Cómo la IA ayudó a Clínica Medimar a reducir errores de diagnóstico

El día a día antes de la IA

Imagina una clínica en el centro de Barcelona donde cada mes pasan más de 500 pacientes. Cada uno necesita una evaluación, una historia clínica, pruebas complementarias. El doctor Ricardo Gómez, director médico, lo recuerda con una mezcla de cansancio y frustración: "Los médicos llegaban a casa a las diez de la noche, con la sensación de que se dejaban cosas sin revisar. Y acertaban, claro, pero no siempre".

No es que fueran malos profesionales. Al contrario. El problema era estructural. La clínica tenía 12 médicos en plantilla, pero la demanda por atención especializada (endocrinología, cardiología, digestivo) había crecido un 40% en dos años. Contratar a más especialistas era caro y lento. El resultado: médicos viendo a 40 pacientes al día, con historias clínicas que se acumulaban y diagnósticos que se apoyaban más en la intuición que en el análisis sistemático de datos.

Según un estudio de la Universidad de Barcelona (2024), el 18% de los diagnósticos en atención primaria en Cataluña contienen al menos un error de omisión. En Medimar, el doctor Gómez había hecho sus propias cuentas: "Revisamos 300 casos al azar de los últimos seis meses. El 20% tenían discrepancias entre el diagnóstico inicial y el tratamiento efectivo que luego requirió el paciente. Eso son vidas, no solo números".

El peor caso fue el de una paciente de 54 años con dolor abdominal recurrente. Durante tres meses, los médicos lo trataron como gastritis. Cuando finalmente le hicieron una ecografía, descubrieron un tumor pancreático en fase avanzada. Se podría haber detectado antes si alguien hubiera cruzado sus análisis de sangre con los síntomas neurológicos que también refería.

Lo que no funciona es seguir haciendo lo mismo

La clínica intentó varias cosas antes de llamar a Script Finance. Compraron un software de historias clínicas electrónicas más moderno. Implementaron reuniones semanales de revisión de casos difíciles. Hasta contrataron a un médico de refuerzo. El error de diagnóstico solo bajó al 17%. Sigue siendo demasiado.

El doctor Gómez lo expresó así en una reunión de equipo: "Necesitamos un sistema que no se canse, que no se salte nada, que mire todos los datos a la vez. No podemos seguir confiando solo en nuestra memoria".

Y ahí es donde entra la inteligencia artificial. Pero no como la pintan en las películas. No es un robot que te dice "tienes cáncer" y ya. Es más sutil. Es un asistente que te pone delante de los ojos lo que quizás has pasado por alto.

Cómo se construyó el sistema

Script Finance, una consultora de inteligencia artificial con sede en Almería, no es una empresa de salud. Sus fundadores, Jesús Basterra y José Antonio Manzano, vienen del mundo de la automatización de procesos para pymes. Pero cuando la clínica les planteó el reto, vieron que el problema de fondo era el mismo que en otros sectores: demasiados datos, poco tiempo, decisiones urgentes.

Lo que hicieron no fue instalar un software de catálogo. Fue un proceso artesanal. Primero, se sentaron con los médicos durante tres semanas. No para hablar de algoritmos, sino para entender cómo diagnosticaban. Qué datos miraban primero, cuáles dejaban para el final, qué señales les hacían sospechar.

Con esa información, José Antonio Manzano diseñó el modelo. No usó una red neuronal compleja de último grito. Usó algo más pragmático: un sistema de machine learning supervisado que aprende de patrones en historias clínicas anteriores.

El entrenamiento fue intensivo. Más de 10.000 historias clínicas anonimizadas de los últimos cinco años. Cada una etiquetada con el diagnóstico final confirmado (no el provisional). El modelo aprendió a asociar combinaciones de síntomas, resultados de pruebas y antecedentes con diagnósticos concretos.

Lo que me sorprendió cuando el equipo me contó los detalles fue lo que nadie dice de estos proyectos. El 40% del tiempo se fue en limpiar los datos. Las historias clínicas estaban escritas a mano, con abreviaturas, tachones, información duplicada. El equipo de Script Finance tuvo que digitalizar y estandarizar todo antes de que el modelo pudiera aprender nada.

La prueba de fuego

El sistema no se implementó de golpe. Primero, lo probaron en paralelo durante dos meses. El médico diagnosticaba como siempre, y luego el modelo daba su diagnóstico. Sin que el médico lo viera. Después, al final del día, comparaban ambos resultados.

Los primeros resultados fueron prometedores pero no perfectos. El modelo acertaba en el 85% de los casos. Pero en un 5% de los casos, el diagnóstico del modelo contradecía al médico y el médico tenía razón. Eso generó desconfianza. Algunos médicos decían: "para qué quiero un sistema que a veces se equivoca".

Pero el doctor Gómez insistió en seguir. Y aquí viene lo que aprendieron: el modelo no está para tener la última palabra, sino para amplificar la atención del médico. Cuando el paciente llega con dolor de cabeza, fatiga y visión borrosa, el médico piensa en migraña. El modelo dice: "en 3 de cada 10 pacientes con estos síntomas, el diagnóstico final fue hipertensión intracraneal". Y el médico entonces pide una prueba que quizás no habría pedido.

Los resultados que realmente importan

Después de seis meses, la clínica midió dos cosas.

La primera: los errores de diagnóstico confirmados se redujeron en un 80%. Pasaron del 20% al 4%. No es cero, pero es un cambio radical. La segunda: el tiempo medio desde que el paciente entraba hasta que recibía un diagnóstico pasó de 3 horas a 1 hora y media. El doctor Gómez lo explica así: "Antes, un médico podía tardar 20 minutos en revisar una historia clínica completa. Ahora, el sistema le resalta en 2 minutos los puntos clave y las posibles correlaciones. El resto del tiempo lo dedica a hablar con el paciente, que es lo que realmente importa".

Pero no todo fue perfecto. Hubo algo que no salió bien y que pocos cuentan. El modelo tenía un sesgo. Al entrenarse con historias de la propia clínica, aprendió los sesgos de los médicos de esa clínica. Por ejemplo, si los médicos de Medimar solían infradiagnosticar enfermedades raras porque no las veían con frecuencia, el modelo también las infravaloraba. Tuvieron que introducir un conjunto de datos externo (historias clínicas de otros centros) para corregirlo.

Eso llevó dos meses más de trabajo y un sobrecoste del 15% sobre el presupuesto inicial. Jesús Basterra, de Script Finance, lo reconoce con honestidad: "El primer modelo siempre tiene sesgos locales. La clave es detectarlos rápido y reentrenar. No es un fallo, es parte del proceso".

Lo que aprendimos para el futuro

Hoy, la Clínica Medimar usa el sistema a diario. No ha despedido a nadie, ni ha reducido personal. Al contrario. Como ahora los médicos dedican menos tiempo a la revisión manual de datos, pueden atender a más pacientes con la misma calidad. La lista de espera se ha reducido un 35%.

El doctor Gómez tiene claro que esto no es el futuro, es el presente. "La inteligencia artificial no va a sustituir a los médicos. Pero los médicos que usen inteligencia artificial van a sustituir a los que no la usen. Esa es la realidad".

Si trabajas en una clínica o gestionas un centro médico, pregúntate: ¿cuánto tiempo pierden tus médicos revisando datos que un sistema podría analizar en segundos? ¿Cuántos diagnósticos tardíos cuestan dinero y, sobre todo, salud? La tecnología ya está ahí. El problema no es la tecnología. El problema es decidir si merece la pena el esfuerzo de implementarla bien.