Precisión antes que inferencia: tu escriba con IA no debería rellenar los huecos

Puntos clave

• Hanah está diseñado para conservar el significado, la incertidumbre y el detalle clínico de la fuente sin rellenar los huecos con añadidos verosímiles.
• Nuestras pruebas publicadas incluyen ejemplos de nombres de medicamentos cambiados, lados de lesiones inventados y decisiones de tratamiento que nadie comentó.
• En un análisis emparejado de ejecuciones repetidas, Hanah tuvo la menor variabilidad de los seis escribas probados en errores por nota, alertas de alucinación y tiempo estimado de revisión.
• Son resultados de una prueba comparativa realizada por el propio proveedor, no una garantía de que una nota concreta esté libre de errores. Los resultados originales y el cálculo están enlazados abajo.

Quiero que un escriba con IA redacte una nota clara. No quiero que se ponga creativo con lo que pasó en la consulta.

Esa distinción parece obvia hasta que lees suficientes notas generadas. Un modelo reconoce un patrón clínico conocido y completa la historia. Un posible diagnóstico se convierte en un diagnóstico. Un medicamento recibe una dosis que nadie dijo. Un plan adquiere el asesoramiento, las pruebas y las derivaciones que suelen acompañarlo.

El resultado puede leerse de maravilla. También puede ser erróneo.

En Hanah priorizamos deliberadamente la precisión sobre la inferencia. El modelo puede organizar la información y redactarla con claridad. No puede tomar la verosimilitud clínica como permiso para añadir hechos.

Un detalle verosímil no es un hecho documentado

Un profesional sanitario puede inferir algo al valorar a un paciente. Ese es su juicio clínico. Un sistema de documentación tiene otra responsabilidad: registrar fielmente lo que establecen la consulta y las fuentes aportadas, incluida la valoración del profesional y su incertidumbre.

“Posible” importa. También “referido”, “previsto” y “aún no confirmado”. Quitar esas palabras puede cambiar la historia clínica.

Algunos modelos sencillamente respetan mal ese límite. Se les da bien producir el tipo de texto que suele seguir a una presentación concreta. Esa capacidad es útil para la escritura creativa. En la documentación clínica, rellenar un hueco con el detalle más probable es un fallo.

Estos son ejemplos de los escenarios de prueba grabados de nuestra prueba comparativa publicada. Son escenarios de la prueba, no casos clínicos de pacientes.

“Apixabán reciente” no significa “iniciado recientemente”

Nuestra grabación de un relevo en la UCI incluye la frase “recent apixaban” (apixabán reciente). No establece cuándo se empezó el medicamento.

En la valoración capturada de Lyrebird, eso se convirtió en “apixaban (recently commenced)” (apixabán, iniciado recientemente). Es un añadido pequeño con un significado concreto: el paciente empezó a tomar el medicamento hace poco. La grabación nunca lo estableció.

La valoración de Hanah mantuvo “Recent apixaban.” Conservar el nivel original de especificidad es el comportamiento correcto al documentar. El escriba no necesita resolver una ambigüedad que el profesional no ha resuelto.

La misma grabación nombra la empagliflozina y describe una posible cetoacidosis euglucémica. El resultado capturado de PatientNotes la sustituyó por dapagliflozina. Un medicamento parecido sigue siendo el medicamento equivocado. Hanah mantuvo el fármaco nombrado y la incertidumbre.

Puedes consultar la transcripción de referencia, los resultados de cada producto y los motivos de la puntuación.

Son tipos de error distintos. El primero amplía una frase ambigua. El segundo sustituye un fármaco nombrado. Ambos hacen que la historia clínica final diga algo que la fuente no estableció. Un resultado por sí solo no nos dice si la causa fue la transcripción, la recuperación o el modelo de redacción, así que nuestras pruebas evalúan el resultado final además de la transcripción.

