12. junio 2026

El gestor de datos

Cómo usar la IA para analizar indicadores asistenciales y listas de espera sin ser analista

Introducción: el médico gestor ante una hoja de cálculo

Son las 8:30 h del lunes. En tu bandeja de entrada hay un correo de gerencia: necesitan el informe de actividad del servicio para la reunión del miércoles. Adjuntan un Excel con 1.400 filas de datos de actividad asistencial, estancias medias, altas, reingresos y lista de espera de los últimos doce meses.

Eres cirujano ortopédico. Llevas veinte años operando rodillas, caderas y columnas. Nadie te enseñó a ser analista de datos.

Este escenario, que reconocerán inmediatamente la mayoría de jefes de servicio y coordinadores asistenciales, resume uno de los grandes puntos ciegos de la formación médica: la gestión basada en datos existe, pero las herramientas para interpretarla rara vez llegan a quienes más las necesitan.

La inteligencia artificial cambia esa ecuación. No porque convierta a los médicos en analistas, sino porque actúa como un intérprete entre los datos en bruto y el lenguaje clínico que tú ya dominas.

Este artículo te muestra cómo hacerlo. Con prompts concretos, flujos de trabajo realistas y sin vulnerar el RGPD.

Por qué los médicos gestores necesitan leer sus propios datos

Antes de entrar en las herramientas, conviene entender el problema de fondo. En la mayoría de los hospitales públicos españoles, el acceso a datos asistenciales está fragmentado entre varios sistemas: el CMBD (Conjunto Mínimo Básico de Datos), el sistema de información de listas de espera, el módulo de actividad del HIS (Hospital Information System) y los informes de gerencia.

Esos datos existen. El problema es que habitualmente los interpreta alguien que no tiene contexto clínico, o los recibe el jefe de servicio en formato incomprensible, demasiado tarde para tomar decisiones.

Las consecuencias prácticas son tres:

Primero, decisiones de gestión tomadas con información incompleta o desactualizada. Un servicio que desconoce su tasa real de reingreso a 30 días no puede identificar si hay un problema de calidad en el alta.

Segundo, dificultad para argumentar necesidades de recursos. Un jefe de servicio que no puede cuantificar el impacto de la reducción de quirófano disponible en la lista de espera estructural tiene menos capacidad de negociación con dirección.

Tercero, pérdida de oportunidades de mejora. Los patrones que anticipan problemas (aumento de la demora media, concentración de reingresos en ciertos GRD, variabilidad inexplicable en la estancia media) pasan desapercibidos si nadie los busca.

La IA no resuelve la fragmentación de los sistemas de información. Pero sí puede ayudarte a extraer significado de los datos que ya tienes, más rápido y con menos esfuerzo.

Qué puede hacer la IA con datos asistenciales (y qué no)

Antes de los prompts, el encuadre habitual de medicai.es:

Lo que la IA puede hacer bien

• Describir patrones en tablas de datos: tendencias, variaciones, valores atípicos
• Redactar narrativas a partir de números: transformar una tabla en un párrafo interpretable
• Comparar períodos e identificar cambios significativos
• Generar preguntas diagnósticas a partir de anomalías en los datos
• Estructurar informes de actividad listos para presentar a dirección
• Ayudarte a formular hipótesis sobre causas de variación, que tú luego validarás

Lo que la IA no puede hacer

• Acceder directamente a tus sistemas hospitalarios (HIS, CMBD, SAP): necesita que tú le proporciones los datos
• Garantizar interpretaciones causales: detecta correlaciones, no causalidad
• Sustituir el juicio clínico en la interpretación de variaciones asistenciales
• Reemplazar a un analista para proyectos complejos de business intelligence

La regla crítica de privacidad

Este punto merece subrayarse. Cuando trabajas con datos asistenciales para análisis de gestión, debes trabajar con datos agregados y anonimizados, nunca con registros individuales de pacientes.

La diferencia práctica es esta: puedes compartir con una IA pública una tabla que diga "en octubre hubo 42 ingresos urgentes, estancia media 4,3 días, 3 reingresos a 30 días". No puedes compartir una tabla con nombre, NHC, fecha de ingreso y diagnóstico de cada paciente.

Si tu hospital trabaja en entorno Microsoft 365 con Copilot, o tiene contrato de procesamiento de datos con un proveedor de IA con acuerdo DPA (Data Processing Agreement) conforme al RGPD, las posibilidades se amplían. Ese escenario lo abordaremos en el artículo 5 de esta serie, dedicado al marco legal.

Para todo lo que viene a continuación, asumimos datos agregados o ficticios introducidos manualmente en la herramienta de IA.

