Hanah frente al resto: una prueba comparativa objetiva y transparente

Puntos clave

• La comparativa de octubre de 2026 reprodujo las mismas 13 consultas en siete escribas con IA y evaluó los resultados frente a las grabaciones.
• Hanah incluye planes de cuidados mediante una app para pacientes con la marca de tu clínica, junto con un escriba con IA.
• Hanah recogió el 93.7% de los datos clínicos requeridos en la prueba descrita, sin ninguna alerta de alucinación grave en sus notas evaluadas.
• La prueba la realizó el propio proveedor, con la identidad de los productos oculta durante la evaluación. Las limitaciones de la muestra y de la captura importan al interpretar los resultados.
• Revisa las grabaciones, los resultados y los motivos de cada puntuación; un buen resultado en un benchmark no elimina la necesidad de revisar un borrador clínico.

Reprodujimos las mismas 13 consultas grabadas en Hanah, Heidi, Lyrebird, Freed, PatientNotes, CliniScripts y Preve, y evaluamos cada nota frente a lo que realmente se dijo. Los resultados completos, con cada transcripción, nota y puntuación, están en nuestra página del benchmark.

Los resultados

Las notas de Hanah recogieron un 11% más de los datos clínicos requeridos que la media de los escribas con IA. Ninguna de las 13 notas de Hanah tuvo una alerta de alucinación grave, y menos de la mitad de las notas de los demás escribas se libraron de alguna. Las transcripciones de Hanah tuvieron un 66% menos de errores clínicamente significativos que la media, y un 76% menos en las consultas en inglés. Un error de transcripción clínicamente significativo es aquel que podría inducir a error a un profesional sanitario: un fármaco, una dosis, un número, un lado o un síntoma equivocados, una negación o un signo de alarma perdidos, o contenido clínico omitido.

Cómo es una alerta de alucinación grave

Una alerta de alucinación grave es algo que aparece en la nota sin que se dijera y que podría cambiar la atención. Estos ejemplos proceden de las notas de este benchmark, y cada uno se publica con la transcripción de la que salió.

• En un traspaso de pacientes en la UCI, PatientNotes citó la dapagliflozina como causa de la cetoacidosis del paciente. El profesional dijo empagliflozina. En el mismo dictado grabado con ruido de planta, PatientNotes registró una frecuencia cardiaca de 91. El 91 era la saturación de oxígeno del paciente, que quedó fuera de la nota.
• Para un niño con asma, PatientNotes escribió betametasona donde el profesional dijo dexametasona, y registró esputo amarillo cuando el padre describió vómito amarillo.
• Un paciente que se cayó de un quad pasó a ser una caída de bicicleta en el resumen de Heidi y una caída de moto en la nota de Lyrebird. Lyrebird además situó las lesiones en el lado derecho, algo que nunca se dijo.

Las transcripciones también pueden fallar. En una sesión de mioterapia de 50 minutos, con unos siete minutos de habla en una sala de tratamiento ruidosa, la transcripción de Freed rellenó los silencios con frases que nadie dijo, como “Thank you for watching!” y un pasaje sobre la historia de un pueblo. La transcripción de Lyrebird de la misma sesión incluía zolmitriptán, un fármaco para la migraña que nadie mencionó. La transcripción de Hanah de esa grabación no tuvo errores clínicamente significativos.

Mandarín e inglés

Una de las consultas fue una revisión de cirugía maxilofacial realizada casi toda en mandarín, con los términos clínicos en inglés. Todos los escribas que ofrecen un ajuste de idioma de entrada se configuraron en mandarín para esta consulta, y Heidi y Hanah la procesaron tres veces cada uno.

Heidi fue quien mejor la transcribió, con 3 errores clínicamente significativos en cada una de sus tres ejecuciones. CliniScripts cometió 4 y Hanah 4 o 5. Los de Hanah fueron palabras clínicas en inglés dichas dentro del mandarín, como “pus” escrito “pass” y chlorhexidine escrito “hexadene”. PatientNotes cometió 9, Freed 7 y Lyrebird 14. Preve no tiene ajuste de idioma de entrada y cometió 24. La nota de Hanah de esa revisión siguió sin alertas de alucinación grave.

Cómo lo hicimos

Las grabaciones forman el corpus de precisión de Hanah, las mismas 13 grabaciones en las que se basan los resultados de cada versión en nuestra página de transparencia. Incluyen dictados, consultas de fisioterapia, dietética, terapia ocupacional, mioterapia y enfermería comunitaria, un niño cuyo padre habla poco inglés, una grabación al aire libre y la revisión en mandarín. Cada una tiene una transcripción de referencia literal y una lista de comprobación de lo que debe recoger la nota.

Cada escriba funcionó en su propia app web con una cuenta estándar y la configuración predeterminada. El mismo archivo de audio entró en todos los escribas, y se escribieron las mismas instrucciones palabra por palabra. Cada escriba procesó cada grabación una vez, el 6 de octubre de 2026, salvo las repeticiones en mandarín mencionadas.

Las notas las evaluó Claude, el modelo de Anthropic. Para cada grabación, las notas de todos los escribas se mezclaron bajo letras, sin el nombre de los productos, y se evaluaron frente a la transcripción de referencia con una rúbrica fija. Las letras se asociaron de nuevo a los productos solo después de evaluar las 13 grabaciones. Cada transcripción se comparó con la referencia palabra por palabra, y Claude juzgó cada diferencia a ciegas para decidir si era clínicamente significativa. La rúbrica y las reglas de cada puntuación están en nuestra metodología.

Compruébalo tú mismo

Cada puntuación de la página del benchmark incluye su motivo. Puedes reproducir cada grabación, leer la transcripción de referencia y compararla con lo que escribió cada escriba.

Preguntas frecuentes

¿Fue un estudio clínico independiente?

No. Fue una comparativa realizada por Hanah, con la identidad de los productos oculta durante la evaluación. El método y la evidencia subyacente están enlazados para que cualquiera pueda examinar los resultados.

¿Cero alertas de alucinación grave significa que todas las notas eran perfectas?

No. Significa que no se encontraron alertas graves en las notas de Hanah evaluadas en esta ejecución. Las omisiones y otros errores siguen requiriendo atención, y cada borrador necesita revisión.

¿Dónde puedo comprobar una puntuación concreta?

La evidencia del benchmark enlaza las grabaciones, las transcripciones de referencia, los resultados de cada producto y los motivos de las puntuaciones.