En este ateneo se expone una revisión sobre la importancia de la calidad de los datos en salud como base para el desarrollo de sistemas de inteligencia artificial confiables. A partir del análisis de la literatura reciente, se presentan las principales dimensiones de la calidad de datos, estrategias para su evaluación y mejora, y experiencias que muestran su impacto en la práctica clínica y la investigación. El recorrido culmina con una reflexión sobre los desafíos y oportunidades que estas herramientas plantean para la informática en salud.

 

¿Por qué importa la calidad de datos?

Según la norma ISO 9000, la calidad se define como el grado en que un producto o servicio satisface las necesidades del cliente. En el contexto de salud, los datos mismos son el "producto" y deben cumplir con requisitos específicos. El impacto de la calidad de datos es directo y medible y lo más importante, es que influyen directamente en los pronósticos y tratamientos que reciben los pacientes. Cuando los datos son de baja calidad, las consecuencias pueden ser graves.

 

Desafíos principales en los registros clínicos

La realidad es que los registros clínicos electrónicos enfrentan varios desafíos críticos de calidad. Tenemos la falta de estandarización en los datos clínicos, que dificulta la comparación y el análisis entre diferentes sistemas. Los valores faltantes y datos incompletos son parte de la realidad y no una excepción. También, encontramos anomalías y errores en los conjuntos de datos que pueden comprometer la validez de cualquier análisis, y para completar estos desafíos, existen las discrepancias en los tipos y representaciones de modelos de datos. Las consecuencias de estos problemas son significativas: diagnósticos erróneos, errores de tratamiento, utilización ineficiente de recursos sanitarios, y evidencia poco confiable. 

 

Dimensiones principales de calidad de datos en salud

Según la bibliografía, para evaluar la calidad de los datos en los registros clínicos electrónicos se analizan distintas dimensiones. Cada una evalúa un aspecto específico de los datos. Tenemos 4 dimensiones principales para evaluar la calidad de datos en salud:

- Está la completitud, que hace referencia a que los datos requeridos estén registrados y que no hayan valores faltantes.
- La corrección, que evalúa si los datos representan exactamente la realidad clínica y si los valores, unidades y formatos son adecuados.
- La operabilidad, que mide si los datos pueden integrarse y utilizarse en distintos sistemas o procesos de análisis. E incluye aspectos como la integrabilidad, portabilidad y disponibilidad.
- Y la puntualidad, que hace referencia a que la información esté actualizada y refleje el momento presente.

 

Dimensiones extendidas de calidad de datos en salud

Además, algunos estudios incorporan dimensiones, especialmente relevantes para investigación y aprendizaje automático. Entre estas se encuentran la reutilización, que evalúa si los datos pueden utilizarse nuevamente; la concordancia, que verifica que los datos coincidan con la fuente clínica original; y la plausibilidad o validez, que analiza si los valores registrados son clínicamente posibles.

Y finalmente, algunos marcos más recientes incorporan dimensiones relacionadas con la gobernanza de los datos, como la reproducibilidad y la transparencia de los procesos de transformación, la trazabilidad a lo largo de su ciclo de vida y la responsabilidad ética en el uso de datos para sistemas basados en inteligencia artificial.

 

Calidad de datos: fundamento de la IA confiable

Estas experiencias y evidencias, nos ayudan a comprender que en conjunto, todas estas dimensiones, nos permiten evaluar de manera integral la calidad de los datos clínicos y asegurar que puedan ser utilizados de forma confiable en investigación y desarrollo tecnológico en salud; porque "sin datos de calidad, no hay inteligencia artificial confiable".

 

 

Artículo 1: Desarrollo de un sistema de indicadores cuantitativos para evaluar la calidad de los registros médicos electrónicos en predicción inteligente de riesgo de enfermedad

Este artículo que Zhou y colaboradores publicaron en 2024, es de un estudio que fue realizado en el Instituto de Información Médica de la Academia China de Ciencias Médicas y el Colegio Médico de la Unión de Pekín, en Beijing, China.

