IA con agentes en sanidad: ¿qué ocurre cuando los agentes de IA discuten entre sí?

Recientemente, un sistema de IA con varios agentes diagnosticó casos médicos raros con una tasa de acierto superior al 80 %. Es una precisión cuatro veces mayor que la obtenida por profesionales clínicos experimentados. No llegó a ese resultado por ser más inteligente que una IA individual. Lo consiguió haciendo que varios agentes debatieran entre sí hasta detectar los errores.

Hace seis meses, la IA desempeñaba un papel pasivo en la sanidad. Participaba en reuniones, escuchaba y resumía notas clínicas. Era útil, pero limitada. Ahora, los sistemas de IA con agentes recuperan historias clínicas, invocan modelos diagnósticos, coordinan planes asistenciales entre departamentos y cuestionan el razonamiento de otros agentes, todo ello sin esperar a que una persona inicie cada paso.

En un episodio reciente de su serie Code to Care, Don Woodlock conversó con el Dr. Peter Lee para analizar hacia dónde avanza la IA con agentes en sanidad. Trataron los siguientes aspectos:

1.     Un marco concreto para definir qué hace que una IA sea «con agentes».
2.     Sistemas reales que ya se utilizan en entornos clínicos.
3.     Una idea sobre la colaboración entre varios agentes que casi todos los análisis de esta tecnología pasan por alto.

Para las organizaciones sanitarias que están evaluando la IA con agentes o que necesitan distinguir la realidad del ruido, lo que sigue ofrece un desglose práctico: qué hace realmente la tecnología, dónde está generando resultados reales y qué debe tener preparado una organización antes de implantarla.

La IA tradicional responde a instrucciones de una en una, sin memoria entre sesiones, sin permisos para actuar sobre sistemas externos y sin capacidad para modificar nada en el mundo real.

La IA con agentes es fundamentalmente distinta. Estos sistemas inteligentes pueden observar, decidir y actuar, a menudo de forma autónoma, dentro de entornos sanitarios.

Peter Lee descompone la IA con agentes en cuatro componentes: una lista práctica para evaluar si un sistema es realmente de IA con agentes o si solo se presenta comercialmente como tal.

En sus inicios, la IA partía de cero en cada interacción. Los sistemas con agentes conservan el contexto, de manera que son capaces de recordar la alergia a la penicilina de este paciente, la revisión del comité de tumores de hace tres semanas o el hallazgo señalado por el radiólogo en las historias clínicas. El contexto se mantiene entre sesiones y el agente retoma el trabajo donde lo dejó.

¿Qué puede hacer la IA? ¿Puede consultar la historia clínica electrónica? ¿Invocar un modelo de radiología? ¿Acceder a resultados de laboratorio? Los permisos definen los límites de la autonomía de un agente y, en sanidad, esos límites son especialmente importantes.

Para que los agentes actúen en sistemas clínicos y operativos, necesitan plataformas que hagan accesibles los datos sanitarios sin depender de decenas de integraciones independientes.

Plataformas como InterSystems IRIS, que combinan bases de datos, integración y análisis en una única capa, reducen los traspasos que un agente debe gestionar para recuperar datos de pacientes y actuar sobre ellos.

Los sistemas con agentes cambian el estado de las cosas. Recuperan historias clínicas, generan notas clínicas, invocan otros modelos de IA para análisis especializados, programan citas, envían recordatorios y coordinan seguimientos.

En pocas palabras: la IA generativa responde a preguntas. La IA con agentes hace cosas.

Este es el hilo que une los otros tres componentes. Un sistema con agentes no se limita a ejecutar una secuencia de pasos. Razona hacia un objetivo y adapta su cadena de razonamiento a medida que llega nueva información.

Trabaja de forma conjunta con los profesionales y mantiene más contexto en la memoria de trabajo que cualquier profesional clínico individual. Mediante tecnologías como el procesamiento del lenguaje natural y el machine learning, estos agentes inteligentes pueden extraer conocimiento de grandes conjuntos de datos y automatizar tareas complejas que desbordarían a una sola persona.

Peter Lee describe este momento con una analogía del béisbol: «estamos en la mitad de esta revolución tecnológica. Y creo que tiene razón al señalar que uno de los elementos centrales de esta etapa intermedia es la IA con agentes».

El impulso para implantarla es real, pero las últimas fases siguen siendo inciertas. Para profundizar en cómo encajan estos componentes en el diseño de sistemas, puede consultarse la guía de InterSystems sobre arquitectura de IA con agentes.

