Hay un instante revelador en casi cualquier proyecto de IA médica. Alguien vierte en el modelo miles de historias clínicas, informes de imagen y artículos, convencido de que así nace un "médico IA". Unas semanas después, el sistema tarda en contestar, cita estudios que no existen y, de paso, deja al descubierto el nombre de un paciente. La intuición dice que cuantos más datos, mejor. La experiencia clínica y de ingeniería dice justo lo contrario: alimentar sin orden hunde la precisión y dispara el riesgo.
La maniobra inicial en sanidad no es añadir, es restar. Comprimir el documento, ocultar lo sensible y montar una base RAG dentro de la intranet. Eso es lo que propone UglyPear Data: compresión de documentos de alto rendimiento montada sobre una base de ingeniería de datos RAG, todo en despliegue privado, con los datos sin cruzar el límite de la red del centro. Para hospitales, laboratorios y grupos de investigación que no pueden dejar salir ni un paso de información, esta combinación resulta bastante más realista que cargarlo todo en la nube pública.
Por qué el "más datos" engaña
Empecemos por un dato que suele sorprender. Komprise estudió el almacenamiento NAS de varias empresas y encontró que entre el 60 % y el 70 % de los datos llevan más de 90 días sin que nadie los toque, mientras siguen ocupando el almacenamiento primario, el más caro. Trasládalo al hospital y tienes el archivo PACS: tras digitalizar las películas, montañas de DICOM descansan en silencio, apenas consultadas, mientras el presupuesto de almacenamiento sube año tras año. Esa "data fría" que se introduce directamente en la tubería del modelo no hace más que ralentizar la búsqueda y quemar cómputo de balde.
Lo curioso es que muchos servicios no sufren por falta de espacio, sino por la ausencia de un mecanismo que borre lo que sobra y archive lo que conviene. El problema rara vez es la capacidad; es la gobernanza.
La factura de buscar también pesa. Una comparación sobre gestión del conocimiento mostró que las organizaciones sin programa alguno gastan de media 8,5 horas semanales por empleado buscando información; quienes sí lo tienen bajan a 4,6 horas, lo que supone 3,9 horas ahorradas cada semana y, llevado a gran escala, cerca de 98 personas equivalentes a jornada completa liberadas por cada 1000 empleados. En un hospital, guías clínicas, normas de dosificación, plantillas de historia y actas de reunión de expertos viven desperdigadas entre sistemas y carpetas personales. Encontrar la "última versión" de una ruta asistencial puede costar más que atender una consulta. Cuando el documento no aparece, alguien crea otro nuevo, y así la versión correcta queda sepultada bajo capas de duplicados.
Ese desorden, por cierto, es más universal de lo que parece. En una encuesta de Kaspersky, el 57 % de los encuestados admitió que le cuesta hallar archivos importantes; solo el 30 % ordena de forma regular, y el 26 % mantiene una "carpeta de basura" donde apila lo que no ha gestionado. El disco compartido de un servicio clínico es a menudo esa situación amplificada: nombres arbitrarios, versiones por todas partes, nadie sabe quién cambió qué. ¿Y esto qué tiene que ver con poner un modelo en marcha? Mucho: el modelo se alimenta precisamente de esos archivos revueltos, y lo que entra revuelto sale revuelto.
La pared que no se puede saltar
Si ya toca gobernar los datos, cabría preguntar por qué no se sube todo a la nube. Porque los datos médicos tienen carácter. La información de salud de pacientes (PHI), los datos de investigación y los ensayos clínicos no publicados quedan sujetos a normativas de protección y a restricciones sobre la salida de datos: ni un paso fuera de la intranet. Para colmo, el documento original mezcla nombres, identificaciones, números de historia y antecedentes familiares. Entregárselo al modelo directamente equivale a extender la privacidad sobre la mesa.
La propuesta de UglyPear Data incorpora 13 categorías de detección de información sensible por IA, capaces de identificar y enmascarar esos campos antes de la ingesta, bajando el riesgo de origen. En sanidad, la conformidad no es un extra: es el ticket de entrada.
Tres frentes, no uno solo
Tratar de resolver esto por una sola vía suele estancarse. Conviene atacar tres frentes a la vez.
La vía de la compresión. SmartSlim, con su motor propio en Rust, reduce PDF, imágenes, vídeo, audio, Office, OFD y documentos escaneados —ocho formatos— con una caída de volumen entre el 60 % y el 80 %, todo en la máquina local, sin que el archivo abandone el entorno. Las pruebas internas dan una cifra concreta: un documento OFD de 443 páginas se procesa de extremo a extremo en 124 segundos; en imágenes, bajo el criterio de GPT-4o, el coste en tokens baja un 85,9 %. En un centro con documentación masiva y sensible, recortar el tamaño arrastra hacia abajo el coste de búsqueda y de inferencia. A simple vista comprimir es "hacerlo más pequeño"; en el fondo resuelve algo distinto: que el modelo lo lea y le resulte asequible.
