{"id":68251,"date":"2026-03-17T10:02:15","date_gmt":"2026-03-17T16:02:15","guid":{"rendered":"https:\/\/saluddigital.com\/?p=68251"},"modified":"2026-03-17T10:17:22","modified_gmt":"2026-03-17T16:17:22","slug":"equipos-de-ia-coordinados-podrian-mejorar-la-precision-de-los-sistemas-clinicos-automatizados","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/equipos-de-ia-coordinados-podrian-mejorar-la-precision-de-los-sistemas-clinicos-automatizados\/","title":{"rendered":"Coordinated AI teams could improve the accuracy of automated clinical systems"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un nuevo estudio muestra que dividir tareas entre m\u00faltiples agentes de IA mantiene la precisi\u00f3n y reduce costos computacionales cuando se procesan grandes vol\u00famenes de trabajo cl\u00ednico.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un equipo de investigadores del sistema de salud de Mount Sinai evalu\u00f3 c\u00f3mo distintos dise\u00f1os de inteligencia artificial (IA) basados en modelos de lenguaje funcionan cuando deben manejar grandes vol\u00famenes de tareas cl\u00ednicas simult\u00e1neas. Sus resultados sugieren que organizar estos sistemas como equipos de m\u00faltiples agentes especializados puede mantener altos niveles de precisi\u00f3n y eficiencia, incluso cuando aumenta significativamente la carga de trabajo.<\/p>

El estudio, publicado en npj Health Systems<\/em><\/a>, analiz\u00f3 el desempe\u00f1o de modelos de lenguaje de \u00faltima generaci\u00f3n bajo condiciones que simulan flujos de trabajo cl\u00ednicos reales, en los que m\u00faltiples tareas llegan al mismo tiempo. En este contexto, los investigadores compararon dos enfoques, uno en el que un \u00fanico agente de IA procesa todas las tareas y otro en el que un \u201corquestador\u201d distribuye cada tarea a agentes especializados que trabajan de manera independiente.<\/p>

\u201cLo que hemos descubierto es que los sistemas de IA se comportan de forma muy similar a las personas\u201d, afirma el autor principal del estudio, el Dr. Eyal Klang. \u201cCuando se le pide a un sistema que haga demasiadas cosas diferentes a la vez, el rendimiento se ve afectado. Pero cuando un agente coordinador distribuye el trabajo entre agentes especializados, el sistema sigue siendo preciso, receptivo y mucho m\u00e1s eficiente, incluso bajo una gran demanda\u201d.<\/p>

En este sentido, los resultados mostraron diferencias claras entre ambos enfoques, en primer lugar, cuando el sistema utilizaba m\u00faltiples agentes coordinados, la precisi\u00f3n se mantuvo relativamente alta incluso al aumentar el n\u00famero de tareas simult\u00e1neas. Por ejemplo, con lotes peque\u00f1os de cinco tareas, la precisi\u00f3n alcanz\u00f3 90.6%, y aunque disminuy\u00f3 con cargas m\u00e1s altas, todav\u00eda se mantuvo en 65.3% cuando el sistema procesaba 80 tareas al mismo tiempo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

En segundo lugar, cuando un solo agente intentaba resolver todas las tareas en un mismo flujo, el rendimiento se deterioraba r\u00e1pidamente. En ese escenario, la precisi\u00f3n cay\u00f3 de 73.1% con cinco tareas a apenas 16.6% cuando se procesaban 80.<\/p>

Seg\u00fan los autores, esta ca\u00edda en el rendimiento puede explicarse por la sobrecarga del contexto de los modelos de lenguaje. Cuando un \u00fanico agente recibe muchos problemas diferentes dentro de la misma conversaci\u00f3n o cadena de instrucciones, su capacidad para concentrarse en la informaci\u00f3n relevante disminuye. En cambio, cuando cada agente especializado se encarga de una sola tarea, el modelo solo procesa los datos necesarios para esa decisi\u00f3n espec\u00edfica.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El sistema evaluado inclu\u00eda tres tipos de tareas comunes en flujos de trabajo cl\u00ednicos digitales. La primera consist\u00eda en recuperar art\u00edculos cient\u00edficos relevantes desde bases de datos biom\u00e9dicas como PubMed. La segunda implicaba extraer informaci\u00f3n estructurada de notas m\u00e9dicas de alta hospitalaria. La tercera se centraba en c\u00e1lculos de dosificaci\u00f3n de medicamentos basados en par\u00e1metros como peso corporal o superficie corporal.<\/p>

