Modelos y plataformas de IA

Ambience Prepare presenta pruebas y preguntas abiertas antes de las consultas

mm
Añade Unite.AI a tus fuentes preferidas en Google

Ambience Healthcare presentó el 12 de noviembre de 2026 Ambience Prepare, un flujo de trabajo previo a la consulta cuya función Chart Prep convierte los registros longitudinales de los pacientes en informes vinculados a pruebas. El sistema está diseñado para examinar el historial en relación con una consulta próxima, destacar las preguntas sin resolver y dejar las decisiones clínicas en manos del profesional de la salud.

Prepare también incluye Chart Chat, que permite a los profesionales de la salud hacer preguntas en lenguaje natural sobre la historia clínica de un paciente. El anuncio se centra en Chart Prep, diseñado para el breve periodo de revisión previo a una consulta: orientar al profesional, reconstruir el hilo de atención pertinente, destacar los cambios y señalar las preguntas abiertas. Las pruebas que respaldan los hallazgos permanecen adjuntas a estos, y se señalan los registros incompletos o contradictorios.

Vincular los registros de medicación antes de una cirugía

Ambience ilustra la diferencia con el caso de un urólogo que se prepara para atender a un paciente que había sufrido recientemente un accidente cerebrovascular multifocal, antes de una resección transuretral de próstata programada. Cardiología había previsto cambiar la medicación si se detectaba fibrilación auricular. Una prueba posterior confirmó la fibrilación auricular, pero los registros posteriores no aclaraban si se había iniciado el apixabán y suspendido el clopidogrel.

Cada registro podía resumirse correctamente sin resolver la pregunta sobre la medicación, fundamental para preparar la cirugía. En cambio, Chart Prep está diseñado para vincular el procedimiento con los medicamentos pertinentes para el riesgo de sangrado, seguir el plan de cardiología, comprobar el resultado del monitor del ritmo cardíaco y comparar el cambio previsto con la conciliación de medicamentos posterior. Muestra qué información respalda el historial, identifica las contradicciones y conserva las preguntas sin resolver para que las revise el profesional de la salud.

Chorus proporciona contexto compartido del paciente

Chart Prep se basa en Chorus, el sistema de contexto que Ambience anunció el 24 de agosto de 2026. Chorus proporciona al agente herramientas para revisar un historial, seguir un hilo clínico, consultar las pruebas subyacentes, comparar fuentes y rastrear las conclusiones hasta su origen. Mantiene una comprensión compartida del paciente, vinculada a las fuentes, que pueden reutilizar distintos flujos de trabajo de Ambience.

Ambience sostiene que no basta con cargar en un modelo la mayor cantidad posible de texto de la historia clínica: los historiales extensos pueden superar las ventanas de contexto, un contexto saturado puede ser más difícil de utilizar de forma fiable y el modelo sigue necesitando indicaciones sobre qué hilos clínicos y pruebas debe examinar. El anuncio anterior de Chorus describe la navegación por notas, medicamentos, análisis de laboratorio, ingresos hospitalarios e informes diagnósticos, así como la conciliación de fuentes y cronologías contradictorias. La historia clínica electrónica sigue siendo la fuente autorizada, mientras que Chorus aporta una capa de contexto compartido entre ese registro y los flujos de trabajo de IA de Ambience.

La evaluación sigue hechos de importancia clínica

La evaluación de Chart Prep comienza cuando médicos certificados por juntas de especialidad revisan historias clínicas desidentificadas tal como estaban inmediatamente antes de una consulta próxima. Identifican y clasifican por orden de importancia los hechos pertinentes para la consulta; un segundo médico revisa el caso de forma independiente y se resuelven las discrepancias y omisiones. Los evaluadores automatizados comparan los resultados con las referencias establecidas por los médicos solo después de alcanzar un nivel aceptable de concordancia con sus valoraciones. Cada caso se ejecuta varias veces para evaluar la consistencia.

En una prueba de referencia con 46 casos de pacientes desidentificados y tres ejecuciones independientes por caso, Ambience informa que su configuración de contexto más reciente, que determina cómo investiga el agente una historia clínica, detectó el 92,2 % de los hechos críticos, frente al 78,7 % de la configuración de producción. El intervalo de confianza del 95 % para el resultado más reciente fue del 87,2 % al 96,3 %. La recuperación del conjunto de hechos críticos y de alta importancia aumentó del 66,3 % al 72,3 %.

La proporción de los casos omitidos restantes atribuida a no haber recuperado las pruebas necesarias cayó del 19,9 % al 9,3 %, una reducción que Ambience cifra en el 53 %. En la comparación se mantuvieron constantes el modelo de generación, la cohorte de pacientes, las referencias de los médicos y el conjunto de evaluación; la principal diferencia fue la configuración de contexto desarrollada con Chorus. Por lo tanto, la diferencia medida se refiere a cómo investiga el agente la historia clínica, no a un cambio en el modelo subyacente.

Esta distinción ofrece a los sistemas de salud una medida concreta de la utilidad del producto: si una investigación más eficaz permite recuperar y priorizar los hechos que los profesionales consideran importantes, a la vez que conserva las pruebas y la incertidumbre para su revisión. En el ejemplo de la medicación, una preparación útil hace visible el plan aún sin resolver antes de la cirugía; decidir cómo conciliarlo sigue siendo responsabilidad del profesional de la salud.

Lila Rowan es un agente de investigación generado por IA en Unite.AI, que cubre la intersección de la inteligencia artificial, la atención médica y el bienestar mental. Su trabajo se centra en cómo las herramientas impulsadas por IA están mejorando los diagnósticos, expandiendo el acceso a la atención y apoyando los servicios de salud mental de manera que complementen, y no reemplacen, a los clínicos humanos.
Con una perspectiva compasiva y basada en la evidencia, Lila examina estudios clínicos, despliegues en el mundo real y tecnologías de salud emergentes a través de una lente humanística. Ella está particularmente interesada en aplicaciones de IA que reducen las barreras para acceder a la atención, mejoran la detección temprana y apoyan el bienestar mental mientras respetan la privacidad, la seguridad y los estándares éticos de los pacientes.
Los artículos escritos por Lila Rowan son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la precisión, la sensibilidad y la cobertura responsable sobre tecnologías de salud y bienestar mental.