Por qué la clasificación de dispositivos médicos está fallando — y cómo la IA la está solucionando

La cadena de suministro médico funciona con datos de productos precisos. Cada instrumento quirúrgico, consumible y dispositivo que pasa por una institución sanitaria debe estar correctamente nombrado, codificado y clasificado antes de poder ser adquirido, rastreado, facturado o reabastecido. Cuando esos datos son incorrectos, las consecuencias van desde ineficiencias en la adquisición y errores de facturación hasta fallos en la seguridad del paciente.

Hacerlo bien, de forma consistente y a escala, ha resultado ser más difícil de lo que debería.

El problema de la clasificación en la adquisición sanitaria

La nomenclatura de los productos médicos se sitúa en la intersección de varias dificultades que se acumulan.

La enorme diversidad de los suministros médicos crea una complejidad inmediata. Los productos van desde consumibles básicos hasta dispositivos quirúrgicos altamente especificados, cada uno con convenciones de denominación propias del fabricante, números de pieza propietarios y descripciones variables según el país o el catálogo en el que aparecen. No existe un único estándar universal que regule cómo se nombran y codifican los productos a lo largo de la cadena de suministro global.

A esto se suma la evolución continua de los productos. La tecnología médica avanza rápidamente. Surgen con regularidad nuevas variantes, ampliaciones de línea y categorías de dispositivos completamente nuevas, lo que exige que los sistemas de clasificación se actualicen antes de que los equipos de adquisición puedan actuar con precisión sobre ellos.

Varios factores estructurales amplifican aún más estas dificultades. Algunos productos pertenecen legítimamente a más de una categoría, creando una ambigüedad real. La introducción manual de datos genera errores a gran escala, y los recursos de personal necesarios para mantener la precisión de la clasificación son considerables. Los requisitos regulatorios difieren según la jurisdicción, lo que significa que un producto correctamente codificado en un mercado puede requerir una clasificación diferente en otro. Y cuando aún se utilizan sistemas heredados, la interoperabilidad con plataformas modernas de adquisición añade otra capa de fricción.

Los efectos posteriores son significativos. La investigación muestra de forma consistente que la adquisición sanitaria opera con costes de transacción sustancialmente más altos que los de industrias comparables. El gasto ineficiente e inapropiado, ya sea por productos mal clasificados, compras duplicadas o fallos en el control de inventario, representa una parte relevante del gasto sanitario en países de altos ingresos. El volumen de equipos de protección personal (EPP) médicos considerados inutilizables tras la pandemia de COVID-19, documentado en informes de comités parlamentarios del Reino Unido como de miles de millones de libras, ilustró lo que ocurre cuando los fallos en la calidad de los datos de la cadena de suministro se producen con rapidez y a gran escala.

Por qué la IA estándar se queda corta en la asignación de códigos

La IA generativa ha avanzado rápidamente en la resumación de textos, la generación de contenido y las tareas de preguntas y respuestas. Sin embargo, para la clasificación de productos médicos, los modelos de lenguaje de propósito general presentan una limitación importante: generan resultados que suenan plausibles incluso cuando los datos subyacentes son inexistentes o ambiguos. En un contexto de clasificación, esto produce asignaciones de códigos incorrectas, un patrón bien documentado en los sistemas de IA que los investigadores denominan alucinación.

Para las aplicaciones de adquisición y cadena de suministro, la alucinación no es un riesgo marginal. Un código GMDN incorrecto, una clasificación UNSPSC o una entrada errónea en la taxonomía de productos puede propagarse a través de los sistemas de pedidos, facturación e inventario, generando errores que son difíciles de detectar y costosos de corregir. Los requisitos de precisión en la codificación de productos médicos hacen de este un ámbito en el que los niveles de confianza y la trazabilidad de las fuentes son tan importantes como el propio resultado.

Por lo tanto, una IA eficaz para la clasificación médica requiere una arquitectura diferente: una basada en datos estructurados y curados de productos sanitarios, en lugar de conocimiento general entrenado en la web.

Grafos de conocimiento como la capa que falta

El enfoque que aborda estas limitaciones combina el procesamiento del lenguaje natural con un grafo de conocimiento específico del sector sanitario. En lugar de depender de que un modelo de lenguaje infiera la clasificación correcta únicamente a partir de sus datos de entrenamiento, un enfoque basado en grafos de conocimiento estructura explícitamente las relaciones entre productos, códigos, estándares y categorías, y las actualiza de forma continua a medida que nuevos productos entran en el mercado.

Esto permite varias capacidades que la IA general no puede ofrecer de forma fiable:

• Correspondencia código a código entre distintos sistemas de clasificación, como el mapeo entre UNSPSC, GMDN y códigos de catálogos hospitalarios locales, con lógica trazable en lugar de estimaciones probabilísticas.

• Comparación producto a producto a un nivel granular, lo que permite identificar productos equivalentes o sustituibles entre diferentes fabricantes y convenciones de denominación.

• Asignación de código a producto para artículos nuevos o no clasificados, basándose en relaciones estructuradas entre productos en lugar de inferencia a partir de texto libre.

• Vinculación producto a evidencia, conectando los registros de productos con evidencia clínica o de adquisición para respaldar decisiones de compra y la gestión de formularios.

• Correspondencia producto a oportunidad, alineando los catálogos de productos con licitaciones, contratos o marcos de adquisición activos en los que los productos de un proveedor son elegibles.

