Curso de IA para el Sector Salud

Entender cómo funcionan modelos predictivos, clasificadores, modelos de lenguaje, modelos multimodales y sistemas de recomendación.

Diferenciar entrenamiento, inferencia, fine-tuning, prompt engineering, embeddings, recuperación aumentada y agentes.

Revisar qué significa precisión, sensibilidad, especificidad, valor predictivo, calibración, robustez y generalización.

Explicar por qué un modelo con buen resultado técnico puede no ser seguro o útil clínicamente.

Identificar diferencias entre modelos deterministas, probabilísticos y generativos.

Comprender riesgos de alucinación, sobreconfianza, falta de contexto y respuestas plausibles pero incorrectas.

Analizar qué tipos de datos puede usar la IA: texto clínico, imagen, señales, laboratorio, genómica, facturación y operaciones.

Distinguir IA para apoyo diagnóstico, gestión de pacientes, automatización documental y soporte administrativo.

Evitar adoptar herramientas por novedad sin validar contexto de uso, población y proceso asistencial.

Taller: clasificar diez posibles soluciones sanitarias según tipo de IA, riesgo y necesidad de validación.

Identificar casos asistenciales: triaje, apoyo diagnóstico, predicción de riesgo, ayuda a decisión clínica y seguimiento.

Identificar casos administrativos: citas, facturación, autorizaciones, codificación, informes, contact center y gestión documental.

Identificar casos operativos: planificación de camas, turnos, quirófanos, compras, stocks, listas de espera y demanda asistencial.

Identificar casos de experiencia del paciente: recordatorios, navegación asistencial, educación, comunicación y seguimiento remoto.

Identificar casos de investigación: búsqueda bibliográfica, cohortes, ensayos, análisis documental y generación de hipótesis.

Clasificar cada caso por impacto, riesgo clínico, datos requeridos, facilidad técnica, coste, madurez y dependencias.

Separar quick wins administrativos de casos clínicos de alto riesgo.

Definir criterios para decidir si un caso requiere comité clínico, validación local o análisis regulatorio.

Evitar priorizar solo por ahorro de tiempo sin considerar seguridad, equidad y aceptación profesional.

Taller: construir portfolio de casos de uso de IA para una organización sanitaria.

Analizar principios de beneficencia, no maleficencia, autonomía, justicia, explicabilidad, privacidad y responsabilidad.

Relacionar IA con seguridad del paciente, calidad asistencial, eventos adversos y toma de decisiones clínicas.

Definir cuándo la IA puede recomendar, cuándo puede priorizar y cuándo solo debe resumir información.

Establecer revisión humana obligatoria en decisiones clínicas relevantes.

Identificar riesgos de automatización excesiva, sesgo de autoridad y confianza ciega en el sistema.

Crear criterios para informar al profesional sobre incertidumbre, límites y confianza del resultado.

Definir responsabilidad entre proveedor, organización, profesional, equipo técnico y dirección.

Incorporar consentimiento, transparencia o información al paciente cuando el caso lo requiere.

Crear procedimientos de escalado ante errores, discrepancias o resultados inesperados.

Taller: analizar dilemas éticos en IA clínica y diseñar controles prácticos.

Revisar implicaciones del Reglamento Europeo de IA para sistemas de alto riesgo en salud.

Diferenciar herramienta administrativa, sistema de apoyo clínico, software con finalidad médica y producto sanitario.

Entender cuándo una solución puede estar afectada por MDR, IVDR, marcado CE o normativa sectorial.

Identificar obligaciones de proveedor y desplegador según el tipo de sistema y contexto de uso.

Relacionar evaluación de conformidad, gestión de riesgos, documentación técnica, datos, supervisión humana y monitorización.

Evitar implantar soluciones clínicas sin revisar clasificación regulatoria.

Revisar diferencias entre herramientas internas, terceros proveedores, modelos integrados y dispositivos médicos.

Documentar finalidad prevista, usuario previsto, población, riesgo y entorno de uso.

Coordinar Legal, Compliance, Calidad, IT, Compras, Dirección Médica y proveedor tecnológico.

Taller: clasificar varios casos de IA sanitaria según riesgo regulatorio y controles necesarios.

Entender los datos de salud como categoría especial de datos personales y sus implicaciones prácticas.

