Las cifras del modelo no son inventadas — y no funcionan en un solo lugar. Entrenado y validado en Latinoamérica sobre ~3,94 millones de registros clínicos de 382.589 pacientes, y confirmado además en NIH All of Us (626.396 pacientes de EE. UU.): la calibración y la capacidad de ordenar el riesgo se sostienen en otra población, sin reentrenar. Todo bajo protocolo TRIPOD+AI, con el paper de derivación publicado en IJCRP 2026 (acceso abierto).
Corpus AI se entrenó sobre ~3,94 millones de registros clínicos de 382.589 pacientes latinoamericanos (Colombia, 1990–2025) y se validó de forma externa en Latinoamérica sobre una aseguradora nunca vista durante el entrenamiento. Una validación externa independiente adicional en el programa NIH All of Us confirma que la calibración y la capacidad de ordenar el riesgo se sostienen también en EE. UU. — el mismo modelo, sin reentrenar.
Protocolo preespecificado y congelado antes de ejecutar (estilo TRIPOD+AI). Validación en el entorno seguro Researcher Workbench de All of Us; solo se exportaron resultados agregados (grupos ≥ 20 personas), conforme a sus políticas de privacidad.
Suite completa de riesgo cardio-metabólico-renal: cinco modelos canónicos entregados —IAM, ACV, HTA, DM y ERC— más salud mental. Elige un modelo y mira su evidencia. Cifras hold-out con IC 95% bootstrap (n=1000, seed 2026), calibración verificada (ECE) y trazabilidad SHA-256; la AUC ordena, pero lo esencial es que la probabilidad sea real.
El modelo insignia: derivado y validado sobre una cohorte cardiovascular de 382.589 pacientes, publicado en IJCRP 2026 y con validación externa independiente en All of Us. Es el único en producción formal — +241 IAM evitados en una implementación real.
Amorocho-Morales JD, Parra-Guevara S, Quintero-Muñoz E, Dimas G, Correa-Morales JE. Int J Cardiol Cardiovasc Risk Prev (IJCRP). 2026.
Vol. 30, art. 200659
Presentamos un modelo predictivo de infarto agudo de miocardio entrenado y validado sobre una cohorte cardiovascular latinoamericana de 382,589 pacientes únicos seguidos entre 1990 y 2025, con 3,940,059 encuentros clínicos y 15,511 IAM observados. El modelo opera con datos clínicos rutinarios, sin imagen avanzada ni biomarcadores especiales, y reporta calibración casi perfecta (O/E 0.998), discriminación robusta (AUC 0.869, C-index 6m 0.836, C-index 12m 0.846) y validación externa significativa en una aseguradora nunca vista durante el entrenamiento (n=5,602, F=147.6, p<.001). La separación entre bandas operativas (tasa observada 54.6% / 38.1% / 21.0%) demuestra que la calibración sobrevive al cambio de población. El reporte sigue el estándar TRIPOD+AI (BMJ 2024).
El modelo se entrenó sobre la práctica clínica real, no sobre un ensayo. Eso es lo que permite que las probabilidades reflejen la población a la que se aplican.
Identificadores deduplicados a lo largo de los 35 años.
Consultas, hospitalizaciones y eventos registrados en el sistema.
Eventos de IAM confirmados (codificación + verificación clínica).
Aseguradora nunca vista durante el entrenamiento · F = 147.6 · p < .001.
Las mismas métricas del modelo en versión académica con citas. Se calculan sobre la cohorte completa y se reproducen en la validación externa.
O/E (observado sobre esperado) compara cuántos eventos ocurrieron contra cuántos el modelo predijo. Un valor cercano a 1.0 significa que las probabilidades del modelo son numéricamente correctas: cuando dice 22% de riesgo a 12 meses, en la cohorte real ese paciente tiene 22% de chance de IAM, no 5%, no 60%. Eso es lo que permite usar la probabilidad como umbral clínico, hablarla con el paciente, y definir bandas operativas. La discriminación (AUC, C-index) dice que el orden está bien; la calibración dice que los números son reales.
Validación externa en una aseguradora nunca vista durante el entrenamiento. La separación entre bandas se mantiene, la calibración sobrevive al cambio de población.
5,602
Pacientes
147.6
Estadístico F
<.001
Valor p
Los modelos clásicos (Framingham, SCORE2, PROCAM, PREVENT) miden riesgo a 10 años con cohortes europeas o estadounidenses. Aplicados en LATAM sobrepredicen: O/E < 1. El sistema termina priorizando a personas que no harán el evento.
Patrón sistemático en LATAM: Framingham y SCORE2 sobrepredicen (O/E < 1). PROCAM ajustado por sexo cierra parcialmente la brecha en Colombia. Caritas calibra casi perfectamente sobre la cohorte real.
El mejor discriminador y la mejor captación de la suite: el 10% de mayor riesgo concentra el 58,5% de los ictus, casi seis veces la tasa base.