La base de ingeniería de datos RAG. UglyPear Data la descompone en seis procesos y ocho capacidades, que cubren desde la limpieza, el corte y el enmascaramiento hasta la vectorización y la recuperación, con el objetivo de convertir documentos dispersos en un conocimiento que el modelo entienda y en el que se pueda confiar. El despliegue privado significa que todo el flujo corre en los servidores propios: el conocimiento queda en el centro y la trazabilidad también.
El despliegue en sí. El servicio privado completo sitúa el sistema dentro de la intranet y se adapta a entornos de software nacional, sobre distribuciones como Kylin o UnionTech. Para los centros que ya recorren la ruta de localización tecnológica, desaparece una capa de preocupación por la incompatibilidad.
Las tres rutas, comparadas
El camino para dotar de IA a los documentos médicos se reduce a tres opciones, y sus diferencias son mayores de lo que parecen.
| Dimensión | SaaS puro en la nube | Código abierto local autogestionado | RAG privado y compresión integrados |
|---|---|---|---|
| ¿Salen los datos de la intranet? | Sí, sujeto a normativas de salida | No | No |
| Enmascaramiento de información sensible | Depende del proveedor, difícil de ajustar | Hay que desarrollarlo | 13 categorías detectadas y enmascaradas |
| Coste de almacenamiento y cómputo | Por uso, tendencia alta a largo plazo | Inversión inicial, mantenimiento pesado | Volumen reducido, más controlable |
| Precisión de recuperación | Media, según calidad del corpus | Según nivel de ingeniería | Más estable tras seis procesos |
| Tiempo de despliegue | Relativamente rápido | Lento, requiere personal dedicado | Ágil, adaptable a entornos locales |
| Escala adecuada | Centros pequeños y medios | Quien tenga equipo técnico | Hospitales grandes, laboratorios, investigación |
En la tabla se prefieren expresiones relativas como "más estable" o "más controlable", sin decidir por el lector. A la hora de elegir, la pregunta que de verdad importa es otra: ¿tus datos tienen permiso para cruzar esa pared?
Vale la pena mencionar que, en la práctica, MagiFiler ayuda a ordenar y catalogar ese archivo clínico disperso, mientras que compress-mcp expone la capacidad de compresión como herramienta integrable en flujos de agentes. Ambos encajan dentro de la base de ingeniería de datos RAG como piezas que mantienen el documento ligero y rastreable antes de llegar al modelo.
Muchos hospitales no se bloquean por falta de datos, sino por tener demasiados, demasiado revueltos y demasiado sensibles. Reduce el tamaño, quita la privacidad y ordena el conocimiento; entonces el modelo grande sí sirve. El orden equivocado convierte hasta al modelo más capaz en un esfuerzo baldío.
Pruébelo ahora
Si quieres ver cómo arranca de verdad dentro de la intranet, visita la web de UglyPear Data para conocer la base de ingeniería de datos RAG:
- https://www.uglypear.com/es/
- https://www.uglypear.com/es/products/
- https://www.uglypear.com/es/blog/
Preguntas frecuentes
¿La información médica debe desplegarse sí o sí de forma privada?
No siempre. Pero cuando entra en juego la privacidad de pacientes o pesan las normativas de protección y salida de datos, lo privado resulta la opción más prudente. Mantener los datos en la intranet alivia bastante la presión de conformidad.
¿La compresión deja la historia clínica ilegible?
La compresión actúa sobre el volumen, no sobre la legibilidad del contenido. En pruebas internas, un OFD de 443 páginas se completó en 124 segundos conservando texto y sellos. La clave está en revisar si la compresión resulta "con pérdida hasta afectar la lectura".
¿Qué diferencia hay entre RAG y entregar el documento directo al modelo?
El envío directo suele provocar contexto excesivo, pérdida de hilo y respuestas fuera de tema. El RAG corta, enmascara e indexa antes de recuperar lo necesario, con respuestas más rastreables.
¿Un centro pequeño sin equipo técnico puede adoptarlo?
El despliegue privado se adapta a entornos locales y cuenta con soporte de entrega. Si el personal técnico es escaso, conviene empezar por aspectos ligeros como la compresión y la organización de archivos.
¿El enmascaramiento de información sensible daña el contenido normal?
Las 13 categorías identifican campos como nombres, identificaciones o números de historia según reglas. El enmascaramiento se aplica mediante máscara reversible o irreversible, y la estrategia puede configurarse durante el despliegue.