IA basada en agentes en sanidad: ¿qué ocurre cuando los agentes de IA debaten entre sí?

Recientemente, un sistema de IA con varios agentes diagnosticó correctamente más del 80 % de una serie de casos clínicos poco frecuentes. Este resultado multiplicó por más de cuatro la precisión obtenida por profesionales clínicos experimentados al analizar los mismos casos. El sistema no lo consiguió por ser más inteligente que cualquier modelo individual, sino mediante el debate entre varios agentes, que permitió detectar y corregir errores.

Hasta hace apenas seis meses, la IA desempeñaba un papel pasivo en la sanidad: participaba en reuniones, escuchaba y resumía anotaciones clínicas. Resultaba útil, pero sus capacidades eran limitadas. Ahora, los sistemas de IA basados en agentes pueden recuperar historias clínicas, activar modelos especializados de diagnóstico, coordinar planes asistenciales entre distintos departamentos y cuestionar el razonamiento de otros agentes, sin necesidad de que una persona inicie cada paso.

En un episodio reciente de su serie Code to Care, Don Woodlock conversó con el Dr. Peter Lee sobre la evolución de la IA basada en agentes en sanidad. La conversación abordó tres aspectos:

1. Un marco concreto para determinar qué caracteriza realmente a un sistema de IA basado en agentes.
2. Sistemas que ya se utilizan en entornos clínicos.
3. Una perspectiva sobre la colaboración entre varios agentes que suele pasar inadvertida en los análisis de esta tecnología.

Para las organizaciones sanitarias que están evaluando la IA basada en agentes o que buscan distinguir las aplicaciones reales de las expectativas exageradas, este artículo ofrece una visión práctica: qué hace realmente esta tecnología, dónde está generando resultados y qué capacidades necesita una organización antes de implantarla.

La IA tradicional responde a cada instrucción de forma aislada, sin conservar información entre sesiones, sin permisos para actuar sobre sistemas externos y sin capacidad para producir cambios en procesos reales.

La IA basada en agentes adopta un enfoque diferente. Estos sistemas pueden observar, decidir y actuar en entornos sanitarios, a menudo con cierto grado de autonomía.

Peter Lee estructura la IA basada en agentes en torno a cuatro componentes que ofrecen un marco práctico para evaluar si un sistema incorpora realmente estas capacidades o si se limita a utilizar la etiqueta con fines comerciales.

En sus inicios, la IA comenzaba cada interacción desde cero. Los sistemas basados en agentes, en cambio, conservan el contexto y pueden recordar información relevante, como la alergia de un paciente a la penicilina, la revisión realizada por un comité de tumores tres semanas antes o un hallazgo señalado por el radiólogo en la historia clínica. Esta información se mantiene entre sesiones, lo que permite al agente retomar el proceso donde lo dejó.

¿Qué acciones puede realizar la IA? ¿Puede consultar la historia clínica electrónica, utilizar un modelo de radiología o acceder a los resultados de laboratorio? Los permisos establecen los límites de la autonomía de cada agente y, en sanidad, resulta especialmente importante definirlos con precisión.

Para interactuar con sistemas clínicos y operativos, los agentes necesitan plataformas que faciliten el acceso a los datos sanitarios sin depender de decenas de integraciones independientes.

Plataformas como InterSystems IRIS, que integran capacidades de base de datos, interoperabilidad y análisis en una única plataforma, reducen los pasos necesarios para que un agente pueda recuperar datos de los pacientes y actuar sobre ellos.

Los sistemas basados en agentes pueden actuar sobre procesos reales. Recuperan historias clínicas, generan anotaciones clínicas, utilizan otros modelos de IA para realizar análisis especializados, programan citas, envían recordatorios y coordinan el seguimiento asistencial.

En pocas palabras: la IA generativa responde. La IA basada en agentes actúa.

El razonamiento conecta los otros tres componentes. Un sistema basado en agentes no se limita a ejecutar una secuencia predeterminada de pasos, sino que razona para alcanzar un objetivo y adapta su estrategia a medida que recibe nueva información.

Además, puede colaborar con los profesionales y manejar en su memoria de trabajo más contexto del que una sola persona podría procesar simultáneamente. Mediante tecnologías como el procesamiento del lenguaje natural y el machine learning, estos agentes pueden extraer información útil de grandes volúmenes de datos y automatizar tareas complejas que difícilmente podría asumir una única persona.

Peter Lee recurre a una analogía con un partido de béisbol para describir este momento: «Nos encontramos en las entradas intermedias de esta revolución tecnológica. Y creo que tiene razón al señalar que la IA basada en agentes es uno de los elementos centrales de esta etapa».

