CORPUS
Estructurar el ruido
El primer trabajo es traducir registros sueltos,códigos, abreviaturas, valores con unidades distintas, a un esquema clínico común. Sin ese paso, el modelo aprende ruido en lugar de patrones.
Filosofía y confiabilidad
Cómo se construye un modeloen el que se puede confiar.
Esta página explica qué es un modelo predictivo, por qué la calibración importa más que el ranking, qué estándares seguimos y cómo se genera valor en salud. Escrita para equipos clínicos, no para científicos de datos.
01 / estructuración de datos Qué es un modelo predictivo
Un modelo organiza la historia clínicay la convierte en una decisión.
Antes de cualquier predicción, lo difícil es leer los datos. La HC vive dispersa entre laboratorios, signos, notas, medicación. Un modelo no es magia: es la mecánica para ordenar ese caos.
La probabilidad no es una opinión, es una cuenta. La calidad del modelo se mide por cuán cerca queda esa cuenta de la realidad.
Aprender patrones, no memorizar
Un modelo bien construido no copia historias pasadas: aprende relaciones generales que se sostienen al ver pacientes nuevos. La diferencia se llama generalización, y se mide con validación externa.
Devolver una probabilidad utilizable
La salida no es 'sí va a hacer infarto' o 'no'. Es una probabilidad calibrada, un número entre 0 y 1 que se puede comparar, sumar, comunicar al paciente y convertir en umbrales clínicos.
02 / filosofía Medicina preventiva, predictiva y de precisión
Prevenir no es prometer.Es priorizar bien.
La prevención tradicional reparte recursos por igual. Funciona, pero no escala. Cuando la cohorte crece, priorizar bien requiere ver al individuo dentro de la población.
Preventiva sobre reactiva
Prevenir un evento siempre cuesta menos que atenderlo. La diferencia no es solo económica: son años de vida ganados. La pregunta operativa no es '¿prevención sí o no?', es '¿en quién intervenimos primero?'.
Predictiva sobre estimativa
Un score predictivo no reemplaza el juicio clínico. Lo organiza: le dice al equipo qué pacientes mirar antes y con qué factores modificables. El médico decide; el modelo ordena la atención.
Precisión sobre promedio
La medicina de precisión rechaza que un paciente promedio defina la conducta para todos. Cada paciente trae una combinación única de factores; un buen modelo respeta esa diferencia y trata cada caso como propio.
Continua sobre episódica
El riesgo cambia. Una predicción de hace seis meses no es útil hoy si cambió medicación, peso o adherencia. Un modelo serio se recalcula con cada nuevo dato, no es foto, es video.
Medicina de precisión sobre one-size-fits-all
La medicina estandarizada aplica el mismo protocolo a todos: misma dosis, misma frecuencia, mismas metas. Funciona en promedio y falla en los extremos. La de precisión usa la información de cada paciente para ajustar intensidad, momento y tipo de intervención.
Valor en salud sobre cobro por procedimiento
Fee-for-service paga por volumen, más consultas, más ingreso. Value-based care invierte el incentivo: el sistema cobra por desenlaces, años de vida ganados, eventos evitados. Un modelo predictivo solo encaja en el segundo paradigma.
03 / confiabilidad Por qué confiar en lo que devuelve la máquina
Cinco propiedades que separanun modelo serio de un experimento.
La confianza en un modelo no es marketing. Es un conjunto de propiedades verificables, las cinco que separan un score utilizable de uno que se queda en un paper.
- 01
Calibración
Cuando el modelo dice 22% de riesgo, en la cohorte real ese paciente tiene 22% de chance de hacer el evento. No 5%, no 60%. Los modelos que solo discriminan bien (ranking correcto) pero calibran mal te dan un orden, no una probabilidad utilizable. Sin calibración no se puede definir un umbral clínico ni comunicar el riesgo al paciente.
- 02
Idempotencia
El mismo paciente con los mismos datos debe recibir el mismo score, sea la primera consulta o la centésima. Si cambia sin que cambien los inputs, hay un bug, o azar, en el sistema.
- 03
Determinismo
El mismo conjunto de variables debe producir la misma probabilidad en cualquier ejecución. Sin determinismo no hay auditoría: nadie puede revisar un score si la próxima vez sale distinto.
- 04
Auditabilidad
Cada predicción debe poder rastrearse hasta sus inputs: qué variables entraron, qué versión del modelo las procesó, cuándo. Es lo que permite que un comité clínico revise un caso meses después.
- 05
Validación externa
Un modelo entrenado en una población puede degradarse al aplicarse a otra. La única forma de saberlo es probarlo en una cohorte nunca vista. Si la calibración sobrevive al cambio, el modelo es transferible.
04 / estándares Reglas que respetamos
Tres estándares que rigencualquier modelo que publicamos.
Un modelo predictivo en salud no opera en el aire. Tres marcos,uno científico, dos regulatorios, definen qué reportar y cómo manejar datos. Los seguimos por elección, no solo por obligación legal.
El estándar científico
TRIPOD+AI es el protocolo que define qué debe reportar un paper de modelo predictivo clínico para ser tomado en serio. No es ley, es la barra que la comunidad médica espera ver.
- Descripción completa de la cohorte de entrenamiento y validación.
- Reporte explícito de calibración, no solo discriminación.
- Validación externa con cegamiento de etiquetas.
- Disponibilidad del modelo y los pesos para revisión independiente.
