CORPUS
Plataforma de gestión de riesgo · EPS / IPS
Caritas: la capa predictivaentre tu cohorte y la decisión.
Caritas lee los datos clínicos que ya tiene tu institución y devuelve una probabilidad calibrada de IAM por paciente, con su banda operativa. Diseñada para EPS, IPS y aseguradores que operan prevención sobre poblaciones grandes, donde priorizar bien es la diferencia entre prevenir un evento y reaccionar a él.
01 / vista individual Un paciente
Ocho variables clínicas,tres números, una banda.
Este paciente existe en la cohorte. Las ocho variables vienen de la consulta de rutina, no requieren imagen avanzada, ni biomarcadores especiales. Caritas las lee en conjunto y produce una probabilidad calibrada.
14.7% Riesgo IAM · 6 meses
22.4% Riesgo IAM · 12 meses
8.4 m Tiempo mediano al evento
Factores principales · contribución relativa
- HbA1c
- LDL
- Edad
Riesgo Alto top 12% de la cohorte
02 / vista poblacional Una cohorte
15% de la cohorteconcentra 55% de los eventos.
El motor separa la cohorte en cuatro estratos. Crítico (3%) + Alto (12%) = 15%, y ahí cae el 55% de los IAM esperados. Eso es lo que justifica priorizar.
Estrato
% Cohorte
% Eventos esperados
Crítico
% Cohorte 3%
% Eventos esperados 17%
Alto
% Cohorte 12%
% Eventos esperados 38%
Moderado
% Cohorte 30%
% Eventos esperados 24%
Bajo
% Cohorte 55%
% Eventos esperados 21%
Top 15% (Crítico + Alto) → 55% de eventos esperados. Operacionalmente: si la EPS o IPS solo tiene capacidad de intervenir el 15% de la cohorte, capturaría más de la mitad de los infartos.
03 / intervención Factores modificables
Cuatro palancas,−19% de eventos agudos.
El modelo identifica los factores modificables de cada paciente. Cuando los cuatro se atajan en banda Alto, la reducción esperada de IAM agudo es de 19 puntos porcentuales.
Dato preliminar · resultado primario esperado a 3 meses · corte actual basado en cohorte prospectiva en curso.
Las palancas no son aditivas en el sentido aritmético: 7 + 4 + 4 + 4 ≠ 19. Son pesos relativos calibrados en la cohorte, la suma combinada se cuantifica empíricamente, no se calcula.
04 / trayectoria Riesgo en el tiempo
Tres futuros posiblespara el mismo paciente.
La trayectoria de un paciente de banda Alto a 10 años cambia drásticamente según cuánto del riesgo modificable se atiende. El modelo cuantifica las tres rutas.
- Sin intervención 85%
Riesgo acumulado si no se aborda ningún factor modificable. La progresión es la que predice el modelo a partir del perfil inicial.
- Factores clave 58%
Intervención dirigida a las dos o tres palancas con mayor peso para este paciente, típicamente LDL y presión arterial. Reducción significativa, no plena.
- Intervención completa 38%
Las cuatro palancas activas en simultáneo: LDL, HTA, glucemia y seguimiento clínico. El piso clínicamente alcanzable con la información disponible.
Trayectorias derivadas del modelo predictivo y la respuesta a intervención observada en cohorte LatAm. El paciente individual puede variar según adherencia, comorbilidades no capturadas y eventos intercurrentes.
05 / evidencia Lo que dicen los números
Calibración casi perfectay discriminación robusta.
La mayoría de los modelos cardiovasculares reporta AUC y omite calibración. Caritas invierte el énfasis: calibrar bien una probabilidad es lo que la convierte en una decisión clínica utilizable. Ordenar bien es necesario pero no suficiente.
Cuando el modelo dice 22%, es 22% real.
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.
O/E
0.998
Calibración casi perfecta. La probabilidad numérica que reporta el modelo coincide con la tasa observada en la cohorte.
AUC
0.869
Discriminación: el modelo separa pacientes que harán IAM de los que no en el 86.9% de los pares aleatorios.
C-index 6m
0.836
Discriminación temporal a 6 meses: el orden de prioridad coincide con el orden real de aparición del evento.
C-index 12m
0.846
Discriminación temporal a 12 meses. La concordancia se mantiene cuando se amplía el horizonte de predicción.
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
Tasa observada por banda
Alto 54.6%
Medio 38.1%
Bajo 21.0%
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.
Modelo
AUC
O/E
Ámbito
Corpus AI
0.869
0.998
Colombia · 1990–2025 · IAM 6–12 m
Framingham Fuente: Muñoz 2014 · n=1,013
0.658
0.76
Colombia · prevención primaria · 10 años
PROCAM (sexo-adj) Fuente: Muñoz 2014 · n=1,013
0.744
0.94
Colombia · mejor modelo localizado · 10 años
SCORE2 Fuente: López-López 2025 · n=2,022
0.68 – 0.72
sobrepredicción 22–42 %
Colombia · cohorte PURE · 12.3 años
Framingham Fuente: Camargos 2024 · n=12,155
0.77
0.38
Brasil · ELSA · 4.2 años
SCORE2 Fuente: Camargos 2024 · n=12,155
0.76
0.63
Brasil · ELSA · recalibrado low-risk
PREVENT (AHA) Fuente: Mancini 2024 · Scheuermann 2024
,
,
Sin validación externa LATAM con desenlaces incidentes a mayo 2026
06 / tamizaje de precisión Del modelo al procedimiento
Cinco veces más eficiente,la misma yield clínica.
