Ignacio Alarcón: Mucho se habla de lo que podría hacerse con inteligencia artificial, todas las teorías y las posibilidades. Pues hoy les traemos un caso de uso real alemana GPT, el asistente creado por el equipo de transformación digital de la Clínica Alemana de Santiago de Chile, el cual lleva casi un año funcionando y ayudando a profesionales de la salud en tareas administrativas y de capacitación interna. Hablaremos sobre cómo se desarrolló el proyecto, qué problemas busca resolver y cómo planean ir de aquí en adelante. Y para eso hablaremos con Alejandro Mauro, médico jefe de Transformación Digital Clínica en la Clínica Alemana de Santiago. Alejandro, muchas gracias por estar acá con nosotros. Quería que nos contaras un poco entonces de este proyecto que estuvieron armando de Alemana GPT.
Alejandro Mauro: Muchísimas gracias por la invitación. Nuestro equipo, que es un equipo ultra especializado en todo lo que tenga que ver con tecnologías de la información Ÿousand aplicadas a salud, ha estado, digamos, investigando sobre los temas, digamos, de los modelos del lenguaje desde que partieron con Roberta en su momento, con, digamos, con las versiones iniciales de los Transformes, con el GPT dos que no era muy bueno, con el GPT tres que tampoco era muy bueno, pero cuando el GPT tres 5 salió, vimos que en realidad había madurado como para poder ser implementado. Y en ese contexto, digamos, la gerencia de tecnología generó una suerte como de concurso interno para buscar proyectos en el que pudiéramos utilizar estas tecnologías para la atención de nuestros pacientes. Así que nuestro departamento, que es el departamento de informática biomédica, ya tenía pensado un montón de proyectos. Como siempre, tenemos un listado de más cosas que queremos hacer de lo que realmente, realmente factible llevar adelante. Y priorizamos dentro de ese proyecto un par de objetivos que teníamos con el grupo clínico que había partido con entrevistas con el grupo médico, de qué cosas querían mejorar, qué cosas querían cambiar. Entonces vimos que la aplicación de grandes modelos del lenguaje podía ayudar en varias de las acciones que los médicos hacemos rutinariamente en una historia clínica electrónica. Y ahí hicimos una encuesta como para poder recolectar más ideas de más gente, y nos volvimos con un listado cada vez más grande de todo lo que podríamos hacer. Algunas eran ideas como fantasiosas, de que siempre la tecnología va a resolver cosas que uno no puede resolver, y como es inteligencia y es artificial y puede cualquier cosa, pedimos todo. Y en ese contexto, digamos, fuimos evaluando, digamos, todos los pedidos y fuimos priorizando. Y tenemos en realidad un roadmap muy grande donde cada seis meses hacemos algún rollout de alguna funcionalidad. Así que el proyecto partió con una visión, siempre nosotros tenemos una visión de que pueda escalar, de que pueda cambiar y que pueda mutar en el tiempo. Si las condiciones son distintas. Así que lo que primero hicimos fue construir un administrador de prompts que nos permitía de alguna manera manipular, digamos, lo que tenía que ver con las instrucciones que le dábamos al modelo del lenguaje y los tipos de input que podíamos darle al modelo del lenguaje en nuestra historia clínica. Así que hoy contamos con un administrador que nos permite tranquilamente modificar Prompts que tenemos construidos, o crear nuevos Prompts, disponibilizarlos, por ejemplo, para solamente una especialidad o disponibilizarlos para más especialidades. Quiere decir que tenemos una funcionalidad que nos permite hacer el uso, digamos, de los modelos del lenguaje en sus diferentes tipos de modelos que se ofrecen a través de Azure, que nosotros implementamos OpenAI, pero lo implementamos a través de nuestro propio tenant privado en Azure. Y podemos elegir las diferentes versiones de los modelos. Tres 5 que era la más rápida, la cuatro que era más lenta, pero que era mejor ahora la cuatro o. Y ahora, digamos, cada vez vamos escalando en los diferentes tipos de modelos y podemos ir mejorando también nuestra nuestra forma en la que tenemos construido cada uno de esos prompts. Actualmente disponibilizamos en la historia clínica Prompts para generar resúmenes de episodios de atención, prompts para mejorar la escritura. Los profesionales de la salud no hablamos en español, sino que hablamos en algo que se conoce como dialecto médico, que es un dialecto ultra especializado que tiene un montón de siglas y jergas que solamente los conocemos quienes venimos del mundo de la salud. Y poder seguir hablando en ese dialecto, que es un dialecto simple, para nosotros es muy útil. Pero entendemos que cuando tenemos que hablar con terceros, cuando terceros tienen que entenderlo, es más difícil. Entonces, poder escribir en dialecto y que un modelo del lenguaje lo traduzca a un español más simple o a un handout para pacientes es una funcionalidad que encontramos muy buena. Zweitausendein. Así que inicialmente planteamos resúmenes, el de que nos mejoren las evoluciones, el de poder hacer, por ejemplo, informes médicos. Muchas veces los médicos tenemos que atender un paciente y después tenemos que hacerle un informe para algo que tenga que ver con los seguros, una parte como más administrativa. Y termina siendo una actividad que es como tediosa para el profesional de la salud, porque dice bueno, yo al final la atendí al paciente, ahora tengo que hacer un montón de papeleo para resolver temas administrativos. Y eso genera frustración. 1 Modelo de lenguaje es una gran ayuda, digamos, para ese contexto, porque está todo escrito en la ficha, por lo cual reutilizar la información para crear informes médicos es muy bueno.
