El escriba médico con IA más preciso en 2026
Puntos clave
- Reprodujimos las mismas 13 consultas grabadas en Hanah, Heidi, CliniScripts, Lyrebird, Freed, PatientNotes, Arlo y Preve, y puntuamos a ciegas cada nota, resumen y transcripción en los mismos lotes.
- Las notas de Hanah captaron el 93.1% de los detalles clínicos requeridos. La media de los otros siete escribas fue del 82.3%.
- Hanah tuvo 4 alertas de alucinación grave en 23 notas, resúmenes y cartas. Los demás escribas tuvieron entre 5 y 56.
- Las transcripciones de Hanah tuvieron 0.85 errores clínicamente significativos por consulta, frente a una media de 2.17.
- Cada grabación, transcripción, nota y puntuación está publicada en nuestra página de la prueba comparativa, con el motivo de cada puntuación.
Un escriba con IA solo es útil si puedes fiarte de lo que redacta. Una nota que se lee bien y se equivoca de fármaco te cuesta más tiempo que redactarla tú, porque ahora tienes que encontrar el error. Probamos todos los escribas con ese criterio.
Cómo se hizo la prueba
Usamos las 13 grabaciones de nuestro corpus de precisión. Incluyen un dictado de relevo en la UCI con y sin ruido de planta, fisioterapia, dietética, terapia ocupacional, mioterapia, enfermería comunitaria, un niño con asma cuyo progenitor habla poco inglés, una caída de quad grabada al aire libre, dos lesiones de rugby y una revisión de cirugía maxilar hablada sobre todo en mandarín.
Cada escriba se ejecutó en su propia app web en Chrome con una cuenta estándar. Se reprodujo el mismo archivo de audio por el micrófono para cada escriba, y las instrucciones de cada grabación se le dieron al escriba palabra por palabra, por ejemplo "Generate SOAP notes please" (genera notas SOAP, por favor) y "Summarise this consult in two sentences for a referral letter" (resume esta consulta en dos frases para una carta de derivación). Arlo no tiene un cuadro de texto libre para documentos, así que cada instrucción se introdujo palabra por palabra en el generador de plantillas de Arlo y la plantilla que creó se usó sin editar.
El 20 de octubre de 2026 se volvieron a puntuar juntos los resultados de todos los escribas, con Arlo añadido. Para cada grabación, las notas de los ocho escribas se barajaron tras letras, sin nombres de producto, y las puntuó Claude, el modelo de Anthropic, frente a la transcripción de referencia:
- Cada detalle clínico requerido se marca como sí, parcial o no.
- Cada afirmación que la grabación no respalda es una alerta de alucinación. Una alerta es grave cuando podría cambiar la atención o falsear el cuadro clínico: un fármaco, un lado o una dosis equivocados, un hallazgo, diagnóstico o plan inventado, o una posibilidad escrita como un hecho.
- Cada transcripción se compara con la referencia, y cada diferencia que podría inducir a error a un profesional sanitario se cuenta como un error de transcripción clínicamente significativo.
La rúbrica completa está en nuestra página de metodología.
