El 9 de septiembre de 2026, Margarita Pirinen participó en un Mesa redonda del Comité MCCI para el Desarrollo de la Medicina Preventiva, Integrativa y Funcional y la Nutrición on digital technologies and AI in preventive medicine. Tras la presentación del presidente del comité Anton Polyakov, médicos y profesionales de la industria discutieron aplicaciones de AI. El documento a continuación desarrolla los puntos hechos por Margarita Pirinen en esa discusión.
Medical AI trabaja con fragmentos; una decisión se refiere a una persona
Un resumen de descarga, examen, informe de examen o descripción de síntomas registra observaciones individuales. Un modelo de lenguaje puede extraer hechos y preparar una explicación, pero esto todavía no es un análisis de la condición de una persona.
El significado de una medición depende de su método, rango de referencia, tratamiento, síntomas y trayectoria previa. Sin este contexto, no se puede determinar si un cambio es nuevo, persistente, esperado después de una prescripción o incompatible con otros datos.
El objeto del análisis es una trayectoria estatal
Este enfoque distingue los datos médicos de la condición de una persona. Los datos consisten en observaciones de esa condición de diferentes fuentes en diferentes momentos. Su significado emerge a través de conexiones con la historia de la persona y otras observaciones.
El sistema debe identificar qué cambio, qué mediciones cambiaron juntos, qué hechos se apoyan o contradicen entre sí y qué información es insuficiente. El tiempo es la coordinación analítica primaria. Una nueva observación extiende una trayectoria en lugar de constituir un episodio separado.
De la fuente a la hipótesis testable
Un documento, medición, síntoma o evento se almacena con su fecha y procedencia.
Los datos se comparan con el método, las unidades y el contexto original.
Se compara una observación con la historia de la persona y los cambios relacionados.
Se presenta una hipótesis con sus pruebas, lagunas y limitaciones.
Cada conclusión debe conducir de nuevo a fuentes específicas y reglas de comparación. Sin esto, el resultado no puede ser verificado.
La normalización debe preservar el significado médico
Las mediciones con nombres idénticos de diferentes laboratorios pueden diferir en métodos, unidades y intervalos de referencia. Mover valores en una tabla común sin estos atributos crea una comparación falsa.
Cada hecho conserva su documento original, fecha, método, unidades, rango de referencia y versión. La transformación se registra como una acción separada: las limitaciones de valor original, regla aplicada y comparación siguen siendo visibles. Una corrección crea una nueva versión sin borrar la anterior.
Un modelo de idioma es un componente, no una fuente de pruebas
Un LLM puede leer documentos, extraer hechos, clasificar y preparar texto claro. No establece la verdad clínica. Un modelo puede inventar plausiblemente un hecho perdido, combinar observaciones incomparables o perder la conexión entre una conclusión y su fuente.
Por lo tanto, la capa generativa funciona dentro de las reglas formales. La procedencia de los datos, la validez de las comparaciones y la idoneidad de las pruebas se verifican por separado. El análisis automatizado se detiene cuando no se cumplen las condiciones.
El resultado previsto es una hipótesis probable
Un diagnóstico autónomo no se considera una salida del sistema. AI compara las observaciones heterogéneas, identifica cambios significativos, combinaciones recurrentes, contradicciones y lagunas.
Una hipótesis se genera sólo cuando existen suficientes motivos y se transmite al profesional con los hechos utilizados, fuentes, relaciones temporales, explicaciones alternativas y límites de confianza. Cuando los datos son insuficientes, el sistema declara lo que falta y no continúa interpretando.
El médico sigue siendo parte del proceso de decisión
AI conserva una larga historia y realiza comparaciones que son difíciles de hacer manualmente a través de conjuntos de datos grandes. El médico evalúa el significado clínico, confirma o rechaza la hipótesis y determina el siguiente paso.
La evaluación médica se almacena en la historia. La confirmación, corrección o rechazo de una hipótesis se convierte en contexto para el próximo análisis.
Las limitaciones regulatorias forman parte de la arquitectura
En la reunión se examinó la transferencia transfronteriza, la deidentificación de datos médicos y la IA en investigación. Cada escenario necesita un propósito de procesamiento definido, ubicaciones de almacenamiento y cálculo, datos permitidos, derechos de acceso y evaluación del riesgo de reidentificación.
La deidentificación no permite la reutilización arbitraria. Trabajar con la historia de un individuo y construir una cohorte de investigación son actividades separadas. Una hipótesis de investigación requiere un protocolo específico y validación; un resultado de análisis individual no es una conclusión científica.
Conclusión
Medical AI debe trabajar con contexto y mostrar la base de sus resultados.
El sistema previsto conecta las observaciones con el tiempo, preserva la procedencia, distingue los hechos de la interpretación y se detiene cuando los datos son insuficientes. Su salida es una hipótesis probable para la evaluación de un médico.
Cómo se aplica este enfoque en BIOS


