Procesar notas médicas con inteligencia artificial ya no es el desafío central en la generación de evidencia del mundo real (RWE): el verdadero diferenciador es la confiabilidad de lo que se extrae. Una plataforma de investigación clínica ha incorporado una función de extracción de hechos clínicos desde notas médicas que combina procesamiento de lenguaje natural (PLN) con revisión humana experta y una puntuación de nivel de confianza por hallazgo, disponible tanto en entornos de análisis en tiempo real como en conjuntos de datos descargables.
Las historias clínicas electrónicas contienen información estructurada —diagnósticos codificados, prescripciones, resultados de laboratorio— pero dejan fuera datos clínicamente relevantes que solo aparecen en texto libre: estadio de la enfermedad, estado funcional del paciente, resultados de biomarcadores. Esta brecha ha limitado históricamente la profundidad de los estudios observacionales y la definición de fenotipos de pacientes. La herramienta opera sobre más de 800 millones de notas e informes clínicos, con una proyección de alcanzar cerca de mil millones para finales de 2026, vinculando los datos extraídos con la información estructurada del expediente electrónico del mismo paciente desidentificado.
Tres capas de validación para datos accionables
El sistema incorpora tres salvaguardas que distinguen este enfoque de una extracción automatizada convencional. La primera es la supervisión humana: expertos clínicos revisan y corrigen las etiquetas generadas por los modelos de IA, retroalimentando el reentrenamiento continuo. Cada módulo debe alcanzar una precisión mínima de 0.90 frente a notas anotadas manualmente antes de considerarse operativo.
La segunda salvaguarda es la corroboración clínica, que va más allá de las métricas del modelo: compara los hallazgos extraídos con patrones clínicos esperados. Un ejemplo concreto es el uso de curvas de supervivencia basadas en la escala ECOG (Eastern Cooperative Oncology Group), donde los datos extraídos reproducen el patrón conocido de menor supervivencia en pacientes con puntuación de dos o superior, confirmando coherencia clínica. La tercera capa es el monitoreo continuo del rendimiento, que ajusta los algoritmos conforme se integran nuevas organizaciones de salud con distintos formatos de documentación.
Impacto medible en estudios oncológicos
Los resultados iniciales cuantifican el valor de este enfoque. En un estudio de cohorte sobre cáncer de pulmón, la extracción desde notas clínicas elevó la cobertura del estado de tabaquismo del 22% al 67%, identificando seis veces más pacientes que los datos estructurados por sí solos. Adicionalmente, se obtuvo el estado funcional según las escalas ECOG y Karnofsky de 292,000 pacientes oncológicos que no contaban con ese registro en campos estructurados del expediente.
La cobertura actual abarca historial social (tabaquismo y consumo de alcohol), cardiología, neumología, oncología general, biomarcadores y enfermedades hepáticas. La arquitectura opera bajo un modelo de red federada global, donde los datos permanecen dentro de las instituciones que los generaron, lo que reduce fricciones regulatorias y de gobernanza para organizaciones que trabajan con datos sensibles de pacientes.
Para equipos de investigación clínica, farmacéuticas y organizaciones de salud que dependen de RWE para decisiones de desarrollo de productos o políticas de cobertura, la capacidad de ampliar cohortes con datos previamente inaccesibles —sin comprometer la trazabilidad ni la precisión— representa un cambio sustancial en la calidad de la evidencia disponible.
