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.
| Área | Preguntas que resuelve en salud | Entregable |
|---|---|---|
| Decisión | ¿Qué se decide en cada turno, cada día y cada mes? ¿Quién asigna camas o reprograma agenda? | Mapa de decisiones, cadencia y responsables |
| Métricas | ¿Cómo se calcula la ocupación, la tasa de no presentación o el tiempo de espera? ¿Qué excepciones hay? | Catálogo de métricas con fórmula, grano, filtros y propietario |
| Fuentes | ¿Dónde vive la historia clínica y la facturación? ¿Qué calidad y qué histórico tienen? | Inventario de fuentes, riesgos y estrategia de ingesta |
| Consumo | ¿Quién necesita informes, preguntas en lenguaje natural o alertas: dirección médica, admisión, finanzas? | Matriz de experiencias por rol y prioridad |
| Gobierno | ¿Qué datos son sensibles? ¿Qué permisos aplican? ¿Qué cambios pasan por revisión? | Modelo de acceso, ciclo de cambios y criterios de publicación |
Este inventario es lo que evita que Microsoft Fabric se llene de objetos técnicos que no resuelven el problema de gestión.
Casos de uso donde la preparación cambia el resultado
Estos son los escenarios donde ordenar el dato antes de aplicar IA marca la diferencia entre una respuesta confiable y una cifra en disputa.
- Gestión de agenda y ausentismo. Predecir qué turnos tienen alto riesgo de no presentación exige una definición única de no presentación y un histórico limpio de citas. Sin eso, el modelo aprende de reglas contradictorias.
- Ocupación de camas y flujo de pacientes. Una vista única de camas disponibles depende de conciliar admisión, alta y limpieza en un solo grano temporal. El diagnóstico define ese grano antes de construir nada.
- Adherencia a tratamiento. Cruzar farmacia, laboratorio y seguimiento requiere resolver la identidad del paciente entre sistemas, un problema de calidad de fuente, no de modelo.
- Facturación y recupero. Detectar prestaciones no facturadas necesita un catálogo de métricas donde ingreso y prestación signifiquen lo mismo para finanzas y para el área clínica.
- Asistentes en lenguaje natural para dirección. Un agente que responda "¿cuántas consultas cerramos esta semana?" solo es útil si la métrica tiene una única fórmula y propietario.
En todos, el patrón se repite: el caso de uso vistoso descansa sobre trabajo de preparación poco visible.
Cómo se ordena el dato clínico hacia una única verdad
Una vez hecho el diagnóstico, el dato se organiza por capas antes de que cualquier IA lo consuma. La arquitectura medallion separa el dato en tres estados de madurez:
- Bronze. El dato entra tal como está en la fuente, sin transformar. Aquí llega la extracción de historia clínica, agenda y facturación.
- Silver. El dato se limpia, se concilia la identidad del paciente y se resuelven las definiciones en conflicto.
- Gold. El dato queda como producto listo para consumo: métricas con fórmula acordada, el contrato que dirección y sistemas comparten.
Sobre esa capa Gold se apoya el modelo semántico, y solo entonces los informes de Power BI, las consultas en Excel o los agentes de IA hablan el mismo idioma. La arquitectura medallion en OneLake describe cómo se estructuran esas capas, y la guía de migración a Fabric organiza el descubrimiento por origen y carga.
Qué considerar en gobierno de datos sensibles
En salud el gobierno no es un paso opcional al final. Datos de pacientes exigen definir desde el diagnóstico qué información es sensible, qué permisos aplican por rol y qué cambios deben pasar por revisión antes de publicarse.
Esto importa doblemente cuando un agente de IA puede responder preguntas sobre el dato: el control de acceso tiene que viajar con la información, no quedarse en la capa de presentación. Las capacidades de gobierno y cumplimiento de Fabric cubren cómo se aplican permisos y catálogo sobre los datos ya ordenados.
El error más común: saltar al modelo antes del diagnóstico
La tentación es empezar por la herramienta llamativa: un tablero, un copiloto, un agente. El resultado predecible es un objeto técnico que nadie usa porque las cifras no coinciden con la realidad operativa.
La IA no arregla un modelo pobre, lo amplifica.
El orden correcto es diagnóstico, luego arquitectura, luego consumo. La planificación de capacidad, además, suma usuarios, concurrencia y crecimiento al diagnóstico, algo crítico en instituciones con muchos servicios consultando a la vez.
Próximo paso
Si tu organización de salud quiere aplicar IA sobre sus datos clínicos y operativos, el punto de partida no es elegir un modelo, es evaluar la preparación de tus fuentes, métricas y gobierno. Esa evaluación de preparación para IA audita dónde están las brechas de calidad, integración y gobierno, y entrega un plan de acción priorizado. Puedes revisar cómo funciona en la consultoría para empresas y decidir el siguiente paso con criterio, no por moda.
Preguntas relacionadas
¿Qué es la preparación de datos para IA en el sector salud?
Es el trabajo de diagnóstico y ordenamiento previo a aplicar IA: 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 paso, la IA amplifica los errores del dato.
¿Cuáles son los casos de uso más claros de IA en salud?
Los más directos son la predicción de ausentismo en agenda, la vista única de ocupación de camas y flujo de pacientes, la adherencia a tratamiento cruzando farmacia y laboratorio, la detección de prestaciones no facturadas y los asistentes en lenguaje natural para dirección. Todos dependen de datos bien preparados.
¿Por qué el gobierno de datos es tan importante en salud?
Porque los datos de pacientes son sensibles y el control de acceso debe definirse desde el diagnóstico y viajar con la información, no quedarse en la capa de presentación. Esto es aún más crítico cuando un agente de IA puede responder preguntas sobre esos datos.
¿Sirve la arquitectura medallion para datos clínicos?
Sí. Separa el dato en tres estados: Bronze recibe la extracción cruda de historia clínica, agenda y facturación; Silver limpia y concilia la identidad del paciente y las definiciones en conflicto; Gold deja las métricas como producto listo para consumo, sobre el que se apoya el modelo semántico.
¿Cuál es el error más común al llevar IA a una organización de salud?
Saltar directo a la herramienta llamativa (un tablero, un copiloto o un agente) antes de hacer el diagnóstico. El resultado suele ser un objeto técnico que nadie usa porque las cifras no coinciden con la realidad operativa. El orden correcto es diagnóstico, luego arquitectura, luego consumo.