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

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

Así funciona en el mundo real. MAI-DxO es un sistema de diagnóstico multiagente desarrollado por Microsoft AI. En lugar de pedir a una sola IA que evalúe todos los factores de un diagnóstico complejo, el sistema asigna funciones distintas a distintos agentes de IA:

• Un agente principal que interactúa con los pacientes y avanza hacia un diagnóstico.
• Un agente contrario cuya única función es discrepar, cuestionando constantemente el razonamiento del agente principal, revisando supuestos y poniendo en duda sus conclusiones.
• Un agente de coste que evalúa si cada prueba de laboratorio o estudio de imagen propuesto está justificado desde el punto de vista de los recursos.
  

Estos agentes participan en una «cadena de debate»: un desacuerdo estructurado que impulsa el proceso de diagnóstico a través de múltiples rondas de cuestionamiento y perfeccionamiento antes de llegar a una conclusión. El sistema es capaz de analizar simultáneamente datos procedentes de notas clínicas, historiales de pacientes y resultados de laboratorio, procesando un contexto que ningún profesional sanitario podría retener por sí solo en su memoria de trabajo.

En colaboración con la revista *New England Journal of Medicine*, tras realizar pruebas con una serie de casos de diagnósticos extremadamente raros, MAI-DxO logró un diagnóstico correcto en más del 80 % de los casos. La configuración con mejores resultados alcanzó un 85,5 %, más de cuatro veces mejor que la de médicos con amplia experiencia que trabajaron en los mismos casos, cuya precisión media fue de, aproximadamente, un 20 %.

La precisión es importante. Pero las ventajas no se quedan ahí. En cierto sentido, los agentes de IA se impulsan mutuamente a mejorar.

«Estas ideas de computación con agentes no solo sirven para facilitar procesos humanos; también pueden reforzar la inteligencia de otras IA y, además, reducir aspectos, como las tasas de alucinación, simplemente mediante el cuestionamiento mutuo». - Dr. Peter Lee

Sí, los agentes están ayudando a automatizar procesos propensos al error humano. Pero también reducen de forma significativa uno de los principalesproblemas de la IA: las alucinaciones.El agente contrario no necesita tener razón. Necesita obligar al agente principal a defender su razonamiento.

Este proceso hace aflorar 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 los agentes pueden mejorar la inteligencia. El orquestador del comité oncológico de Stanford aborda un problema diferente, uno que puede resultar más relevante para la atención diaria de los pacientes: la coordinación entre datos fragmentados y sistemas distintos.

Los comités oncológicos son reuniones multidisciplinares en las que oncólogos, radiólogos, cirujanos y patólogos revisan el caso concreto de un paciente y deciden el tratamiento a seguir. Cada semana se producen miles de casos de este tipo en los sistemas sanitarios de todo el mundo, y cada uno de ellos requiere que los equipos asistenciales recopilen información dispersa en múltiples sistemas.

En un proyecto conjunto con Stanford Medicine, que atiende anualmente a 4.000 pacientes en reuniones del comité oncológico,, Microsoft desarrolló un agente de IA que participa en estas reuniones. El agente recupera historias clínicas, ejecuta modelos especializados de IA para análisis radiológico y anatomopatológico, muestra investigación publicada relacionada con la genética del paciente y genera notas para su revisión.

Puede proporcionar apoyo en tiempo real a los profesionales sanitarios al encargarse de tareas complejas, como descifrar casos médicos difíciles y coordinar planes de atención integrados entre varios departamentos especializados.

Al recordar los componentes MEAR mencionados anteriormente se puede comprobar que aquí están todos presentes, de forma que el agente:

• Conserva el contexto del paciente (memoria).
• Accede a historias clínicas electrónicas, sistemas de imágenes y bases de datos de investigación (permisos).
• Recupera y genera resultados (acciones).
• Razona con el equipo clínico hacia una recomendación terapéutica (razonamiento).

Conectar esas fuentes de datos tan heterogéneas es, precisamente, el problema de interoperabilidad para el que se diseñaron plataformas como InterSystems HealthShare. Las notas 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 agrupa los datos clínicos de múltiples sistemas en una historia clínica unificada, lo que proporciona a los sistemas de gestión (y a los profesionales sanitarios) una visión única y coherente, independientemente del origen de los datos.

Este es el modelo que permite la escalabilidad. Los comités oncológicos requieren la colaboración de especialistas, datos y decisiones de todo el sistema sanitario. Ese mismo reto de coordinación conecta datos fragmentados para que los equipos asistenciales tomen las decisiones correctas, y está presente en prácticamente todos los flujos de trabajo de la prestación de asistencia 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 un sistema de diagnóstico con múltiples agentes para mañana mismo.

Anthropic, los creadores de Claude, escribieron acertadamente 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».

Afortunadamente, el Dr. Lee ofrece un punto de partida más sencillo y que cualquier profesional sanitario puede probar. En su libro La revolución de la IA en la medicina, Lee recomienda que los profesionales sanitarios consideren la IA como «un segundo par de ojos».

