El programa PULSE (Public Health Use Case and Learning Scaling Engine) representa un paso significativo en la adopción de inteligencia artificial generativa dentro del sector público sanitario estadounidense. Con la participación de OpenAI, Anthropic y Accenture, diez jurisdicciones estatales, locales, tribales o territoriales pondrán a prueba modelos de IA en cinco casos de uso críticos: biovigilancia y predicción de olas de drogas, determinantes sociales de la salud, eficiencia operativa y análisis de feedback comunitario, comunicaciones públicas con traducción multilingüe, y recuperación automatizada de datos clínicos mediante FHIR. Sin embargo, el anuncio de la Coalición para la Salud IA (CHAI) deja numerosas preguntas sin respuesta sobre gobernanza, privacidad y evaluación. Para las empresas tecnológicas y de desarrollo, este tipo de iniciativas evidencia la necesidad de contar con sistemas de IA robustos y personalizados que se integren de forma segura en entornos sanitarios.
Desde una perspectiva técnica, llama la atención que CHAI no haya especificado qué versiones de los modelos de OpenAI (GPT-4, GPT-4o, etc.) o Anthropic (Claude 3.5 Sonnet, Opus) se emplearán, ni cómo se asignarán a los diferentes pilotos. Tampoco se detallan los requisitos de evaluación, privacidad, seguridad o revisión humana para cada caso de uso. Esto contrasta con las recomendaciones del NIST AI Risk Management Framework, que insiste en evaluar los sistemas según su uso previsto, entorno operativo y partes afectadas. La ausencia de criterios claros puede generar incertidumbre en las agencias participantes, que necesitan garantizar que los outputs de la IA —desde comunicaciones públicas hasta diagnósticos automatizados— sean revisados por personal cualificado antes de su uso. Aquí, el desarrollo de aplicaciones a medida que incorporen capas de validación humana y auditoría se vuelve esencial para mitigar riesgos.
Otro aspecto crítico es la protección de datos. El programa operará bajo el paraguas de HIPAA en aquellos casos donde se maneje información sanitaria protegida electrónicamente (ePHI). Sin embargo, CHAI no ha aclarado si los pilotos utilizarán registros identificables, datos anonimizados, sintéticos o agregados. Tampoco se han definido períodos de retención, controles de acceso, requisitos de almacenamiento o normas para la presentación de información protegida. En este contexto, la ciberseguridad se convierte en un pilar fundamental: cualquier infraestructura cloud que aloje estos modelos, ya sea AWS o Azure, debe cumplir con las salvaguardas técnicas exigidas por la normativa. Empresas como Q2BSTUDIO ofrecen servicios de consultoría en cloud AWS/Azure que permiten diseñar arquitecturas seguras, con cifrado en reposo y tránsito, control de accesos basado en roles y registros de auditoría, aspectos que las agencias de salud deberían considerar desde el inicio.
Los casos de uso propuestos tienen implicaciones profundas en la gestión de la salud pública. La biovigilancia y predicción de olas de drogas, por ejemplo, podría apoyarse en modelos de lenguaje para analizar grandes volúmenes de datos de vigilancia epidemiológica, pero la precisión y la posibilidad de sesgos requieren validación constante. La automatización de la recuperación de datos clínicos mediante FHIR es otro frente prometedor: los modelos generativos podrían construir consultas, extraer registros, resumir información o combinar todas estas funciones. No obstante, si el modelo genera consultas incorrectas o resúmenes incompletos, ¿quién verifica la calidad antes de que esos datos se usen en decisiones clínicas o administrativas? Una solución viable es integrar agentes IA que actúen como asistentes supervisados, donde el sistema propone resultados pero un profesional sanitario los revisa antes de ejecutarlos. Este enfoque híbrido combina la eficiencia de la IA con el juicio humano, algo que muchas empresas de software están implementando ya en sus plataformas.
Desde la óptica del business intelligence, el uso de herramientas como Power BI podría potenciar la visualización de los datos generados por los modelos de IA. Por ejemplo, los mapas de determinantes sociales de la salud (SDoH) se beneficiarían de dashboards interactivos que correlacionen variables demográficas, geográficas y clínicas. La combinación de modelos generativos con plataformas de BI/Power BI permitiría a los funcionarios de salud pública identificar patrones y tendencias de forma rápida, siempre que los datos subyacentes sean fiables y estén gobernados adecuadamente. Q2BSTUDIO, como empresa de desarrollo de software y tecnología, ofrece servicios de integración entre sistemas de IA, cloud y BI que facilitan este tipo de sinergias, asegurando que los pipelines de datos cumplan con los estándares de calidad y privacidad.
Otro punto relevante es la escalabilidad. El programa PULSE solo alcanzará a diez jurisdicciones, pero la intención es generar guías de implementación para cientos de agencias en todo el país. Las diferencias en tamaño, presupuesto, infraestructura técnica y capacidades de personal son enormes. Una agencia tribal con recursos limitados no tiene las mismas necesidades que un departamento de salud de una gran ciudad. Las playbooks que se publiquen en 2027 deberán ser lo suficientemente flexibles para adaptarse a contextos diversos. Aquí, el desarrollo de software a medida cobra sentido: cada agencia puede necesitar personalizaciones específicas en los flujos de trabajo, integraciones con sistemas legacy o adaptaciones a normativas locales. Las soluciones estándar rara vez encajan perfectamente, y las empresas que ofrecen aplicaciones a medida están mejor posicionadas para abordar esta heterogeneidad.
La gobernanza sigue siendo la gran asignatura pendiente. El anuncio no detalla cómo se revisarán los outputs de los modelos, si los comunicados públicos generados por IA deben ser aprobados por personal, si las traducciones multilingües serán validadas, o si los resultados de biovigilancia se utilizarán solo para pruebas o se incorporarán a flujos operativos reales. La directriz del NIST sobre IA generativa recomienda identificar qué funciones necesitan supervisión humana y capacitar a los usuarios para comprender las limitaciones del sistema. Sin estos mecanismos, el riesgo de errores con consecuencias sanitarias graves es real. Las agencias deberán implementar cuadros de mando con indicadores de rendimiento, precisión y sesgo, algo que puede lograrse mediante plataformas de BI personalizadas y agentes de monitoreo.
Finalmente, el papel de los proveedores tecnológicos como Q2BSTUDIO en este ecosistema es doble: por un lado, asesorar en la selección de modelos y configuraciones cloud adecuadas; por otro, desarrollar las capas de integración, seguridad y gobernanza que faltan en la propuesta inicial. La empresa, con experiencia en proyectos de IA, cloud AWS/Azure, ciberseguridad y BI, puede ayudar a las agencias de salud a traducir las ambiciones del programa PULSE en implementaciones robustas y responsables. Mientras la Coalición para la Salud IA define los criterios de evaluación y protección de datos, la industria del software debe estar preparada para ofrecer soluciones que no solo sean técnicamente sólidas, sino también éticas y alineadas con las necesidades reales de la salud pública.
