La IA agentiva en la asistencia sanitaria: ¿qué ocurre cuando los agentes de IA discuten entre sí?

Un sistema de inteligencia artificial multiagente ha diagnosticado recientemente casos médicos poco frecuentes con una precisión superior al 80 %. Eso es cuatro veces mejor que los médicos con experiencia. No lo ha conseguido por ser más inteligente que ninguna IA en concreto. Esto se consiguió haciendo que varios agentes discutieran entre sí hasta que se detectaron los errores.

Hace seis meses, la inteligencia artificial desempeñaba un papel pasivo en el ámbito sanitario. Asistió a las reuniones, escuchó y resumió las notas clínicas. Fue útil, pero tenía sus limitaciones. En la actualidad, los sistemas de IA autónoma recuperan historiales de pacientes, aplican modelos de diagnóstico, coordinan planes de atención entre departamentos y cuestionan el razonamiento de los demás, todo ello sin esperar a que un ser humano inicie cada paso.

En un episodio reciente de su serie «Code to Care», Don Woodlock se reunió con el Dr. Peter Lee para analizar hacia dónde se dirige la IA autónoma en el ámbito sanitario. Hablaron de:

1. Un marco concreto que define qué es lo que hace que la IA sea «agente»
2. Sistemas reales que ya están en funcionamiento en entornos clínicos
3. Y una reflexión sobre la colaboración entre múltiples agentes que la mayoría de los artículos sobre esta tecnología pasan por alto por completo

Tanto si estás evaluando la IA agentiva para tu sistema sanitario como si intentas distinguir la realidad del bombo publicitario, a continuación te ofrecemos un análisis práctico: qué hace realmente esta tecnología, en qué ámbitos está dando resultados reales y qué debe tener tu organización preparado antes de implementarla.

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

La IA agentiva es fundamentalmente diferente. Estos sistemas inteligentes pueden observar, decidir y actuar, a menudo de forma autónoma, en entornos sanitarios.

Peter Lee divide la IA «agéntica» en cuatro componentes, lo que constituye una lista de verificación práctica para evaluar si un sistema es verdaderamente «agéntico» o si simplemente se le ha calificado así.

En sus inicios, la IA partía de cero en cada interacción. Los sistemas agenciales conservan el contexto episódico. La IA recuerda la alergia a la penicilina de este paciente, la reunión del comité oncológico celebrada hace tres semanas y el hallazgo señalado por el radiólogo a partir de los historiales del paciente. El contexto se mantiene entre sesiones, y el agente retoma el proceso donde lo dejó.

¿Qué está autorizada a hacer la IA? ¿Puede consultar la historia clínica electrónica? ¿Utilizar un modelo de radiología? ¿Cómo puedo consultar los resultados de los análisis? Los derechos definen los límites de la autonomía de un agente y, en el ámbito sanitario, esos límites revisten una enorme importancia.

Para que los agentes puedan actuar en los sistemas clínicos y operativos, necesitan plataformas que faciliten el acceso a los datos sanitarios sin necesidad de docenas de integraciones independientes.

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

Los sistemas agentivos modifican el estado del mundo. Recuperan historiales, elaboran notas clínicas, recurren a otros modelos de IA para realizar análisis especializados, programan citas, envían recordatorios y coordinan los seguimientos.

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

Este es el hilo que une a los otros tres. Un sistema agencial no se limita a ejecutar una secuencia de pasos. Razonando con un objetivo en mente, adapta su cadena de razonamiento a medida que recibe nueva información.

Trabaja en colaboración con los seres humanos, almacenando más contexto en la memoria de trabajo que cualquier profesional clínico por sí solo. Gracias al uso de tecnologías como el procesamiento del lenguaje natural y el aprendizaje automático, estos agentes inteligentes pueden extraer información valiosa de enormes conjuntos de datos y automatizar tareas complejas que resultarían abrumadoras para una sola persona.

Peter Lee describe este momento con una analogía relacionada con el béisbol: «Nos encontramos en las entradas intermedias de esta revolución tecnológica». «Y creo que tienes razón en que un elemento central de esta etapa intermedia es la IA con capacidad de agencia».

El impulso para su implantación es real, pero el futuro a largo plazo sigue siendo incierto. Para conocer con más detalle cómo encajan estos componentes en el diseño de sistemas, consulta nuestra guía sobre la arquitectura de la IA agencial.