Los resultados
| Escriba con IA | Datos clínicos recogidos | Notas con todos los datos clínicos | Alertas de alucinación grave por nota | Notas sin alertas graves | Errores de transcripción significativos por consulta |
|---|---|---|---|---|---|
| Hanah | 93.1% | 62% | 0.23 | 92% | 0.85 |
| Heidi | 91.4% −1.7% | 38% −24% | 0.31 +0.08 | 69% −23% | 1.08 +0.23 |
| CliniScripts | 90.8% −2.3% | 62% | 0.54 +0.31 | 62% −30% | 1.08 +0.23 |
| Lyrebird | 89.7% −3.4% | 54% −8% | 0.85 +0.62 | 38% −54% | 2.08 +1.23 |
| Freed | 84.5% −8.6% | 50% −12% | 0.50 +0.27 | 58% −34% | 1.67 +0.82 |
| PatientNotes | 75.3% −17.8% | 15% −47% | 2.46 +2.23 | 15% −77% | 2.38 +1.53 |
| Arlo | 72.4% −20.7% | 31% −31% | 1.00 +0.77 | 23% −69% | 3.62 +2.77 |
| Preve | 72.2% −20.9% | 30% −32% | 2.40 +2.17 | 30% −62% | 3.31 +2.46 |
| Media de los otros siete | 82.3% −10.8% | 40% −22% | 1.15 +0.92 | 42% −50% | 2.17 +1.32 |
Freed no produjo transcripción ni nota en la grabación más corta, así que se puntúa sobre 12. Preve solo sigue una instrucción personalizada después de subir un PDF de muestra, así que se puntuó con su nota clínica estándar, y no produjo nota en sus tres grabaciones más cortas.
Hanah lideró o empató en todas las columnas. Captó un 13% más de los detalles clínicos requeridos que la media, y sus transcripciones tuvieron un 61% menos de errores clínicamente significativos.
Alucinaciones graves en todos los documentos
Una nota es solo una parte de lo que redacta un escriba. Los profesionales sanitarios también lo usan para resúmenes de derivación, notas de relevo y cartas, y un detalle inventado en una carta sale de la clínica. Esta tabla cuenta las alertas de alucinación grave en todos los documentos que redactó cada escriba.
| Escriba con IA | Notas | Resúmenes y cartas | Alertas graves en notas | Alertas graves en resúmenes y cartas | Total de alertas graves | Alertas graves por documento |
|---|---|---|---|---|---|---|
| Hanah | 13 | 10 | 3 | 1 | 4 | 0.17 |
| Heidi | 13 | 10 | 4 +1 | 1 | 5 +1 | 0.22 +0.05 |
| CliniScripts | 13 | 10 | 7 +4 | 1 | 8 +4 | 0.35 +0.18 |
| Freed | 12 | 9 | 6 +3 | 3 +2 | 9 +5 | 0.43 +0.26 |
| Lyrebird | 13 | 10 | 11 +8 | 6 +5 | 17 +13 | 0.74 +0.57 |
| Arlo | 13 | 10 | 13 +10 | 11 +10 | 24 +20 | 1.04 +0.87 |
| Preve | 10 | 0 | 24 +21 | — | 24 +20 | 2.40 +2.23 |
| PatientNotes | 13 | 10 | 32 +29 | 24 +23 | 56 +52 | 2.43 +2.26 |
Las cuatro alertas graves de Hanah vinieron de la revisión de cirugía maxilar en mandarín, que explico más abajo. Hanah no tuvo alertas graves en las otras 12 consultas.
Cómo es una alucinación grave
Están tomadas directamente de las notas y los resúmenes puntuados. Cada una está en la página de la prueba comparativa con la grabación de la que procede.
