últimos labs y alertas.

Resultado: Reducción de 15 min a 3 min por paciente. El médico tiene más contexto clínico relevante, no menos.

Privacidad: El sistema debe correr on-premise (Llama 3.1) o nube privada. Los datos del paciente nunca deben enviarse a APIs de terceros sin acuerdos de confidencialidad.

Caso 2: Documentación clínica por voz

Problema: Los médicos dedican 2-3 horas diarias a documentar consultas. Esta carga causa burnout y reduce tiempo de atención.

Solución: El médico graba la consulta (con consentimiento). El sistema:

1. Transcribe con Whisper (IA de reconocimiento de voz)
2. Extrae: diagnóstico, plan, medicamentos, seguimiento
3. Genera nota clínica en formato SOAP
4. El médico revisa y aprueba en 30 segundos

Caso 3: Chatbot de triaje inicial

Un chatbot en WhatsApp o la app del hospital permite a pacientes:

• Describir síntomas y recibir orientación (urgente vs. cita vs. cuidado en casa)
• Agendar citas con el especialista correcto según síntomas
• Consultar resultados de laboratorio con interpretación básica
• Recordatorios de medicamentos y seguimiento post-consulta

Ejemplo de código

# RAG para resumen de expediente medico
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import PGVector
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate

SYSTEM = '''Eres un asistente medico. Analiza expedientes y genera resumenes.
SOLO usa informacion del expediente. NO hagas diagnosticos nuevos.
Senala cuando algo requiere atencion urgente.'''

def resumir_expediente(pdf_path: str) -> str:
    # Cargar expediente
    docs = PyPDFLoader(pdf_path).load()
    chunks = RecursiveCharacterTextSplitter(
        chunk_size=800, chunk_overlap=100
    ).split_documents(docs)

    # Indexar (modelo local para privacidad)
    vectorstore = PGVector.from_documents(
        chunks,
        embedding=LocalEmbeddings(),
        connection_string="postgresql://localhost/hospital_db"
    )

    # Recuperar contexto relevante
    retriever = vectorstore.as_retriever(search_kwargs={"k": 8})
    context = "\n\n".join(
        [doc.page_content for doc in retriever.invoke("diagnostico medicamentos alergias labs")]
    )

    # Generar resumen
    llm = ChatAnthropic(model="claude-sonnet-4-6")
    prompt = ChatPromptTemplate.from_messages([
        ("system", SYSTEM),
        ("human", "Expediente:\n{context}\n\nGenera: 1) Diagnosticos activos 2) Medicamentos 3) Alergias 4) Ultimos labs 5) Alertas")
    ])
    return llm.invoke(prompt.format_messages(context=context)).content