Ignacio Alarcón: Claro, disculpa. En este caso, lo que hace entonces es generar una propuesta con el modelo de lenguaje en base a la información que uno llenó de la ficha del cliente o del paciente.
Alejandro Mauro: En este caso tenemos, digamos, nuestro administrador de prompts tiene la siguiente funcionalidad. Una es que podemos definirle con qué texto se va a basar, cuál va a ser lo que se conoce como el input dentro de un modelo del lenguaje. Entonces nosotros tenemos que la instrucción la escribimos nosotros los administradores de la administración de los prompts. Quiere decir que, por ejemplo, crea un resumen tomando como rol ser un médico especialista en medicina interna, utiliza como input, sí. Y tenemos funciones que, por ejemplo, agarran y toman información de la ficha clínica, toma las últimas cuatro evoluciones escritas por médicos de especialistas en medicina interna, toma, no sé, los últimos cinco reportes que se ingresaron en la ficha clínica o toma lo que se está elaborando, el que está escribiendo el médico mientras está escribiendo una evolución o toma los resultados del laboratorio o toma resultados de imágenes. Podemos construir que ese input finalmente sea dinámico. Y lo otro que tenemos en nuestro administrador, que también vimos que era muy necesario, es cómo queremos presentar o renderizar, digamos, ese resultado. Entonces tenemos como una suerte como de templates que definimos ÿousand en los cuales a veces mostramos una ventana, un modal con ciertos botones, a veces mostramos una ventana que tiene otras funcionalidades o que tiene distintas formas de presentar la información con funcionales distintas, desde descargar como PDF, enviar por correo electrónico, guardar, reemplazar texto. Entonces tenemos una versatilidad de herramientas que construimos con un administrador, lo cual es muy es costoso. Si lo más fácil en realidad es hacer algo y lo hace fijo y que queda así, pero entendíamos que el proyecto tenía que ser concebido para escalar, para cambiar, para ir teniendo feedback e ir cambiando en base al feedback que vamos teniendo de los de los profesionales. Entonces este esto nos permite, por ejemplo, no sé, ahora paciente internacional nos pide necesito que se pueda traducir al griego porque tenemos un paciente y para nosotros es muy simple. Si es, digamos, es habilitar una funcionalidad y al profesional le aparece esa funcionalidad y puede traducir al griego algo que escribió en español, por ejemplo, que es una funcionalidad que es súper potente porque finalmente nosotros atendemos pacientes, digamos que ÿousand que hablan en otro idioma y poder documentar en el idioma que tenemos que documentar, pero poder entregarle información al paciente en su idioma es algo muy, muy bueno.
Ignacio Alarcón: Claro, así súper modular. ¿Al final la idea es que el día de mañana, con todos los cambios y lo rápido que cambia la inteligencia artificial, tienes esa ventaja de que cualquier cambio que salga mañana, como por ejemplo ahora el nuevo modelo que salió hace poco, el o cualquier otra mejora significativa que pueda salir en el futuro, te la van a poder implementar de manera más sencilla, cierto? Para ir mejorando las necesidades y todo.
Alejandro Mauro: Tal cual, en realidad era era armar una base que sea muy sólida y no una base como muy rápida, pero que después cada cambio es más costoso. Entonces hoy tenemos, digamos que en nuestro administrador de PrompTs, nosotros podemos decir con qué TP temperatura queremos que funcione, digamos, el modelo del lenguaje, con que top k o que tope funcione, cuáles son los inputs que queremos que tome, cuál es la instrucción que nosotros queremos crear, cuál es el modelo que queremos utilizar, queremos usar tres 5, queremos usar cuatro o queremos usar cuatro o un si o el cinco, digamos, o el modelo digamos, que se disponibilice finalmente en nuestro tenant de Azure y podemos hacer uso de esto.