La idea es elaborar el diagnóstico diferencial y, luego, presentar el caso a un agente de IA con dos preguntas: ¿hay algo que se haya pasado por alto? ¿Hay algún error en el razonamiento?

«Creo que a muchos profesionales sanitarios les vendría bien hacer su trabajo y, luego, considerar la IA como un agente que puede servirl de segundo par de ojos». - El Dr. Peter Lee

Don Woodlock destaca por qué esto funciona incluso cuando la IA no es perfecta:

«En cierto modo, amplía la perspectiva de quien toma la decisión. Incluso si hay cierto grado de error no perjudica este caso de uso porque solo se está pidiendo que la mente se abra un poco más: “¿Hay algo más que debería considerar?”». — Don Woodlock

La IA no toma decisiones. Más bien, amplia el margen de decisión. Este enfoque reduce la carga cognitiva de los profesionales sanitarios al ofrecer una comprobación frente a puntos ciegos, sin exigir que el sistema opere de forma autónoma.

El espectro de adopción va desde este tipo de validación hasta la orquestación de comités oncológicos y el diagnóstico autónomo con varios agentes. Las organizaciones sanitarias pueden incorporarse en el punto que permitan su madurez de datos y su gobernanza, y el éxito depende de ajustar la ambición al grado de preparación.

El comité oncológico de Stanford automatiza la coordinación clínica. Ese mismo patrón se aplica a la maquinaria administrativa del sector sanitario, y las cifras son difíciles de ignorar.

Las organizaciones sanitarias estadounidenses gastan más de 1 billón de dólares al año en tareas administrativas. No se refiere a la atención al paciente, sino a la coordinación.

Cosas como:

• Recuperar información de un sistema y cotejarla con la de otro.
• Recopilación de documentación.
• Presentación a través de portales.
• Y el seguimiento de los resultados.

Supone una pérdida de tiempo para el personal sanitario y genera errores en cada traspaso. Los profesionales sanitarios se incorporaron a este sector para ofrecer una atención compasiva a los pacientes, no para conciliar datos entre distintos portales.

En un flujo de trabajo típico de autorización previa el coordinador debe:

1. Recuperar las notas clínicas de la historia clínica electrónica (HCE).
2. Comprobar los requisitos específicos del pagador en un portal independiente.
3. Preparar el paquete de documentación.
4. Enviarlo a través de otro sistema más,
5. y supervisar el estado de las autorizaciones, gestionando a menudo docenas de casos al mismo tiempo

Con un sistema de IA con agentes, el agente se encarga de la recuperación, la preparación, las comprobaciones de cumplimiento y el envío. La persona responsable de la coordinación revisa el paquete completado y gestiona las excepciones. Un trabajo que llevaba 45 minutos pasa a requerir 10.

No es una hipótesis. MUSC Health tramita ahora el 40 % de las autorizaciones previas de forma autónoma mediante IA con agente, sin intervención humana.

InterSystems HealthShare da soporte a estos flujos de trabajo a través de su suite Payer Services, que incluye soporte para autorizaciones previas, identificación de requisitos de cobertura y plantillas de documentación. Esto proporciona a las organizaciones una base estandarizada sobre la que incorporar automatización con agentes a las integraciones existentes entre organizaciones sanitarias y aseguradoras.

Una encuesta del Deloitte Center for Health Solutions realizada a 100 ejecutivos del sector de la tecnología sanitaria en EE. UU. reveló que el 85 % tiene previsto aumentar la inversión en IA con agentes en los próximos dos o tres años. El 98 % espera un ahorro de costes de, al menos, el 10 % gracias a la reducción de los gastos administrativos y a una mejor utilización de los recursos.

Los responsables del sector sanitario esperan que la tecnología de IA con agentes mejore significativamente la eficiencia operativa en los hospitales y los sistemas sanitarios.

El reto subyacente en estos flujos de trabajo es la fragmentación de los datos. La autorización previa, las reclamaciones y la programación de citas dependen de información dispersa en historias clínicas electrónicas (HCE), sistemas de facturación y portales de las aseguradoras.

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

Más allá de las tareas administrativas, estos sistemas comienzan a transformar la gestión que las organizaciones sanitarias realizan de su asistencia al paciente tras el alta. Los agentes de IA pueden supervisar los síntomas de los pacientes, confirmar el cumplimiento del tratamiento, programar citas de seguimiento y señalar cualquier problema a los equipos de atención, lo que propicia el seguimiento en tiempo real que detecta los problemas antes de que se agraven.

Estas capacidades proactivas hacen posible que los profesionales sanitarios ofrezcan plazos más claros y establezcan una comunicación más fiable con los pacientes. Esto es algo que que estabiliza los flujos de trabajo internos y mejora, al mismo tiempo, la calidad de la atención y la experiencia general del paciente.

