Sistemas siempre vivos
HCIS, integración clínica, admisión, farmacia, laboratorio, redes, impresión y puestos de trabajo no pueden tratarse como servicios ordinarios.
Curso Torrecardenas IA
IA generativa aplicada a productividad IT hospitalaria
Una visión práctica para entender dónde aporta valor, dónde no debe entrar sola y cómo convertirla en copiloto operativo.
01. Cambio de paradigma
El hospital ya es un ecosistema crítico y complejo
Privacidad y trazabilidad
RGPD, seguridad, auditoría y procedimientos internos condicionan cualquier automatización técnica.
Integraciones difíciles
HL7, FHIR, bases institucionales y aplicaciones legacy consumen buena parte del tiempo de equipos técnicos.
La idea central
GenAI no sustituye los sistemas existentes
Añade una capa operativa basada en lenguaje natural capaz de razonar, estructurar y acelerar tareas diarias del personal técnico.
Qué ha cambiado
De automatizar casos cerrados a trabajar con intención
De buscar a sintetizar
La IA encuentra patrones en documentación extensa, logs, tickets y procedimientos dispersos.
Democratización del código
Sistemas, soporte y BI pueden generar scripts, consultas y transformaciones con supervisión senior.
Interfaz universal
El lenguaje natural se convierte en una API para orquestar trabajo técnico y documentarlo.
Regla de seguridad
Human-in-the-loop desde el primer día
En un entorno hospitalario, la IA generativa no toma decisiones autónomas ni interactúa con datos de salud sin control.
Funciona como copiloto bajo supervisión de una persona responsable, con validación técnica y despliegue controlado.
02. Tipos de IA
IA tradicional y generativa resuelven problemas distintos
| Dimensión | IA tradicional predictiva | IA generativa basada en LLMs |
|---|---|---|
| Pregunta | ¿Qué es esto? ¿Qué pasará? | Ayúdame a hacer esto. Estructura esta información. |
| Entrada | Tablas limpias, variables predefinidas. | Texto libre, logs, código, documentación. |
| Salida | Números, etiquetas, probabilidades. | Texto, código, SQL, JSON, resúmenes. |
| Ejemplo | Predecir riesgo de sepsis en UCI. | Analizar logs de admisión y proponer diagnóstico técnico. |
LLM en una frase
Un motor de texto entrenado con patrones masivos
Lo que hace bien
- Comprender contexto técnico escrito.
- Generar código, SQL, documentación y resúmenes.
- Transformar formatos y explicar lógica heredada.
Lo que no es
- No ejecuta código por sí mismo.
- No accede a sistemas internos salvo integración explícita.
- No tiene memoria entre sesiones por defecto.
Decisión tecnológica
Elegir herramienta según naturaleza del problema
Necesidad IT hospitalaria
¿Hay que predecir un número o clasificar datos estructurados?
Sí
IA tradicional
Machine learning, modelos predictivos, analítica clínica o de gestión.
No
GenAI o reglas
LLMs para lenguaje, código, logs y síntesis. Programación tradicional para reglas cerradas.
03. Ecosistema
No existe un único modelo para todo
Modelos comerciales
Gran capacidad de razonamiento, APIs maduras e integración con herramientas de desarrollo y oficina.
Coste: dependencia de proveedor, tokens, privacidad y configuración contractual.
Modelos abiertos
Ejecución dentro del hospital, control de datos y coste por uso casi nulo tras invertir en hardware.
Coste: GPUs, administración, mantenimiento y ajuste operativo.
Modelos comerciales
Uso típico: desarrollo, análisis y documentación técnica
ChatGPT / OpenAI
Razonamiento general, APIs maduras y orquestación de flujos.
Claude
Desarrollo software, refactorización y documentación técnica limpia.
Gemini
Contexto muy amplio para manuales, repositorios y lotes grandes de logs.
Copilot
Autocompletado diario en IDE, SQL, M365 y tareas repetitivas.
Modelos abiertos
Uso típico: datos internos, logs y asistentes locales
Llama, Mistral, Phi y otros
Procesamiento de tickets internos, parseo de logs sensibles, asistentes locales y análisis de código fuente que no debe salir del perímetro.
Ollama como puerta de entrada
Simplifica descargar y ejecutar modelos en máquinas de laboratorio o servidores IT y expone una API local compatible con flujos habituales.
04. Cloud vs On-Premise
La decisión es técnica, legal y operativa
| Dimensión | Cloud | On-Premise |
|---|---|---|
| Privacidad | Contratos B2B, anonimización y control de contexto. | Los datos permanecen en red interna. |
| Capacidad | Modelos frontera con alta calidad conceptual. | Modelos optimizados para tareas específicas. |
| Coste | OpEx por uso y tokens. | CapEx en hardware y operación local. |
| Latencia | Depende de internet y proveedor. | Predecible si la cola y VRAM están bien gestionadas. |
Arquitectura recomendada
Enfoque híbrido con fronteras claras
Cuando no hay datos sensibles
- Desarrollo de software.
- Dashboards con datos agregados.
- Documentación técnica general.
Cuando el contexto es sensible
- Logs de producción.
- Código fuente interno crítico.
- Tickets con nombres o sistemas reales.
05. Casos de uso
Valor inmediato en el día a día técnico
Documentación
README, diagramas, APIs legacy y procedimientos.
Soporte N1/N2
Análisis de tickets, logs y pasos de resolución.
SQL y DAX
Generación, explicación y optimización de consultas.
Onboarding
Respuestas sobre repositorios y procedimientos internos.
Triaje
Clasificación por criticidad y causa probable.
Revisión
Chequeo de guías técnicas, seguridad e ISO.
Líneas rojas
Qué no se debe hacer
- Nunca subir datos de pacientes o historias clínicas a modelos de consumo público.
- No confiar ciegamente en código, scripts o parámetros generados.
- No buscar prompts mágicos: contexto claro, técnico y estructurado.
- No desplegar automatización 100% autónoma sobre sistemas críticos.
06. Expectativas realistas
Qué es realmente útil hoy
Bloques de código repetitivo, validaciones, contenedores y soporte a sistemas.
De PL/SQL a Python, de logs caóticos a JSON, de notas dispersas a documento formal.
Revisar seguridad, optimizar scripts, explicar consultas y proponer mejoras.
Procesar lenguaje natural donde antes habría reglas frágiles o expresiones regulares interminables.
Workflow profesional
Del chat simple al flujo iterativo
Rol y contexto
Definir el marco técnico, restricciones y entorno.
Prompt claro
Dar objetivo, entradas, formato de salida y criterios.
Revisión crítica
Analizar si el resultado es correcto, seguro y aplicable.
Validación
Probar en staging antes de producción.
Escenarios
Cómo cambia el flujo de trabajo
Soporte lunes
35 tickets se agrupan por causa raíz probable y equipos afectados.
Aplicación legacy
Un script PHP antiguo se explica, comenta y cruza con logs recientes.
BI y DAX
La métrica compleja se genera y se explica línea a línea.
Proyecto técnico
Correos y notas se convierten en una memoria formal para dirección.
Licitaciones
Propuestas distintas se comparan con matriz, evidencia y riesgos.
Arquitectura crítica
Testing, migración incremental y rollback antes de modernizar.
Cierre
La clave no es elegir una IA, sino diseñar una práctica responsable
GenAI libera tiempo técnico, acelera análisis y mejora documentación, siempre que se use con límites claros, validación humana y arquitectura híbrida adaptada al riesgo.