Identificar bases jurídicas, finalidades, minimización, limitación de conservación, transparencia y derechos.

Diferenciar uso asistencial, investigación, gestión sanitaria, calidad, docencia, desarrollo tecnológico y anonimización.

Analizar cuándo se requiere evaluación de impacto en protección de datos.

Revisar roles de responsable, encargado, corresponsable, proveedor tecnológico y subencargado.

Controlar transferencias internacionales, acceso remoto, cloud, modelos externos y proveedores de IA.

Evitar introducir datos reales de pacientes en herramientas no autorizadas.

Diseñar privacidad desde el diseño y por defecto en proyectos de IA.

Documentar registros de tratamiento, contratos, medidas técnicas, logs y evidencias.

Taller: crear DPIA simplificada para un caso de IA con datos de salud.

Definir ownership de datos clínicos, administrativos, operativos, financieros, poblacionales y de investigación.

Crear catálogo de datos con origen, calidad, significado, periodicidad, permisos, sensibilidad y uso permitido.

Identificar problemas comunes: duplicados, codificación heterogénea, campos libres, datos faltantes y sesgos históricos.

Establecer criterios de calidad antes de entrenar, validar o explotar modelos de IA.

Diferenciar datos identificados, seudonimizados, anonimizados, sintéticos y agregados.

Controlar linaje, transformaciones, versiones, consentimientos y restricciones de uso.

Crear comité de datos para priorizar y aprobar usos de IA.

Relacionar calidad de datos con seguridad clínica y equidad.

Evitar entrenar modelos sobre datasets no representativos o no gobernados.

Taller: auditar un dataset sanitario ficticio y preparar plan de mejora.

Entender el papel de la interoperabilidad en proyectos de IA sanitaria.

Diferenciar historia clínica electrónica, repositorios clínicos, data lake, data warehouse, PACS, LIS, RIS y sistemas administrativos.

Revisar conceptos de HL7, FHIR, recursos clínicos, terminologías y APIs sanitarias.

Analizar cómo integrar IA con flujos existentes sin duplicar documentación ni romper el proceso asistencial.

Identificar datos críticos: paciente, episodio, diagnóstico, medicación, laboratorio, imagen, alergias, procedimientos y notas.

Evitar integraciones manuales que dependen de copiar y pegar información clínica.

Diseñar arquitectura de intercambio con seguridad, trazabilidad, consentimiento y mínimos privilegios.

Preparar mecanismos para escribir resultados en sistemas clínicos solo cuando esté autorizado.

Documentar dependencias técnicas y funcionales de cada integración.

Taller: diseñar arquitectura FHIR para un caso de apoyo clínico con IA.

Usar procesamiento de lenguaje natural para resumir notas clínicas, informes, evolutivos y documentación administrativa.

Extraer entidades clínicas: diagnósticos, síntomas, tratamientos, fechas, antecedentes, alergias y procedimientos.

Diferenciar extracción, resumen, clasificación, codificación, generación de texto y búsqueda semántica.

Controlar riesgos de omisiones, invención de datos, confusión temporal o interpretación clínica incorrecta.

Diseñar salidas revisables por profesional sanitario.

Crear plantillas de resumen clínico con fuentes, fecha y límites.

Evitar que un resumen sustituya la lectura de información crítica.

Medir calidad con revisión humana, muestreo y criterios clínicos.

Integrar NLP con documentación clínica, codificación, auditoría y gestión de casos.

Taller: generar y validar resumen de episodio clínico ficticio.

Diseñar usos seguros de IA generativa para borradores, resúmenes, preparación de materiales y apoyo documental.

Crear prompts clínicos seguros sin datos personales reales ni información innecesaria.

Pedir respuestas con incertidumbre, limitaciones, fuentes internas o necesidad de revisión profesional.

Evitar que la IA proporcione diagnóstico o tratamiento final sin supervisión clínica.

Usar IA para transformar lenguaje técnico en explicaciones comprensibles para pacientes.

Validar materiales educativos antes de usarlos.

Crear guías internas de prompts permitidos, restringidos y prohibidos.

Gestionar riesgos de alucinación, sesgo, simplificación excesiva y tono inadecuado.

Documentar cuándo un output fue generado o asistido por IA.

Taller: crear asistente de apoyo documental para profesionales con checklist de revisión.