Ignacio Alarcón: Si quieres acelerar la adopción de la inteligencia artificial en tu empresa, tienes que saber esto Ÿousand en EvoAcademy diseñamos distintos cursos corporativos sobre cómo adoptar tecnología e inteligencia artificial en tu empresa. Ofrecemos cursos para todo tipo de ejecutivos donde explicamos de forma sencilla cómo entender el potencial de la inteligencia artificial. Además contamos con cursos más técnicos donde mostramos cómo puedes construir aplicaciones utilizando modelos de lenguaje, entre otros cursos más. Visita nuestro catálogo en EvoAcademy. Cl Cursos corporativos o el enlace que te dejamos en la Descripción del podcast y lleva tu empresa al siguiente nivel, incluso con estas libertades que se tomaron, digamos, de hacerlo lo más modular posible y por ende que sea más eficiente o que sea más future proof, como le dicen, más future proof. ¿Te quería preguntar porque salieron súper temprano dentro de las empresas que han sacado este tipo de cosas, cierto? Incluso con todos los temas que tomaron antes. Entonces, tú habías mencionado que están usando Azure, te quería preguntar si había alguna razón particular por la cual usaron Azure.
Alejandro Mauro: Principalmente porque nosotros utilizamos todo lo que tenga que ver con el componente de seguridad de nuestra historia clínica está en Azure. Quiere decir que para nosotros era súper simple implementarlo con algo que ya el usuario se loguea a través de Azure, utiliza un doble factor de autenticación, quiere decir que ya tenemos un token, digamos, del usuario que podemos tranquilamente consumir los servicios de Azure más con todas nuestras garantías de seguridad, digamos, que nos brinda Azure. Entonces y por supuesto que además nosotros este proyecto, este proyecto partió hace mucho tiempo, lo liberamos en octubre del 2023. Quiere decir que nosotros ya tenemos casi un año de este proyecto en producción con usuarios y el proyecto por supuesto que al principio lo pensamos más simple, después lo complejizamos un poco como siempre. Y en ese entonces, digamos, el recaudo más importante tenía que ver con dónde corre el modelo del lenguaje, digamos, cómo hacemos que la seguridad esté garantizada. Y la verdad es que la implementación, digamos, que nos ofrecía Microsoft a través de su nube era era la que nos resultó la más, la mejor en ese momento. Probablemente, digamos, hay que llevar un año atrás, hoy tenemos un montón de opciones, un montón de sabores, hoy podríamos tomar otras decisiones, pero en ese entonces era una de las mejores soluciones que estaban disponibles y era la que era la más rápida para nosotros para implementar.
Ignacio Alarcón: ¿Sí, como dices tú, el tema de la seguridad de la información es súper importante, en especial en rubros como la medicina, cierto? Tú quieres mantener la información de los clientes, o en este caso no los pacientes, privada y todo lo que eso conlleva. Te voy a hacer otra pregunta, yo había visto en tu LinkedIn que estabas buscando especialistas en Rag hace poco. Quería que me hablaras un poco de ese tema, si es que es algo que planean usar para adelante o algo que están usando y quieren mejorar.
Alejandro Mauro: Sí, junto con el proyecto. Sí, parte en realidad, el resto de las ideas con respecto a modelos generativos, que dentro de una historia clínica se escribe ÿousand un sinfín de datos. Hay una cantidad de datos gigantescas que son humanamente imposibles de procesar por un profesional que tiene que atender un paciente en media hora. Nosotros tenemos consulta de media hora, pero ningún humano puede leerse toda la ficha clínica antes de atender al paciente. La realidad es que nosotros que construimos la ficha clínica, porque es una construcción propia, digamos, este es un desarrollo propio de la clínica alemana, somos conscientes que construimos algo que no es utilizable, no es humanamente utilizable. Entonces, para nosotros es un desafío súper grande el lidiar con la complejidad inherente de la documentación de salud. Y la mejor forma que lo concebimos, digamos, desde que empezaron a aparecer los copilotos, era construyendo un copiloto dentro de la ficha clínica que pudiera Zweitausendein uno hacerle consultas sobre un paciente individual y que un modelo del lenguaje lo resuelva. ¿Tuvimos una primera aproximación, casi decimos, bueno, partimos el proyecto, digamos, de armar el copiloto, y en su momento dijimos y qué tal si hacemos una convocatoria? Muchas veces uno cree que tiene un montón de ideas que son buenísimas ÿ pero son cosas bastante de vanguardia, bastantes emergentes, quiere decir que y hay muchas formas de resolverlo, muchas formas técnicamente de resolverlo. Entonces lo que se nos ocurrió es armamos una convocatoria, veamos a ver quiénes tienen experiencia comprobada de que han hecho o agentes o racks para poder hacer uso de esto, quienes tienen experiencia en salud que es como siempre, un nicho muy distinto a cualquier otro, si no es lo mismo la banca, el retail, a la salud. La salud tiene una complejidad muy, muy grande, muy, es muy versátil, tiene una cantidad, digamos, de datos no estructurados muy, muy grandes y que hay que saber entender las diferencias. Además, muchas de esas cosas, todas se llaman parecidas. Y entonces cuando viene alguien que no es del mundo de la salud, empieza