El interés por implantar esta tecnología es evidente, aunque su evolución futura todavía plantea incógnitas. Para profundizar en cómo encajan estos componentes en el diseño de sistemas, puede consultarse la guía de InterSystems sobre arquitectura de IA basada en agentes.

Entonces, ¿cómo «debaten» los agentes de IA, como se mencionaba en la introducción?

MAI-DxO es un sistema de diagnóstico multiagente desarrollado por Microsoft AI que muestra cómo funciona este enfoque en la práctica. En lugar de pedir a una única IA que valore todos los factores de un diagnóstico complejo, el sistema asigna funciones específicas a distintos agentes:

• Un agente principal, que interactúa con los pacientes y trabaja para llegar a un diagnóstico.
• Un agente de contraste, cuya función es cuestionar el razonamiento del agente principal, revisar sus supuestos y poner a prueba sus conclusiones.
• Un agente de costes, que evalúa si cada prueba de laboratorio o de diagnóstico por imagen está justificada desde el punto de vista de los recursos.

Estos agentes participan en una «cadena de debate»: un proceso estructurado de cuestionamiento y revisión que somete el diagnóstico a varias rondas de análisis antes de llegar a una conclusión. El sistema puede analizar simultáneamente anotaciones clínicas, historias de pacientes y resultados de laboratorio, manejando un volumen de contexto que ningún profesional sanitario podría retener por sí solo en su memoria de trabajo.

En un estudio realizado en colaboración con The New England Journal of Medicine, MAI-DxO se evaluó con una serie de casos diagnósticos extremadamente complejos y poco frecuentes. El sistema alcanzó un diagnóstico correcto en más del 80 % de los casos, y su configuración con mejores resultados llegó al 85,5 %. Esta cifra supone más de cuatro veces la precisión media obtenida por médicos con amplia experiencia al analizar los mismos casos, que fue de aproximadamente el 20 %.

La precisión es importante, pero las ventajas no terminan ahí. En cierto sentido, los agentes se impulsan mutuamente para mejorar sus resultados.

«La computación basada en agentes no solo facilita los procesos humanos; también puede reforzar la inteligencia de otros sistemas de IA y reducir problemas como las alucinaciones mediante el cuestionamiento mutuo». —Dr. Peter Lee

Además de automatizar procesos en los que pueden producirse errores humanos, este enfoque ayuda a reducir uno de los principales problemas de la IA: las alucinaciones. El agente de contraste no necesita acertar; su función es obligar al agente principal a justificar su razonamiento.

Este proceso permite detectar debilidades en la cadena de razonamiento que, de otro modo, podrían pasar inadvertidas.

Esto replantea todo el enfoque. La pregunta que muchos responsables sanitarios se hacen sobre la IA con agentes es: «¿qué tareas puede automatizar?». La pregunta más adecuada, y la que responde MAI-DxO, es: «¿qué ocurre cuando los agentes inteligentes se hacen más inteligentes entre sí?».

MAI-DxO demuestra que la colaboración entre agentes puede mejorar las capacidades del sistema. El orquestador del comité de tumores de Stanford aborda un reto diferente y especialmente relevante para la atención diaria de los pacientes: coordinar información fragmentada procedente de distintos sistemas.

Los comités de tumores son reuniones multidisciplinares en las que oncólogos, radiólogos, cirujanos y patólogos revisan el caso de un paciente y deciden el tratamiento que debe seguirse. Cada semana se celebran miles de reuniones de este tipo en los sistemas sanitarios de todo el mundo. Para llevarlas a cabo, los equipos asistenciales deben recopilar información dispersa en múltiples sistemas.

En un proyecto conjunto con Stanford Medicine, que analiza anualmente los casos de 4.000 pacientes en sus comités de tumores, Microsoft desarrolló un agente de IA que participa en estas reuniones. El agente recupera historias clínicas, utiliza modelos especializados de IA para realizar análisis radiológicos y anatomopatológicos, localiza investigaciones publicadas relacionadas con la genética del paciente y genera anotaciones para su revisión.

De este modo, puede proporcionar apoyo en tiempo real a los profesionales sanitarios, ayudándolos a analizar casos médicos complejos y a coordinar planes asistenciales entre distintos departamentos especializados.

Los cuatro componentes descritos anteriormente están presentes en este caso. El agente:

• Conserva el contexto del paciente (memoria).
• Accede a historias clínicas electrónicas, sistemas de diagnóstico por imagen y bases de datos de investigación (permisos).
• Recupera información y genera resultados (acciones).
• Colabora con el equipo clínico para elaborar una recomendación terapéutica (razonamiento).