Caso práctico 1: interpretar el informe mensual de actividad

Tienes la tabla de actividad del mes. Sabes los números, pero no siempre sabes qué te están diciendo.

Prompt para interpretar datos de actividad mensual:

Actúa como un analista de gestión sanitaria con experiencia en hospitales del Sistema Nacional de Salud español.

Te voy a proporcionar los datos de actividad asistencial de un servicio hospitalario correspondientes al mes de [mes y año]. Tu tarea es:

1. Describir los datos de forma clara y estructurada.
2. Identificar las variaciones más relevantes respecto al mes anterior (si te las proporciono).
3. Señalar cualquier valor que se desvíe significativamente de la media.
4. Formular entre 3 y 5 preguntas que un jefe de servicio debería hacerse a partir de estos datos.
5. Redactar un párrafo de resumen ejecutivo, adecuado para incluir en un informe a dirección médica.

Datos del mes de [mes]:

• Ingresos programados: [número]
• Ingresos urgentes: [número]
• Altas: [número]
• Estancia media: [días]
• Reingresos a 30 días: [número y porcentaje]
• Intervenciones quirúrgicas: [número]
• Cancelaciones quirúrgicas: [número y motivo principal si lo conoces]
• Lista de espera quirúrgica al cierre del mes: [número de pacientes]

Datos del mes anterior para comparación (opcional): [Los mismos campos con los datos previos]

Tono: profesional, directo, sin tecnicismos estadísticos innecesarios. El lector es un médico, no un analista.

Qué obtendrás: en menos de 60 segundos, un análisis estructurado que normalmente llevaría 30-45 minutos producir desde cero. No es el análisis definitivo —tú añadirás el contexto clínico que la IA no tiene— pero es un punto de partida sólido que elimina la página en blanco.

Caso práctico 2: analizar la lista de espera quirúrgica

La lista de espera es uno de los indicadores más políticamente sensibles y, al mismo tiempo, uno de los más complejos de interpretar. Un aumento de la demora media no siempre refleja un problema de rendimiento: puede ser consecuencia de un cambio en el perfil de la demanda, de una reducción de quirófano disponible, o de una mejora en el registro de pacientes que antes no estaban formalmente en lista.

La IA puede ayudarte a estructurar esa interpretación.

Prompt para análisis de lista de espera:

Soy jefe de servicio de [especialidad] y necesito analizar la evolución de la lista de espera quirúrgica de mi servicio en los últimos [período].

Te proporciono los datos agregados por mes (sin datos de pacientes individuales):

[Tabla con columnas: Mes | Pacientes en lista | Demora media (días) | Nuevas incorporaciones | Salidas (intervención + otras causas)]

Por favor:

1. Describe la tendencia general de la lista de espera en el período analizado.
2. Identifica los meses con variaciones más significativas y señala posibles explicaciones (que yo confirmaré con contexto clínico).
3. Calcula la ratio de incorporaciones vs salidas para cada mes y señala en qué períodos la demanda superó la capacidad de resolución.
4. Redacta una síntesis de máximo 200 palabras para presentar en comité de dirección, con los puntos clave y una recomendación de seguimiento.
5. Sugiere qué información adicional sería útil recoger para un análisis más completo.

Contexto adicional que puedo darte:

• Número de sesiones quirúrgicas/mes: [dato si lo tienes]
• Cambios conocidos en el período (obras, reducción de quirófano, bajas de personal): [descripción si aplica]

Por qué es útil: la IA no solo describe los datos, sino que te hace las preguntas que un buen analista haría. Eso es especialmente valioso cuando estás preparando una presentación a dirección y necesitas anticipar las preguntas del comité.

Caso práctico 3: preparar el informe anual del servicio

El informe anual de actividad es una de las tareas más tediosas y, a la vez, más estratégicas de la jefatura de servicio. Bien construido, es una herramienta de negociación de recursos. Mal construido, es un trámite que nadie lee.

La IA puede transformar radicalmente el tiempo que inviertes en este documento.

Flujo de trabajo recomendado:

Paso 1. Reúne los datos del año en una hoja de cálculo o tabla simple. No necesitas que esté perfecta: la IA tolera datos incompletos si se los declares.

Paso 2. Usa el siguiente prompt para generar la estructura narrativa del informe:

Tengo los datos de actividad anual de mi servicio de [especialidad] y necesito preparar el informe de actividad para dirección médica.

