Astrocyte

Astrocyte Información de contacto, mapa y direcciones, formulario de contacto, horario de apertura, servicios, puntuaciones, fotos, videos y anuncios de Astrocyte, Medicina y salud, León.

Astrocyte es un expediente clínico electrónico (EHR) con IA que agiliza tu consulta: notas, recetas, agenda y seguimiento del paciente en la nube, con seguridad y especialización para el entorno mexicano.

Anthropic, 18 ago 2026. Claude (Opus 4.8 y Mythos Preview) diseñó minibinders de proteínas de novo: un solo prompt, sin ...
20/08/2026

Anthropic, 18 ago 2026. Claude (Opus 4.8 y Mythos Preview) diseñó minibinders de proteínas de novo: un solo prompt, sin humano en las decisiones de diseño.
16 dianas, 15 con medición. Binders en 14 de 15. De 1,320 diseños, 354 ligaron (27%). En campañas de hoy el típico es 10–15% (proteinbase). Adaptyv Bio y Twist Bioscience sintetizaron y midieron lo entregado, independientes.
En 48 h para todas las dianas: Mythos 26.7%, Opus 4.8 22.6%. Una diana / 24 h, Mythos: 35.1%. El top-1 de cada ranking: 49%.
RBX1: 28/90 frente a 9/245 en una competencia. KD 3.9 nM frente a 45 nM del ganador, misma placa. TNFα: Opus 4.8 sí, Mythos no. MBP: 0/90.
Un minibinder no es un fármaco. Esto es ingeniería de proteínas, no expediente clínico. Ni aquí hay un modelo único: una diana la cierra uno, otra el otro.
Anthropic. Shanehsazzadeh / Claude Science.
https://www.anthropic.com/research/Claude-accelerates-protein-design

12/08/2026

Nuevo dato de adopción a escala de sistema: 263 clínicos, 6 organizaciones de salud, scribes de IA ambiental en flujo ambulatorio.

A 30 días: burnout general -13.9 puntos porcentuales, burnout severo -6.2 puntos, mejoras medibles en documentación fuera de horario y en acceso a atención urgente.

El hallazgo relevante para implementación no es solo el resultado clínico — es que la intervención se integró al flujo de trabajo existente sin rediseñar el proceso de atención.

JAMA Network Open, estudio multicéntrico de mejora de calidad.

https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2839542

No toda función del expediente clínico necesita un modelo generativo, y no toda debería tenerlo.Esa es la tesis de una p...
10/08/2026

No toda función del expediente clínico necesita un modelo generativo, y no toda debería tenerlo.
Esa es la tesis de una perspectiva publicada el 23 de julio en JAMA por Siru Liu, Josh Peterson y Adam Wright, del Departamento de Informática Biomédica de Vanderbilt, sobre cómo debería transformarse el soporte a la decisión clínica con la llegada de la IA generativa.
El reparto que proponen:
- consultas estructuradas y reglas determinísticas para los criterios computables y las restricciones duras de seguridad
- procesamiento de lenguaje natural clínico convencional para extracciones estables y acotadas
- modelos de lenguaje solo para sintetizar información dispersa en fuentes heterogéneas o para presentar el apoyo de forma adaptada a la decisión
Su regla de diseño es usar el método menos complejo que resuelva la tarea de forma confiable, y documentar y probar esa decisión de arquitectura en lugar de dejarla implícita.
Sobre el formato de entrega son igual de específicos. No un chat, sino un resumen breve y no interruptivo dentro del flujo de trabajo, con cada afirmación enlazada a su fuente y su fecha.
Es la misma lectura desde la que construimos Expediente Astrocyte. Resolver con un modelo generativo lo que una regla resuelve mejor agrega costo, latencia y una superficie de error que después hay que monitorear.
El artículo también deja claro lo que estos modelos no resuelven: acceso a los datos, interoperabilidad, identificación del paciente y vinculación de registros. Esa infraestructura tiene que existir antes.