Entender qué diferencia a un agente de IA de un chatbot o asistente pasivo.

Diseñar agentes para tareas controladas: recopilar información, clasificar solicitudes, crear tareas o consultar conocimiento.

Definir herramientas permitidas, datos accesibles, acciones autorizadas y límites del agente.

Evitar agentes con capacidad de actuar sobre sistemas clínicos sin aprobación y trazabilidad.

Crear human-in-the-loop para acciones sensibles.

Registrar conversaciones, decisiones, escalados y acciones ejecutadas según política interna.

Diseñar agentes para backoffice sanitario, soporte interno, calidad, compras o atención administrativa.

Separar agentes para profesionales de agentes orientados a pacientes.

Probar conversaciones ambiguas, incompletas, maliciosas o de alto riesgo.

Taller: diseñar agente de soporte interno para preguntas sobre protocolos y procesos.

Entender Retrieval-Augmented Generation como combinación de búsqueda documental y generación de respuestas.

Seleccionar fuentes autorizadas: protocolos, guías clínicas, procedimientos, manuales, instrucciones y documentos internos.

Evitar usar documentos obsoletos, no aprobados o sin owner.

Crear repositorio documental con metadatos, versión, fecha, área, owner y caducidad.

Diseñar respuestas con referencia a fuente, fecha y limitaciones.

Separar conocimiento interno de literatura científica externa.

Controlar permisos por rol, unidad, especialidad y sensibilidad.

Medir relevancia, precisión, cobertura, errores y satisfacción de usuarios.

Establecer proceso de actualización y retirada de documentos.

Taller: construir diseño funcional de RAG para protocolos clínicos internos.

Revisar casos de visión artificial en radiología, anatomía patológica, dermatología, oftalmología y otras áreas.

Diferenciar detección, segmentación, clasificación, priorización, medición, triage y apoyo al informe.

Analizar requisitos de validación clínica, sensibilidad, especificidad, sesgo por equipo, población o protocolo.

Revisar integración con PACS, RIS, visor, workflow del especialista y registro de resultados.

Evitar usar modelos de imagen fuera de su finalidad prevista.

Controlar drift por cambio de máquinas, protocolos, población o calidad de imagen.

Definir revisión humana, gestión de discrepancias y auditoría.

Medir impacto sobre tiempos, calidad, carga de trabajo y seguridad.

Coordinar especialistas, IT, calidad, proveedor, regulación y dirección médica.

Taller: evaluar implantación de IA para priorización de estudios radiológicos.

Diseñar modelos para riesgo de reingreso, deterioro clínico, sepsis, caídas, absentismo, demanda o complicaciones.

Seleccionar variables clínicas, demográficas, operativas y temporales con sentido clínico.

Evaluar sensibilidad, especificidad, calibración, falsos positivos y falsos negativos.

Analizar impacto operativo de una alerta: quién la recibe, cuándo, qué hace y cómo se documenta.

Evitar modelos que generan alert fatigue o decisiones sin capacidad de intervención.

Validar rendimiento local antes de desplegar en una población distinta.

Monitorizar drift, cambios de práctica clínica y degradación del modelo.

Revisar sesgos por edad, sexo, origen, comorbilidad, código postal o acceso a servicios.

Documentar intervención asociada al riesgo predicho.

Taller: diseñar modelo de riesgo de reingreso con flujo de actuación clínica.

Diferenciar CDS basado en reglas, modelos predictivos, IA generativa y sistemas híbridos.

Diseñar recomendaciones que sean oportunas, comprensibles, accionables y revisables.

Incluir explicación mínima, evidencia, nivel de confianza y alternativas cuando sea posible.

Evitar interrupciones innecesarias en el flujo asistencial.

Crear criterios de aceptación clínica, validación y supervisión.

Integrar recomendaciones con historia clínica, protocolos, órdenes, medicación o seguimiento.

Definir responsabilidad del profesional ante aceptación, rechazo o modificación de la recomendación.

Registrar uso, resultados, discrepancias y eventos adversos.

Medir impacto clínico y no solo exactitud técnica.

Taller: diseñar sistema de apoyo a decisión para alerta de riesgo con revisión humana.

Aplicar IA a priorización de cuidados, planificación, seguimiento telefónico, educación y continuidad asistencial.