Privacidad clínica · Norteamérica
HIPAA define cómo se almacena, transmite y comparte la información clínica identificable en EE. UU. Aunque operamos desde LatAm, lo seguimos porque marca el estándar que cualquier integración internacional va a exigir.
- Pseudonimización en cualquier dato que sale del sistema del cliente.
- Cifrado en reposo y en tránsito (AES-256 / TLS 1.3).
- Logs de acceso a la información de salud protegida (PHI).
- Acuerdos de socio comercial (BAA) cuando aplica.
Privacidad clínica · Europa
GDPR es el marco europeo de privacidad. Trata los datos clínicos como categoría especial: consentimiento explícito, derecho al olvido, transparencia algorítmica. La regulación LatAm (Ley 1581, LGPD) lo tomó como referencia.
- Base legal explícita para el tratamiento de datos clínicos.
- Derecho del paciente a entender cómo se usa su información.
- Minimización: pedimos solo los datos necesarios para el modelo.
- Portabilidad y derecho al olvido cuando el paciente lo solicite.
05 / el motor Prioritization Engine
El motor que convierte datos endecisiones priorizadas.
Una capa unificada que lee cualquier dato clínico, calcula el riesgo con razonamiento visible, y emite cohortes listas para la acción.
caos clínico · datos fragmentados
Entradas
- HL7
- FHIR
- CSV
- EHR
- Labs
- Claims
- Notes
Corpus AI · Prioritization Engine
Cohortes
- Acción inmediata escalar · 24h
- Intervención alto riesgo contactar · 7d
- Manejo crónico activo plan de cuidado
- Monitoreo estable seguimiento pasivo
cohortes priorizadas
06 / relevancia Señal sobre ruido
Qué importaahora, no qué pasó antes.
Cada paciente acumula años de señales. Corpus las lee en conjunto y pondera continuamente qué factor cambia la decisión clínica de hoy.
Contexto temporal
La urgencia de un evento depende de cuándo ocurrió y cómo se relaciona con los demás.
Re-ponderación continua
La red se recalcula con cada nuevo dato, sin que nadie la re-entrene.
Razonamiento visible
Cada nodo activo aparece como factor modificable en el score final.
- ECG anormal hace 3 días
- PA 164/102 hace 9 días
- angina (reportada) hace 22 días
- PA 158/96 hace 85 días
- LDL 178 hace 140 días
- PA 152/94 hace 310 días
- LDL 165 hace 540 días
- HbA1c 6.1 hace 820 días
07 / arquitectura The model x-ray
↑ flujo de datos No es una caja negra.Es una arquitectura que puedes inspeccionar.
Tres capas. Los datos suben, de la integración al cómputo y finalmente a la acción clínica. Diseñado para equipos técnicos, directores médicos y CTOs que necesitan entender, no solo confiar.
L3 · ENTREGA
Entrega y acción clínica
Listas estratificadas, reportes clínicos y tableros dinámicos que disparan acción clínica, ajuste de tratamientos, programas preventivos, intervención dirigida.
L2 · CÓMPUTO
Motor predictivo central
Recepción y validación de datos. El modelo procesa el flujo y se alimenta de forma continua, las predicciones se actualizan solas cuando llegan nuevos datos.
L1 · INTEGRACIÓN
Ingesta y sincronización de datos
Mapeo de sistemas del cliente, HIS, LIS, ERPs, vía API, HL7, almacenamiento en la nube, SFTP o extracción manual de CSV como ruta de impacto inmediato.
08 / desempeño del modelo Desempeño del modelo
Calibrado y validadoen una cohorte real.
El motor no es una promesa: su desempeño está medido y publicado. Estas son las cifras de referencia; la metodología completa vive en la evidencia.
sensibilidad 93.8%
precisión 95.8%
AUC 0.869
09 / el ciclo El ciclo
Cinco componentes.Un solo ciclo.
- 01 ingesta Conectamos cualquier dato clínico HL7 · FHIR · CSV · EHR · PDF
- 02 estandarización Convertimos datos en inteligencia clínica normalizar · deduplicar · mapear
- 03 riesgo + explicabilidad Calculamos el riesgo y explicamos por qué feature weights · factores modificables
- 04 plan Generamos la intervención óptima priorizado por costo-beneficio clínico
- 05 seguimiento Acompañamos al paciente en el tiempo reevaluación al cambiar el riesgo
10 / valor Cómo se genera valor en salud
Un evento prevenido cuesta menosque un evento atendido.
El paradigma de value-based care mide al sistema por desenlaces, no por volumen. Para que funcione operativamente, el sistema necesita identificar a los pacientes que generan más eventos antes de que ocurran.
El cálculo es directo. Una EPS con cien mil afiliados ve cerca de mil eventos cardiovasculares agudos al año, cada uno a un costo que multiplica al de prevenirlo. Si la priorización captura el 55% de esos eventos con el 15% de mayor riesgo, el sistema invierte en intervenciones dirigidas,consultas, titulación, cierre de brechas, en un subconjunto manejable. La diferencia no es solo financiera: cada evento prevenido son años de vida productiva para el paciente.
La priorización no reemplaza la prevención universal.
La priorización no reemplaza la prevención universal. La universal sigue corriendo abajo; lo predictivo es el acelerador que escoge dónde poner la energía adicional.
¿Querés vercómo se ve la priorización?
La plataforma de Corpus AI aplica todo esto a una cohorte real: priorización individual, vista poblacional, palancas de intervención y validación clínica con cifras — para empresas, aseguradoras, IPS y la persona.