La inteligencia artificial promete leer y entender cualquier dato clínico. Pero cuanto más potente se vuelve, más depende de algo poco vistoso: el significado estructurado. Interoperabilidad e IA no compiten; se necesitan y se retroalimentan.
Por Dr. Alejandro López Osornio, Senior Implementation Specialist en SNOMED International
Cada tanto, una tecnología nueva reabre una vieja pregunta. La inteligencia artificial generativa reabrió esta: si un modelo puede leer una historia clínica escrita en lenguaje libre y responder sobre ella, ¿todavía hace falta el trabajo, muchas veces tedioso, de codificar los datos con vocabularios controlados y hacer que los sistemas hablen el mismo idioma? La tentación de contestar que no es comprensible. La respuesta, sin embargo, es la contraria: cuanto más capaz es la IA, más necesita que los datos tengan significado explícito. Los estándares de interoperabilidad no son la etapa previa que la IA vino a jubilar; son la base que la vuelve confiable.
Qué cambia con la IA
Conviene empezar por reconocer lo que sí se transforma, porque es mucho. La información clínica estructurada ya funciona, y funciona bien: los sistemas de hoy registran diagnósticos, procedimientos y medicamentos codificados, y sobre esa base se sostienen historias clínicas, indicadores y reportes. Ese resultado, sin embargo, descansa en buena medida en el esfuerzo de los profesionales por codificar con precisión: alguien tiene que elegir el término correcto, muchas veces en el medio de la consulta y en competencia con el tiempo que le dedica al paciente. Es un trabajo valioso y a menudo invisible. Cuando ese esfuerzo está, el dato es excelente; cuando la presión asistencial aprieta, parte de la información queda en texto libre, útil para quien la escribió y más difícil de reutilizar.
La IA cambia precisamente esa ecuación, y lo hace asistiendo al profesional, no reemplazándolo. Hoy un modelo puede leer una nota, identificar los diagnósticos, procedimientos y medicamentos que menciona, y proponer su codificación a un estándar clínico. Con eso, el rol del profesional se invierte: en lugar de codificar desde cero, pasa a validar el trabajo de la IA (confirmar lo que está bien, corregir lo que no), una supervisión mucho más liviana que elegir cada término en medio de la consulta. La llamada inteligencia clínica ambiental lleva esa idea más lejos: escucha la consulta, redacta la nota y sugiere los códigos, para que el médico mire al paciente y no a la pantalla, y quede a cargo de revisar el resultado. El texto libre deja de ser un punto final y pasa a ser una materia prima que se puede transformar.
Basta imaginar cualquier nota de ingreso para verlo: el mismo texto que hoy aprovecha sobre todo quien lo escribió puede quedar, además, convertido en datos consultables y comparables, listos para alimentar un tablero o un modelo. El salto no es cosmético: es la diferencia entre un archivo que se acumula y un dato que se usa.
Es un cambio profundo, pero conviene leerlo con precisión: la IA cambia cómo producimos datos con significado, no si los necesitamos. La estructura sigue siendo el objetivo; lo que se abarata es el camino para llegar a ella.
Por qué el significado sigue siendo la base
La razón es casi de sentido común. Los modelos aprenden de datos y responden a partir de patrones. Si los datos sobre los que trabajan no tienen un significado estable y compartido, la IA no lo inventa: amplifica la ambigüedad que recibe. “CT” puede ser una tomografía o las iniciales de un servicio; “diabetes” puede referirse a media docena de entidades distintas; un mismo hallazgo se escribe de diez maneras. Sin un lenguaje común que resuelva esas ambigüedades, cada sistema, y cada modelo, entiende algo apenas diferente.
Conviene notar que esto no es una exigencia nueva ni exclusiva de la IA. Cuando dos equipos humanos colaboran, entre dos hospitales o entre dos áreas de un ministerio, tampoco alcanza con la buena voluntad: necesitan acordar de antemano qué cuenta como qué, para asegurarse de que ambos miden y registran lo mismo. El significado compartido es, desde siempre, lo que vuelve confiable cualquier colaboración a escala. La IA no es la excepción: es un colaborador más, y se le aplica la misma regla.
Ese lenguaje común existe y está estandarizado. Las terminologías clínicas como SNOMED CT1 convierten el lenguaje de la práctica en conceptos con un identificador único y un significado estable, conectados entre sí por relaciones que forman una red navegable por personas y por máquinas. Los estándares de intercambio como HL7 FHIR2 permiten que esos datos viajen entre sistemas sin perder ese significado. Juntos producen algo que la IA por sí sola no garantiza: información computable, trazable y comparable.
Y aquí aparece un punto incómodo pero central. El razonamiento generativo es poderoso, pero no es determinístico: ante la misma pregunta puede dar respuestas distintas en corridas distintas, y explicar por qué llegó a una es difícil. Para conversar o resumir, esa flexibilidad es una virtud. Para sostener una decisión que tiene que ser la misma hoy y dentro de un año, es un riesgo.
Instrucciones inequívocas: el lenguaje de la gestión
Aquí es donde la interoperabilidad deja de ser un asunto técnico y se vuelve un asunto de gestión. La terminología estructurada es, ante todo, una forma de dar instrucciones que no se prestan a interpretación: a los sistemas, a la IA y entre las personas que toman decisiones.
Pensemos en las tareas cotidianas de quien conduce un sistema de salud. Definir un indicador, por ejemplo, “proporción de personas con diabetes bajo control”. Si “diabetes” se define como un concepto y su descendencia en la jerarquía (usando un lenguaje de expresiones como ECL3, que recupera automáticamente subtipos, sinónimos y variantes), cada tablero mide lo mismo, siempre, sin importar cómo lo escribió cada profesional. Si en cambio se define con una búsqueda de palabras o con el criterio interpretativo de un modelo, cada corte mide algo apenas distinto, y las series dejan de ser comparables.
Lo mismo vale para evaluar una política: comparar antes y después exige que la cohorte se defina por significado y no por texto, para que la diferencia que observamos sea real y no un artefacto de cómo se redactó. Para diseñar tableros, la promesa mínima es que cada corte se calcule igual cada vez: reproducible y auditable. Y para establecer criterios de inclusión o exclusión (la elegibilidad de un beneficio, la cobertura de un medicamento, los pacientes que entran en un estudio), la ambigüedad no es un detalle estético: define quién accede y quién no.
Visto así, estas definiciones estructuradas son “instrucciones” formales y verificables: le dicen al sistema, con precisión, qué contar y a quién incluir. Son el equivalente riguroso de un buen prompt, con una diferencia decisiva: son explícitas, revisables y estables. Dejar esas definiciones libradas al razonamiento generativo, variable entre corridas y difícil de auditar, es frágil para algo de lo que dependen presupuestos, derechos y evidencia. La IA puede ayudarnos a construir y a aplicar esas definiciones; no debería ser quien las decide en la sombra, sin que nadie pueda inspeccionar el criterio.
Para leer el análisis completo, te invitamos a descargar el Insight gratuitamente aquí: https://saludenlinea.press/insights-01-inteligencia-artificial-en-salud-2026/