a confundirse con diferentes cosas que para los que somos profesionales de la salud son totalmente distintas. Qué bueno que es lo que pasa, digamos, con cualquier tipo de disciplina, digamos, compleja. Y en ese contexto, digamos, dijimos, bueno, lancemos un concurso, veamos a ver cuáles son las propuestas que vienen desde investigadores, empresas, pymes, gente que haya hecho un curso y que después hizo una implementación. Y obtuvimos 30 respuestas, digamos, de nuestra convocatoria, que las revisamos e invitamos finalmente a 17 de a que nos hagan una propuesta técnica. Así que cerramos, digamos, la parte del concurso, lo que nosotros llamamos la etapa dos de este concurso, hace unas semanas. Tenemos 17 propuestas técnicas que están muy buenas. Estamos en la etapa de revisión de esas 17 propuestas y a las tres mejores les vamos a solicitar que nos hagan una bajada, una presentación, 1 propuesta económica, para poder ver con quienes terminamos de armar este este agente y con qué tecnología, con qué frameworks, digamos, podíamos armarlo. Para mí fue una experiencia espectacular, porque leyendo propuestas de múltiples actores sobre un caso que yo lo planteé, y les planteé perfectamente cuáles son los insumos, dónde están los insumos, qué es lo que tienen que usar, qué es lo que se espera y demás, obtuvimos un montón de respuestas en las cuales había como dos factores en común. Estaban los que iban por los modelos RAG con bases de datos vectoriales, y los que iban por agentes directamente haciendo, digamos, con funciones, búsquedas en bases de datos, digamos, relacionales, pero de forma géntica. Y esas dos visiones que inicialmente nosotros tenemos la visión de que íbamos a armar una base vectorial, vamos a una base vectorial y ya estábamos viendo a ver con qué framework teníamos que armarlo, cuáles eran las ventajas. No habíamos visto en realidad las ventajas y las desventajas de estas dos visiones. ¿Y al hacer la convocatoria, y la convocatoria estaba hecha, que decía cómo propones un rack para resolver este problema dentro de nuestra historia clínica? Así que ya iba cejada para un lado. Pero quienes decían, ustedes pidieron un rango y si quieren yo te hago el proyecto del rack, pero no te lo recomiendo. Entonces uno empieza a leer, y empieza a leer, digamos, las razones por las cuales decían quienes no recomendaron el rack, acá hay gente que ya hizo esa parte, ya hizo ese camino, se dio cuenta que ese camino funciona para ciertas cosas, pero para lo que uno, que para que nosotros estábamos buscando no era el mejor y proponen esta otra opción de un agente. Y para nosotros eso fue súper enriquecedor. ¿Sí? Porque nosotros íbamos a ir por una vía y ahora teníamos, tenemos dos campanas. Así que este nos hizo también crecer, entender que uno no tiene todas las respuestas, que es un mundo muy complejo, que necesitas gente que haya hecho experiencia práctica para poder entrar con menor incertidumbre. Si no, uno entra, digamos, finalmente con un montón de incertidumbre sobre cómo el proyecto finalmente puede resultar.
Ignacio Alarcón: Perfecto.
Alejandro Mauro: Así que bueno, ahora digamos en la primera semana de octubre partimos la tercera etapa que es revisión de propuestas y elegir con quién vamos a llevar adelante esta parte del proyecto.
Ignacio Alarcón: Perfecto. Ahí una consulta solamente para mi curiosidad personal, digamos, porque bueno, hablamos del rango, obviamente que lo mencioné en capítulos anteriores, pero básicamente es la capacidad de ir a buscar archivos con información para después poder traer esa información junto con, en este caso, el LLM, para que lea esa información que no es parte de su mueble de entrenamiento. ¿Entonces ustedes crean armar su rack y básicamente yo veo gente diciéndoles, sabes qué? ¿No tenías que armar una base vectorial, cierto? Su Pinecon o cualquier otra que hayas elegido. Hay que hacer agentes en base a lo que ustedes quieren. Ese requerimiento era público. ¿Mi pregunta personal es básicamente cuál era el requerimiento que ustedes querían usar rack o para que específicamente?
Alejandro Mauro: Inicialmente, a ver, creo que es como todos en mi equipo, muchos nos anotamos a cuanto curso vemos de alguna tecnología emergente que puede ser útil. Y por supuesto hicimos varios cursos, digamos, de Rack. Dijimos Rack funciona, Rack responde a esta necesidad que nosotros tenemos, ra que lo que tenemos que utilizar. Esa fue nuestra primera visión y por eso hicimos un concurso para construir un Rack para nuestra historia clínica electrónica en ese contexto. Sí, y declaramos bien, pusimos casos de negocio, digamos, estaba bien, la base estaba bien. Pero claro, quien hizo esa parte y dice pero mira que vas a tener este problemita y este otro problemita y este que quizás no te diste cuenta, pero es un problemón. ¿Cómo mantener esta base vectorial? ¿Además, digamos, de los costos propios de construir la base vectorial, de mantenerla actualizada, cada cuánto vas a actualizar la base vectorial? ¿Qué vas a hacer? ¿Vas a hacer una copia vectorial de toda tu base transaccional? Había un montón de cosas para para pensar en la propuesta. ¿Nosotros decíamos, bueno, ok, este es el problema, esta es la solución que nosotros identificamos que podía ser útil, pero propón tu solución, no?
