La incorporación de inteligencia artificial (IA) en los sistemas de salud avanza con fuerza, pero plantea un desafío central: cómo aprovechar su potencial sin poner en riesgo la privacidad de los datos clínicos. En ese cruce entre innovación y resguardo de la información sensible se inscribe el trabajo que viene desarrollando César Widman, director de Tecnología de la Información de la Fundación Iberoamericana de Salud Pública.
En diálogo con Salud en Línea, Widman explicó que se encuentra trabajando en la integración de un modelo de IA basado en Model Context Protocol (MCP), un enfoque que permite a los modelos consultar fuentes propias de información y ejecutar múltiples tareas clínicas utilizando lenguaje natural. “No se trata solo de hacer consultas, sino también de generar documentos médicos estructurados y alineados con estándares”, detalló.
Asistente conectado. El modelo funciona como un asistente de IA integrado a distintas fuentes del ecosistema de salud, lo que habilita la interacción en lenguaje natural con repositorios como SNOMED CT (Snowstorm), FHIR y DICOMweb (PACS). De este modo, un profesional puede preguntar, por ejemplo, si un grupo determinado de pacientes recibió una medicación específica o solicitar la generación de una receta clínica estructurada.
La solución ya está siendo integrada a un chatbot que, además, incorpora interacción por voz. “El médico puede enviar un audio, ese audio se convierte en texto y el sistema procesa la solicitud”, explicó Widman. La transcripción y la conversión de texto a voz se apoyan en plataformas especializadas, mientras que para la prueba de concepto del modelo se utilizaron herramientas como OpenWebUI y Ollama.
Privacidad, procesamiento local y GPUs. Uno de los pilares del proyecto es la protección de la información sensible. Según Widman, el modelo debe ejecutarse sobre infraestructura privada, ya que no resulta viable procesar datos clínicos en entornos compartidos. Esto implica, además, contar con capacidad de cómputo específica y entornos controlados.
“El procesamiento estándar no alcanza: es necesario trabajar con tarjetas gráficas (GPU)”, explicó, y agregó que la cantidad de consumo esperado es clave para dimensionar correctamente la infraestructura necesaria. La elección entre modalidades on-premise o cloud dependerá de cada organización, pero siempre bajo un esquema cerrado, auditado y gobernado por la institución de salud.
Estándares, terminologías y trazabilidad. El funcionamiento del asistente se apoya en estándares ampliamente adoptados en el sector. Para terminología clínica se utiliza SNOMED CT, mientras que FHIR, la evolución más reciente del estándar HL7, actúa como repositorio estructurado de datos clínicos. En el caso de imágenes médicas, la integración se realiza mediante DICOMweb.
“Para generar una receta, lo mínimo que necesito es el diagnóstico y el medicamento. Eso requiere un servidor terminológico que devuelva los códigos correctos, para luego generar la receta contra FHIR y registrar la práctica médica”, explicó Widman. A futuro, el objetivo es integrar estos flujos con servicios externos, como la confirmación de entrega de medicamentos a través de APIs específicas o la notificación de la realización de estudios, como una placa de tórax.
La auditoría y la trazabilidad se vuelven aspectos críticos: cada acción realizada por el modelo debe quedar registrada, garantizando control, seguimiento y respaldo legal en entornos clínicos.
Un camino posible para la IA en salud. La experiencia demuestra que la IA puede integrarse de manera efectiva al ecosistema sanitario siempre que se respeten principios clave como la privacidad, la integridad de la información y la disponibilidad de los datos, concluyó Widman.
“El desarrollo marca un camino posible para una IA clínica potente, interoperable y alineada con las exigencias en materia de seguridad propias del sector salud”, finalizó.