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

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

• Un profesional sanitario de atención primaria que interactúa con los pacientes y colabora en el establecimiento de un diagnóstico
• Un agente contrarian cuyo único objetivo es mostrar su desacuerdo, cuestionando constantemente el razonamiento del protagonista, poniendo en duda sus suposiciones y rebatiendo sus conclusiones
• Un agente de costes que evalúa si cada análisis de laboratorio o estudio de diagnóstico por 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 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 están impulsando mutuamente a mejorar.

«Estas ideas de la computación agentiva no solo sirven para facilitar los procesos humanos, sino que también pueden reforzar, en cierto modo, la inteligencia de otras IA y, además, reducir aspectos como las tasas de alucinaciones simplemente al desafiarse unos a otros». - Dr. Peter Lee

Sí, los agentes están ayudando a automatizar procesos propensos a errores humanos. Pero también están reduciendo considerablemente uno de los mayores problemas de la IA: las alucinaciones. El agente que va a contracorriente no tiene por qué tener razón. Debe obligar al agente principal a defender su razonamiento.

Ese proceso pone de manifiesto las debilidades en la cadena de razonamiento que, de otro modo, pasarían desapercibidas.

Eso cambia por completo la perspectiva. La pregunta que se plantean la mayoría de los responsables del sector sanitario sobre la IA agentiva es: «¿Qué tareas puede automatizar?». La pregunta más acertada, y a la que responde MAI-DxO, es: «¿Qué ocurre cuando los agentes inteligentes se hacen más inteligentes unos a otros?».

MAI-DxO demuestra que los agentes pueden mejorar la inteligencia. El coordinador 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 colaboración con Stanford Medicine, que atiende anualmente a 4.000 pacientes en reuniones del comité oncológico, Microsoft ha desarrollado un agente de inteligencia artificial que participa en estas reuniones. El agente recupera los historiales de los pacientes, utiliza modelos especializados de inteligencia artificial para el análisis radiológico y patológico, muestra investigaciones publicadas que se ajustan al perfil genético 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 intrincados y coordinar planes de atención integrados entre múltiples departamentos especializados.

¿Recuerdas los componentes de MEAR enumerados anteriormente? Aquí están todos presentes. El agente:

• Conserva el contexto del paciente (memoria)
• Accede a historias clínicas electrónicas, sistemas de imágenes y bases de datos de investigación (derechos de acceso)
• Recupera y genera resultados (acciones)
• Y los motivos que justifican una recomendación terapéutica con el equipo clínico (Razonamiento).

Conectar esas fuentes de datos tan dispares es precisamente el reto 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 patológicos 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 permite conectar datos fragmentados para que los equipos asistenciales adecuados puedan tomar 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 agentiva va más allá de los comités oncológicos. Su iniciativa AXIOM utiliza un repositorio FHIR en InterSystems IRIS para facilitar la recuperación rápida de datos clínicos, lo que contribuye a reducir los tiempos de consulta de las historias clínicas electrónicas de minutos a segundos para aplicaciones de inteligencia artificial, entre las que se incluye la clasificación de pacientes mejorada 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: «A la hora de desarrollar aplicaciones con modelos de lenguaje grande (LLM), 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, que cualquier médico puede probar esta misma semana.

En su libro La revolución de la IA en la medicina, Lee recomienda que los médicos y enfermeros consideren la IA como «un segundo par de ojos».

La idea es la siguiente: elabora tu diagnóstico diferencial, luego presenta el caso a un agente de IA y hazle dos preguntas. ¿Hay algo que se me haya pasado por alto? ¿Hay algún error en mi razonamiento?

«Creo que a muchos médicos y enfermeros les vendría muy bien hacer su propio trabajo, pero considerar la IA como un agente que puede servirles de segundo par de ojos». - El Dr. Peter Lee

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

«En cierto modo, amplía la perspectiva de quien toma las decisiones». Ni siquiera el hecho de estar un poco equivocado supone un problema en este caso concreto, ya que lo único que me pides es que amplíe un poco mi perspectiva. «¿Hay algo más que deba tener en cuenta?» — Don Woodlock

La IA no toma decisiones. Más bien, se trata de ampliar el margen de decisión. Este enfoque contribuye a reducir la carga cognitiva de los profesionales sanitarios, ya que ofrece una verificación de los puntos ciegos sin que sea necesario que el sistema funcione de forma autónoma.

