Ejemplo práctico. Este es un ejemplo práctico ilustrativo, no un resultado de cliente. El grupo de clínicas y cada cifra son supuestos. Muestra la ia para autorizaciones previas: software que lee la historia clínica, extrae los datos que pide la aseguradora y arma el paquete. No decide la necesidad médica ni envía nada por su cuenta. Un coordinador aprueba.
Imagina un grupo de varias clínicas donde preparar el paquete de autorización previa es lento. A modo de ilustración, supón que los coordinadores dedican su tiempo a copiar datos entre la historia clínica, el portal de la aseguradora y una lista de comprobación. Este post recorre el diseño y qué medir. No informa de ningún resultado.
El grupo es hipotético, así que no hay cliente que nombrar. Un detalle importa más que un nombre: el pipeline extrae y arma, pero nunca envía automáticamente. Un coordinador aprueba cada paquete, y cada ejecución conserva un registro de auditoría de lo que el modelo leyó y de lo que produjo.
#¿dónde se va el tiempo en un caso de autorización previa?
Empieza midiendo, no construyendo. Observa a los coordinadores preparar una muestra de casos y cronometra cada paso. Escribir es rápido. Buscar, leer y volver a teclear es lo lento.
- Leer la historia clínica para localizar el diagnóstico, los medicamentos probados sin éxito y las notas del médico que ordena.
- Ajustar esos datos a los requisitos de cada aseguradora, que cambian según el plan.
- Volver a teclear todo en el paquete y en el portal, y luego revisarlo, entre interrupciones.
- Esperar. Un paquete a medias queda parado hasta que el coordinador vuelve a él.
Así que el objetivo nunca fue "escribir más rápido". Fue "dejar de hacer que una persona busque datos que ya están en la historia clínica".
#¿cómo reduce la ia para autorizaciones previas el trabajo de preparación?
¿cómo reduce la ia el tiempo de preparación de autorizaciones previas?
Lee la historia clínica, extrae los datos clínicos que exige la aseguradora y redacta el paquete para que un coordinador revise en lugar de volver a teclear. Un grupo de clínicas mediría el tiempo de preparación y las horas de coordinación antes y después. El coordinador sigue aprobando cada envío antes de que llegue a la aseguradora.
El proceso corre en cuatro pasos: extraer los datos relevantes de la historia clínica, armar el paquete con el formato de la aseguradora, validar que los campos requeridos estén presentes y sean coherentes entre sí, y luego enviar el paquete a la cola de aprobación de un coordinador. Nada sale de esa cola sin que una persona haga clic en aprobar.
El diseño usa el mismo patrón de procesamiento de documentos que nuestros ejemplos prácticos de reclamaciones logísticas y de onboarding, ajustado a un sector sanitario regulado. Su forma se describe en nuestra página de implementación de ia: extraer, validar, enrutar, cola de aprobación humana. La diferencia aquí es el registro de auditoría. Como es sanidad, se registra cada campo que el modelo leyó y cada campo que escribió, de modo que un revisor pueda rastrear cualquier línea del paquete hasta su origen en la historia clínica.
#¿qué pasa cuando la ia se equivoca en un dato?
Se detecta, porque una persona lo lee. Ese es todo el sentido de la cola de aprobación. Espera que una parte de los paquetes redactados necesite que un coordinador corrija o añada un campo, y sigue esa tasa. Eso no es un fallo del pipeline. Es el pipeline haciendo su trabajo: ofrecer un borrador rápido para que una persona dedique su tiempo a revisar en lugar de buscar.
We are
Stennir construye un proceso de procesamiento de documentos que redacta paquetes de autorización previa para que un coordinador los apruebe, con un rastro de auditoría completo.
We aren't
Stennir no es un bot de envío automático que decide la necesidad médica o presenta reclamos ante una aseguradora por su cuenta.
Aquí no hay cita de cliente, porque no hay cliente. La prueba del diseño es si los coordinadores dejan de reteclear la historia clínica mientras el modelo no decide nada.
#¿qué mediría un grupo de clínicas?
El tiempo de preparación del paquete y las horas de coordinación, antes y después, en las mismas clínicas, con los mismos coordinadores y la misma mezcla de aseguradoras, y con la línea base tomada antes de que cambie nada. Así se distingue una mejora real de una demo. Aquí no se afirma ningún resultado.
Si diriges las operaciones de un grupo de clínicas y tu equipo reteclea historias clínicas en portales de aseguradoras, esa es la forma de trabajo a la que esto encaja. Empezamos midiendo, como hace este ejemplo, antes de construir nada. Puedes leer cómo lo planteamos en nuestra página de consultoría de ia, y cómo pensamos en el resto del blog. Si esto suena a tu semana, cuéntanos qué estás construyendo.