Identificar pacientes con riesgo de abandono, complicaciones, no adherencia o reconsulta.

Automatizar resúmenes de alta, instrucciones, recordatorios y tareas de seguimiento.

Evitar sobrecargar a enfermería con alertas poco accionables.

Diseñar workflows para seguimiento domiciliario o crónicos con escalado profesional.

Adaptar lenguaje a paciente, cuidador y nivel de alfabetización sanitaria.

Registrar intervenciones y resultados en sistemas autorizados.

Medir adherencia, satisfacción, reingresos, tiempos y seguridad.

Controlar privacidad en comunicaciones remotas.

Taller: diseñar programa de seguimiento asistido por IA para paciente crónico.

Usar IA para orientar al paciente, explicar procesos, preparar instrucciones y responder dudas administrativas.

Diferenciar información general, educación sanitaria, orientación administrativa y consejo clínico individual.

Diseñar límites claros para chatbots y agentes orientados al paciente.

Escalar síntomas, urgencias, quejas o situaciones sensibles a profesionales.

Evitar respuestas médicas personalizadas sin contexto clínico y supervisión adecuada.

Crear contenidos revisados por profesionales y actualizados periódicamente.

Adaptar lenguaje a accesibilidad, idioma, edad y nivel de comprensión.

Registrar interacciones relevantes según política y permisos.

Medir satisfacción, resolución, escalados y seguridad.

Taller: diseñar asistente de paciente para preparación de prueba diagnóstica.

Automatizar clasificación de solicitudes, citas, autorizaciones, admisiones, documentación y gestión de colas.

Usar IA para leer documentos, extraer datos, completar formularios y reducir tareas repetitivas.

Diseñar revisión humana para excepciones, errores o casos de alto impacto.

Evitar automatizar rechazos o decisiones administrativas sensibles sin control.

Integrar con sistemas de gestión hospitalaria, CRM, ERP, correo o portales.

Medir ahorro de tiempo, reducción de errores, tiempos de respuesta y satisfacción.

Controlar trazabilidad de acciones y responsables.

Proteger datos personales y sanitarios en cada automatización.

Documentar reglas, límites y canales de soporte.

Taller: automatizar flujo de autorización o gestión documental con IA.

Aplicar IA a apoyo en codificación diagnóstica, procedimientos, documentación y auditoría.

Diferenciar sugerencia de código, validación documental, facturación y decisión final.

Evitar codificación automática sin revisión cuando afecta a facturación, calidad o cumplimiento.

Detectar inconsistencias entre informe, diagnóstico, procedimiento y episodio.

Apoyar revisión de altas, informes incompletos y documentación insuficiente.

Controlar sesgos económicos o incentivos inadecuados.

Medir precisión, productividad, rechazos, recodificaciones y auditorías.

Documentar cambios, responsable y criterio aplicado.

Integrar resultados con sistemas de facturación y reporting.

Taller: diseñar asistente de codificación clínica con controles de auditoría.

Usar IA para prever demanda asistencial, ocupación, urgencias, listas de espera, recursos y carga de trabajo.

Diseñar modelos para planificación de camas, quirófanos, agendas, turnos y capacidad.

Integrar datos históricos, estacionalidad, festivos, epidemias, recursos y restricciones operativas.

Evitar decisiones automáticas que ignoran criterios clínicos o prioridades asistenciales.

Crear dashboards predictivos con intervalos de confianza y acciones recomendadas.

Medir impacto en tiempos de espera, cancelaciones, ocupación, eficiencia y seguridad.

Coordinar dirección médica, operaciones, enfermería, admisiones y planificación.

Revisar sesgos que puedan afectar equidad de acceso.

Crear escenarios y simulaciones para toma de decisiones.

Taller: diseñar predicción de demanda y plan de actuación para urgencias.

Aplicar IA a conciliación, revisión de interacciones, adherencia, stock, farmacovigilancia y uso racional del medicamento.

Identificar alertas útiles frente a ruido excesivo.

Diseñar apoyo a farmacéuticos y clínicos con explicación y evidencia.

Controlar datos de medicación, alergias, laboratorio, diagnóstico y seguimiento.

Evitar recomendaciones terapéuticas sin validación clínica y farmacéutica.

Usar IA para detectar patrones de eventos adversos o problemas de suministro.

Integrar con prescripción electrónica, farmacia, historia clínica y compras.