Hay un hallazgo de este año que explica por qué el expediente clínico importa más que el modelo.La Universidad de Michig...
30/07/2026

Hay un hallazgo de este año que explica por qué el expediente clínico importa más que el modelo.
La Universidad de Michigan publicó en Nature Medicine un modelo de neuroimagen entrenado con 5.24 millones de estudios de resonancia y tomografía provenientes de más de dos décadas de atención rutinaria en su propio sistema hospitalario, sin curación ni anotación humana previa.
Superó a modelos generalistas como GPT-5 en tareas diagnósticas de neuroimagen. En evaluación prospectiva dentro del hospital alcanzó 92.6% de exactitud al clasificar urgencia, frente a 71.2% del modelo generalista.
Su ventaja no vino de más cómputo. Vino de datos que nadie más tenía. Una resonancia de cráneo permite reconstruir el rostro del paciente, así que estos estudios casi no se comparten públicamente, y los modelos entrenados con lo disponible en internet llegan mal preparados a ese dominio.
El resto del panorama apunta en la misma dirección. En tamizaje de cáncer de mama, el ensayo MASAI (The Lancet, enero 2026) mostró 29% más detección con lectura asistida. En razonamiento diagnóstico, una evaluación de JAMA sobre 21 modelos de frontera encontró más de 80% de fallo al construir un diagnóstico diferencial completo.
La IA rinde donde hay estructura clínica que la sostenga y un profesional en el lazo. Por eso el trabajo que ocurre antes de cualquier modelo, capturar bien el dato, estructurarlo con estándares y mantenerlo interoperable, es el que determina lo que después es posible.
Esa es la capa en la que trabajamos en Expediente Astrocyte.

Un estudio publicado el 15 de julio de 2026 en el European Heart Journal encontró micro y nanoplásticos en la sangre cor...
20/07/2026

Un estudio publicado el 15 de julio de 2026 en el European Heart Journal encontró micro y nanoplásticos en la sangre coronaria del 84% de pacientes que habían sufrido un infarto, frente al 32% de quienes tenían arterias sanas.

El trabajo también asoció el tabaquismo y la contaminación del aire con una carga mucho mayor de plásticos: los fumadores tenían seis veces más probabilidad de presentarlos.

Es un estudio observacional y con pocos pacientes, así que muestra una asociación y no una causa. Pero deja una lección práctica: la exposición ambiental y los hábitos del paciente son datos clínicos que vale la pena registrar bien.

Un expediente que documenta de forma estructurada tabaquismo, entorno y exposición es lo que, con el tiempo, permite encontrar señales como esta.

17/07/2026

Thinking Machines Lab liberó el 15 de julio de 2026 un modelo llamado Inkling, con los pesos disponibles de forma abierta.
La característica que destaca no es su tamaño, aunque sea considerable: 975 mil millones de parámetros y un preentrenamiento con 45 billones de tokens de texto, imágenes, audio y video. Lo distintivo es que razona sobre esas modalidades de forma conjunta, sin componentes separados que traduzcan primero el sonido o la imagen a texto.
Esa forma de procesar información se parece a la valoración clínica. Un médico integra al mismo tiempo lo que el paciente relata, el timbre de su voz, lo que se escucha en la auscultación, lo que se observa en un estudio de imagen y lo que arroja un laboratorio. La síntesis diagnóstica ocurre sobre todos esos canales a la vez.
Los sistemas de IA médica disponibles hoy funcionan de otra manera: un programa lee la radiografía, otro transcribe la consulta, otro extrae datos del expediente. Cada uno aislado del resto.
Una arquitectura multimodal nativa apunta hacia modelos capaces de evaluar íntegramente la información que exigen las tareas de especialidad.
Una precisión importante: el anuncio de Inkling no reporta ninguna evaluación médica. Se trata de una dirección de diseño, no de una capacidad clínica probada.

La IA acierta el 73% en tareas médicas. Es un titular que circula sin contexto. El número completo cuenta una historia m...
15/07/2026

La IA acierta el 73% en tareas médicas. Es un titular que circula sin contexto. El número completo cuenta una historia más interesante.

En MedAgentBench, un examen para agentes de IA en tareas clínicas, los mejores modelos actuales resuelven cerca del 70% por sí solos.
Un método reciente de Stanford, NVIDIA y Berkeley revisa varios intentos del modelo y elige el mejor. Con eso, el resultado sube a 73%.

El detalle está en el techo: aunque la selección fuera perfecta, el máximo alcanzable era 75%. La verificación recupera casi todo ese margen, y ahí se detiene.

¿Qué revela? Que en medicina, buena parte del error no se corrige revisando. Se origina antes: muchas veces el modelo no genera la respuesta correcta entre todos sus intentos.

Un buen filtro descarta una respuesta mala. No fabrica una buena que nunca se produjo.

¿Qué significa, en realidad, que una inteligencia artificial diga que replicó un experimento científico?La pregunta dejó...
14/07/2026

¿Qué significa, en realidad, que una inteligencia artificial diga que replicó un experimento científico?

