Tres puntos clave
- 01
Tras la presentación de Anton Polyakov, los participantes discutieron el futuro de la interacción entre médicos y sistemas digitales, desde herramientas de apoyo a la próxima generación de IA médica.
- 02
Margarita Pirinen identificó un reto central: pasar de procesar documentos individuales a estudiar datos longitudinales y la condición de una persona con el tiempo.
- 03
Esta transición requiere abordar la comparabilidad de datos, la desidentificación y la transferencia transfronteriza, al tiempo que un profesional verifica los productos de IA.
El 9 de septiembre, el Comité de Desarrollo de la Medicina Preventiva, Integrativa y Funcional y la Nutrición de la Cámara de Comercio e Industria de Moscú celebró una mesa redonda sobre tecnologías digitales y soluciones informáticas en medicina preventivaLos participantes incluyeron a propietarios de clínicas, desarrolladores de tecnología médica, líderes de proyectos educativos, un oncólogo y otros profesionales.
El presidente del Comité Anton Polyakov abrió la reunión con una presentación sobre herramientas digitales en medicina preventiva y nutrición. Discutió la toma de historia, procesamiento de datos de laboratorio y cuestionarios funcionales, aplicaciones de IA y comunicación digital entre médicos y pacientes.
Se siguió una discusión abierta. El fundador y CEO de BIOS, Margarita Pirinen, se unió a la conversación sobre el futuro de la IA en medicina: su papel permisible en decisiones, requisitos de datos y oportunidades para estudiar cambios de salud durante períodos prolongados.
Diferentes perspectivas
IA como herramienta del médico y como base para un nuevo marco de investigación
Los participantes compartieron una advertencia contra un modelo totalmente autónomo que sustituye al profesional. Anton Polyakov describió AI principalmente como una herramienta de procesamiento de información: puede acelerar operaciones individuales, pero las decisiones médicas deben permanecer humanas.
Margarita Pirinen estuvo de acuerdo en que la supervisión médica es esencial, a la vez que defendía una visión más amplia de la tecnología. Ella ve la IA no como un medio de asignar diagnósticos automáticamente, sino como una herramienta para trabajos computacionales, analíticos y de investigación que no se pueden hacer manualmente a través de grandes conjuntos de datos médicos.
Esta distinción es fundamental: el sistema no reemplaza al médico con una respuesta preparada, sino que ayuda a reunir la base para una decisión profesional. Debe comparar historias, identificar cambios persistentes, exponer contradicciones y devolver resultados con sus fuentes y limitaciones.
perspectiva de Margarita Pirinen
La normalización debe preservar el significado médico de los datos
Margarita Pirinen planteó diferencias entre las mediciones obtenidas en diferentes laboratorios y países. El problema no es meramente convertir unidades. La comparabilidad se ve afectada por el método de prueba, el rango de referencia, la fecha, la fuente y las condiciones de observación.
Por lo tanto, un formato técnico uniforme no hace un conjunto de datos médicamente homogéneo. La normalización debe preservar la procedencia y la versión de cada hecho, junto con las reglas utilizadas para hacerlo comparable. De lo contrario, el sistema oculta diferencias que pueden cambiar el significado de un resultado.
El enfoque BIOS trata los datos como observaciones de la condición de una persona, no como la condición misma. Una prueba, síntoma o prescripción captura sólo parte de la imagen. Significado emerge cuando estas observaciones se comparan con la historia anterior y otros cambios a lo largo del tiempo.
Datos y reglamentación
La deidentificación y las transferencias transfronterizas requieren normas separadas
Los participantes discutieron las limitaciones en el uso de modelos e infraestructura en el extranjero. Un producto médico debe establecer con antelación qué información se envía a un proveedor externo, dónde se procesa y si el destinatario puede vincularlo de nuevo a un individuo.
Los datos de identificación crean oportunidades para sistemas analíticos de investigación y capacitación, pero no eliminan automáticamente todos los requisitos. El anonimato debe distinguirse de la pseudonymización, los riesgos de reidentificación controlados y permitidos usos del conjunto de datos documentados.
Margarita Pirinen argumenta que estas reglas pertenecen a la arquitectura del producto. La localización, los controles de acceso, los registros de operaciones y un procedimiento de transferencia transfronteriza independiente no pueden añadirse después del lanzamiento como apéndice legal formal.
Limitaciones de la tecnología
Un modelo de lenguaje grande todavía no es la inteligencia médica
Parte de la conversación abordó modelos disponibles dentro de la infraestructura rusa y su lugar en productos médicos. Los modelos de lenguaje pueden analizar texto, extraer información y componer respuestas coherentes. Sin embargo, esas capacidades no hacen una conclusión médica basada en pruebas.
Un modelo generativo puede perder la procedencia de un hecho, combinar observaciones incompatibles o llenar una brecha con una posible continuación. En una conversación ordinaria esto parece una inexactitud; en el análisis médico y de investigación, puede cambiar el significado de toda la imagen.
Margarita Pirinen cree que un LLM debe ser una herramienta dentro de un sistema controlado. Puede ayudar a leer y estructurar documentos, pero las conclusiones deben basarse en normas oficiales, fuentes verificables y evaluación de expertos.
La próxima generación de AI
De recomendaciones estáticas a estudiar la condición de una persona con el tiempo
Durante la discusión, Margarita Pirinen destacó otra limitación: el conocimiento médico y las directrices describen inevitablemente un modelo generalizado, mientras que la condición de un individuo cambia. Tratamiento, estilo de vida, estrés psicológico, medio ambiente y muchos otros factores actúan simultáneamente en él.
Ella ve la tarea de la próxima generación de sistemas médicos digitales como estudiar datos longitudinales. No deben simplemente comparar a las personas con las normas de población, sino reconocer sus trayectorias individuales: qué mediciones cambiaron juntas, qué combinaciones recurrieron, donde surgieron discrepancias y qué datos faltan para probar una hipótesis.
Este enfoque también cambia la dirección de la investigación. Las observaciones acumuladas alrededor de un paciente individual se convierten en un punto de partida para encontrar patrones reproducibles que pueden ser probados en muestras más grandes. Es un traslado de casos individuales al conocimiento verificable, no un intento de encajar a todos en un esquema predeterminado.
BIOS desarrolla este enfoque a través de Health Memory y BIOS Intelligence. La primera conserva historia, versiones y procedencia de datos; la segunda compara las observaciones con el tiempo y genera hipótesis probables con limitaciones explícitas. El resultado está destinado a una mayor evaluación profesional y no es un diagnóstico.
La conclusión central
El futuro de la IA médica no reside en respuestas autónomas, sino en un análisis verificable del cambio con el tiempo.
La tecnología se vuelve útil para los médicos cuando preserva el significado y la procedencia de los datos, considera historias individuales y muestra los límites de cada resultado.
Explore la tecnología BIOS