100 → 100 → 5
Pacientes tamizados → Imágenes ordenadas → Hallazgos clínicos
5%
Rendimiento por imagen rendimiento por imagen: 5%
100 → 20 → 5
Pacientes tamizados → Imágenes ordenadas → Hallazgos clínicos
25%
Rendimiento por imagen rendimiento por imagen: 25%
El modelo no reemplaza la intervención. La hace financieramente viable: tamizar el 10% más alto en riesgo basta para capturar la misma yield clínica con 5× menos imagen avanzada.
07 / integración Cómo nos conectamos
Cuatro canales de entrada,cuatro canales de salida.
Caritas se integra con lo que ya tiene tu institución y entrega resultados por los canales donde el equipo clínico ya trabaja.
Cómo recibimos datos
API REST
Integración programática. El modelo procesa eventos clínicos a medida que llegan. Pensado para sistemas con desarrollo propio o middleware que ya escupe JSON.
Ejemplo de payload
POST /v1/score
{
"patient_id": "...",
"vitals": { "sbp": 148, "dbp": 92 },
"labs": { "hba1c": 8.2, "ldl": 142, "egfr": 58 },
"history":{ "smoking": "active", "bmi": 31 }
}
SFTP / archivos planos
El camino más rápido para empezar. Un CSV por semana con la cohorte; Caritas devuelve el mismo formato enriquecido con score y banda. Sin desarrollo del lado del cliente.
Ejemplo de payload
patient_id,age,hba1c,ldl,egfr,sbp,smoking,bmi,last_visit_months P0001,64,8.2,142,58,148,active,31,11 P0002,57,6.1,135,72,128,never,28,4
HL7 / FHIR
Para instituciones con HCE FHIR-nativa. Caritas consume Bundles, mapea recursos (Observation, Condition, MedicationStatement) y devuelve un RiskAssessment también FHIR.
Ejemplo de payload
{
"resourceType": "Bundle",
"type": "transaction",
"entry": [
{ "resource": { "resourceType": "Observation",
"code": { "coding": [{ "system": "http://loinc.org",
"code": "4548-4" }] },
"valueQuantity": { "value": 8.2, "unit": "%" } } }
]
}
Conector directo a HCE
Cuando la institución prefiere no enviar datos hacia afuera. Caritas se conecta vía VPN a una vista de solo lectura y lee los campos acordados. La salida vuelve por dashboard o webhook.
Cómo entregamos resultados
Dashboard web embebido
Acceso por navegador, sin instalación. Tabla priorizada de la cohorte, perfil individual, filtros por banda. Diseñado para gestores clínicos y médicos referentes.
Ejemplo de payload
/dashboard?cohort=cardiometabolico&band=high
Alertas integradas en HCE
Banner nativo dentro del flujo del médico cuando abre la historia de un paciente en banda Alto. Acción sugerida, no obligatoria. Sin cambio de pantalla.
Ejemplo de payload
context.alert {
"severity": "high",
"patient": "...",
"band": "high",
"action": "CCTA / CT-FFR · interconsulta intervencionismo"
}
Reportes automáticos
PDF semanal o mensual para gestión clínica: distribución por bandas, cohorte actual, cambios desde el corte anterior. Pensado para reuniones gerenciales.
Ejemplo de payload
GET /v1/reports/weekly?format=pdf
API / Webhook
Para integrar con call center, agendamiento o sistemas de cierre de brechas. Cuando un paciente cambia de banda, se dispara un evento POST a la URL del cliente.
Ejemplo de payload
POST <client_webhook>
{
"event": "band_change",
"patient_id": "...",
"from": "medium",
"to": "high",
"actions": ["schedule_ccta", "outreach_call"]
}
Bandas operativas y acción clínica
prevención primaria estándar · control anual
optimización farmacológica · seguimiento dirigido · re-evaluación 6 m
CCTA / CT-FFR · interconsulta intervencionismo · cateterismo selectivo
08 / datos requeridos Qué necesitamos para empezar
Cinco variables ya alcanzan.Nueve son el techo del modelo.
Datos mínimos 5 variables
0.78 AUC
Variables - Edad y sexo
- Comorbilidades activas (HTA, DM, ERC)
- Perfil lipídico (LDL / HDL)
- HbA1c + función renal
- Presión arterial + IMC
Lo que ya tiene una HCE básica. AUC 0.78. Suficiente para priorizar y empezar a ver retorno antes de invertir en infraestructura adicional.
Datos completos 9 variables
0.869 AUC
Variables - Datos mínimos (5 variables)
- Tabaquismo activo / pasado
- Antecedentes familiares de IAM precoz
- Historial de actividad física
- Tiempo desde la última consulta
Las cuatro adicionales suben la calibración y la discriminación al techo del modelo. Si ya las recoges en la consulta, no hay trabajo extra; si no, podemos sumarlas progresivamente.
¿Querés ver Caritascon tus propios datos?
30 minutos con nuestro equipo clínico-técnico. Definimos el subset de datos disponibles, calculamos qué AUC esperable obtienes en la primera iteración y armamos el plan de integración. Respondemos en 2 días hábiles.