Ignacio Alarcón: Claro. ¿Cuál era el problema? Disculpa, esa es la parte que no me queda tan claro.
Alejandro Mauro: ¿El problema es el siguiente, que es vuelvo atrás, digamos, no? Lo que médico o profesional de la salud, puede ser un kinesiólogo, puede ser cualquier profesional, ingresa a la ficha clínica de un paciente que tiene que atender y tiene media hora para ver toda la información de la ficha y atender al paciente y resolver esa consulta.
Ignacio Alarcón: Ah, perfecto. ¿El rugger para esa parte, digamos, en.
Alejandro Mauro: Ese contexto, muchas veces el profesional tiene alguna duda y qué hace? ¿Empieza a surfear dentro de la historia clínica para encontrar la evidencia de la cirugía que le hicieron en el 2018, el resultado del laboratorio, me entendés? Del año pasado. O el resultado de la imagen, porque el paciente te refiere a me hice una resonancia el año pasado y me dijeron que tenía algo ahí. Sí, bueno, para que tengo que ver, tengo que ver ese informe. Entonces eso hoy los profesionales lo resuelven navegando diferentes tipos de menú que tenemos, que los construimos para que sean lo más simple posible. Pero igual es una complejidad inherente a el negocio. Si, es extremadamente complejo. Entonces que yo le puedo pedir un copiloto que resonan que decía la Resonancia del 2018. Sí, y que lo escriben así, que decía la Resonancia del 2018. Y que un modelo del lenguaje Vaya, la busque. Sí, perfecto. Que una gente haga la query a la base de datos para obtener resultados y que le devuelva un LLM. Si esto es el informe que estaba en el 2018 de resonancias magnéticas, construirle una respuesta al usuario es súper potente.
Ignacio Alarcón: En especial porque yo creo que mucha gente se imagina que los historiales médicos de repente son cortos, pensando en gente como uno, pero hay gente que tiene problemas médicos gigantes, gente queda al doctor muchas veces gente que tiene 60 años, con 55 años de historia, digamos, con 10, 20 operaciones en los últimos 30 años. Entonces hay situaciones donde realmente eso es mucha información.
Alejandro Mauro: Hay que dividir finalmente a la salud en dos grandes momentos ÿ el paciente que por supuesto solo tiene enfermedades agudas, como los pacientes jóvenes en general, tiene un historial simple y en las, digamos, es fácil digerir ese historial para una siguiente atención, porque lo que ha pasado son todas cosas que de alguna forma son eventos aislados, son eventos, lo que llamamos nosotros eventos episódicos. Ÿousand los pacientes que tenemos alguna enfermedad crónica importante. Yo soy diabético tipo un, voy al médico seis veces en el año, todos los años de mi vida. Tengo un montón de resultados del laboratorio, tengo un montón de fondos de ojos, tengo un montón de exámenes. Mi historia clínica es mucho más compleja que el que tiene una gripe cada año. El que tiene una gripe o una gastroenteritis cada año tiene una cosa, pero quienes tienen una enfermedad crónica tenemos historias mucho más complejas, historias que además pasan cosas importantes en esas historias clínicas que es importante tenerlas presente en el contexto de una atención nueva. Vos le estás dando acceso a todas esas notas y exámenes y cosas al profesional, pero el profesional no tiene ninguna capacidad operativa de consumirse toda esa información. Entonces hay un copiloto puede ayudar muchísimo en ese proceso. Es nuestra hipótesis y es también lo que vemos que se está publicando, o sea, para dónde va el uso, digamos, y la implementación de estas tecnologías. Así que para nosotros el copiloto es simplemente una etapa de implementación de tecnologías Zweitausendein que ya no son tan emergentes, sino que son parte, digamos, del estatus Cuba, pero que hoy están muy poquito implementadas en el ámbito de la salud. Las vemos en otros lugares, pero no las vemos implementadas en el ámbito de la salud. Ok, nosotros vamos a implementarla en el ámbito de la salud, vamos a hacer la experiencia, vamos a verlo con los profesionales y vamos a ver cuál es el feedback que los profesionales tienen sobre eso. Porque quizás es una idea delirante. Si, de un grupo amante de la tecnología y que en realidad falla en la puesta en producción. Si, quiere decir que para nosotros lo único importante es lo que se usa, lo que no se usa es pérdida de tiempo. Eran ideas que sonaban hermosas, pero que en la práctica en realidad no le resolvieron ningún problema a nadie. Entonces nosotros identificamos cuál es el problema que queremos atacar, implementamos una tecnología que creemos que pueda resolverla, pero es todo incierto, digamos, si realmente le vamos a pegar al problema, digamos, y lo vamos a resolver y ahí la gente digamos, va a adherir, lo va a usar y van a estar contentos. Así que este para nosotros es una.
