Respuesta corta: en salud, la preparación de datos para IA consiste en descubrir qué decisiones clínicas y operativas dependen del dato, catalogar las métricas con su fórmula y grano, inventariar las fuentes con su calidad y permisos, y definir el gobierno de la información sensible. Sin ese diagnóstico previo, un modelo de IA amplifica los errores del dato en lugar de resolver la gestión. Los casos de uso más claros están en agenda, ocupación de camas, adherencia de tratamiento y facturación.
Por qué la preparación decide el resultado de la IA en salud
En una organización de salud el dato vive disperso: el sistema de historia clínica, la agenda de turnos, el laboratorio, la farmacia, la facturación y decenas de planillas de Excel de cada servicio. Cada fuente define a su manera qué es un paciente activo, una consulta cerrada o una cama disponible.
La IA no arregla ese desorden, lo amplifica. Si dos áreas cuentan las altas de forma distinta, un agente de IA que consulte ambas dará respuestas contradictorias con total seguridad. Por eso el trabajo empieza en el diagnóstico: separar un proyecto de datos de una colección de pedidos sueltos.
El principio del método es simple: el modelo semántico es el contrato común de las métricas del negocio. Primero se ordenan las métricas y las decisiones, después se eligen las herramientas.
Qué descubre el diagnóstico en una organización de salud
La fase inicial descubre decisiones, fricciones, fuentes, definiciones y límites. Aplicado a salud, cada área del diagnóstico responde preguntas concretas y deja un entregable.