Modelos de lenguaje adaptados al dominio clínico para la sumarización automatizada de historias clínicas y la codificación de diagnósticos y procedimientos.
También aplicados a la detección de eventos adversos y al análisis a escala de grandes volúmenes de texto clínico.
Los modelos de lenguaje de gran escala (LLM) como GPT-4 y Llama son extraordinariamente capaces en tareas generales de lenguaje. Pero cuando se aplican al dominio clínico sin adaptación específica, producen un riesgo que los profesionales de la salud reconocen de inmediato: resultados fluidos y convincentes que contienen errores clínicos sutiles.
Un LLM genérico puede resumir una historia clínica de forma elegante — pero equivocar la medicación, invertir la temporalidad de un diagnóstico o pasar por alto una contraindicación crítica. En el contexto regulatorio, donde cada dato necesita trazabilidad de origen, un LLM que 'inventa' partes del resultado es inaceptable.
iHealth resuelve esto con ajuste fino (fine-tuning) de nuestros modelos de lenguaje en corpus clínico brasileño real — combinado con arquitecturas de retrieval-augmented generation (RAG) que garantizan que los resultados siempre estén fundamentados en los datos de origen, no en el conocimiento paramétrico del modelo.
Nuestros modelos de lenguaje son ajustados finamente en un corpus de textos clínicos brasileños reales — anonimizados y curados — que cubre más de 20 especialidades médicas y más de 10 años de documentación clínica. Este proceso enseña al modelo a entender el vocabulario, las estructuras narrativas y los patrones de razonamiento clínico específicos del contexto brasileño, reduciendo drásticamente los errores clínicos que cometen los modelos genéricos.
Para tareas que exigen fidelidad al documento de origen — como la sumarización de la historia clínica o la respuesta a preguntas sobre el historial de un paciente — utilizamos RAG: el modelo no responde a partir de su conocimiento paramétrico, sino que recupera los fragmentos relevantes de la historia clínica y los usa como contexto para generar el resultado. Cada afirmación es rastreable a un fragmento específico del texto de origen — auditable y defendible regulatoriamente.
Ningún resultado de LLM se entrega sin validación clínica. Nuestro proceso incluye evaluación por especialistas médicos de muestras representativas de cada tipo de resultado — sumarizaciones, codificaciones, detecciones de eventos adversos — con métricas de precisión, recall y concordancia entre evaluadores documentadas. Los resultados alimentan ciclos continuos de reentrenamiento y mejora.
Para uso regulatorio, todo resultado del LLM clínico de iHealth viene con pista de auditoría: qué modelo lo generó, qué versión del modelo, qué fragmentos del documento de origen se utilizaron como contexto y cuál es la confianza estimada del resultado. Esta trazabilidad es lo que permite usar resultados de LLM en dosieres regulatorios y presentaciones ante HTA.
Generación automática de resúmenes clínicos estructurados a partir de historias clínicas extensas — con diagnósticos principales, historial relevante, medicamentos en uso, resultados de exámenes y eventos significativos de la internación. Reduce el tiempo de revisión en estudios de RWE y en la selección para investigación clínica.
Asignación automática de códigos CIE-10, TUSS y DRG a partir del texto clínico completo — incluyendo el texto libre de las evoluciones. Captura diagnósticos secundarios, complicaciones y procedimientos que la codificación manual frecuentemente pasa por alto.
Identificación automática de menciones a eventos adversos, reacciones medicamentosas y near misses en el texto clínico — a escala y en tiempo real. Soporte a la farmacovigilancia activa y a la generación de evidencia de seguridad poscomercialización.
Para estudios que requieren el análisis de miles de historias clínicas — carga de enfermedad, mapeo epidemiológico, trayectoria del paciente — el LLM procesa volúmenes inviables con revisión humana, manteniendo consistencia metodológica y trazabilidad.
Habla con nuestro equipo y entiende cómo los pilares tecnológicos de iHealth se traducen en resultados reales — para investigación clínica, acceso al mercado, gestión hospitalaria o auditoría de datos.