Medir errores evitados, alertas aceptadas, tiempos y resultados.

Documentar intervención y decisión profesional.

Taller: diseñar sistema de apoyo para revisión de medicación en pacientes polimedicados.

Usar IA para búsqueda bibliográfica, revisión de literatura, generación de hipótesis y extracción de información.

Apoyar identificación de cohortes, criterios de inclusión, variables y seguimiento.

Diferenciar investigación asistida de decisión clínica directa.

Controlar ética, consentimiento, anonimización, seudonimización y permisos de uso secundario de datos.

Evitar sesgos en selección de cohortes y exclusiones invisibles.

Diseñar trazabilidad de datasets, código, modelos y resultados.

Usar IA para redactar borradores, tablas y resúmenes con revisión científica.

Validar resultados estadísticos y clínicos con expertos.

Coordinar CEIm, investigación, DPO, IT y dirección científica.

Taller: diseñar flujo de IA para identificar cohorte de investigación con controles éticos.

Aplicar IA a vigilancia epidemiológica, estratificación poblacional, prevención y planificación de servicios.

Integrar datos agregados, determinantes sociales, territoriales, asistenciales y ambientales.

Evitar conclusiones sobre colectivos sin controlar sesgos y calidad de datos.

Diseñar indicadores de riesgo poblacional con explicabilidad y límites.

Coordinar con autoridades sanitarias, atención primaria, hospitales y servicios comunitarios.

Proteger privacidad en análisis poblacional y datos agregados.

Medir impacto en prevención, cobertura, equidad y asignación de recursos.

Crear mapas de riesgo y planes de intervención.

Revisar implicaciones éticas de segmentar poblaciones.

Taller: diseñar modelo de priorización poblacional para prevención y seguimiento.

Identificar sesgos en datos, etiquetas, población, acceso, codificación, medición y práctica clínica.

Analizar impacto diferencial por sexo, edad, origen, idioma, discapacidad, nivel socioeconómico o territorio.

Evaluar rendimiento del modelo por subgrupos y no solo en promedio.

Diseñar mitigaciones: datos representativos, auditoría, thresholds diferenciados, revisión clínica y monitorización.

Evitar modelos que amplifican desigualdades existentes en el sistema.

Documentar limitaciones de representatividad antes del despliegue.

Incorporar evaluación de equidad en el ciclo de vida del modelo.

Crear comité multidisciplinar para revisar impactos.

Medir resultados reales tras implantación.

Taller: auditar sesgos de un modelo predictivo sanitario ficticio.

Diferenciar interpretabilidad técnica, explicación clínica y comunicación al usuario.

Determinar qué nivel de explicación necesita profesional, paciente, auditor, regulador o dirección.

Usar explicaciones locales, globales, variables relevantes y ejemplos comparables cuando sea útil.

Evitar explicaciones técnicas que no ayudan a decidir.

Mostrar incertidumbre, límites y condiciones de uso.

Diseñar interfaces que permitan aceptar, rechazar o cuestionar una recomendación.

Documentar cómo se generó un resultado y qué datos se utilizaron.

Medir confianza calibrada, no confianza ciega.

Crear materiales de formación para usuarios clínicos.

Taller: diseñar pantalla de explicación para alerta de riesgo clínico.

Definir finalidad prevista, población objetivo, entorno de uso, usuario y decisión apoyada.

Separar validación técnica, validación clínica, validación local, evaluación prospectiva y monitorización post-despliegue.

Medir rendimiento con métricas adecuadas: sensibilidad, especificidad, AUC, calibración, PPV, NPV y utilidad clínica.

Evaluar falsos positivos, falsos negativos y consecuencias reales.

Diseñar estudios retrospectivos, pruebas silenciosas, pilotos controlados y evaluación en práctica real.

Evitar desplegar modelos validados en otra población sin validación local.

Crear criterios de aceptación y parada.

Documentar datasets, versiones, resultados, limitaciones y aprobaciones.

Coordinar validación con clínicos, estadísticos, calidad, IT y compliance.

Taller: diseñar protocolo de validación para sistema de apoyo clínico.

Diseñar ciclo de vida de modelos desde desarrollo hasta retirada.

Versionar datos, features, prompts, modelos, pipelines, configuraciones y evaluaciones.