Ignacio Alarcón: Apuesta y si te está gustando este episodio, ayúdanos a crecer y así llegar a más personas. Si estás en Spotify, abre la aplicación desde tu celular, selecciona nuestro programa inteligencia artificial para los negocios, pincha en los tres puntitos y dale una valoración de cinco estrellas. Por otro lado, si estás en YouTube, dale like y suscríbete. Gracias por todo el apoyo y hacer que este podcast sea cada vez más conocido. ¿Han visto un impacto en lo que ya han implementado el día de hoy?
Alejandro Mauro: Sí, lo que hemos implementado, lo que hemos visto es que hay usuarios que ÿousand lo utilizan de forma cotidiana, quiere decir que le han encontrado un valor. Para nosotros eso es muy significativo, quiere decir que si hay alguien que le está encontrando valor, algún problema resuelve. Identificamos que a veces las cosas que más generan valor no son las que nosotros pensábamos que iban a generar valor. Eso también es lo que es espectacular para mí, de tener la posibilidad de apostar y de hacer cosas. Por ejemplo, nosotros tenemos un prompt que es de genera preguntas para hacerle a un médico que está en formación, un residente. ¿Si? Nosotros tenemos muchos médicos en formación, muchas veces atendemos pacientes con los médicos que están en formación. Hay un médico que es el docente y está el médico en formación. Ven un paciente juntos, si lo revisan, escriben una evolución. ¿Ok? ¿Un modelo de lenguaje que me haga tres preguntas para hacerle al residente que tengo al lado, sí? Y lo que tiene esto es que hay una creatividad. ¿Los profesionales de la salud o cualquier en general, siempre es como que somos muy estándares sobre lo que vamos a preguntar, si? Siempre preguntamos lo mismo. Pero un modelo del lenguaje que está entrenado con todos los textos que estaban en Internet y estaban disponibles ÿousand, va a tener una creatividad o una capacidad de hacer preguntas que a uno no se le ocurrirían, pero que son buenísimas para el contexto, para el caso. Entonces resuelve una necesidad de negocio que existía, que era hacer preguntas a los residentes, digamos, el de formar profesionales, pero de otra manera. Eso o el huel de generar, digamos, los handouts para pacientes, digamos el de en vez, yo sigo escribiendo dialecto médico, pero te quiero entregar algo que vos entiendas que es lo que yo escribía acá, pero no te quiero escribir, no te quiero pasar lo que yo escribí, porque lo que yo escribí es feo para entregártelo, porque es algo que está en mi dialecto. ¿Si? ¿Entonces le pedís a un modelo de lenguaje que traduzca el dialecto médico, sí? A un español, digamos, sencillo para pacientes. Entonces eso son las cosas, digamos, más utilizadas, mucho más utilizado que el de pedirle un resumen de la ficha clínica. Para nosotros era esto va a ser lo que esto va a ser lo que todo el mundo va a aplaudir. Esa era nuestra idea. Y entonces y el de habilitarlo, y al habilitar esto, el de poder decir ok, mira, está habilitado, tengo un administrador, puedes venir y pedirme algo, si puedes venir con una nueva necesidad. Y entonces te empieza a aparecer un mundo de necesidades nuevas, donde las necesidades de los dermatólogos no tienen nada que ver con la de los urólogos. Son muy distintos. ¿Poder construir, esta herramienta está armada para poder construir algo específico para dermatólogo, algo específico por urólogo, algo específico para cardiólogos y que cada uno sienta que la herramienta realmente no es una cosa genérica que da siempre la misma respuesta, sí? Y que entonces piensa que todo el mundo es igual, sino que se puede adaptar al contexto de cada una de las especialidades. Y eso es lo que me parece que es súper potente de lo que armamos.
Ignacio Alarcón: Sí, claro, en especial esa habilidad modular que tienen, digamos, para poder controlar todo, todas estas, digamos, cosas que están, estas perillas, por así decirlo. ¿Oye, volviendo un poco a lo técnico, dado están trabajando con LLM, está todo el tema de las alucinaciones de por medio, cómo lo habían manejado? O si habían visto un poco el tema del riesgo que eso puede implicar en algunas de las funcionalidades que quizás querían hacer originalmente, pero al final decidieron no hacer o decidieron hacerlas igual. Pero lo manejamos de esta manera.