Una lesión no adquiere un lado porque la plantilla lo pida

En nuestro escenario de accidente de quad, el paciente describe que cayó sobre el hombro y la cadera. No se indica el lado.

La nota capturada de Lyrebird atribuyó las lesiones al hombro y la cadera derechos. PatientNotes las atribuyó al lado izquierdo. La fuente no respalda ninguna de las dos.

PatientNotes también añadió “No immediate imaging or testing required at this time” (no se requieren pruebas de imagen ni otras pruebas inmediatas por ahora) y “No specialist referral indicated currently.” (no está indicada la derivación al especialista por ahora). Esas decisiones no se comentaron en la grabación. Pueden parecer líneas razonables en una nota musculoesquelética. Eso no las convierte en parte de esta consulta.

La grabación también contiene una pregunta compuesta sobre un golpe en la cabeza, pérdida de conciencia y sensación de aturdimiento. El paciente responde que no perdió el conocimiento y que se sintió brevemente aturdido. Esa respuesta no debe ampliarse a una negación general de todas las partes de la pregunta.

Lee la transcripción del accidente de quad y las notas capturadas.

Las notas capturadas de Hanah tampoco fueron perfectas. La puntuación publicada señala una intención de documentar el incidente atribuida a quien no correspondía y una redacción confusa en los consejos. Quiero que esos fallos también se vean. La precisión es algo que probamos y mejoramos, no un absoluto que declaramos sobre nosotros mismos.

Cómo enfocamos la precisión en Hanah

Construimos Hanah sobre una base de consistencia y luego mejoramos la precisión y la exhaustividad sobre ella. Nuestro objetivo es conservar fielmente los detalles clínicos importantes, con una variación mínima de calidad de una respuesta a la siguiente.

Construimos y evaluamos Hanah en torno a una documentación fiel. El objetivo es conservar lo que establecieron el profesional y el paciente, incluidos los detalles y la incertidumbre que tienen significado clínico.

Eso supone mantener los síntomas referidos separados de los hallazgos observados, conservar la diferencia entre un diagnóstico posible y uno confirmado, y registrar una acción propuesta de forma distinta a una ya realizada. Una redacción clara no debería cambiar en silencio ninguna de esas distinciones.

Queremos que Hanah organice y explique la información aportada sin rellenar sus huecos con una historia clínica típica. Juzgamos ese comportamiento comparando la nota generada con sus fuentes, no por lo pulida o segura que suene.

Es un trabajo continuo de ingeniería y evaluación. Nuestros fallos publicados importan tanto como los ejemplos de éxito, porque muestran dónde el producto aún tiene que mejorar.

La elección del modelo importa más que una demo pulida

Evaluamos los modelos en el trabajo de documentación que de verdad necesitamos que hagan. Un modelo que redacta una prosa impresionante pero refuerza una y otra vez afirmaciones inciertas no encaja. Tampoco uno que suena clínicamente fluido mientras pierde los números, las negaciones o los matices que hacen precisa la nota.

Una buena puntuación en una clasificación general de modelos no resuelve esa elección. Nos importan la transcripción real, las instrucciones, la nota resultante y los errores. Probamos el sistema completo; no damos por hecho que un modelo más grande o más de moda se comportará mejor en nuestra tarea.

La misma regla se aplica cuando se adjunta una guía clínica. Una guía puede establecer lo que se recomienda. No puede establecer que se hizo una exploración ni que el profesional aceptó un tratamiento. La evidencia debería hacer una nota más defendible, no darle al modelo más material con el que inventarse la consulta.

La nueva repetición: 1.22 errores por nota

La prueba comparativa exportada actual indica 1.22 errores por nota, 98.1% de cobertura clínica y 0.36 alertas de alucinación por nota para la nueva repetición de Hanah. Son los resultados agregados de sus diez consultas completadas, no del subconjunto emparejado de ocho consultas que se usa abajo. Los errores incluyen omisiones, hechos captados parcialmente y afirmaciones sin respaldo. No todos son detalles inventados. Consulta los resultados originales y las aclaraciones.