Separar entornos de desarrollo, validación, staging y producción.

Monitorizar rendimiento, drift, errores, latencia, coste y uso.

Gestionar cambios de modelo con aprobación y documentación.

Evitar actualizar modelos en producción sin evaluación clínica y control de impacto.

Crear rollback, alertas, runbooks y plan de contingencia.

Integrar MLOps con seguridad, calidad, compliance y gestión de riesgos.

Registrar incidentes, cambios y decisiones.

Taller: diseñar pipeline MLOps para modelo sanitario con validación y monitorización.

Identificar riesgos de IA: prompt injection, data leakage, model inversion, poisoning, adversarial examples y supply chain.

Proteger APIs, modelos, prompts, embeddings, logs, conectores y repositorios documentales.

Controlar accesos por rol, MFA, segmentación, cifrado, trazabilidad y mínimos privilegios.

Evitar conectar modelos a sistemas clínicos sin controles y sandbox.

Revisar proveedores cloud, terceros, subprocesadores y localización de datos.

Diseñar respuesta ante incidente relacionado con IA.

Evaluar seguridad de RAG, agentes y herramientas conectadas.

Integrar IA en el programa de ciberseguridad sanitaria.

Medir exposición y superficie de ataque.

Taller: realizar threat modeling de un agente IA conectado a historia clínica.

Diseñar arquitectura para casos de IA en salud: datos, integración, modelos, APIs, aplicaciones, logs y monitorización.

Comparar cloud, on-premise, híbrido, edge y soluciones SaaS según riesgo y datos.

Separar entornos clínicos, administrativos, investigación y pruebas.

Integrar con EHR, PACS, LIS, RIS, ERP, CRM sanitario y herramientas de BI.

Evitar arquitecturas aisladas que no se integran en el flujo real.

Definir requisitos de disponibilidad, latencia, escalabilidad, resiliencia y coste.

Controlar trazabilidad de entradas, salidas y acciones.

Preparar patrones para IA generativa, RAG, visión, predicción y automatización.

Documentar decisiones arquitectónicas y riesgos residuales.

Taller: diseñar arquitectura para plataforma interna de IA sanitaria.

Crear criterios de evaluación para proveedores de IA en salud.

Revisar finalidad prevista, evidencia, validación, certificaciones, seguridad, privacidad, soporte y roadmap.

Evaluar documentación técnica, datasets, rendimiento, sesgos, integración, explicabilidad y post-market monitoring.

Revisar contratos, DPA, SLA, subencargados, propiedad de datos, logs y responsabilidad.

Evitar compras impulsivas sin piloto, validación local y análisis regulatorio.

Definir pruebas de concepto con criterios de éxito medibles.

Involucrar a clínicos, IT, DPO, seguridad, compras, calidad y dirección.

Crear matriz de scoring de proveedores.

Preparar plan de salida y portabilidad de datos.

Taller: evaluar dos propuestas de proveedores de IA sanitaria.

Identificar usuarios afectados: profesionales sanitarios, administrativos, gestores, pacientes, IT y dirección.

Analizar resistencias: miedo a sustitución, pérdida de control, alertas excesivas, baja confianza o carga adicional.

Diseñar formación por rol, caso de uso y nivel de riesgo.

Incluir profesionales desde diseño, validación, piloto y mejora continua.

Evitar imponer IA sin explicar finalidad, límites, beneficios y responsabilidad.

Crear canales de feedback y reporte de errores.

Medir adopción real, rechazo, satisfacción, tiempo ahorrado y efecto en resultados.

Ajustar interfaz, alertas y procesos según experiencia de usuarios.

Crear champions clínicos y responsables funcionales.

Taller: diseñar plan de adopción para IA en una unidad asistencial.

Definir métricas clínicas, operativas, económicas, de calidad, seguridad, experiencia y equidad.

Medir impacto antes y después de la implantación.

Diferenciar ahorro estimado, ahorro real, mejora de calidad, reducción de riesgo y beneficio intangible.

Evitar medir solo productividad sin evaluar seguridad del paciente.

Crear indicadores de uso, precisión, aceptación, escalados, errores, tiempos y resultados.

Analizar coste total: licencias, integración, soporte, formación, validación, monitorización y gobierno.

Preparar dashboard de impacto para dirección.

Revisar resultados por unidad, perfil, población y proceso.

