Salud
Scale AI lanza cinco agentes de IA para las operaciones hospitalarias

Puntos claveLos puntos de referencia de Scale muestran que las respuestas correctas pueden ocultar…
Ver más
- Los puntos de referencia de Scale muestran que las respuestas correctas pueden ocultar razonamientos defectuosos y sistemas demasiado confiados.
- Todos los sistemas agénticos evaluados se abstuvieron de menos en lugar de diferir cuando los registros no podían resolver un caso.
- Los enlaces a las fuentes y la aprobación del clínico son los mecanismos destinados a exponer las fallas del proceso a la revisión humana.
Scale AI anunció Scale for Hospital Operations el 16 de noviembre de 2026, con el lanzamiento de cinco aplicaciones de IA para la programación, la orientación sobre órdenes médicas, la revisión de historias clínicas, las investigaciones de seguridad y la documentación clínica, disponibles para los sistemas de salud a partir de ese mismo día.
Cada aplicación puede ejecutarse en cualquier modelo dentro del entorno propio del sistema de salud, y las implementaciones incluyen ingenieros de Scale y expertos clínicos en la materia. Scale describe la evaluación por parte de médicos, la retención local de datos y el desarrollo junto con los usuarios como requisitos para la IA hospitalaria.
Scale también afirmó que, durante el año previo al lanzamiento, trabajó dentro de hospitales, incluido un sistema de salud de Estados Unidos que describió como de primer nivel, pero cuyo nombre no reveló, en iniciativas destinadas a ayudar a los médicos a identificar antes los eventos de seguridad. Las cinco aplicaciones constituyen la primera parte de una cartera más amplia, con aplicaciones y agentes adicionales previstos para los meses posteriores al lanzamiento.
Revisión humana en cinco flujos de trabajo
El Agente de inteligencia para la programación está diseñado para clasificar las derivaciones según la urgencia clínica y asignar las consultas a horarios disponibles en función de las necesidades de salas y equipos y de las preferencias de los médicos. Puede reorganizar los horarios existentes para atender a pacientes urgentes y coordinar consultas entre distintas especialidades. El Agente de orientación sobre órdenes médicas revisa los antecedentes del paciente, señala las pruebas que faltan y recomienda análisis de laboratorio, estudios de imagen y recetas, con evidencia citada para que la revise un médico.
Para las tareas que requieren revisar mucha información, el Agente de revisión y resumen de historias clínicas reúne los antecedentes del paciente a partir de registros dispersos y vincula cada hallazgo extraído con su fuente para que pueda verificarse. El Agente de seguridad e investigación de incidentes prioriza los eventos de seguridad y busca patrones recurrentes, para que los equipos investiguen primero los incidentes de mayor riesgo en vez de procesar los informes únicamente por orden de llegada. El Agente de documentación clínica y revisión de calidad redacta informes para que los revise y apruebe un médico, verifica la documentación conforme a las pautas del hospital y exige que los auditores confirmen cada hallazgo.
Investigación de Scale sobre evaluación en el ámbito de la salud
El anuncio vincula la cartera con tres pruebas de referencia de Scale Labs en el ámbito de la salud. CliniCARE-Bench utiliza historias clínicas electrónicas longitudinales reales y desidentificadas, con 25 escenarios validados por médicos, distribuidos en 750 casos que abarcan 14 especialidades y diez habilidades de razonamiento. Distingue los casos a los que les faltan datos de aquellos que siguen siendo médicamente ambiguos, registra la recuperación de información y las citas, y evalúa la fundamentación en la evidencia, la fundamentación en las políticas, el cumplimiento de los procesos y la abstención calibrada, es decir, la decisión adecuada de no dar una respuesta cuando el registro no permite respaldar una respuesta definitiva.
Scale Labs informa que los 16 sistemas basados en agentes que evaluó alcanzaron una precisión bruta de entre el 65,3 % y el 76,1 %, pero la precisión sin defectos disminuyó entre 4,8 y 14,8 puntos porcentuales al penalizar los atajos de razonamiento prohibidos. Todos los sistemas se abstuvieron menos de lo debido y dieron respuestas definitivas con mayor frecuencia de la que aplazaron la respuesta en casos que no podían resolverse con la información del registro. Estos son resultados de las pruebas de referencia para los sistemas evaluados, no resultados de validación comunicados para las cinco aplicaciones hospitalarias.
Dos pruebas de referencia relacionadas amplían ese enfoque. PSEBench contiene 5.074 casos de clasificación de seguridad del paciente basados en los 29 eventos adversos de salud de notificación obligatoria de Minnesota, incluidas variantes completas, con información faltante e inciertas, y se utilizó para evaluar 15 modelos de lenguaje. DistressBench contiene 718 conversaciones redactadas por médicos que abarcan 23 subcategorías de suicidio y autolesiones. Scale Labs informa que, en el 35,3 % de las conversaciones en las que un modelo reconoció plenamente una crisis, aun así no indicó al usuario que buscara ayuda humana.
Scale afirma que esta investigación sustenta evaluaciones personalizadas basadas en los flujos de trabajo de cada sistema de salud y, a la vez, ofrece una forma común de comparar modelos. Este énfasis en la ambigüedad y los procesos guarda relación con los controles de revisión descritos para la orientación sobre órdenes médicas, la verificación de historias clínicas, la aprobación de informes y los hallazgos de auditoría.
Evidencia sobre la documentación y sus límites
Un estudio de JAMA Network Open de 2025 citado por Scale examinó a 263 profesionales clínicos de atención ambulatoria de seis sistemas de salud de Estados Unidos que utilizaron durante 30 días el mismo asistente de documentación clínica con IA ambiental de Abridge; el estudio no evaluó los productos de Scale. En el análisis ajustado, la prevalencia estimada del agotamiento profesional disminuyó del 51,9 % al 38,8 %. Los participantes también informaron mejoras en la carga cognitiva relacionada con las notas, la documentación fuera del horario laboral y la atención centrada en los pacientes.
Los resultados respaldan la justificación de reducir la carga administrativa mediante herramientas de documentación con IA, pero se refieren al uso ambulatorio de un producto distinto, no a la nueva cartera de operaciones hospitalarias. Los investigadores señalaron importantes salvedades: la participación fue voluntaria, las encuestas no fueron anónimas, los resultados fueron autodeclarados y no hubo un grupo de control que permitiera tener en cuenta las tendencias temporales. Estas limitaciones restringen lo que permiten concluir los resultados de 30 días antes y después, en particular a medida que Scale amplía el argumento sobre la carga administrativa —de la documentación ambulatoria— a la programación, las órdenes médicas y la clasificación de eventos de seguridad.
Para los sistemas de salud, la pregunta central que plantea el lanzamiento es si las evaluaciones diseñadas en torno a sus propios flujos de trabajo pueden verificar la recuperación de evidencia, el cumplimiento de las políticas y la derivación adecuada, además de la exactitud de las respuestas. Los puntos de referencia de Scale muestran cómo las respuestas correctas pueden ocultar procesos defectuosos; los enlaces a las fuentes, las recomendaciones citadas, la aprobación de los profesionales clínicos y la confirmación de los auditores en las nuevas aplicaciones son los mecanismos destinados a poner esos problemas al descubierto para que los revisen personas.