Alejandro Mauro: Hemos hecho todas las posibilidades habidas y por haber. Si hemos construido prompts que después terminamos apagando los porque, digamos, por esta parte que es qué vale la pena y que no vale la pena hacerse, hoy tenemos súper claro que para lo que son muy, muy buenos estos modelos es finalmente para transformar, que para eso se han construido, digamos, el objetivo era transformar, era transformar de un idioma a otro. Para eso se construyeron los modelos de lenguaje y para transformar funcionan perfecto, o sea, funcionan con un riesgo bastante limitado, más cuando puedes manejar bien los hiperparámetros para lo que querés hacer, para que no son buenos y que es un poco, digamos, como la fantasía que todos tienen y no son buenos para, no son no son una no son una base de datos de conocimiento, no es una base de conocimiento médico. ¿Quiere decir que vos le puedes preguntar cuál es el tratamiento para tal cosa? Y puede decirte una respuesta que es correcta, una respuesta que es incorrecta, y esa respuesta incorrecta es un riesgo, es un problema, porque lo utilizaste en realidad como si fuera una base de conocimiento y no es esto no es una base de conocimiento, es un modelo de lenguaje que distinto. ¿Entonces, en ese contexto, si lo que nosotros hacemos es implementamos aquellas, aquellas, aquellos prompts que tienen menor riesgo, independiente, digamos, de que la tecnología per se tiene un riesgo, sí? Pero como cualquier tecnología que uno implementa, cuando nosotros creamos un sistema de soporte a la toma de decisiones, que le damos alertas entre interacciones de medicamento, esa tecnología, yo puedo haber creado mal la base de datos y poner que un medicamento interactúa con otro y le dé una alerta a un tercero y también tiene un riesgo. ¿Sí? O por ejemplo, no está puesta la interacción entre un medicamento y el otro y el médico se lo da y el sistema tenía que decirme y tenía que alertarme. Quiere decir que la implementación de tecnologías tiene un riesgo inherente, que es la implementación propiamente tal. Como mitigarlo y cómo trabajarlo depende finalmente de cada caso de uso. Nosotros evaluamos muy bien los casos de uso los implementamos, a veces lo hacemos, digamos, con solamente un par de usuarios que nos puedan dar feedback rápido y siempre le presentamos la información al profesional para que tome la decisión. O sea, los modelos del lenguaje los tenemos implementado una forma en la cual son una herramienta más que puedes utilizar o puedes no utilizar. Si lo utilizas te dice y tiene un cartel la grande dice esto fue un modelo de lenguaje, es un programa de software, no hay nada inteligente detrás, si simplemente un programa que puede predecir texto en base a los textos que le pasaste y en la instrucción que le pasaste y construye este texto. Si es tu responsabilidad chequear ese texto antes de usarlo, antes de entregarlo, antes de pasarlo, antes de descargarlo, imprimirlo, enviarlo por correo. Quiere decir que esto es como tantas otras implementaciones. Nosotros tenemos muchas implementaciones de inteligencia artificial de medicina y por supuesto que cuando a un médico radiólogo un algoritmo de inteligencia artificial le dice alto riesgo de fractura y el profesional puede tomar la decisión de decir este algoritmo dijo cualquier cosa, o puede tomar la decisión de decir al ritmo dijo algo que no había visto, o puede decir tengo que chequearlo. Si siempre la decisión la toma la toma el humano, digamos, las herramientas te damos apoyo y te damos soporte e intentamos hacer que ese soporte, ese apoyo sea el mejor posible dentro de las limitaciones propias de las herramientas. Y conceptualizamos en realidad todos nuestros proyectos de inteligencia artificial y medicina, porque ninguno está exento de problemas, ninguno.
Ignacio Alarcón: Completamente. Súper interesante ahí lo que mencionas, digamos, al final siempre está este concepto, lo mencionamos nosotros, del Human in the loop, que la persona esté ahí y que al final sea una herramienta más, como todas las herramientas que han salido en los últimos años, que no generan cosas, digamos, que es como la novia que hay acá, pero que igual te ayudan de cierta manera y te dan alertas, pero al final es una la persona el que decide si efectivamente esto pasa o no. Típico ejemplo son estas alertas que existen de hoy, hay alto riesgo de fraude o qué sé yo, pero al final igual es la persona la que dice no, en realidad no es fraude porque justo hay un feriado, justo hay un evento, entonces se justifica y al final una persona toma un poco la decisión ahí. ¿Hablando un poco el mismo tema, cómo ves esto yendo para adelante a nivel de proyectos futuros? Y qué quiero decir con esto, con todo lo que has desarrollado, lo que estamos hablando recién de este proyecto con RAAC que estás viendo, o no necesariamente con Rack, puede ser con agentes, cómo lo ves más adelante el uso de estas tecnologías, cierto, en cosas que quizás el día de hoy no se estén utilizando.