Predice el riesgo de hipertensión incidente para intervenir antes de que se instale.
Predice descontrol glucémico incidente —no prevalente—, con etiqueta limpia y sin fuga de datos. Validado internamente y en camino a producción.
En construcción con cohortes académicas de EE. UU. y Europa.
Progresión renal. En el 10% de mayor riesgo el valor predictivo positivo es 81%: de cada 10 pacientes señalados, ~8 progresan.
En salud mental partimos de instrumentos de tamizaje validados y publicados, y de modelos de riesgo peer-reviewed. Los estamos recalibrando a la población local antes de reportar probabilidades — fiel a nuestra filosofía: primero que el número sea real.
Los instrumentos están validados y publicados; los modelos son peer-reviewed y están en recalibración con población local. No reportamos una probabilidad de producción en salud mental hasta cerrar esa calibración.
Muñoz OM, Rodríguez NI, Ruiz Á, Rondón M. Validación de los modelos de predicción de Framingham y PROCAM en una población colombiana. Rev Colomb Cardiol. 2014;21(4):202–212.
paperHageman SHJ, McKay AJ, et al.. SMART2 risk prediction algorithm. Eur Heart J. 2022;43(18):1715–1727.
paperMancini GBJ, Ryomoto A. Adoption of the PREVENT Risk Algorithm: Potential International Implications. JACC Adv. 2024;3(8):101122.
paperScheuermann B, Brown A, et al.. External Validation of the AHA PREVENT Cardiovascular Disease Risk Equations. JAMA Netw Open. 2024;7(10):e2438311.
paperWHO CVD Risk Chart Working Group. WHO CVD risk charts: revised models for 21 global regions. Lancet Glob Health. 2019;7(10):e1332–e1345.
guidelineCollins GS, Moons KGM, et al.. TRIPOD+AI statement. BMJ. 2024;385:e078378.
standardLiu T, Krentz A, Lu L, Curcin V. ML-based prediction models for CVD risk using EHR data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024;6(1):7–22.
paperDamen JA, Pajouheshnia R, et al.. Performance of the Framingham risk models and pooled cohort equations. BMC Med. 2019;17(1):109.
paperAmorocho-Morales JD, Parra-Guevara S, Quintero-Muñoz E, Dimas G, Correa-Morales JE. A next-generation prediction risk model for acute myocardial infarction: Derivation and validation in a multi-centre cohort. Int J Cardiol Cardiovasc Risk Prev. 2026;30:200659. doi:10.1016/j.ijcrp.2026.200659.
paperKrittanawong C, Virk HUH, et al.. Machine learning prediction in cardiovascular diseases: meta-analysis. Sci Rep. 2020;10(1):16057.
paperKroenke K, Spitzer RL, Williams JB. The PHQ-9: validity of a brief depression severity measure. J Gen Intern Med. 2001;16(9):606–613.
DOI →Cassiani-Miranda CA, Cuadros-Cruz AK, et al.. Validez del Cuestionario de salud del paciente-9 (PHQ-9) para cribado de depresión en Colombia. Rev Colomb Psiquiatr. 2020.
DOI →Spitzer RL, Kroenke K, Williams JB, Löwe B. A brief measure for assessing generalized anxiety disorder: the GAD-7. Arch Intern Med. 2006;166(10):1092–1097.
DOI →García-Campayo J, Zamorano E, et al.. Cultural adaptation into Spanish of the GAD-7. Health Qual Life Outcomes. 2010;8:8.
DOI →Remor E. Psychometric properties of a European Spanish version of the Perceived Stress Scale (PSS). Span J Psychol. 2006;9(1):86–93.
DOI →Molinero Ruiz E, Basart Gómez-Quintero H, Moncada Lluis S. Validación de la versión española del Copenhagen Burnout Inventory (CBI). Rev Esp Salud Publica. 2013;87(2):165–179.
DOI →King M, Walker C, et al.. Development and validation of an international risk prediction algorithm for episodes of major depression (predictD). Arch Gen Psychiatry. 2008;65(12):1368–1376.
DOI →Moreno-Peral P, Luna JD, et al.. Predicting the onset of anxiety syndromes at 12 months in primary care (predictA). PLOS ONE. 2014;9(9):e106370.
DOI →Fernandez A, Salvador-Carulla L, et al.. Development and validation of a prediction algorithm for the onset of common mental disorders (HILDA). Aust N Z J Psychiatry. 2018;52(1):47–58.
DOI →Inoue S, et al.. Predicting mental health–related sick leave using stress check data. J Occup Health. 2026;68(1):uiag011.
DOI →30 minutos con el equipo clínico-técnico. Repasamos el paper publicado, discutimos la metodología de calibración, y exploramos cómo se vería el modelo en tu propia cohorte. Respondemos en 2 días hábiles.
CORPUS