Modelos de IA a medida para texto clínico, en tus propios servidores
Ertas Studio permite a los equipos de salud entrenar modelos a medida con sus propios ejemplos clínicos y exportarlos para ejecutarlos en servidores del hospital, de modo que los datos de pacientes que el modelo lee en producción no salen de tu red.
The Challenges You Face
Los datos de pacientes elevan la exigencia para la IA en la nube
HIPAA, las leyes estatales de privacidad y los comités de ética imponen condiciones estrictas sobre adónde va la información de salud protegida. Enviar cada nota clínica a la API de un tercero implica contratos con proveedores, revisiones de riesgo y una exposición continua en cada nuevo caso de uso, y muchos proyectos se frenan antes de empezar.
El lenguaje clínico confunde a los modelos generales
Las notas clínicas están llenas de abreviaturas, jerga y convenciones locales que los modelos generales interpretan mal. Un modelo que nunca ha visto cómo escriben tus clínicos produce extracciones y resúmenes que alguien tiene que revisar línea por línea.
El costo por token de las API crece con el volumen de pacientes
Un hospital genera miles de notas, informes y cartas al día. Pagar por token a un modelo frontera por cada uno convierte un piloto prometedor en una partida de presupuesto que crece con el número de pacientes.
El conocimiento experto está en los clínicos
Quienes entienden los flujos clínicos, la terminología médica y el contexto del paciente son los clínicos, y pocos de ellos programan. La IA en salud mejora más rápido cuando los clínicos pueden revisar y corregir directamente los ejemplos de entrenamiento.
How Ertas Solves This
Ertas Studio entrena un modelo a medida con ejemplos de la tarea que necesitas: extraer listas de medicación, codificar consultas, redactar resúmenes de alta. Los clínicos revisan, corrigen y aprueban esos ejemplos en Data Craft, el editor guiado de datasets de Studio, sin escribir código. Eliges un modelo abierto como Llama, Qwen, Gemma o Phi, lo entrenas desde un lienzo visual y lanzas varios entrenamientos en paralelo para compararlos.
El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas. Constrúyelo con registros que tu organización ya haya desidentificado o reducido al mínimo necesario. Los datasets se guardan para poder repetir los entrenamientos, y puedes eliminarlos cuando quieras.
Una vez entrenado, el modelo es tuyo. Expórtalo como GGUF para llama.cpp, Ollama o LM Studio, o como safetensors completos para vLLM, y ejecútalo en los servidores del propio hospital sin depender de Ertas en tiempo de ejecución. Cada nota que el modelo lee en producción se queda dentro de tu red. Cumplir con HIPAA y con las políticas de tu institución sigue siendo trabajo de tu organización, y ejecutar la inferencia internamente mantiene los datos de pacientes de producción fuera de los sistemas de otro proveedor.
Para programas de mayor alcance, Ertas también realiza proyectos empresariales de modelos a medida: una auditoría gratuita del caso de uso, una prueba de concepto de tres a cuatro semanas, el desarrollo y después la operación y el reentrenamiento. El modelo entrenado es propiedad de tu organización.
Key Features for Organizaciones de salud
Ejemplos de entrenamiento revisados por clínicos
Data Craft permite a los clínicos añadir y editar intercambios de ejemplo como turnos USER y ASSISTANT, versionarlos y marcar cada uno como aprobado. El conjunto de entrenamiento refleja el criterio clínico y nadie tiene que aprender herramientas de desarrollo para contribuir.
Entrenamiento visual de modelos abiertos
Elige un modelo base abierto, conecta tu dataset y lanza un ajuste fino con LoRA en las GPU en la nube de Ertas desde un lienzo visual. Ejecuta varias configuraciones en paralelo y compara los resultados antes de elegir una.
Exportación y ejecución interna
Tus modelos entrenados aparecen en Hub. Descarga cada uno como GGUF para llama.cpp, Ollama o LM Studio, o como safetensors completos para vLLM, y sírvelo en hardware del hospital para que la inferencia no salga de tu red.
Endpoint de modelo adaptativo
Para una tarea concreta de gran volumen, el endpoint de modelo adaptativo te da una sola API. Un modelo a medida entrenado con tus propias solicitudes y los comentarios de tu equipo asume una parte creciente del tráfico cuando supera tus evaluaciones, y los casos difíciles siguen en el modelo frontera que ya usas. Puede funcionar gestionado por Ertas, en tu propia nube o en tus instalaciones.
Why It Works
- En el benchmark de resumen de reuniones QMSum, un modelo de 1.2B entrenado con Ertas obtuvo 35.41 de ROUGE-1, frente a 32.43 del mejor de cinco modelos frontera alojados. Un modelo pequeño entrenado para una tarea puede superar en esa tarea a modelos generales mucho más grandes.
- Los modelos exportados funcionan con llama.cpp, Ollama, LM Studio o vLLM en hardware que tú controlas, así que la inferencia en producción no necesita conexión con Ertas.
- Los clínicos contribuyen directamente en Data Craft, un editor conversacional para crear, versionar y aprobar ejemplos de entrenamiento, sin necesidad de programar.
Example Workflow
El equipo de informática clínica de un hospital quiere un modelo que extraiga nombres de medicamentos, dosis y frecuencias de notas clínicas no estructuradas. Un ingeniero de datos toma 2,000 notas que el hospital ya desidentificó con su propio proceso y las carga en Data Craft como intercambios de ejemplo: la nota como turno USER y la lista estructurada de medicación como turno ASSISTANT.
Un pequeño grupo de clínicos revisa los ejemplos en Data Craft, corrige las extracciones y aprueba cada uno. Después, el equipo lanza dos entrenamientos en paralelo en Ertas Studio, uno con Qwen 2.5 7B y otro con Llama 3.1 8B, y compara ambos con un conjunto de notas reservado que los clínicos etiquetaron por separado.
El mejor se exporta como archivo GGUF y se sirve con llama.cpp en el servidor GPU del propio hospital. Las notas nuevas se procesan dentro de la red del hospital, y cada semana los clínicos revisan una muestra de resultados y añaden los casos corregidos a Data Craft para el siguiente entrenamiento.
Related Resources
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.