Marco de IA ayuda a médicos a crear herramientas confiables de predicción de riesgo

Esto limita su adopción en la práctica clínica y puede ralentizar la toma de decisiones en situaciones de urgencia y perioperatorias.

Los hospitales necesitan herramientas transparentes que reflejen el juicio clínico y reduzcan los sesgos. Para abordar este desafío, los investigadores han desarrollado un marco que combina la IA con la supervisión clínica para crear modelos de predicción útiles.

El marco de codiseño humano-agente para instrumentos sanitarios (HACHI, por sus siglas en inglés) de la Universidad de California en San Francisco (UCSF) combina agentes de IA con médicos y científicos de datos. El sistema analiza grandes volúmenes de historias clínicas electrónicas para identificar posibles predictores. Posteriormente, los médicos revisan estas sugerencias para detectar sesgos, corregir errores y seleccionar variables que resulten útiles en la práctica.

HACHI está diseñado para crear modelos de predicción clínica sencillos y transparentes, en lugar de sistemas opacos y complejos. La IA primero analiza las notas clínicas para evaluar posibles factores de riesgo y conceptos clínicos. Los médicos proporcionan retroalimentación iterativa en rondas sucesivas, refinando el modelo hasta que se ajusta al razonamiento y al flujo de trabajo del mundo real.

En las evaluaciones, HACHI superó a los enfoques comúnmente utilizados en dos desafíos de atención. En el caso del traumatismo craneoencefálico pediátrico, el marco generó un modelo de cinco factores de signos y síntomas que predijo con mayor precisión si un niño que acudía al servicio de urgencias recibiría posteriormente un diagnóstico de lesión cerebral traumática.

En el caso de la lesión renal aguda —definida como una disminución repentina de la función renal— en adultos sometidos a cirugía, HACHI identificó factores de riesgo establecidos y otros previamente pasados por alto, y mantuvo un rendimiento mejorado en diferentes períodos de tiempo.

El desarrollo del modelo avanzó rápidamente. Tras solo tres o cuatro ciclos de retroalimentación, que requirieron menos de ocho horas, los equipos lograron modelos sólidos, lo que podría acortar un proceso que suele durar meses. Publicado en npj Digital Medicine el 6 de junio de 2026, el trabajo se probará próximamente en entornos clínicos reales, con planes para extender los modelos generados por HACHI a otras afecciones.

“El objetivo es diseñar agentes de IA que trabajen en colaboración con médicos y científicos de datos. Juntos, pueden crear mejores herramientas que las que cualquier grupo podría desarrollar por sí solo”, afirmó Jean Feng, doctora y profesora asociada de epidemiología y bioestadística en la UCSF.

Enlaces relacionados
UCSF