En su análisis aborda como premisa, la transición de la medicina desde un enfoque reactivo a uno proactivo y preventivo mediante la predicción inteligente de riesgos. El Registro Médico Electrónico (RME) es la fuente de datos real más valiosa, pero su utilidad se ve limitada por la falta de estandarización y datos incompletos.

Se propusieron desarrollar y validar un sistema cuantitativo para evaluar la calidad de datos de registros médicos electrónicos específicamente en el contexto de predicción de riesgo mediante aprendizaje automático.

Es una investigación metodológica de desarrollo y validación empírica. El estudio es innovador porque no solo propone dimensiones teóricas, sino que las convierte en fórmulas matemáticas que se prueban en un escenario clínico real, utilizando una base de datos pública de Información Médica para Cuidados Intensivos, creada por el Instituto de Tecnología de Massachusetts.

 

Artículo 2. Estrategias basadas en aprendizaje automático para mejorar la calidad de los datos sanitarios: una evaluación de la exactitud, la completitud y la reutilización

En el artículo 1 vimos una propuesta de cómo medir la calidad de los datos y ahora veremos: ¿Cómo mejorar la calidad?

Para esto, se analiza el trabajo de Agate Jarmakovica, publicado en 2025, Este estudio, realizado en la Universidad Técnica de Riga, aborda un problema que todos conocemos; cómo las omisiones y anomalías en los registros terminan en diagnósticos erróneos y en un uso ineficiente de los recursos.

Como mencionamos al inicio del ateneo, la autora retoma la norma ISO 9000 para recordarnos que el dato clínico es un 'producto' que debe satisfacer una necesidad específica en salud y es el soporte a la decisión clínica. Es acá donde aparece un concepto fundamental, la calidad es la 'salud' de los datos a lo largo de todo su ciclo de vida. No es un control que se hace al final, sino una vigilancia proactiva desde la adquisición hasta el análisis, porque la disponibilidad de datos de alta calidad influye directamente en los pronósticos de nuestros pacientes.

El objetivo central fue desarrollar una estrategia basada en Machine Learning para intervenir activamente sobre tres dimensiones: Exactitud, Completitud y Reutilización. Lo que busca el estudio es demostrar que, mediante la aplicación de algoritmos de imputación y detección de anomalías, es posible subsanar los registros fragmentados y validar si estas mejoras realmente aumentan la precisión de la IA diagnóstica. Además, busca que el proceso sea transparente y reproducible.

Para validar su estrategia, la autora utilizó el Diabetes Dataset, que contiene 768 registros de pacientes. Es un escenario ideal porque refleja los desafíos del mundo real. 

Antes de cualquier tratamiento, el dataset tenía una completitud del 90.57%. Pero lo que resaltan como más crítico eran las anomalías fisiológicamente imposibles: registros de glucosa, insulina o IMC en cero. 

Al integrar herramientas como MLflow, este estudio eleva el estándar de nuestra disciplina: ya no basta con que un modelo 'funcione'; es necesario que sea trazable y reproducible bajo los principios FAIR (Localizable, Accesible, Interoperable y Reutilizable). Hemos pasado de curar datos a construir una infraestructura de confianza-

 

Artículo 3. Sobre el uso de modelos de lenguaje de gran escala para mejorar los algoritmos de recuperación de datos faltantes basados en criterios clínicos en los registros médicos electrónicos

En este artículo nos muestra el estudio de Sarah y su equipo de la Universidad de Wake Forest, publicado en octubre de 2025. Este trabajo, realizado en Carolina del Norte, es fundamental porque propone una solución para cuando el dato simplemente no existe, utilizando la potencia de los modelos de lenguaje para encontrarlo en otras partes de la historia clínica electrónica.

El estudio se centra en el Índice de Carga Alostática (ALI), que es un fenotipo computable que mide el 'desgaste biológico' del cuerpo ante el estrés crónico.