La pregunta dejó de ser hipotética. Ya existen agentes de IA a los que se les puede pedir que reproduzcan un paper de machine learning solo a partir de su texto: que reconstruyan el método, corran los experimentos y comparen sus resultados con los que el paper reporta.

El problema es viejo y honesto: c��mo saber si de verdad lo lograron, y no solo si el agente afirma que sí.

Un trabajo reciente propone una respuesta elegante. En lugar de creerle al agente cuando dice que terminó, condiciona el éxito a la evidencia que deja en su espacio de trabajo. Cada afirmación del paper se convierte en un objetivo con su prueba registrada, y nada se da por hecho hasta que esa prueba está.

Los resultados tienen un matiz fascinante. En doce corridas independientes sobre cuatro papers, todas alcanzaron el criterio de finalización, y los 158 objetivos quedaron cubiertos.

Pero las corridas diferían entre sí en cómo dividían el trabajo y en la fidelidad de los números.

Dicho de otro modo: la IA logró que terminar fuera reproducible, pero no que el camino ni el resultado exacto lo fueran.

Y esa distinción importa, porque en ciencia no basta con que algo se declare hecho. Reproducir el proceso no es lo mismo que reproducir el resultado.

El avance es real y prometedor. Pero muestra que, por ahora, el valor no está en que el agente diga que replicó algo, sino en la evidencia que podemos revisar para comprobarlo.

¿La ventaja de la IA médica está en el modelo más grande, o en los datos que un hospital ya genera?Un trabajo reciente e...
14/07/2026

¿La ventaja de la IA médica está en el modelo más grande, o en los datos que un hospital ya genera?

Un trabajo reciente en neuroimagen apunta a lo segundo. NeuroVFM no aprendió de internet, sino del propio sistema de salud: 5.24 millones de volúmenes de resonancia y tomografía, acumulados en veinte años de práctica clínica.

Sin curación, sin anotación manual, sin depender de reportes. Solo el dato crudo del trabajo diario.

El resultado obliga a mirar distinto el software clínico. Acoplado a un modelo de lenguaje abierto y modesto, ese sistema genera reportes de triaje que superan a GPT-5 y a Claude Sonnet 4.5, con la mitad de errores en los hallazgos clave.

La lección para quien construye herramientas clínicas es clara. La inteligencia médica no se compra con escala de internet: se cultiva en el territorio donde ocurre la medicina.

Y ese territorio, con su soberanía de datos, es la materia prima que ningún modelo generalista puede replicar desde afuera.

¿Quién debería evaluar si un modelo de inteligencia artificial médica es bueno: un ingeniero, o un experto en salud?La p...
12/07/2026

¿Quién debería evaluar si un modelo de inteligencia artificial médica es bueno: un ingeniero, o un experto en salud?

La pregunta parece técnica, pero es más importante de lo que aparenta.

Los modelos médicos se miden con exámenes de referencia, diseñados para poner a prueba su desempeño clínico. Y con cada versión, esos números tienden a subir.

El detalle es que un puntaje más alto no siempre significa mejor medicina. A veces significa, simplemente, que el modelo aprendió a responder ese examen en particular.

Sirve pensarlo como a un alumno. Se le puede ayudar a mejorar de dos maneras muy distintas.

En una, quienes lo forman entienden qué concepto no está comprendiendo y le diseñan un refuerzo justo para eso. Mejora de verdad.

En la otra, solo le enseñan las respuestas. Su calificación sube hasta el diez, aunque no sepa más.

Distinguir un caso del otro, en medicina, exige a alguien que sepa de medicina. Un ingeniero generalista puede hacer subir la métrica sin notar que el modelo sigue fallando donde el examen no mira.

Por eso la mejora de un modelo médico no debería quedar solo en manos de quien programa. Necesita expertos de salud en el circuito: para evaluar por qué falla, entender qué necesita realmente la práctica clínica y guiar en qué debe mejorar.

La tecnología médica no se vuelve confiable solo porque un número suba. Se vuelve confiable cuando quien conoce la clínica participa en evaluarla y corregirla.

Dirección

León

Página web

Notificaciones

Sé el primero en enterarse y déjanos enviarle un correo electrónico cuando Astrocyte publique noticias y promociones. Su dirección de correo electrónico no se utilizará para ningún otro fin, y puede darse de baja en cualquier momento.

Contacto La Empresa

Enviar un mensaje a Astrocyte:

Atajos

Compartir

Categoría