La consistencia importa: la misma grabación no debería ser una lotería

Una sola ejecución buena no basta. La consistencia fue la base sobre la que construimos la precisión y la exhaustividad, y medimos las tres a medida que mejoramos Hanah. Los profesionales sanitarios necesitan resultados fiables en consultas repetidas, y las pruebas repetidas de la misma grabación ayudan a sacar a la luz la variabilidad.

Revisé la exportación pública de la prueba comparativa con ejecuciones repetidas el 18 de octubre de 2026. Para comparar lo comparable, seleccioné las ocho consultas con cinco observaciones completas para cada producto en las tres medidas de abajo: 40 observaciones por producto, en seis productos.

Para cada consulta y producto, calculé la desviación estándar muestral de sus cinco ejecuciones y luego promedié esas ocho desviaciones. Los valores más bajos indican menos variación entre ejecuciones en esa medida. Comparamos repeticiones de la misma consulta antes de promediar; no confundimos las diferencias entre consultas fáciles y difíciles con inestabilidad.

Hanah tuvo la menor variabilidad entre ejecuciones en las tres medidas de todos los escribas de esta comparación emparejada. Esto respalda una afirmación concreta sobre la calidad de las notas y el esfuerzo estimado de corrección en estas pruebas. No significa que Hanah sea el menos variable en todas las métricas posibles: la variabilidad de la tasa de error de palabras de la transcripción es una medida aparte, y Hanah no la lideró en el conjunto completo de casos repetidos disponibles.

Los errores por nota incluyen hechos omitidos o captados parcialmente y afirmaciones sin respaldo según el método de puntuación de la prueba comparativa. El tiempo de revisión es una estimación modelada del esfuerzo de lectura y corrección, no una medición con cronómetro de profesionales sanitarios.

Descarga las observaciones emparejadas, las desviaciones por consulta y el método de cálculo. La prueba comparativa más amplia incluye otras consultas y observaciones incompletas; quedan excluidas de este cálculo emparejado. Consulta la metodología de la prueba comparativa para ver los detalles de captura y puntuación. Son comparaciones realizadas por el proveedor, no ensayos clínicos independientes.

El estándar que quiero que se nos exija

Redactar con claridad. Conservar el detalle importante. Mantener intacta la incertidumbre. Registrar lo que el profesional decidió de verdad. Facilitar la consulta de la fuente.

Prefiero que Hanah deje fuera un detalle sin respaldo a que complete la historia con seguridad. Una nota puede ser concisa, estar bien organizada y ser clínicamente útil sin ponerse creativa con los hechos.

Eso es lo que para mí significa precisión antes que inferencia. Por eso publicamos las grabaciones, los resultados y los motivos de la puntuación, incluidos nuestros propios errores. Deberías poder comprobar si nuestro comportamiento coincide con nuestras palabras.

Preguntas frecuentes

¿Precisión antes que inferencia significa que la IA no puede resumir ni explicar?

No. Hanah puede organizar la información, resumirla según el nivel de detalle elegido y relacionar los hallazgos documentados con la valoración indicada. El límite está en añadir hechos sin respaldo o convertir una afirmación provisional en una definitiva.

¿Este enfoque evita cualquier detalle inventado?

No. Probamos las transcripciones y las notas resultantes, publicamos los fallos y esperamos que los profesionales sanitarios revisen cada borrador antes de archivarlo.

¿Qué abarca el resultado de menor variabilidad?

Abarca las tres medidas de este artículo, con ocho consultas emparejadas y cinco observaciones completas por producto para Hanah, Heidi, Lyrebird, Freed, CliniScripts y PatientNotes. No abarca todas las métricas, todos los competidores ni todos los entornos clínicos. Las descargas enlazadas contienen las observaciones y el cálculo.