Cada minuto dedicado a conciliar datos entre distintos portales es un minuto que no se dedica a los pacientes. Los sistemas con agente se encargan de la coordinación para que los profesionales sanitarios se centren en proporcionar la mejor asistencia al paciente.

Todo lo anterior depende de una sola cosa: los datos. El marco MEAR explicita esa dependencia. La memoria necesita datos clínicos para recordar. Los permisos requieren sistemas que concedan acceso. Las acciones necesitan API que respondan. El razonamiento precisa entradas limpias y estructuradas

En la mayoría de los sistemas sanitarios, los datos de los pacientes se encuentran dispersos en historias clínicas electrónicas, plataformas de facturación, portales de las aseguradoras y herramientas digitales departamentales, en distintos formatos, con distintos niveles de exhaustividad y distintos ciclos de actualización. La gran mayoría de los datos sanitarios siguen sin utilizarse, ya que están almacenados en formatos que los sistemas actuales no pueden procesar a la escala que requieren las aplicaciones de IA autónoma. Los sistemas sanitarios se enfrentan a importantes retos debido a esta fragmentación y a los problemas de interoperabilidad que genera.

Hay tres pilares fundamentales para las organizaciones sanitarias que desean implementar sistemas basados en agentes.

Los estándares de interoperabilidad sanitaria, como FHIR y HL7, son las vías por las que circulan los sistemas de gestión. InterSystems HealthShare Health Connect, disponible como servicio gestionado en la nube, se encarga de la conversión de protocolos y el enrutamiento de mensajes que permiten a los agentes inteligentes comunicarse entre sistemas, y es compatible con HL7, FHIR, X12, DICOM y otros estándares sanitarios sin necesidad de integraciones punto a punto personalizadas. Esta arquitectura modular permite a los sistemas sanitarios conectar diferentes sistemas de forma gradual, en lugar de intentar una sustitución completa.

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.

Se trata de normas claras sobre lo que los agentes pueden hacer por su cuenta, cuándo deben remitir el asunto a un superior y cómo se registra cada acción.

Los sistemas basados en agentes cometerán errores. Esto debe darse por hecho.

Los requisitos de cumplimiento normativo hacen que la labor de la arquitectura sea doblemente importante: detectar esos errores antes de que lleguen a los pacientes. El debate entre múltiples agentes, los puntos de control con intervención humana, la transparencia con los pacientes sobre cómo participa la IA en su atención y los registros de auditoría no son características opcionales. Son la razón por la que la tecnología funciona.

Las barreras para su adopción se están reduciendo. La encuesta de Deloitte reveló que el 40 % de los directivos del sector sanitario afirman que la escasez de personal técnico, que antes se consideraba uno de los principales obstáculos, ya no se percibe como un reto importante. La resistencia al cambio y las preocupaciones sobre la calidad de los datos también están dejando de ser obstáculos, ya que el 38 % y el 32 % de los líderes, respectivamente, señalan que se han producido mejoras en esas áreas.

Los responsables del sector sanitario deben seguir centrándose en crear bases de datos sólidas y estructuras de gobernanza, pero el camino está más claro que hace tan solo un año.

Hay algo que conviene saber: los agentes detectan los problemas de calidad de los datos antes y de forma más directa que los flujos de trabajo humanos. Cuando un agente no puede completar una tarea porque los registros contienen información contradictoria, eso es una señal de diagnóstico, no un fallo tecnológico. Es el sistema el que te indica en qué puntos hay que reforzar los cimientos.

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:

¿Dónde dedican más tiempo los equipos asistenciales a recuperar, conciliar y secuenciar información entre sistemas? Esos flujos de trabajo sanitarios de alto volumen y gran carga de coordinación son los que ofrecen retornos más rápidos con la IA con agentes.

Los agentes inteligentes necesitan datos sanitarios estructurados e interoperables para funcionar de forma autónoma. ( Preparar los datos para su uso con la IA es un punto de partida práctico.) Las organizaciones sanitarias que construyan ahora esa base estarán en mejores condiciones para implantar sistemas con agentes a medida que la tecnología madure.

Conviene comenzar con sistemas con agentes que apoyen a profesionales clínicos y equipos administrativos, y ampliar después la autonomía a medida que maduren las estructuras de gobernanza y aumente la confianza. La integración satisfactoria de la IA con agentes exige una base sólida de preparación de datos, gobernanza y gestión del cambio.

Las organizaciones sanitarias que más se beneficiarán no serán las que desplieguen más agentes. Serán aquellas en las que los sistemas de IA y los profesionales sanitarios se hagan mejores entre sí, transformando la sanidad desde una coordinación reactiva hacia una atención proactiva e inteligente.