Conectar estas fuentes de datos tan heterogéneas constituye precisamente el reto de interoperabilidad para el que se diseñaron plataformas como InterSystems HealthShare. Las anotaciones oncológicas se almacenan en un sistema; las imágenes radiológicas, en otro; los informes de anatomía patológica, en un tercero, y las investigaciones publicadas, en bases de datos externas.

HealthShare reúne los datos clínicos procedentes de múltiples sistemas en una historia clínica unificada. De este modo, proporciona tanto a los sistemas basados en agentes como a los profesionales sanitarios una visión única y coherente del paciente, con independencia del origen de la información.

Este modelo muestra cómo puede escalar la IA basada en agentes en sanidad. Los comités de tumores requieren coordinar especialistas, datos y decisiones procedentes de todo el sistema sanitario. Ese mismo reto —conectar información fragmentada para facilitar decisiones asistenciales mejor fundamentadas— está presente en prácticamente todos los flujos de trabajo de la atención sanitaria.

La inversión de Stanford Health Care en IA con agentes va más allá de los comités oncológicos. Su iniciativa AXIOM utiliza un repositorio FHIR sobre InterSystems IRIS para acelerar la recuperación de datos sanitarios. Así, en aplicaciones de IA, el tiempo de consulta de la historia clínica electrónica se reduce de minutos a segundos. Entre esas aplicaciones figura la clasificación asistida de pacientes en los servicios de urgencias.

El proyecto ganó el Premio InterSystems Impact 2025 en la categoría de innovación para proveedores de asistencia sanitaria.

No todas las organizaciones sanitarias necesitan implantar de inmediato un sistema de diagnóstico con múltiples agentes.

Anthropic, la empresa creadora de Claude, lo expresa claramente en su guía para la creación de agentes: «Al desarrollar aplicaciones con grandes modelos de lenguaje, recomendamos buscar la solución más sencilla posible y aumentar la complejidad solo cuando sea necesario».

El Dr. Peter Lee propone un punto de partida más sencillo y al alcance de cualquier profesional sanitario. En el libro La revolución de la inteligencia artificial en la medicina. GPT-4 y más allá, recomienda utilizar la IA como «una segunda mirada».

El planteamiento consiste en elaborar primero el diagnóstico diferencial y, después, presentar el caso a un agente de IA con dos preguntas: ¿se ha pasado algo por alto? ¿Existe algún error en el razonamiento?

«Creo que a muchos profesionales sanitarios les resultaría útil realizar su trabajo y, después, utilizar la IA como un agente que aporte una segunda mirada». —Dr. Peter Lee

Don Woodlock explica por qué este enfoque resulta útil incluso cuando la IA no es perfecta:

«En cierto modo, amplía la perspectiva de quien toma la decisión. Incluso un cierto margen de error no invalida este caso de uso, porque el objetivo es abrir la reflexión y plantearse: “¿Hay algo más que debería considerar?”». —Don Woodlock

La IA no toma la decisión, sino que ayuda a considerar más posibilidades. Este enfoque reduce la carga cognitiva de los profesionales sanitarios y proporciona una comprobación adicional para detectar posibles puntos ciegos, sin exigir que el sistema actúe de forma autónoma.

El grado de adopción puede ir desde esta validación adicional hasta la orquestación de comités de tumores o el diagnóstico autónomo mediante varios agentes. Cada organización sanitaria puede comenzar en el punto que permitan la madurez de sus datos y su modelo de gobernanza. El éxito dependerá de adaptar el nivel de ambición a su grado de preparación.

El comité de tumores de Stanford automatiza la coordinación clínica. Este mismo modelo puede aplicarse a los procesos administrativos del sector sanitario, donde las cifras son difíciles de ignorar.

Las organizaciones sanitarias estadounidenses destinan más de un billón de dólares al año a tareas administrativas. Este gasto no corresponde a la atención directa al paciente, sino a actividades de coordinación como:

• Recuperar información de un sistema y cotejarla con la de otro.
• Recopilar la documentación necesaria.
• Enviar solicitudes a través de distintos portales.
• Supervisar su estado y gestionar los resultados.

Estas tareas consumen tiempo de los profesionales sanitarios y aumentan el riesgo de errores en cada intercambio de información. Los profesionales eligieron trabajar en sanidad para atender a los pacientes, no para conciliar datos entre diferentes portales.

