La preparación de datos para IA en salud empieza por un diagnóstico que descubre qué decisiones clínicas y operativas se toman, cómo se definen las métricas, dónde vive cada dato y quién puede autorizarlo. Solo después se construye la arquitectura en Microsoft Fabric. Un modelo de datos desordenado no mejora al conectarle IA: los errores se multiplican, y en un entorno sanitario ese riesgo se paga en calidad asistencial y en cumplimiento.
¿Por qué la salud exige preparar los datos antes que la IA?
En una clínica, un hospital o una aseguradora de salud, los datos llegan fragmentados: historia clínica electrónica, agendas, laboratorio, facturación, farmacia, dispositivos. Cada sistema define a su manera qué es un paciente activo, un episodio o una readmisión. Si conectas un modelo de IA sobre esa dispersión, obtendrás respuestas rápidas y confiadas, pero no necesariamente correctas.
La idea central aplica con fuerza aquí: el modelo semántico es donde el negocio acuerda por escrito qué significa cada métrica. Primero se ordenan las métricas y las decisiones, después las herramientas. En salud, ese orden no es un lujo estético, es la diferencia entre un tablero que dirección puede usar para decidir y un conjunto de cifras que nadie firma.
El objetivo es construir una única verdad: que dirección médica, operaciones y finanzas vean los mismos números en Excel, Power BI o cualquier IA, y dediquen las reuniones a decidir, no a discutir de dónde salió cada cifra.
¿Qué descubre el diagnóstico en un entorno de salud?
El diagnóstico separa un proyecto de datos de una colección de pedidos técnicos. La fase inicial descubre decisiones, fricciones, fuentes, definiciones y límites, un trabajo que conviene hacer antes de construir cualquier cosa en Fabric. Sin esto, Fabric se llena de objetos técnicos pero no resuelve el problema de gestión.
Estas son las cinco áreas del diagnóstico, con las preguntas que resuelve cada una y su entregable, leídas desde el contexto sanitario:
| Área | Preguntas que resolvemos | Entregable |
|---|---|---|
| Decisión | ¿Qué se decide cada día, semana y mes en dirección médica y operaciones? ¿Quién decide? ¿Qué acción debería disparar el dato? | Mapa de decisiones, prioridades, cadencia y responsables |
| Métricas | ¿Qué significa cada KPI (ocupación, readmisión, tiempo de espera)? ¿Cómo se calcula? ¿Qué excepciones existen? | Catálogo de métricas con fórmula, grano, filtros y propietario |
| Fuentes | ¿Dónde vive el dato clínico y administrativo? ¿Qué calidad e histórico tiene? ¿Quién autoriza el acceso? | Inventario de fuentes, riesgos, dependencias y estrategia de ingesta |
| Consumo | ¿Qué perfiles necesitan informes, Excel, preguntas en lenguaje natural o alertas? | 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 |
En salud, el área de gobierno pesa más que en casi cualquier otro sector, porque los datos de pacientes son sensibles por definición y el modelo de acceso condiciona todo lo demás.
¿Cómo se ordenan las métricas clínicas y operativas?
Una métrica sin definición es una discusión pendiente. En salud, la misma palabra esconde varias fórmulas:
- Readmisión: ¿a 30 días? ¿por la misma causa? ¿incluye traslados entre servicios?
- Ocupación: ¿camas físicas o camas habilitadas? ¿a medianoche o promedio del día?
- Paciente activo: ¿con episodio abierto? ¿con visita en los últimos doce meses?
- Tiempo de espera: ¿desde la solicitud, desde la cita agendada o desde el ingreso a sala?
El catálogo de métricas fija fórmula, grano, filtros y propietario para cada una. Ese catálogo es el contrato que después consumen Power BI, Excel y los agentes de IA. Sin ese contrato, cada informe reinventa el cálculo y la IA hereda la ambigüedad.
¿Cómo se convierten las fuentes en productos de datos confiables?
Una vez ordenadas decisiones y métricas, el diagnóstico define cómo entra, se transforma y se organiza el dato hasta convertirse en un contrato de negocio. En Microsoft Fabric, el patrón recomendado es la arquitectura medallion sobre OneLake, que organiza el dato en tres capas:
- Bronze: ingesta cruda desde las fuentes clínicas y administrativas, sin transformar, para preservar el original.
- Silver: datos limpios, validados y estandarizados, donde se resuelven duplicados y se unifican definiciones.