Aunque estas tareas no representan toda la complejidad de la pr\u00e1ctica cl\u00ednica, los investigadores explican que constituyen \u201cbloques b\u00e1sicos\u201d que suelen integrarse en aplicaciones m\u00e1s amplias, como sistemas de apoyo a la decisi\u00f3n m\u00e9dica o herramientas de an\u00e1lisis de historiales cl\u00ednicos.<\/p>

Otro hallazgo importante fue el impacto en los recursos computacionales. El enfoque de m\u00faltiples agentes utiliz\u00f3 muchos menos tokens, la unidad b\u00e1sica de procesamiento de texto en los modelos de lenguaje. En algunos casos, la diferencia fue de hasta 65 veces menos tokens que el enfoque de un solo agente cuando se manejaban cargas altas de trabajo.<\/p>

Tambi\u00e9n se observaron diferencias en el tiempo de procesamiento. Aunque ambos sistemas tardaban m\u00e1s cuando aumentaba el n\u00famero de tareas, el crecimiento de la latencia fue mucho m\u00e1s pronunciado en el modelo de agente \u00fanico. En algunos casos, los modelos con esta arquitectura incluso fallaron antes de completar los c\u00e1lculos, especialmente cuando se utilizaron modelos de menor tama\u00f1o.<\/p>

El estudio evalu\u00f3 cuatro modelos distintos con diferentes tama\u00f1os y capacidades. En general, los modelos m\u00e1s grandes mantuvieron mejor su estabilidad en el sistema de m\u00faltiples agentes, mientras que los m\u00e1s peque\u00f1os mostraron una degradaci\u00f3n m\u00e1s r\u00e1pida del rendimiento.<\/p>

Los investigadores se\u00f1alan que este trabajo es uno de los primeros en analizar c\u00f3mo los modelos de lenguaje se comportan cuando se enfrentan a cargas de trabajo cl\u00ednicas a gran escala, en lugar de evaluar un solo caso o paciente a la vez, como ocurre en muchos estudios previos.<\/p>

Adem\u00e1s de mejorar el rendimiento, la arquitectura basada en orquestador y agentes especializados podr\u00eda ofrecer ventajas regulatorias. Al dividir las tareas en pasos claros y registrables, cada acci\u00f3n del sistema puede auditarse, lo que facilita rastrear c\u00f3mo se gener\u00f3 una respuesta.<\/p>

A pesar de estos resultados prometedores, los autores subrayan que el estudio se realiz\u00f3 con conjuntos de datos controlados y tareas con respuestas determin\u00edsticas. Por ello, consideran necesario evaluar esta arquitectura en flujos de trabajo cl\u00ednicos reales y con supervisi\u00f3n de profesionales de la salud antes de su implementaci\u00f3n pr\u00e1ctica.<\/p>

En el futuro, los investigadores planean estudiar si este enfoque tambi\u00e9n mejora el rendimiento en aplicaciones m\u00e1s complejas, como el razonamiento cl\u00ednico, el resumen de historiales m\u00e9dicos o la interacci\u00f3n directa con pacientes. Si los resultados se confirman, los sistemas de IA m\u00e9dica podr\u00edan evolucionar hacia modelos colaborativos, en los que m\u00faltiples agentes especializados trabajen coordinadamente para apoyar la toma de decisiones en entornos cl\u00ednicos de alta demanda.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

MOUNT SINAI<\/strong><\/p>

https:\/\/www.mountsinai.org\/about\/newsroom\/2026\/orchestrated-multi-agent-ai-systems-outperforms-single-agents-in-health-care<\/a><\/p>

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s44401-026-00077-0<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Equipos de IA coordinados podr\u00edan mejorar la precisi\u00f3n de los sistemas cl\u00ednicos automatizados seg\u00fan nuevo estudio de Mount Sinai.<\/p>","protected":false},"author":1,"featured_media":68252,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-68251","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/68251","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=68251"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/68251\/revisions"}],"predecessor-version":[{"id":68256,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/68251\/revisions\/68256"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/68252"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=68251"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=68251"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=68251"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}