En un flujo de trabajo habitual de autorización previa, la persona responsable de la coordinación debe:

1. Recuperar las anotaciones clínicas de la historia clínica electrónica (HCE).
2. Consultar los requisitos específicos de la aseguradora en un portal independiente.
3. Preparar el expediente con la documentación necesaria.
4. Enviarlo a través de otro sistema.
5. Supervisar el estado de la autorización mientras gestiona, con frecuencia, decenas de casos simultáneamente.

En un sistema de IA basado en agentes, el agente puede encargarse de recuperar la información, preparar el expediente, comprobar los requisitos y enviar la solicitud. La persona responsable revisa el expediente completo y gestiona únicamente las excepciones. Un proceso que antes requería 45 minutos puede reducirse a 10.

No se trata de una hipótesis. MUSC Health tramita ya el 40 % de las autorizaciones previas de forma autónoma mediante IA basada en agentes, sin intervención humana.

InterSystems HealthShare facilita estos flujos de trabajo mediante InterSystems Payer Services, que incorpora funciones para la autorización previa electrónica, la identificación de requisitos de cobertura y la preparación de la documentación. De este modo, las organizaciones disponen de una base estandarizada sobre la que incorporar automatización basada en agentes a las integraciones existentes entre organizaciones sanitarias y aseguradoras.

Una encuesta del Deloitte Center for Health Solutions, realizada a 100 responsables tecnológicos de organizaciones sanitarias estadounidenses, reveló que el 85 % prevé aumentar su inversión en IA basada en agentes durante los próximos dos o tres años. Además, el 98 % espera conseguir un ahorro de costes de al menos el 10 % en ese periodo. Estas cifras reflejan las expectativas de que esta tecnología mejore de forma significativa la eficiencia operativa de los hospitales y sistemas sanitarios.

El reto común a todos estos flujos de trabajo es la fragmentación de los datos. La autorización previa, la gestión de reclamaciones y la programación de citas dependen de información distribuida entre historias clínicas electrónicas, sistemas de facturación y portales de las aseguradoras.

InterSystems IRIS for Health proporciona la capa de integración e interoperabilidad que permite a los sistemas basados en agentes acceder a esos datos y conciliarlos en tiempo real, sin que las organizaciones sanitarias tengan que sustituir la infraestructura existente.

Más allá de las tareas administrativas, estos sistemas comienzan a transformar el seguimiento de los pacientes tras el alta. Los agentes de IA pueden supervisar síntomas, comprobar la adherencia al tratamiento, programar citas de seguimiento y alertar a los equipos asistenciales ante posibles incidencias. Esto facilita una supervisión continua y permite detectar problemas antes de que se agraven.

Estas capacidades proactivas permiten ofrecer a los pacientes información más clara sobre los plazos y una comunicación más fiable. Al mismo tiempo, hacen más previsibles los procesos internos y pueden contribuir a mejorar tanto la calidad asistencial como la experiencia del paciente.

Cada minuto dedicado a conciliar información entre distintos portales es un minuto que no se dedica a los pacientes. Los sistemas basados en agentes se encargan de la coordinación para que los profesionales sanitarios puedan centrarse en prestar la mejor atención posible.

Todo lo anterior depende de un elemento fundamental: los datos. Los cuatro componentes del marco MEAR —memoria, permisos, acciones y razonamiento— reflejan claramente esta dependencia. La memoria necesita datos clínicos para conservar el contexto; los permisos requieren sistemas que controlen el acceso; las acciones dependen de API que permitan interactuar con otros sistemas, y el razonamiento precisa datos fiables y estructurados.

En la mayoría de las organizaciones sanitarias, los datos de los pacientes están dispersos entre historias clínicas electrónicas, plataformas de facturación, portales de aseguradoras y herramientas digitales departamentales. Además, se almacenan en formatos diferentes y presentan distintos grados de exhaustividad y frecuencia de actualización.

Como resultado, gran parte de los datos sanitarios continúa sin aprovecharse, al permanecer en formatos que los sistemas actuales no pueden procesar a la escala que exigen las aplicaciones de IA basadas en agentes. Esta fragmentación plantea importantes retos de acceso, calidad e interoperabilidad.

Las organizaciones sanitarias que deseen implantar sistemas basados en agentes deben apoyarse en tres pilares fundamentales.

Los estándares de interoperabilidad sanitaria, como FHIR y HL7, constituyen la base sobre la que operan los sistemas de IA basados en agentes. InterSystems HealthShare Health Connect, disponible como servicio gestionado en la nube, realiza la conversión de protocolos y el enrutamiento de mensajes necesarios para que los agentes puedan comunicarse con distintos sistemas. Además, admite HL7, FHIR, X12, DICOM y otros estándares sanitarios sin necesidad de desarrollar integraciones punto a punto personalizadas.