- Gold: productos de datos listos para consumo, alineados al catálogo de métricas y al modelo semántico.
Sobre la capa Gold se construye el modelo semántico, que es el que consumen los informes y las experiencias de IA. Direct Lake permite que Power BI lea esos datos directamente desde OneLake sin duplicarlos, lo que mantiene una sola copia gobernada como fuente. Para el descubrimiento inicial por origen y carga, la guía de migración a Fabric estructura el trabajo, y la planificación de capacidad añade usuarios, concurrencia y crecimiento a la ecuación operativa.
¿Qué rol juega el gobierno de datos sensibles?
En salud el gobierno no es una capa final, es una restricción de diseño, algo que comparte con otros sectores regulados como la preparación de datos para IA en finanzas y banca. El modelo de acceso decide qué perfiles ven qué datos, y esa decisión debe viajar con el dato desde la ingesta hasta el informe. Fabric integra la seguridad del modelo semántico con Direct Lake, de modo que los permisos definidos se apliquen de forma consistente cuando el dato se consume en Power BI o a través de un agente.
Algunas preguntas de gobierno que el diagnóstico deja resueltas antes de habilitar IA:
- ¿Qué campos son identificables y quién puede verlos sin anonimizar?
- ¿Qué cambios en definiciones o accesos deben pasar por revisión formal?
- ¿Qué criterios de publicación separan una versión de trabajo de un producto oficial?
- ¿Cómo se audita quién consultó qué dato y cuándo?
Resolver esto antes evita el escenario más común: un agente de IA que responde con datos a los que ese usuario no debería tener acceso.
¿Qué pasos concretos sigue un proyecto de datos para IA en salud?
Un orden de trabajo realista, del criterio a la herramienta:
- Diagnóstico de decisiones, métricas, fuentes, consumo y gobierno.
- Catálogo de métricas firmado por los propietarios clínicos y operativos.
- Diseño de la arquitectura medallion sobre OneLake en Fabric.
- Construcción de las capas Bronze, Silver y Gold con validaciones de calidad.
- Modelo semántico como contrato único, con seguridad integrada.
- Experiencias de consumo por rol: informes, Excel, alertas y agentes.
Saltarse los primeros pasos para llegar antes a la IA es el error que más caro se paga: el modelo responde, pero nadie confía en la respuesta, porque el terreno nunca se preparó.
Siguiente paso
Si tu organización de salud quiere saber qué tan preparada está para IA antes de construir nada, el punto de partida es ver este enfoque aplicado: cómo se diagnostican decisiones, métricas, fuentes y gobierno, y cómo se traduce en una arquitectura que dirección puede firmar. Mira la demo gratuita y evalúa con tu equipo si este es el camino, ya sea con consultoría o formando a tu propia gente.
Preguntas relacionadas
¿Qué es la preparación de datos para IA en salud?
Es el proceso de ordenar decisiones, métricas, fuentes, consumo y gobierno antes de aplicar IA. Incluye un diagnóstico y la construcción de una arquitectura de datos, por ejemplo medallion sobre OneLake en Microsoft Fabric, con un modelo semántico que fija la definición oficial de cada métrica.
¿Por qué no basta con conectar IA a la historia clínica electrónica?
Porque los datos clínicos y administrativos llegan fragmentados y con definiciones distintas de cada métrica. La IA amplifica lo que encuentra: si el modelo está desordenado, entrega respuestas confiadas pero no confiables. Primero se ordena el modelo, después se automatiza.
¿Qué es un modelo semántico y por qué importa en salud?
Es la capa donde el negocio fija la definición oficial de sus métricas: establece fórmula, grano y filtros de cada KPI. En salud garantiza que readmisión, ocupación o paciente activo signifiquen lo mismo en Power BI, Excel o cualquier agente de IA, evitando discusiones sobre las cifras.
¿Cómo se protegen los datos sensibles de pacientes al usar IA?
El gobierno se diseña desde el inicio, no al final. El diagnóstico define qué campos son identificables, qué permisos aplican y qué cambios pasan por revisión. Fabric integra la seguridad del modelo semántico con Direct Lake para aplicar esos permisos de forma consistente en el consumo.
¿Por dónde empieza un proyecto de datos para IA en una organización de salud?
Por el diagnóstico, no por la herramienta. Se descubren las decisiones clínicas y operativas, se cataloga cada métrica con su propietario, se inventarían fuentes y calidad, y se define el gobierno. Solo con eso resuelto se construye la arquitectura en Fabric.