Definir criterios para escalar, pausar o retirar una solución.

Taller: diseñar business case de IA sanitaria con métricas equilibradas.

Definir composición del comité: Dirección Médica, Enfermería, IT, Datos, DPO, Seguridad, Calidad, Legal, Compras y usuarios.

Establecer criterios para aprobar, priorizar, evaluar y revisar proyectos de IA.

Crear flujo de solicitud, análisis de riesgo, validación, piloto, despliegue, monitorización y retirada.

Mantener inventario de sistemas de IA y casos de uso.

Definir owners clínicos, técnicos, legales y operativos.

Revisar incidentes, métricas, sesgos, cambios y feedback.

Evitar pilotos dispersos sin visibilidad central.

Crear plantillas de documentación y evidencias.

Coordinar gobierno de IA con seguridad del paciente, privacidad y calidad.

Taller: diseñar comité y procedimiento de aprobación de IA sanitaria.

Usar IA para explicar desviaciones, generar resúmenes ejecutivos y detectar patrones en KPIs.

Integrar analítica predictiva con cuadros de mando asistenciales, financieros y operativos.

Crear asistentes para dirección con información gobernada y fuentes verificadas.

Evitar conclusiones automáticas basadas en datos incompletos o no actualizados.

Diseñar indicadores de demanda, productividad, calidad, satisfacción, costes y seguridad.

Usar lenguaje natural para consultar métricas sin perder trazabilidad.

Controlar permisos y segmentación de información sensible.

Preparar resúmenes periódicos para comités.

Medir utilidad real en toma de decisiones.

Taller: diseñar dashboard ejecutivo aumentado con IA para gerencia sanitaria.

Aplicar IA a análisis de resultados, priorización, control de calidad, detección de patrones y soporte diagnóstico.

Revisar implicaciones en laboratorio clínico, anatomía patológica, genética y diagnóstico in vitro.

Controlar trazabilidad de muestra, resultado, algoritmo, validación y revisión profesional.

Analizar requisitos de calidad, calibración, validación y regulación aplicable.

Evitar que modelos no validados modifiquen interpretación diagnóstica.

Integrar con LIS, sistemas de informes y repositorios.

Medir tiempos, errores, sensibilidad, especificidad y utilidad clínica.

Coordinar laboratorio, clínicos, IT, calidad y regulación.

Documentar cambios y control de versiones.

Taller: evaluar IA para priorización de resultados críticos en laboratorio.

Analizar casos de uso en cribado, seguimiento, apoyo psicoeducativo, triaje y detección de riesgo.

Reconocer límites especialmente sensibles por riesgo de daño, estigma, privacidad y vulnerabilidad.

Diseñar escalado inmediato ante autolesión, crisis, violencia o riesgo grave.

Evitar chatbots terapéuticos sin supervisión clínica y evidencia suficiente.

Controlar tono, empatía, seguridad y límites de las respuestas.

Evaluar sesgos culturales, lingüísticos y sociales.

Proteger datos especialmente sensibles y conversaciones íntimas.

Incluir profesionales especializados en diseño y validación.

Medir seguridad, adherencia, escalados y satisfacción.

Taller: diseñar límites y protocolo de escalado para asistente de salud mental.

Usar IA para crear casos clínicos simulados, feedback, preguntas, escenarios y entrenamiento.

Diferenciar formación, apoyo al aprendizaje y apoyo clínico real.

Crear pacientes simulados sin datos reales identificables.

Validar contenido con profesionales expertos.

Evitar enseñar prácticas clínicas incorrectas o desactualizadas.

Adaptar feedback al nivel del alumno o profesional.

Medir adquisición de competencias y transferencia a práctica real.

Usar simulación para entrenar comunicación, triaje, protocolos y toma de decisiones.

Controlar sesgos y representatividad de casos.

Taller: diseñar simulador formativo con IA para entrenamiento de protocolos.

Crear normas claras para personal sanitario, administrativo y gestor.

Diferenciar usos permitidos, usos restringidos y usos prohibidos.

Explicar por qué no deben introducirse datos de pacientes en herramientas no aprobadas.

Crear ejemplos de prompts seguros y no seguros.

Establecer revisión obligatoria de outputs antes de usar en documentación o comunicación.

Evitar dependencia excesiva y pérdida de criterio profesional.