El resultado fue masivo: pasaron de los 20 términos que dieron los médicos a 950 términos sugeridos por la IA.Pero para evitar 'alucinaciones', los médicos revisaron estos 950 términos y aprobaron el 88% de ellos, descartando diagnósticos que la IA sugirió erróneamente, como la hipertensión pulmonar

 

Validación y Eficiencia (Humanos vs. IA)

Para validar el sistema, compararon los resultados con el 'estándar de oro': la revisión manual de historias clínicas por expertos. Los resultados son reveladores: el algoritmo rescató el 34% de los valores faltantes de Proteína C Reactiva. Pero lo más impactante es la escala: mientras que a 4 expertos les tomó 100 horas revisar solo 100 pacientes, el algoritmo procesó a los 1,000 pacientes de forma casi instantánea. Además, en esta Figura 4 del estudio se muestra una correlación lineal casi perfecta entre el cálculo humano y el de la IA, validando la precisión del método.

 

Gobernanza y participación del paciente

Lotspeich nos deja lecciones críticas para nuestra gestión hospitalaria. Primero, advierte sobre la “fatiga por alertas": no sirve de nada rescatar datos si saturamos al médico con avisos irrelevantes en la pantalla. Segundo, propone un enfoque innovador; invitar al paciente a través de portales como MyChart para que ellos mismos identifiquen vacíos en sus datos, transformando la calidad de la información en un proceso colaborativo. Y es así como fueron pasando de la limpieza técnica al rescate inteligente de la información clínica.

 

Experiencia en el Hospital Italiano
En el Hospital Italiano de Buenos Aires, se están explorando soluciones basadas en inteligencia artificial generativa, como el copiloto asistencial TANA que está integrado a la historia clínica electrónica. Este sistema permite a los profesionales interactuar con la información clínica mediante lenguaje natural, facilitando el acceso a antecedentes, estudios y documentos clínicos como epicrisis. En este contexto, las estrategias de mejora de calidad de datos analizadas en los artículos resultan particularmente relevantes, ya que la utilidad de estos sistemas, como bien vimos hoy, depende fuertemente de la calidad de los datos clínicos disponibles.

Como residentes de informática en salud, este recorrido nos deja una reflexión importante. La inteligencia artificial, los modelos de lenguaje y herramientas como TANA abren oportunidades muy prometedoras para mejorar la práctica clínica y optimizar el uso de la información en salud. Sin embargo, estos avances tecnológicos solo pueden generar valor real si se apoyan sobre datos clínicos de calidad.

Los artículos analizados muestran que mejorar la completitud, la precisión y la reutilización de los datos no depende únicamente de algoritmos más sofisticados, sino de procesos organizacionales, metodológicos y colaborativos. Es un trabajo que requiere tiempo, evaluación continua y la participación de múltiples actores del sistema de salud.

En este escenario, el rol de la informática en salud es justamente articular estos mundos: comprender las necesidades clínicas, diseñar soluciones tecnológicas adecuadas y promover prácticas que mejoren la calidad de los datos. Porque, en definitiva, detrás de cada dato clínico hay una decisión, un profesional y un paciente.

Por eso, más allá de las herramientas o de la tecnología disponible, el verdadero desafío sigue siendo construir sistemas de información que produzcan datos confiables, útiles y reutilizables, que permitan mejorar la atención, generar conocimiento y sostener una salud digital responsable.

 

Referencias bibliográficas 

1. Jarmakovica, A. (2025). Machine learning-based strategies for improving healthcare data quality: An evaluation of accuracy, completeness, and reusability. Faculty of Computer Science, Information Technology and Energy, Riga Technical University, Riga, Latvia.
2. Zhou, J., Hao, J., Tang, M., Sun, H., Wang, J., Li, J., & Qian, Q. (2024). Development of a quantitative index system for evaluating the quality of electronic medical records in disease risk intelligent prediction. Institute of Medical Information, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, People's Republic of China.Lotspeich, S.C., Wells, B.J., Rigdon, J., Collins, A., Khanna, A.K., & McGowan, L.D. (2025). On using large language models to enhance clinically-driven missing data recovery algorithms in electronic health records. Preprint, October 7, 2025. Department of Statistical Sciences, Wake Forest University; Department of Biostatistics and Data Science, Wake Forest University School of Medicine; Department of Psychology, North Carolina State University; Department of Anesthesiology, Division of Critical Care Medicine, Wake Forest University School of Medicine; Outcomes Research Consortium, Houston, TX.

 

Accedé al video completo a través de este enlace.