Cómo trabajamos tus laboratorios
Cualquier laboratorio. Una sola historia.
Tu colesterol fue medido en cinco labs distintos en diez años. Cada uno lo llamó diferente, lo midió con otro método, y reportó la unidad que se le antojó. Aquí va, sin marketing, cómo convertimos ese desorden en una sola línea — la tuya — que se entiende y se puede comparar a través del tiempo. Y por qué eso es la base de una IA clínica que sirve para algo.
Tesis
Cada laboratorio escribe en su propio idioma.
No es exageración. Es algo que vemos en cada paciente que llega con historia clínica real — la de carpeta, la de WhatsApp, la del cajón. Tres consultorios, tres labs, tres formas de medir lo mismo. Cuando alguien intenta entender la trayectoria, descubre que no hay trayectoria: hay tres puntos sueltos que parecen del mismo paciente pero podrían ser de tres personas distintas.
Esta es la parte invisible del trabajo. La que toma tiempo. La que decide si tu doctor está leyendo tu salud o adivinándola. Esta página la hace visible.
Si los biomarcadores no son comparables a través del tiempo y las fuentes, no hay medicina longitudinal — solo gráficas bonitas sobre datos incoherentes.
El caos
Tres patrones que se repiten.
Los problemas no son cinco — son básicamente tres patrones que se repiten una y otra vez en cada laboratorio que vemos. Cada uno tiene su propia forma de eliminarse.
1. Muchos nombres, un solo biomarcador.
El primer patrón es de identidad. Un mismo análisis llega con varios nombres — HbA1c, Hemoglobina glicosilada, A1c IFCC — y además se reporta en dos estándares mundiales distintos: NGSP en porcentaje (el común en México y EE.UU.) e IFCC en mmol/mol (el que se ve más en Europa). Cada combinación tiene su propio código LOINC, aunque clínicamente sea «la misma» HbA1c, y la conversión entre ambos no es un factor — es una fórmula. Mapeamos cada variante al LOINC correcto y por encima mantenemos un único biomarcador canónico que junta lo que clínicamente es lo mismo, conservando el estándar de reporte en cada punto.
Lo que llega
Código público
Lo que analizamos
2. El mismo valor, en distintas unidades.
El segundo patrón es de unidades. 32 ng/mL y 80 nmol/L de vitamina D son el mismo valor — pero solo si alguien lo dice. Algunas conversiones son aritmética limpia (factor constante), otras son fórmulas, y algunas simplemente no existen sin más información.
3. Cambio de método, no cambio en tu salud.
El tercer patrón es el más sutil. Un mismo biomarcador puede medirse con distintos métodos — inmunoensayo, espectrometría de masas, distintas fórmulas — y los números no son directamente comparables. Cuando un lab cambia de método o actualiza una fórmula, la trayectoria parece moverse aunque tu cuerpo no se haya movido.
eGFR · función renal
La fórmula cambió, no tu riñón.
Testosterona total
520 ng/dL contra 410 ng/dL — método, no descenso.
Los dos estándares que reutilizamos.
Resolver este caos no requiere inventar un sistema nuevo. El mundo ya tiene dos estándares públicos diseñados exactamente para esto, mantenidos por instituciones independientes, y usados por hospitales serios en todo el planeta. Los reusamos al pie de la letra.
Logical Observation Identifiers Names and Codes
Un sistema universal de códigos para análisis clínicos, mantenido por el Regenstrief Institute desde 1994. A cada análisis del mundo le corresponde un código único — sin importar cómo lo escriba un lab particular.
Ejemplo
«Col. Total», «CT», «Cholesterol, total»
→ LOINC 2093-3
Unified Code for Units of Measure
Un estándar internacional para representar unidades de medida sin ambigüedad. Resuelve la mitad de los problemas de unidades antes de que empiece cualquier conversión real — las variaciones de notación dejan de ser variaciones.
Ejemplo
mL = ml = cc · U/L = IU/L = UI/L
µg/dL = ug/dL = mcg/dL
La diferencia entre un sistema serio y uno casero es esta. No inventamos códigos; mapeamos a LOINC. No inventamos unidades; normalizamos a UCUM. Lo que nosotros agregamos encima — qué hacer cuando un PDF no trae LOINC, cómo desambiguar entre dos códigos posibles, cómo aplicar una conversión condicional — es trabajo nuestro, pero las bases están en estándares que cualquier hospital del mundo puede leer.
Multiplica por el resto: decenas de biomarcadores por perfil, años de historia, cada lab con sus propios hábitos. Por eso este trabajo no es una tabla de equivalencias que se hace una vez — es una capa que se mantiene viva.
Capas de ruido
Seis fuentes de variación.
Identidad, unidad y método son los grandes. Pero hay tres más que importan tanto como los primeros, especialmente cuando los rangos de referencia entran en juego.
Si todo este contexto no viaja con cada punto — y un PDF rara vez lo trae completo — la interpretación es una aproximación amable. Lo capturamos cuando está, y cuando no, lo marcamos explícitamente.
Lo que cambia
De cinco carpetas a una sola línea.
El antes es familiar: cinco PDFs de cinco laboratorios, tres formatos, dos idiomas, una carpeta física por si acaso. El mismo análisis con cinco nombres distintos. Rangos «normales» que cambian cada año porque la guía del lab cambió, no porque tú cambiaste. Tu doctor reabriendo cada PDF en consulta, en lugar de mirarte a ti.
El después es una línea por biomarcador con todos los puntos reconciliados, sin importar de qué lab vino cada uno. Unidades unificadas, conversiones explícitas, rangos que reflejan tu contexto. Cuando algo cambia de método, se marca; no fingimos continuidad donde no la hay. El original siempre se guarda — tu doctor puede ver tanto el valor reconciliado como exactamente lo que el lab reportó.