Los datos que tengo son los siguientes (sin información de pacientes individuales):

[Introduce aquí tus tablas o datos en cualquier formato]

Por favor, redacta el informe siguiendo esta estructura:

1. Resumen ejecutivo (máximo 150 palabras): los 3-4 puntos clave del año

2. Actividad asistencial: análisis de ingresos, altas, intervenciones y lista de espera con comparación interanual

3. Indicadores de calidad: estancia media, tasa de reingresos, cancelaciones quirúrgicas. Señala desviaciones y posibles explicaciones

4. Puntos de atención: qué indicadores muestran tendencias que requieren seguimiento o acción

5. Propuestas para el año siguiente: basadas en los datos, qué líneas de mejora serían prioritarias

Tono: profesional y directo. El documento es para dirección médica, no para publicación científica. Máximo 800 palabras en total. Deja marcas [completar] donde necesites que yo añada contexto clínico que tú no puedes conocer.

Por qué funciona: el prompt incluye la instrucción de dejar marcas [completar] donde la IA necesita contexto que solo tú puedes aportar. Esto convierte el output en un documento de trabajo colaborativo entre tú y la herramienta, no en un texto que parece generado automáticamente.

Caso práctico 4: detectar patrones en datos de reingresos

Los reingresos a 30 días son un indicador de calidad asistencial con implicaciones directas en la evaluación del servicio. Una tasa elevada puede señalar problemas en el proceso de alta, en la coordinación con atención primaria, o en patologías específicas con alta complejidad.

La IA puede ayudarte a hacer las preguntas correctas.

Prompt para análisis de reingresos:

Tengo datos agregados de reingresos en mi servicio de [especialidad] para el período [período]. Los datos están desagregados por [GRD / diagnóstico principal / procedimiento / mes, según lo que tengas].

[Introduce los datos en formato tabla]

Necesito que:

1. Identifiques los grupos diagnósticos o procedimientos con mayor tasa de reingreso

2. Señales si hay variación temporal (algún mes o trimestre con tasas notablemente diferentes)

3. Formules hipótesis explicativas para cada patrón identificado (que yo validaré con mi conocimiento clínico)

4. Sugieras qué preguntas habría que responder para determinar si los reingresos son evitables o inherentes a la complejidad del caso

5. Redactes un párrafo de contextualización para incluir en el informe anual

Nota importante: estos son datos agregados, no incluyen información de pacientes individuales. Si identificas un patrón que requeriría análisis de casos individuales, indícalo para que yo pueda revisarlo internamente con los medios adecuados.

Lo que esto aporta: la IA no puede decirte por qué están ocurriendo los reingresos —eso requiere revisión de historias clínicas, contexto de guardia, coordinación con atención primaria—. Pero sí puede señalarte dónde mirar, lo que convierte una tarea de análisis abierto en una investigación dirigida.

Caso práctico 5: comparar el rendimiento de tu servicio con benchmarks

Uno de los usos más potentes de la IA para gestión sanitaria es la contextualización de tus datos dentro de referencias externas. Si tu estancia media en artroplastia de cadera es de 5,2 días, ¿es eso bueno o malo? Depende de con qué lo compares.

Prompt para contextualización con benchmarks:

Soy jefe de servicio de [especialidad] en un hospital de [tamaño aproximado: comarcal/de referencia/terciario] del sistema público español.

Estos son los indicadores clave de mi servicio para el año [año]:

- Estancia media global: [días]

- Estancia media en [procedimiento principal]: [días]

- Tasa de reingresos a 30 días: [%]

- Tasa de cancelación quirúrgica: [%]

- Índice de sustitución ambulatoria en [procedimientos si aplica]: [%]

¿Puedes:

1. Indicarme cuáles son los rangos de referencia habituales para estos indicadores en servicios similares en España (CMBD nacional, SNS)?

2. Señalar en cuáles de estos indicadores mi servicio parece estar por encima o por debajo de la media?

3. Identificar qué factores de contexto debería considerar antes de sacar conclusiones (case-mix, perfil de paciente, disponibilidad de cirugía ambulatoria, etc.)?

4. Sugerirme qué fuentes de benchmarking oficiales podría consultar para una comparación más precisa?

Importante: sé que tus datos sobre benchmarks pueden no estar actualizados a [año actual]. Indícame el año de referencia de los datos que uses y si hay fuentes más recientes que debería consultar.

Nota sobre alucinaciones: este es exactamente el tipo de prompt donde el riesgo de que la IA invente datos es más alto. Los modelos de lenguaje pueden generar cifras que suenan plausibles pero no corresponden a ninguna fuente real. Usa el output como orientación, no como referencia citable. Verifica siempre los benchmarks en fuentes oficiales: el informe del SNS, el CMBD del Ministerio, o los informes del IASIST si tu hospital tiene acceso.