Alejandro Mauro: Yo creo que, digamos, en medicina y en educación, todo lo que está pasando, nada se está utilizando, o poco se está utilizando. Es súper poco lo que está implementado. Nosotros somos un caso de excepción, estamos muy lejos de ser la regla. ¿Qué quiere decir eso? Que yo espero que en algún momento aquellas cosas que hoy somos solamente un grupo chiquitito que implementa, que lleva adelante, que genera valor en los profesionales, puede implementarse a gran escala. ¿Muchas veces nosotros hacemos presentaciones, dicen bueno, pero al final esto solamente de la alemana, quien más tiene eso? Sí. ¿Qué pasa en la salud pública? ¿Y bueno, qué pasa? Pasa que lo mismo que pasa en educación, me parece a mí que es son lugares donde generar cambios es complejo, donde hay un montón de razones por las cuales los cambios son difíciles de llevar adelante y requieren una transformación digital. O sea, requieren tener el pensamiento de la transformación digital. Eso se requiere. Quiere decir que la mayoría de las instituciones de salud no están transformadas. Son son cosas analógicas o que trabajan en papel, o trabajan con un PC, pero de forma totalmente analógica, como si tuvieran un Word que no sirve para, digamos, no aporta realmente valor. No hay, no hay no hay una visión de la información, no hay una visión de del uso de la información, del reuso de la información. Entonces yo lo que sueño es que ese gap gigante que existe hoy se vaya cortando y que pueda ser implementado, puedan ser implementado todas estas tecnologías, digamos, a gran escala.
Ignacio Alarcón: Perfecto. ¿Ir nivelando un poco hacia arriba, cierto? Que todo el mundo empieza a igualar y todo. Aprovecho de preguntarte si hay algo que no te haya preguntado, que te gustaría comentar.
Alejandro Mauro: A ver, no sé, tenemos este tenemos varias cosas que están ahí por, por este, por por ser evaluadas para ser implementadas desde, desde poder ver si realmente al grupo clínico le resulta interesante esto de grabar la conversación con el paciente y con modelo del lenguaje Ÿousand resuma eso. Entonces ahí hay muchos desafíos más culturales que otra cosa, que es ahora voy a poner, antes poner, poner el teclado fue difícil el teclado del móvil, pero ahora voy a poner el micrófono, se este o después te voy a poner una cámara que va a grabar y que va a generar algo. Eso está en nuestra etapa como de todavía de ideas para llevar adelante y para poder hacer algún tipo de piloto y evaluar si alguien le encuentra valor. Si nosotros siempre es lo mismo, tenemos 1000 ideas, pero lo único que buscamos es que alguien diga esa idea genera valor. Esa idea que genera valor, la mantenemos, la enriquecemos y le damos este para, para continuar. Entonces hoy tenemos un montón de proyectos, digamos, que están en esa cartera de testear, que genera valor. Así que éste iremos publicando a medida que los vayamos llevando adelante.
Ignacio Alarcón: Sí, porque como dices tú, al final van a ver muchas cosas, en especial en áreas como más tradicionales, donde de repente si tú lo ofrece mucha gente no le va a encontrar valor porque en realidad no lo usa o tiene como esa aprensión a tratar cosas nuevas. Entonces ya con una persona que le encuentre valor, te hace pensar bueno, quizás esto si lo hago un poco más simple para que la gente lo empiece a usar o lo disponibilice de una manera distinta, quizás lo empiecen a usar y le empiecen a encontrar el mismo valor que le encontró esta otra persona. Entonces empieza a generar como este círculo de tratar de decir oye, no necesito que todo el mundo le encuentre valor porque es casi imposible. Al final la resistencia al cambio es súper grande, en especial con inteligencia artificial.
Alejandro Mauro: Lo que nos pasa a nosotros en realidad es que cuando si yo voy, yo hoy no estoy atendiendo, no estoy atendiendo pacientes, entonces le voy a hablar alguien que está atendido paciente dice nosotros somos médicos, pero ya no, vos no sos igual que yo. Siempre parto de ella. Y por supuesto que uno tiene como una esperanza de resolver grandes problemas con ideas que se le ocurrió o ideas que leyó, ideas que vio en un congreso y que las quiere llevar a la práctica. La mejor forma de que la tecnología se implemente es que entre los mismos colegas difundan esa tecnología. Entonces para nosotros es crucial encontrar alguien que alguien que le encuentre valor y que después simplemente cuente a la gente que tiene al lado cómo él resuelve los temas. Así se ha implementado gran parte de toda nuestra tecnología que tenemos en la clínica, donde nosotros construimos muchas funcionalidades, muchísimas dentro de la ficha clínica, la ficha cliente, un montón de funcionalidades. No todos conocen todas las funcionalidades, pero el que las conoce, identificó el valor, es nuestro vocero, porque ese va y le cuenta todo el resto, cómo hace más rápido en la prescripción de medicamentos, cómo hace que si el paciente le pide la receta, como la genera, y eso es en realidad lo que le queda al otro sea el otro le queda que amina, mi colega, lo hace mucho más rápido que yo porque usa esta funcionalidad, ok, yo la tengo que probar. Entonces este, esa es como nuestra estrategia que utilizamos mucho.
Ignacio Alarcón: Alejandro, muchas gracias por estar acá con nosotros. Gracias por acompañarnos y compartir tu historia, digamos. Muchas felicidades por todo lo que han logrado. Muchas gracias también a todos los que nos acompañaron ahora y nos vemos en un siguiente capítulo de inteligencia artificial para los negocios. Hasta la próxima.
Alejandro Mauro: Muchísimas gracias. Chau, chau.