El espectro de aplicación abarca desde este tipo de validación hasta la coordinación de comités oncológicos y el diagnóstico autónomo mediante múltiples agentes. Las organizaciones sanitarias pueden empezar por donde su nivel de madurez en materia de datos y su gobernanza se lo permitan, y el éxito depende de que la ambición se ajuste al grado de preparación.

El comité oncológico de Stanford automatiza la coordinación clínica. El 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.

Pensemos en un flujo de trabajo típico de autorización previa. Hoy, un coordinador:

1. Recupera las notas clínicas de la historia clínica electrónica (HCE)
2. Comprueba los requisitos específicos del pagador en un portal independiente
3. Prepara el paquete de documentación
4. Se envía a través de otro sistema más
5. Y supervisa el estado de las autorizaciones, gestionando a menudo docenas de casos al mismo tiempo

Con un sistema de agente, el agente se encarga de la recuperación, el ensamblaje, las comprobaciones de conformidad y el envío. El coordinador revisa el expediente completado y gestiona las excepciones. Un trabajo que antes llevaba 45 minutos ahora se hace en 10.

No es una hipótesis. MUSC Health tramita ahora el 40 % de las autorizaciones previas de forma autónoma mediante IA agentiva, sin necesidad de 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 para integrar la automatización «agentic» en las integraciones existentes entre pagadores y proveedores.

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 agentiva durante los próximos dos o tres años, y que 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 «agente» aporte mejoras significativas en la eficiencia operativa en hospitales y sistemas sanitarios.

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

InterSystems IRIS for Health proporciona la capa de integración e interoperabilidad que permite a los sistemas «agentic» 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, los sistemas «agentic» están empezando a transformar la forma en que las organizaciones sanitarias gestionan la atención 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 permite un seguimiento en tiempo real que detecta los problemas antes de que se agraven.

Estas capacidades proactivas permiten a los profesionales sanitarios ofrecer plazos más claros y una comunicación más fiable a los pacientes, lo que estabiliza los flujos de trabajo internos y mejora al mismo tiempo la calidad de la atención y la experiencia general del paciente. (Para consultar un estudio de caso detallado sobre el rediseño de flujos de trabajo impulsado por la IA en un entorno clínico, véase nuestro artículo sobre la automatización en el sector sanitario.)

Cada minuto dedicado a conciliar datos entre distintos portales es un minuto que no se dedica a los pacientes. Los sistemas «Agentic» se encargan de la coordinación para que los equipos asistenciales puedan centrarse en prestar una atención compasiva.

Todo lo descrito anteriormente depende de una sola cosa: los datos. El marco MEAR deja clara la dependencia. La memoria necesita datos clínicos para recordar. Los derechos de acceso requieren sistemas que los concedan. Las acciones requieren API que respondan. El razonamiento requiere datos de entrada claros y estructurados.

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, faxes 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 clínicos, 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 agenticos 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. Eso es obvio.

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 agentiva 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 agentiva 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 mesurada, 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 agentiva, he aquí tres puntos de partida:

¿En qué aspectos dedican más tiempo tus equipos de atención sanitaria a recopilar, cotejar y ordenar la información de los distintos sistemas? Es precisamente en esos flujos de trabajo sanitarios de gran volumen y que requieren una gran coordinación donde la IA agentiva ofrece los resultados más rápidos.

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 sienten esas bases ahora estarán en condiciones de implementar sistemas autónomos a medida que la tecnología madure.

Empieza por implantar sistemas autónomos que sirvan de apoyo a los profesionales clínicos y al personal, y luego amplía la autonomía a medida que las estructuras de gobernanza maduren y aumente la confianza. La integración satisfactoria de la IA agentiva requiere una base sólida en materia de preparación de datos, gobernanza y gestión del cambio.

Las organizaciones sanitarias que más se beneficien no serán aquellas que implementen el mayor número de agentes. Serán aquellos en los que los sistemas de inteligencia artificial y los profesionales sanitarios se potencien mutuamente, transformando la asistencia sanitaria de una coordinación reactiva a una prestación de cuidados proactiva e inteligente.