Esta arquitectura modular permite a las organizaciones sanitarias conectar sus sistemas de forma gradual, sin tener que sustituir por completo la infraestructura existente.

En lugar de centralizar los datos en un almacén (un proyecto de varios años que la mayoría de los sistemas sanitarios no pueden permitirse), el enfoque «Smart Data Fabric» armoniza los datos in situ, lo que ofrece a los agentes una visión unificada sin necesidad de mover los datos.

Este es el enfoque que InterSystems ha integrado en la plataforma IRIS, que conecta y armoniza datos fragmentados procedentes de fuentes dispares en tiempo real para que los sistemas con agentes puedan extraer información a partir de una visión global.

La gobernanza establece reglas claras sobre qué pueden hacer los agentes de forma autónoma, cuándo deben solicitar intervención humana y cómo debe registrarse cada acción.

Es necesario asumir que los sistemas basados en agentes pueden cometer errores.

Por este motivo, los requisitos de cumplimiento normativo hacen que el diseño de la arquitectura resulte especialmente importante: debe permitir detectar los errores antes de que afecten a los pacientes. El debate entre varios agentes, los puntos de supervisión humana, la transparencia con los pacientes sobre el papel de la IA en su atención y los registros de auditoría no son elementos opcionales. Son esenciales para que la tecnología funcione de forma segura y fiable.

Las barreras para su adopción están disminuyendo. La encuesta de Deloitte reveló que el 40 % de los directivos sanitarios considera que la escasez de profesionales con competencias técnicas, antes uno de los principales obstáculos, ha dejado de representar un reto importante. También se observan avances frente a la resistencia al cambio y las preocupaciones sobre la calidad de los datos: el 38 % y el 32 % de los participantes, respectivamente, señalan mejoras en estas áreas.

Las organizaciones sanitarias deben seguir reforzando sus bases de datos y sus estructuras de gobernanza, pero el camino está más claro que hace apenas un año.

Además, los agentes ponen de manifiesto los problemas de calidad de los datos antes y de forma más directa que los flujos de trabajo tradicionales. Cuando un agente no puede completar una tarea porque los registros contienen información contradictoria, no se trata necesariamente de un fallo tecnológico, sino de una señal que permite identificar qué aspectos de la base de datos deben mejorarse.

A medida que la IA con agentes en el ámbito sanitario sigue madurando, la franqueza de Peter Lee sobre el futuro es, en sí misma, un motivo para prestarle atención:

«Eso no significa que, a la larga, la IA con agentes vaya a ser algo importante. Podría ser. Es difícil de predecir. Pero lo que es seguro es que hoy habrá un impulso tremendo para implantar sistemas basados en agentes en todo el mundo». - Dr. Peter Lee

Esa valoración tan medida, procedente del presidente de Microsoft Research, vale más que una docena de ciclos de exageración. La presión para llevar a cabo el despliegue es real. Realmente, no está claro adónde nos llevará todo esto.

Para los responsables del sector sanitario que estén evaluando actualmente la IA con agentesagentiva hay tres puntos de partida:

¿En qué procesos dedican más tiempo los equipos asistenciales a recuperar, conciliar y organizar información procedente de distintos sistemas? Los flujos de trabajo de gran volumen y con mayores necesidades de coordinación son los que pueden generar valor más rápidamente mediante la IA basada en agentes.

Los agentes inteligentes necesitan datos sanitarios estructurados e interoperables para funcionar de forma autónoma. Por ello, preparar los datos para su uso con la IA constituye un punto de partida práctico. Las organizaciones sanitarias que desarrollen ahora esta base estarán mejor preparadas para implantar sistemas basados en agentes a medida que la tecnología madure.

Conviene comenzar con sistemas basados en agentes que apoyen a los profesionales clínicos y a los equipos administrativos. La autonomía puede ampliarse después, a medida que maduren las estructuras de gobernanza y aumente la confianza. Una integración eficaz de la IA basada en agentes requiere datos preparados para su uso con IA, una gobernanza sólida y una adecuada gestión del cambio.

Las organizaciones sanitarias que más se beneficiarán no serán necesariamente las que implanten un mayor número de agentes, sino aquellas en las que la IA y los profesionales se complementen y potencien mutuamente. De este modo, la sanidad podrá avanzar desde una coordinación reactiva hacia una atención más proactiva e inteligente.