La consulta de asma grave va muy cargada de información. En pocos minutos el médico tiene que escuchar, anotar, revisar el historial y decidir el tratamiento. Hay cinco biológicos, cada uno con criterios de indicación distintos según eosinófilos, FeNO, IgE, exacerbaciones o tratamiento previo. Por el camino se escapan detalles: un análisis que falta o un dato que contradice lo registrado el año anterior. Queríamos un asistente que escuchara la consulta y ayudara al médico sin quitarle la decisión.
Qué hace
MedConsult escucha la consulta y la transcribe en directo. Extrae los datos clínicos mencionados y, después de que el médico los revise, los anota en la historia clínica con su origen y su fecha. Con esa información ofrece al médico tres ayudas:
- Avisos de contradicción. Detecta cuando lo que se dice hoy choca con el historial, por ejemplo «fumador activo» en 2025 frente a «lo dejé hace dos años».
- Siguientes preguntas. Las ordena según qué dato que falta desbloquea más criterios de tratamiento.
- Posibles tratamientos biológicos. Los evalúa con reglas citadas de la ficha técnica de la EMA, GINA 2026 y Bleecker 2018. Cada resultado indica el criterio y la fuente en que se basa. Si falta información, responde «Información insuficiente» en lugar de recomendar.
Además, muestra como contexto análisis descriptivos de una base de datos real de 395 pacientes con asma: casos similares, práctica habitual de prescripción y control del asma registrado por fármaco.
Cómo lo construimos
- Datos. Auditamos y limpiamos la base de datos clínica en Python, con notebooks reproducibles y trazabilidad de cada columna. Los datos de pacientes nunca salen del equipo local.
- Dictado en directo. El micrófono del navegador envía el audio (PCM16) al servidor, que lo transcribe en tiempo real con OpenAI. Después, gpt-4.1-mini extrae los datos con un esquema estricto, y solo se acepta un valor si aparece literalmente en la transcripción.
- Evaluador de tratamientos. Es determinista y está separado de cualquier modelo de aprendizaje automático. Usa ficheros de evidencia versionados, con hash y ubicación exacta de cada regla en su fuente.
- Modelos descriptivos. Modelos logísticos describen la práctica habitual de prescripción: biológico frente a ninguno, con un AUC de ~0,70 en validación cruzada.
- Panel. Un panel web local en español, con tests automáticos del evaluador, del motor de dictado y de la interfaz.
Retos que encontramos
- Predecir no es lo mismo que beneficiar. Acertar qué fármaco se recetó solo mide coincidencia con decisiones pasadas, no qué tratamiento funciona mejor. Tuvimos que mantener esa distinción clara en todo el producto.
- Datos clínicos complicados. Había celdas vacías que podían significar «no» o «no consta», IgE con unidades dudosas y columnas de tratamiento que se solapaban. Cada campo necesitó una decisión propia, sin una regla de limpieza general.
- Encontrar evidencia para las reglas. Los artículos de partida eran textos de opinión sobre gemelos digitales, sin reglas de tratamiento del asma. Construimos la base de reglas a partir de la ficha técnica de la EMA y de la guía GINA.
- Errores de transcripción. En las pruebas, «Corrijo» se transcribió como «Torrijo». La exigencia de evidencia literal lo convirtió en un aviso de conflicto visible, en vez de guardar una edad errónea.
- Latencia. El texto aparece en unos 0,5 s, pero la extracción de datos tarda entre 1,5 y 4 s. Tuvimos que mantener la interfaz fluida mientras la extracción se pone al día.
Logros de los que estamos orgullosos
Logros de los que estamos orgullosos
- Un flujo que funciona de principio a fin: de la voz en directo a la historia clínica y a los criterios de tratamiento citados.
- Cada sugerencia se puede rastrear hasta su origen: un momento de la consulta, un registro del historial o un documento.
- El sistema reconoce la incertidumbre: lo desconocido sigue siendo desconocido y nunca se inventa una recomendación.
- Privacidad desde el diseño: los datos de pacientes se quedan en local y a las API externas solo se envió audio ficticio.
Qué aprendimos
- En IA sanitaria, la transparencia importa más que las métricas: el médico necesita saber por qué se le sugiere algo.
- Un buen asistente sabe hacer la siguiente pregunta, no solo dar respuestas.
- Para elegir el mejor tratamiento hacen falta resultados definidos y seguimiento en el tiempo; el historial de recetas no basta.
Próximos pasos para MedConsult
- Probarlo con micrófonos y consultas reales, y medir la calidad de la transcripción.
- Llevar al evaluador de tratamientos más datos del dictado; hoy se extraen cinco campos en directo y solo la edad llega al evaluador.
- Incorporar resultados y seguimiento de los tratamientos para estudiar qué biológico beneficia de verdad a cada paciente.
- Validarlo con clínicos e integrarlo con la historia clínica electrónica del hospital.uilt it
Log in or sign up for Devpost to join the conversation.