Ertas para Salud

The Challenge

Las organizaciones de salud se asientan sobre vastas cantidades de datos clínicos no estructurados (notas de médicos, resúmenes de alta, informes de radiología y comunicaciones con pacientes); sin embargo, extraer inteligencia accionable de estos datos sigue siendo dolorosamente difícil. Los modelos de lenguaje grandes genéricos alucinan terminología médica, malinterpretan abreviaturas clínicas y carecen de la comprensión matizada de las vías de enfermedad en las que los clínicos confían cada día.

El panorama regulatorio hace el problema aún más difícil. HIPAA, HITECH y las leyes de privacidad estatales emergentes imponen requisitos estrictos sobre cómo se almacena, procesa y transmite la información de salud protegida (PHI). Enviar datos de pacientes a endpoints de API de terceros es un punto de partida inviable para la mayoría de los equipos de cumplimiento, y la falta de opciones de inferencia on-premise o en nube privada de los principales proveedores de IA obliga a hospitales y empresas de tecnología de salud a un compromiso imposible entre innovación y cumplimiento.

The Solution

Ertas permite a los equipos de salud crear modelos especializados que les pertenecen y que pueden ejecutar en su propia infraestructura. En Ertas Studio, los ingenieros de NLP clínico suben un dataset JSONL desidentificado, o lo construyen en Data Craft, y ajustan con LoRA modelos abiertos como Llama, Qwen, Gemma o Mistral. Los modelos resultantes aprenden tus códigos ICD, conceptos SNOMED CT y abreviaturas clínicas a partir de tus propios ejemplos. El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas: desidentifícalo según el estándar de tu organización antes de subirlo y elimina los datasets de Studio cuando ya no los necesites.

Cuando un modelo supera tu evaluación, lo exportas desde Hub en formato GGUF o safetensors y lo ejecutas en servidores que controlas, con Ollama, llama.cpp o vLLM, dentro de tu VPC o de tu clúster local. Las solicitudes y respuestas de inferencia se quedan en esos servidores, y el modelo no depende de Ertas para funcionar. Los controles de acceso, los registros y el resto de tu programa HIPAA siguen en manos de tu propio equipo de seguridad, con las herramientas que ya usa. Si tu organización quiere ayuda para definir un caso de uso clínico, el equipo empresarial de Ertas ofrece una auditoría gratuita del caso de uso y una prueba de concepto de tres a cuatro semanas, y el modelo entrenado es propiedad de la organización.

Key Features

Example Workflow

El equipo de informática clínica de un hospital desidentifica 50.000 informes de radiología siguiendo su propio procedimiento y los exporta como un dataset JSONL de hallazgos emparejados con sus impresiones diagnósticas. Un radiólogo revisa una muestra en Data Craft, corrige algunas impresiones y aprueba los ejemplos con los que el equipo va a entrenar. El equipo sube el dataset a Ertas Studio y lanza en paralelo el fine-tuning LoRA de dos modelos base, Mistral 7B y Qwen 2.5 7B, orientado a generar impresiones radiológicas. Compara ambas ejecuciones con un conjunto reservado de informes puntuados por sus propios radiólogos y se queda con el modelo más sólido. Lo exporta desde Hub en safetensors, lo sirve con vLLM en un servidor dentro de la red del hospital y solo lo expone a la capa de integración con la historia clínica electrónica. Los radiólogos ven borradores de impresiones que editan y firman, y cada solicitud de inferencia se ejecuta en hardware del hospital. Al terminar la revisión, el equipo elimina el dataset de entrenamiento de Studio.