Estas capacidades aumentan su valor cuando se aplican a escala en operaciones de adquisición sanitaria en múltiples países, donde la armonización de catálogos, el abastecimiento transfronterizo y la racionalización de proveedores dependen de datos de producto consistentes y fiables.

Aplicaciones prácticas en la adquisición sanitaria

El impacto comercial de una clasificación precisa y de la correspondencia código a código respaldada por IA se percibe más directamente en tres áreas.

Armonización de catálogos. Los hospitales, las organizaciones de compras grupales y los sistemas de salud integrados suelen operar con datos maestros de productos fragmentados, heredados de múltiples sistemas y proveedores. Un proceso de armonización asistido por IA puede identificar duplicados, resolver inconsistencias de denominación y alinear los códigos internos con estándares reconocidos, reduciendo la inflación del catálogo y mejorando la visibilidad del gasto.

Licitación y contratación. Los equipos de adquisiciones que preparan o evalúan licitaciones necesitan tener la seguridad de que las especificaciones de los productos están descritas con precisión y correctamente clasificadas. Las herramientas de nomenclatura respaldadas por IA reducen la carga de revisión manual y disminuyen el riesgo de errores en las especificaciones que retrasan o invalidan las presentaciones a licitaciones.

Gestión de proveedores e inventario. Una clasificación precisa de los productos es la condición previa para un control fiable del inventario, la previsión de la demanda y el seguimiento del rendimiento de los proveedores. Cuando los datos de productos son inconsistentes entre sistemas, estos procesos se deterioran. La limpieza y el mantenimiento de esos datos con herramientas asistidas por IA reducen el coste de recursos de la conciliación manual.

Cómo es una buena implementación

Implementar IA para la clasificación de dispositivos médicos no es un ejercicio plug-and-play. La calidad del grafo de conocimiento que sustenta el sistema determina la calidad de sus resultados. Las organizaciones que evalúan soluciones deberían buscar:

• Una metodología de obtención de datos claramente descrita, incluyendo en qué estándares de clasificación, bases de datos regulatorias y catálogos de productos se basa el grafo de conocimiento.

• Explicabilidad a nivel de código. Los equipos de adquisiciones necesitan entender por qué se ha asignado una determinada clasificación, no solo cuál es, especialmente cuando la asignación se utilizará en contextos regulados de facturación o cumplimiento.

• Frecuencia de actualización. Un grafo de conocimiento que no se actualiza regularmente se deteriora a medida que nuevos productos entran en el mercado y los estándares evolucionan.

• Capacidad de integración con sistemas existentes, incluidas plataformas ERP, herramientas de e-procurement y sistemas de gestión de contratos, sin requerir una sustitución completa de la infraestructura.

Preguntas frecuentes

¿Qué es la clasificación de dispositivos médicos y por qué es importante?

La clasificación de dispositivos médicos es el proceso de asignar códigos y categorías estandarizados a los productos sanitarios. Una clasificación precisa influye en la eficiencia de la adquisición, la exactitud de la facturación, la gestión del inventario y el cumplimiento normativo. Los errores en la clasificación se propagan a través de los sistemas de la cadena de suministro y pueden afectar a la seguridad del paciente.

¿Por qué los sistemas de IA tienen dificultades con la correspondencia código a código de productos médicos?

Los modelos de IA de propósito general se entrenan con datos amplios y producen resultados probabilísticos. En la clasificación médica, donde se requiere precisión y los códigos incorrectos tienen consecuencias operativas, los modelos sin una base en datos estructurados de productos sanitarios tienden a asignar códigos plausibles pero incorrectos — una limitación conocida como alucinación.

¿Qué es un grafo de conocimiento en el ámbito sanitario?

Un grafo de conocimiento es una representación estructurada de las relaciones entre entidades, en este contexto entre productos, códigos de clasificación, estándares, fabricantes y fuentes de evidencia. Utilizado en la IA de adquisiciones, proporciona una base trazable y actualizable para la correspondencia código a código y la comparación de productos que los modelos de lenguaje generales no pueden replicar.

¿Cómo apoya la IA la licitación y la adquisición sanitaria?

Las herramientas de IA pueden hacer coincidir los catálogos de productos de los proveedores con las especificaciones de las licitaciones, identificar productos equivalentes entre diferentes convenciones de denominación, señalar inconsistencias de clasificación y automatizar el trabajo rutinario de comparación de datos que actualmente requiere esfuerzo manual de analistas.

¿Qué deberían buscar los equipos de adquisiciones al evaluar herramientas de clasificación con IA?

Los criterios clave incluyen la transparencia en el origen de los datos, la explicabilidad de las asignaciones de códigos, la frecuencia de actualización, los indicadores de precisión sobre conjuntos de datos reales de adquisiciones y la compatibilidad de integración con los sistemas existentes.

Conclusión

La clasificación precisa de productos médicos es una infraestructura fundamental para todas las funciones de adquisición, contratación y cadena de suministro en el ámbito sanitario. Las barreras para hacerlo correctamente a escala — productos diversos, estándares inconsistentes, evolución continua de los productos y los límites de los procesos manuales — no son nuevas. Lo que sí es nuevo es la disponibilidad de enfoques de IA que combinan el procesamiento del lenguaje natural con grafos de conocimiento estructurados del ámbito sanitario para abordar estas barreras de forma sistemática.

Las organizaciones que construyan ahora datos maestros de productos fiables tendrán una ventaja estructural en la eficiencia de la adquisición, la armonización de catálogos y la velocidad de las licitaciones, a medida que los sistemas sanitarios continúan consolidando y digitalizando sus cadenas de suministro.