Caso práctico 6: transformar datos en presentación para comité

Tienes los datos. Tienes el análisis. Ahora necesitas presentarlo en 10 minutos ante el comité de dirección, que tiene poco tiempo y poca paciencia para las tablas.

Prompt para guión de presentación:

Tengo que presentar los resultados del servicio de [especialidad] ante el comité de dirección médica. Dispongo de [X] minutos. Los puntos clave de los datos son los siguientes:

[Resume en 4-6 puntos los hallazgos principales de tu análisis]

Por favor, redacta:

1. Un guión de presentación oral estructurado en [X] minutos, con indicación de cuánto tiempo dedicar a cada punto

2. Los 3 mensajes que el comité debe recordar al salir de la reunión

3. Las 2-3 preguntas difíciles que probablemente me harán y una respuesta preparada para cada una

4. Una propuesta de acción concreta con la que cerrar la presentación (la decisión que quiero que tomen)

Tono: directo y ejecutivo. Sin jerga clínica innecesaria. Basado en evidencia pero orientado a la decisión.

Por qué importa: una presentación bien estructurada con mensajes claros tiene más impacto en la asignación de recursos que un informe detallado que nadie lee. La IA puede ayudarte a pensar como comunicador, no solo como clínico.

Herramientas específicas para análisis de datos

Hasta ahora hemos hablado de ChatGPT y Claude para análisis narrativo. Pero para trabajar directamente con tablas y hojas de cálculo, hay algunas herramientas adicionales que vale la pena conocer:

ChatGPT con Code Interpreter (versión Plus)

La función "Advanced Data Analysis" de ChatGPT Plus permite subir directamente archivos Excel o CSV y pedirle que los analice, genere gráficos o calcule estadísticas descriptivas. Es especialmente útil para análisis exploratorio rápido.

Consideración RGPD: los archivos que subes a ChatGPT se procesan en los servidores de OpenAI. Sube únicamente datos agregados y anonimizados, nunca registros de pacientes individuales.

Microsoft Copilot en Excel

Si tu hospital trabaja en el entorno Microsoft 365, Copilot integrado en Excel puede analizar tus hojas de datos directamente, con las garantías adicionales que ofrece el marco contractual de Microsoft con el sector público. Esta es probablemente la opción más segura para entornos hospitalarios, siempre que el contrato con Microsoft incluya las cláusulas de protección de datos adecuadas.

Google Gemini con Google Sheets

Similar a la opción anterior para entornos que usen Google Workspace. La integración con Sheets permite análisis conversacional de tablas directamente en el navegador.

Tableau Public / Power BI Desktop

Para visualizaciones más elaboradas, estas herramientas son gratuitas en su versión de escritorio y permiten crear dashboards de seguimiento de indicadores. La curva de aprendizaje es mayor, pero una vez configurados, los dashboards se actualizan automáticamente con nuevos datos.

El flujo de trabajo completo: de los datos al informe en 90 minutos

Lo que la IA no puede sustituir: el juicio del médico gestor

Este artículo ha mostrado lo que la IA puede hacer con datos asistenciales. Vale la pena terminar subrayando lo que no puede hacer.

La IA puede detectar que la estancia media en tu servicio aumentó un 15% en el tercer trimestre. No puede saber que ese trimestre hubo una rotación de adjuntos con mucha experiencia y llegaron cuatro residentes nuevos. No puede saber que el aumento de reingresos coincidió con el cierre temporal de la unidad de enfermería de referencia en atención primaria. No puede interpretar el contexto institucional, las dinámicas de equipo, o los cambios de protocolo que explican las variaciones.

Eso es exactamente tu trabajo. La IA maneja la señal; tú aportas el significado.

El resultado de esa colaboración es más potente que cualquiera de los dos por separado: datos bien interpretados, con contexto clínico real, presentados con claridad para quienes toman decisiones.

Conclusión: de receptor de datos a gestor activo

Durante años, muchos médicos gestores han sido receptores pasivos de datos que otros producían e interpretaban. Los informes llegaban tarde, en formatos difíciles de leer, y raramente generaban acciones concretas.

La IA no cambia los sistemas de información hospitalaria. Pero sí cambia lo que puedes hacer con los datos que ya tienes. Con las herramientas y los prompts de este artículo, puedes pasar de receptor a gestor activo de la información de tu servicio.

No necesitas formación en análisis de datos. Necesitas los datos (aunque sean imperfectos), un prompt bien construido, y el juicio clínico que ya tienes.

El siguiente artículo de esta serie abordará cómo usar la IA en la selección, onboarding y evaluación de residentes y personal sanitario: un área donde el potencial es enorme y las herramientas disponibles hoy ya son notablemente útiles.