Diseñar campañas de concienciación y microformaciones.

Crear canal para dudas, incidentes y propuestas de mejora.

Medir cumplimiento y adopción responsable.

Taller: redactar guía interna de uso de IA para personal sanitario.

Definir qué documentación necesita un proyecto de IA sanitaria.

Registrar finalidad, datos, proveedor, modelo, validación, riesgos, controles, permisos y responsables.

Mantener evidencias de DPIA, evaluación de riesgos, aprobación, pruebas, formación y monitorización.

Crear logs de uso, outputs, acciones, errores y escalados según política.

Evitar proyectos sin documentación que no puedan auditarse.

Preparar auditorías internas y externas sobre IA.

Relacionar documentación con regulación, calidad, seguridad del paciente y privacidad.

Crear plantillas para ficha de sistema de IA.

Revisar evidencias periódicamente.

Taller: crear expediente audit-ready de una solución de IA sanitaria.

Diseñar asistente de resumen de historia clínica con fuentes, límites y revisión profesional.

Evaluar modelo predictivo de reingreso y su flujo de actuación clínica.

Diseñar chatbot administrativo para citas y preparación de pruebas.

Automatizar clasificación de documentos sanitarios con revisión humana.

Crear RAG sobre protocolos internos con control de versiones.

Evaluar herramienta de IA para imagen médica antes de piloto.

Crear dashboard predictivo para demanda asistencial.

Diseñar asistente de codificación clínica con auditoría.

Preparar matriz de riesgos para proveedor de IA sanitaria.

Taller: seleccionar tres casos prioritarios y diseñar solución completa con controles.

Usar IA generativa con datos reales de pacientes en herramientas no aprobadas.

Implantar pilotos clínicos sin validación local ni owner asistencial.

Confundir automatización administrativa con sistema de decisión clínica.

Comprar soluciones sin revisar regulación, seguridad, integración y evidencia.

Medir solo ahorro de tiempo y no seguridad, calidad ni equidad.

Crear chatbots de paciente sin límites clínicos ni escalado.

Alimentar modelos con datos históricos sesgados sin auditoría.

No monitorizar drift ni degradación tras despliegue.

Permitir agentes con acciones sobre sistemas críticos sin human-in-the-loop.

Taller: auditar una iniciativa de IA sanitaria mal planteada y rediseñarla.

Evaluar madurez actual: datos, interoperabilidad, seguridad, privacidad, cultura, regulación, proveedores y gobierno.

Identificar quick wins administrativos y casos clínicos de mayor impacto con mayor control.

Priorizar casos por valor, riesgo, viabilidad técnica, datos, aceptación y capacidad de validación.

Definir fases: diagnóstico, gobierno, pilotos, validación, despliegue, monitorización, adopción y escalado.

Crear comité de IA, inventario, política de uso, plantillas y checklist de evaluación.

Seleccionar piloto con riesgo controlado, métricas claras y usuarios comprometidos.

Medir resultados y seguridad antes de escalar.

Preparar plan de comunicación y formación por rol.

Crear plan a 30, 60, 90 y 180 días.

Taller: construir roadmap de IA para organización sanitaria.

Definir una organización sanitaria con procesos clínicos, administrativos, operativos, datos, proveedores y necesidades de IA.

Crear mapa de casos de uso priorizados por impacto, riesgo, datos, viabilidad, regulación, adopción y esfuerzo.

Seleccionar un caso principal y definir finalidad, usuarios, población, datos, proceso, límites y resultado esperado.

Diseñar arquitectura de solución con fuentes de datos, integración, IA, interfaz, logs, permisos, monitorización y soporte.

Elaborar matriz de riesgos con privacidad, seguridad, sesgos, seguridad del paciente, regulación, errores y mitigaciones.

Preparar plan de validación técnica, clínica, local, operativa y de experiencia de usuario.

Definir política de revisión humana, escalados, decisiones permitidas, acciones prohibidas y trazabilidad.

Crear dashboard de métricas con rendimiento, uso, eventos, errores, impacto, equidad, satisfacción y ROI.

Diseñar modelo de gobierno con comité de IA, owners, documentación, auditoría, formación y mejora continua.

Presentar roadmap final con piloto, despliegue, adopción, regulación, controles, costes, beneficios y próximos pasos.