| Escriba con IA | Consulta | Lo que escribió el escriba | Lo que se dijo |
|---|---|---|---|
| PatientNotes | Revisión de cirugía maxilar | “amoxicillin 50 mg three times daily” (amoxicilina 50 mg tres veces al día) | 500 mg |
| PatientNotes | Dictado del traspaso de pacientes en la UCI | “Dapagliflozin (possible cause of euglycaemic ketoacidosis)” (dapagliflozina, posible causa de cetoacidosis euglucémica) | Empagliflozina |
| PatientNotes | Relevo en la UCI, ruido de planta | “Heart rate 91 bpm” (frecuencia cardiaca 91 lpm) | El 91% era la saturación de oxígeno |
| Arlo | Relevo en la UCI, ruido de planta | “aspiration pneumonitis vs meningitis” (neumonitis por aspiración frente a meningitis) | Colangitis |
| Arlo | Niño con asma, resumen de relevo | “They are currently stable” (actualmente estable) | Saturación de oxígeno del 89% con aire ambiente, frecuencia respiratoria de 48, tiraje y tiraje traqueal |
| Arlo | Revisión de cirugía maxilar | “Reports fever” (refiere fiebre) | El paciente negó tener fiebre |
| Arlo | Isquiotibial en rugby, a pie de campo | “No visible bruising” (sin hematomas visibles) | Los hematomas solo se mencionaron como algo que vigilar |
| Preve | Niño con asma | “documented concern for penicillin anaphylaxis” (sospecha documentada de anafilaxia a la penicilina) | El profesional dijo que la reacción no fue una anafilaxia |
| Lyrebird | Revisión de cirugía maxilar | “Mild tenderness noted on palpation over the right temporomandibular joint” (leve dolor a la palpación sobre la articulación temporomandibular derecha) | No se exploró ni se indicó ninguna zona ni lado |
| Freed | Relevo en la UCI, ruido de planta | “possible euglycemic ketoacidosis from MPAG liposin” (posible cetoacidosis euglucémica por MPAG liposin) | Empagliflozina; “MPAG liposin” no es un fármaco |
| CliniScripts | Isquiotibial en rugby, a pie de campo | “IV assist scheduled for tomorrow” (asistencia IV programada para mañana) | El profesional dijo “I reassess tomorrow” (vuelvo a valorar mañana) |
| Heidi | Niño con asma | “No rash, no neck stiffness, no seizure” (sin exantema, sin rigidez de nuca, sin convulsiones) | Se preguntó por la rigidez de nuca y nunca se negó |
Varios escribas escribieron el mismo tipo de negación inventada en la consulta del niño con asma. El profesional preguntó por la rigidez de nuca y el progenitor nunca respondió, pero la nota la registra como ausente. Es un signo de alarma anotado como comprobado cuando nadie lo comprobó.
Resúmenes y cartas que siguen lo que se pide
La segunda instrucción de la mayoría de las grabaciones pedía algo breve y concreto: dos frases para una carta de derivación, una nota de relevo o una carta al cirujano responsable.
| Escriba con IA | Detalles requeridos captados | Documentos que cumplieron todos los requisitos | Alertas graves |
|---|---|---|---|
| Hanah | 97.9% | 8 de 10 | 1 |
| Lyrebird | 91.7% −6.2% | 7 de 10 −1 | 6 +5 |
| Heidi | 87.5% −10.4% | 5 de 10 −3 | 1 |
| CliniScripts | 82.3% −15.6% | 3 de 10 −5 | 1 |
| Freed | 77.8% −20.1% | 2 de 9 −6 | 3 +2 |
| PatientNotes | 65.6% −32.3% | 0 de 10 −8 | 24 +23 |
| Arlo | 60.4% −37.5% | 0 de 10 −8 | 11 +10 |
La mayoría de los resúmenes de Arlo estaban dirigidos al paciente, empezaban con "You came in today" (hoy has venido) y ocupaban cuatro frases o más. Varios añadían consejos que el profesional nunca dio: reposo, hielo, evitar actividades y cuándo buscar atención médica.
Transcripciones con audio difícil
En consultas cortas en una sala tranquila, la mayoría de los escribas transcriben con uno o dos puntos de diferencia entre sí. La diferencia aparece cuando el audio es difícil.
| Consulta | Hanah | Mejor de los demás escribas | Media de los otros siete |
|---|---|---|---|
| Dictado del traspaso de pacientes en la UCI, con ruido de planta | 1.8% | CliniScripts 7.0% +5.2% | 13.8% +12.0% |
| Mioterapia, 50 minutos en una sala ruidosa | 1.0% | CliniScripts 1.2% +0.2% | 17.3% +16.3% |
| Niño con asma, madre o padre con un inglés limitado | 1.9% | CliniScripts 2.1% +0.2% | 6.9% +5.0% |
| Caída de quad, en el exterior | 7.7% | Freed 8.6% +0.9% | 18.3% +10.6% |
Las cifras son tasas de error de palabras frente a la referencia literal. Contamos todas las palabras igual, incluidas las muletillas, así que un número más bajo significa menos palabras que corregir. Las tasas por consulta de cada escriba están en la página de la prueba comparativa.