Esto no es magia ni un truco visual. Es lo que pasa cuando alguien se sienta y hace, con paciencia, el trabajo de traducción que el sistema de salud nunca terminó de hacer.
Estándar para la IA
La IA clínica es tan buena como sus datos.
Toda nuestra plataforma se apoya en agentes de IA que razonan sobre tu salud — cardiología, metabolismo, hepatología, longevidad, cada uno con su propio conocimiento y su propio criterio. Pero un agente solo puede razonar si lo que recibe está limpio. Si entran datos contradictorios, lo que sale es prosa bien escrita sobre nada.
Por eso esta capa de estandarización no es un detalle de ingeniería. Es la diferencia entre una IA que produce frases bonitas y una IA que produce medicina.
Sin estandarización
Col. Total 180
CT 4.66 mmol/L
chol 178 mg/dL
Col Sérico —
Lo que la IA puede decir
Hay varios resultados de algo parecido a colesterol. No estoy seguro si son comparables.
Con estandarización
Colesterol · 2022 · 178 mg/dL
Colesterol · 2023 · 180 mg/dL
Colesterol · 2024 · 172 mg/dL
Colesterol · 2025 · 165 mg/dL
Lo que la IA puede decir
Tu colesterol bajó 8 % en dos años, consistente con cambios de hábito. ApoB confirma la tendencia.
La arquitectura completa — cómo razonan los agentes, cómo debaten cuando discrepan, cómo se evalúan contra benchmarks clínicos — vive en /ciencia. Si te interesa lo que hay debajo de cada recomendación que da trece, empieza por ahí.
ChatGPT y Claude
¿Y no puedo subir todo esto a un chat?
Es la primera pregunta que nos hacen. La respuesta honesta es: sí puedes, y para muchas cosas funciona increíblemente bien. Claude y ChatGPT son herramientas extraordinarias — te explican un término, te ponen un PDF en lenguaje claro, te ayudan a preparar preguntas para tu doctor. Nosotros mismos los usamos todos los días.
Lo que un chat solo, por sí mismo, no puede hacer es ser tu historia clínica. La diferencia importa más de lo que parece.
Sube cinco años de tus labs a un chat hoy. Mañana, abre una sesión nueva y sube los mismos PDFs. La respuesta puede ser distinta. Ambas suenan bien.
Estas son las seis cosas que un chat por sí solo no hace, en ningún orden particular:
- Empezar con memoria. Cada conversación parte de los PDFs que subiste esa vez. Si subes otros la próxima, la lectura cambia, y no hay forma de saber cuál era la correcta.
- Saber cuándo no convertir. Lp(a) entre mg/dL y nmol/L depende del isoforma. ApoB no se convierte a unidades molares porque se mide en masa. HbA1c entre % y mmol/mol es una fórmula no lineal. Un modelo general suele darte un número. Si te toca el equivocado, no hay alerta.
- Conocer a tu laboratorio. La memoria por proveedor — qué nombres usa, qué unidades por defecto, qué cuirks tiene — se acumula con cada documento procesado. Un chat empieza siempre desde cero.
- Marcar discontinuidades. Una caída de eGFR por cambio de fórmula se ve como progresión renal. Un cambio de método en testosterona se ve como descenso. Sin marcas, el modelo dibuja tendencias falsas con cara de verdad.
- Cargar tu contexto demográfico. Edad al draw, sexo, embarazo, trimestre, ayuno, hora del día, medicamento activo. Si no viaja con cada punto, la interpretación es una aproximación amable.
- Dejar rastro auditable. ¿En qué se basó esa decisión? ¿La tomaría igual mañana? ¿Cómo la corriges? En una historia clínica que va a durar décadas, esas preguntas tienen que tener respuesta.
La mejor respuesta no es elegir
Publicamos un servidor MCP — el estándar abierto creado por Anthropic para conectar modelos a fuentes de datos. Conecta tu Claude o tu ChatGPT a tu historia en trece y los modelos razonan encima de tus datos limpios cada vez que les preguntas algo. Lo mejor de cada lado.
Por qué toma tiempo
No es lentitud. Es oficio.
La parte fácil de tener tus labs digitales es subirlos. La parte difícil — y la que decide si la información sirve o no — es lo que pasa después.
- No se trata de leer PDFs. Cualquier sistema saca números de un PDF. Lo difícil es saber qué es cada número — qué se midió, cómo, con qué muestra, contra qué rango, en qué momento de tu vida. Esa parte requiere criterio.
- Cada lab nuevo enseña algo. El primer documento de un laboratorio que nunca habíamos visto siempre tiene una sorpresa: una nota al pie, una abreviatura, un rango condicional. Lo aprendemos una vez y los siguientes pacientes de ese lab se procesan rápido.
- Preferimos «no sé» a inventar. Cuando un dato es ambiguo, lo escala una persona antes de publicarse. Un día más es mejor que un valor mal interpretado guardado para siempre.
- Tu historia clínica te va a durar décadas. La medicina preventiva se construye sobre tendencias largas. Un error de unidades hoy es un error que va a confundir a tu cardiólogo de aquí a quince años. Vale la pena hacerlo bien la primera vez.
Un buen radiólogo no tarda más porque sea lento. Tarda más porque está mirando.
Si esto te resonó.
Si eres paciente, empieza por subir lo que ya tienes — del cajón, de WhatsApp, del último checkup. Si eres laboratorio o clínica y te interesa que tus resultados encajen en la trayectoria larga de cada paciente, hablemos.
Documento de diseño
Esta página describe nuestro enfoque y nuestra ambición. Hay partes del trabajo que ya están en producción y otras que se siguen construyendo. Publicamos hacia dónde vamos, no solo lo que ya enviamos. Para discusión técnica: info@trece.health.