La consulta en mandarín
La revisión de cirugía maxilar se habló sobre todo en mandarín, con términos clínicos en inglés. Heidi cometió menos errores de transcripción clínicamente significativos en ella (2), seguido de Hanah (5) y CliniScripts (6). Arlo y Preve cometieron 18 cada uno, y ninguno tiene ajuste de idioma de entrada.
Hanah entendió "chlorhexidine" (clorhexidina) como "Hexadene" y "pus" como "pass", y ambos errores pasaron a la nota, al plan y a la carta al cirujano. Aun así, Hanah captó el 81% de los detalles clínicos de esta consulta, frente a una media del 53% de los otros siete escribas.
Qué distingue a Hanah
Hanah redacta lo que se dijo. Las cuatro alertas graves de Hanah fueron palabras mal oídas en una sola grabación. Ninguna fue un hallazgo de una exploración que nadie hizo, una negación que nadie confirmó, un diagnóstico que nadie emitió ni un consejo que nadie dio, y todos los demás escribas de esta prueba escribieron al menos uno de esos. Explico por qué mantenemos este criterio en precisión antes que inferencia.
Hanah sigue lo que se le pide. Cuando pides dos frases para una carta de derivación, recibes dos frases con el motivo de consulta y el plan.
Hanah transcribe con precisión el audio difícil. El ruido de fondo, un progenitor que habla en su segundo idioma, una sesión de 50 minutos o una grabación hecha al aire libre cambian lo mucho que tiene que corregir un profesional sanitario. La tasa de error de Hanah se mantuvo baja en todos los casos.
Los resultados también varían entre ejecuciones de la misma grabación. Volvimos a probar Hanah tres veces con la consulta corta de dolor de rodilla: dos ejecuciones entendieron "I hurt it" (me lo lesioné) como "I heard it" (lo oí) y una lo entendió bien, y todas las notas de Hanah registraron la lesión correctamente. Publicamos la ejecución que usamos y la variación, y nuestro análisis de ejecuciones repetidas concluyó que Hanah fue el que menos varió de los seis escribas comparados.
Compruébalo tú mismo
Cada grabación, transcripción de referencia, nota, resumen y puntuación está en la página de la prueba comparativa, con el motivo de cada puntuación. Puedes reproducir el audio y leer el resultado de cada escriba junto a lo que se dijo realmente. Hanah redacta el borrador y el profesional lo revisa, y esa revisión es más rápida cuando hay menos que corregir.
Preguntas frecuentes
¿Qué escribas con IA se probaron?
Hanah, Heidi, CliniScripts, Lyrebird, Freed, PatientNotes, Arlo y Preve, con las mismas 13 grabaciones.
¿Quién puntuó las notas?
Claude, el modelo de Anthropic, puntuó los resultados de cada escriba sin nombres de producto y con los resultados barajados. Los ocho escribas se puntuaron juntos el 20 de octubre de 2026 con la misma rúbrica.
¿Qué cuenta como alerta de alucinación grave?
Una afirmación que la grabación no respalda y que podría cambiar la atención o falsear el cuadro clínico, como un fármaco, una dosis o un lado equivocados, un hallazgo, diagnóstico o plan inventado, o una posibilidad escrita como un hecho.
¿Comete errores Hanah?
Sí. Hanah tuvo cuatro alertas graves en esta prueba, todas en la consulta en mandarín, y están publicadas con el resto. El profesional debería revisar cada borrador antes de archivarlo.
Fuentes citadas en este artículo
- página de la prueba comparativa — hanah.health
- página de metodología — hanah.health
- página de la prueba comparativa — hanah.health